基于大数据的智能知识管理系统与方法

1.本发明涉及信息技术领域，具体地涉及一种基于大数据的智能知识管理系统与方法。


背景技术：

2.企业之间的竞争往往在于人才的竞争，对于企业而言，在职人员所具备的工作技能是企业的知识资源的一种。知识管理系统是管理知识资源的重要手段与技术方式。但如何实现对知识资源的预判式保留，以降低知识资源的流失风险，是现有的知识管理系统的普遍缺陷。
3.在实现本发明的发明构思过程中，发明人发现，为了实现对企业的知识资源的预判式保留，需要对人才的工作技能进行准确的预测，因此，亟需一种能够对人才的工作技能多样性实现有效识别，并能够提前预测人才是否存在流失风险的系统。


技术实现要素：

4.鉴于上述问题，本发明提供了一种基于大数据的智能知识管理系统与方法。
5.根据本发明的第一个方面，提供了一种基于大数据的智能知识管理系统，包括：信息获取子系统，用于响应于来自客户端的求职请求，从求职简历中获取求职者的第一工作技能属性信息和求职岗位的信息；并将第一工作技能属性信息和求职岗位的信息输入预设模型，输出匹配结果；在匹配结果满足预设条件的情况下，向信息推荐子系统发送推荐案例请求；信息推荐子系统，用于响应于来自信息获取子系统的推荐案例请求，从信息获取子系统获取第一工作技能属性信息和求职岗位的信息；并根据第一工作技能属性信息和求职岗位的信息，从案例数据库中确定目标学习案例，并向信息预测子系统发送信息预测请求；信息预测子系统，用于响应于来自信息推荐子系统的信息预测请求，从信息推荐子系统获取目标学习案例和第一工作技能属性信息；并从目标学习案例中提取附加工作技能属性信息，其中，附加工作技能属性信息表征求职者在预设时间段内通过学习目标学习案例能够增加的工作技能属性信息；并根据第一工作技能属性信息和附加工作技能属性信息，生成第二工作技能属性信息；根据第二工作技能属性信息，生成流失风险预测信息，其中，流失风险预测信息表征求职者在学习目标学习案例之后的变动风险；以及向客户端发送流失风险预测信息。
6.根据本发明的实施例，信息获取子系统包括：注册登录模块，用于注册登录信息，以获取信息获取子系统的访问权限；第一展示模块，用于展示求职岗位的信息和兴趣选择界面信息；简历模块，用于编辑求职简历信息；匹配模块，用于根据第一工作技能属性信息和求职岗位的信息，预测求职者与求
职岗位的匹配度；选择模块，用于根据兴趣选择界面信息生成意向学习主题信息；第一管理员模块，用于管理信息获取子系统获取到的全部信息。
7.根据本发明的实施例，匹配模块包括：预处理单元，用于将第一工作技能属性信息和求职岗位的信息进行预处理，得到第一工作技能属性特征信息和求职岗位的特征信息；匹配单元，用于将第一工作技能属性特征信息和求职岗位的特征信息输入预设模型，得到匹配度。
8.根据本发明的实施例，信息推荐子系统包括：案例推荐模块，用于根据第一工作技能属性信息和求职岗位的信息，从案例数据库中确定目标学习案例；第二展示模块，用于展示目标学习案例、目标学习案例的学习方法以及信息推荐子系统的操作说明；调研模块，用于获取针对信息推荐子系统推荐的目标学习案例的反馈信息；第二管理员模块，用于查看并更新信息推荐子系统中的案例数据库以及信息推荐子系统的操作说明。
9.根据本发明的实施例，信息预测子系统包括：信息提取模块，用于从目标学习案例中提取附加工作技能属性信息；信息生成模块，用于根据第一工作技能属性信息和附加工作技能属性信息，生成第二工作技能属性信息；信息预测模块，用于根据第二工作技能属性信息，生成流失风险预测信息；发送模块，用于向所述客户端发送所述流失风险预测信息。
10.本发明的第二方面提供了一种基于大数据的智能知识管理方法，应用上述基于大数据的智能知识管理系统，包括：响应于来自客户端的求职请求，从求职简历中获取求职者的第一工作技能属性信息和求职岗位的信息；将第一工作技能属性信息和求职岗位的信息输入预设模型，输出匹配结果；在匹配结果满足预设条件的情况下，根据第一工作技能属性信息和求职岗位的信息，从案例数据库中确定目标学习案例；从目标学习案例中提取附加工作技能属性信息，其中，附加工作技能属性信息表征求职者在预设时间段内通过学习目标学习案例能够增加的工作技能属性信息；根据第一工作技能属性信息和附加工作技能属性信息，生成第二工作技能属性信息；根据第二工作技能属性信息，生成流失风险预测信息，其中，流失风险预测信息表征求职者在学习目标学习案例之后的变动风险；以及向客户端发送流失风险预测信息。
11.根据本发明的实施例，将第一工作技能属性信息和求职岗位的信息输入预设模型，输出匹配结果，包括：将第一工作技能属性信息和求职岗位的信息进行预处理，得到第一工作技能属性
特征信息和求职岗位特征信息；将第一工作技能属性特征信息和求职岗位的特征信息输入预设模型，输出匹配结果。
12.根据本发明的实施例，根据第一工作技能属性信息和求职岗位的信息，从案例数据库中确定目标学习案例，包括：根据第一工作技能属性信息和求职岗位的信息，确定目标学习主题；根据目标学习主题，从案例数据库中确定目标学习案例。
13.根据本发明的实施例，根据第一工作技能属性信息和求职岗位的信息，确定目标学习主题，包括：响应于来自客户端的求职者对兴趣选择界面的选择操作，获取求职者的意向学习主题信息；根据第一工作技能属性信息、意向学习主题信息和求职岗位的信息，确定目标学习主题。
14.根据本发明的实施例，根据第一工作技能属性信息和求职岗位的信息，从案例数据库中确定目标学习案例，包括：根据第一工作技能属性信息和求职岗位的信息，从案例数据库中获取多个备选学习案例文本信息；将多个备选学习案例文本信息输入文字向量转化模型，输出多个备选学习案例向量；基于随机森林算法或聚类算法，通过从多个备选学习案例向量中筛选与目标学习案例对应的向量，确定目标学习案例。
15.根据本发明的实施例，通过利用信息获取子系统从求职简历中获取求职者的第一工作技能属性信息和求职岗位信息，并通过预测模型进行求职者与求职岗位的匹配，在匹配结果满足预设条件的情况下，向信息推荐子系统发送推荐案例请求。然后，信息推荐子系统根据第一工作技能属性信息和求职岗位信息，从案例数据库中确定目标学习案例，并向信息预测子系统发送信息预测请求。信息预测子系统从目标学习案例中提取附加工作技能属性信息，并结合第一工作技能属性信息生成第二工作技能属性信息，再根据第二工作技能属性信息进行流失风险预测。实现了对于求职者从求职阶段到入职阶段的整个周期的信息预测，以便于管理者根据信息预测结果制定相关的人才培养策略，降低知识资源的流失风险。
附图说明
16.通过以下参照附图对本发明实施例的描述，本发明的上述内容以及其他目的、特征和优点将更为清楚，在附图中：图1示意性示出了根据本发明实施例的基于大数据的智能知识管理系统的示例性架构图；图2示意性示出了根据本发明实施例的信息获取子系统的示例性架构图；图3示意性示出了根据本发明实施例的信息推荐子系统的示例性架构图；图4示意性示出了根据本发明实施例的信息预测子系统的示例性架构图；
图5示意性示出了根据本发明实施例的基于大数据的智能知识管理方法的流程图；图6示意性示出了根据本发明实施例的确定目标学习案例的方法流程图。
具体实施方式
17.以下，将参照附图来描述本发明的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本发明实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
18.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
19.在此使用的所有术语（包括技术和科学术语）具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
20.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释（例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等）。
21.在本发明的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
22.在本发明的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。
23.本发明的实施例提供了一种基于大数据的智能知识管理系统，通过利用信息获取子系统从求职简历中获取求职者的第一工作技能属性信息和求职岗位信息，并通过预测模型进行求职者与求职岗位的匹配，在匹配结果满足预设条件的情况下，向信息推荐子系统发送推荐案例请求。然后，信息推荐子系统根据第一工作技能属性信息和求职岗位信息，从案例数据库中确定目标学习案例，并向信息预测子系统发送信息预测请求。信息预测子系统从目标学习案例中提取附加工作技能属性信息，并结合第一工作技能属性信息生成第二工作技能属性信息，再根据第二工作技能属性信息进行流失风险预测。实现了对于求职者从求职阶段到入职阶段的整个周期的信息预测，以便于管理者根据信息预测结果制定相关的人才培养策略，降低知识资源的流失风险。
24.图1示意性示出了根据本发明实施例的基于大数据的智能知识管理系统的示例性架构。
25.如图1所示，根据该实施例的示例性架构100可以包括信息获取子系统101、信息推荐子系统102、信息预测子系统103、网络104、客户端105和云端数据库106。网络104用以在信息获取子系统101、信息推荐子系统102和信息预测子系统103之间提供通信链路的介质。
网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
26.用户可以使用客户端105通过网络104与信息获取子系统101、信息推荐子系统102、信息预测子系统103进行交互，以接收或发送消息等。客户端105上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等（仅为示例）。信息获取子系统101可以与客户端105进行交互，例如：用户可以从客户端105向信息获取子系统101发送招聘信息，并从信息获取子系统101获取求职者与求职岗位的匹配结果。也可以从信息预测子系统103获取流失风险预测信息，从而根据流失风险预测信息，制定针对求职者的人才培养策略等等。
27.信息获取子系统101可以从求职简历中获取求职者的第一工作技能属性信息和求职岗位的信息；并将第一工作技能属性信息和求职岗位的信息输入预设模型，输出匹配结果；在匹配结果满足预设条件的情况下，向信息推荐子系统102发送推荐案例请求。
28.当信息推荐子系统102接收到由信息获取子系统101发送的推荐案例请求时，从信息获取子系统101获取第一工作技能属性信息和求职岗位的信息；并根据第一工作技能属性信息和求职岗位的信息，从案例数据库中确定目标学习案例，并向信息预测子系统103发送信息预测请求。
29.当信息预测子系统103接收到由信息推荐子系统102发送的信息预测请求时，从信息推荐子系统获取目标学习案例和第一工作技能属性信息；并从目标学习案例中提取附加工作技能属性信息，其中，附加工作技能属性信息表征求职者在预设时间段内通过学习目标学习案例能够增加的工作技能属性信息；并根据第一工作技能属性信息和附加工作技能属性信息，生成第二工作技能属性信息；根据第二工作技能属性信息，生成流失风险预测信息。
30.信息预测子系统103可以将生成的流失风险预测信息通过网络104向客户端105发送，以便于用户可以根据流失风险预测信息制定针对求职者的人才培养策略。
31.根据本发明的实施例，信息获取子系统101、信息推荐子系统102和信息预测子系统103可以通过django框架连接相互连接，也可以通过django框架连接客户端105和云端数据库106。云端数据库106可以用于存储基于大数据的智能知识管理系统中的信息，可以供信息获取子系统101、信息推荐子系统102和信息预测子系统103共同存储信息，云端数据库中可以包括第一数据库、第二数据库和第三数据库。其中，第一数据库用于存储公司信息、求职者与岗位信息匹配结果信息。第二数据库可以用于存储匹配结果满足预设条件的求职者信息。第三数据库可以用于存储匹配结果满足预设条件的求职者的简历信息。其中，公司信息可以包括：公司名称、主营业务、公司简介、岗位信息。岗位信息可以包括：岗位名称、岗位描述、岗位需求。求职者信息可以包括求职者的用户名、密码、邮箱等信息。
32.应该理解，图1中的信息获取子系统、信息推荐子系统和信息预测子系统、网络的数目仅仅是示意性的。根据实现需要，可以具有任意数目的信息获取子系统、信息推荐子系统和信息预测子系统。
33.以下将基于图1描述的系统，通过图2~图4对本发明实施例的基于大数据的智能知识管理系统进行详细描述。
34.图2示意性示出了根据本发明实施例的信息获取子系统的示例性架构图。
35.如图2所示，该实施例的信息获取子系统101包括注册登录模块210、第一展示模块
220、简历模块230、匹配模块240、选择模块250和第一管理员模块260。
36.注册登录模块210，用于注册登录信息，以获取信息获取子系统的访问权限。
37.根据本发明的实施例，注册登录模块210可以包括注册子模块211和登录子模块212。其中，注册子模块211可以用于求职者在首次使用该基于大数据的智能知识管理系统时进行注册信息，注册信息可以包括用户名、密码、邮箱以及随机生成的验证码。登录子模块212可以用于求职者使用注册信息中的用户名、密码等信息进行登录。登录子模块还可以对注册信息中的密码进行md5加密，并将注册信息存储在云端数据库中。
38.第一展示模块220，用于展示求职岗位的信息和兴趣选择界面信息。
39.根据本发明的实施例，兴趣选择界面信息可以包括与案例数据库中的案例相对应的学习主题词。学习主题词可以是从案例的文本信息中利用主题学习算法得到的。
40.根据本发明的实施例，提取学习主题词的方法可以包括：对目标案例的文本信息进行数据清洗，去掉无实际含义的符号，得到案例文本特征信息；将案例文本特征信息输入目标函数，得到tf-idf值和词频矩阵；将tf-idf值和词频矩阵输入到主题学习算法模型函数，得到目标案例的学习主题词。
41.根据本发明的实施例，目标函数可以为sklearn.decomposition中的tfidfvectorizer函数和countvectorizer函数。
42.根据本发明的实施例，主题学习算法模型函数可以为latentdirichletallocation函数。
43.简历模块230，用于编辑求职简历信息，例如：可以用于求职者创建求职简历，也可以由求职者在客户端创建求职简历再发送至简历模块230。还可以用于求职者查看和修改已存储在云端数据库的该求职者的简历。
44.根据本发明的实施例，在创建求职简历的过程中，可以根据文本框的提示信息进行信息输入以及上传简历附件。文本框的提示信息可以包括项目经历或实习经历、已掌握的工作技能、个人评价等等。
45.根据本发明的实施例，信息获取子系统还可以包括岗位模块，用于为求职者提供岗位信息，以便于求职者在创建求职简历时，可以从岗位模块中选择目标岗位作为求职岗位。需要说明的是，求职者对岗位信息仅具有查看权限，不具有增加、删除或修改权限。
46.匹配模块240用于根据第一工作技能属性信息和求职岗位的信息，预测求职者与求职岗位的匹配度。例如：求职者a的第一工作技能属性为具有多年的营销经历，求职岗位的信息为营销经理，可以通过计算工作技能属性信息和求职岗位的信息的相似度，预测求职者与求职岗位的匹配度，得到该求职者a与该求职岗位匹配。
47.选择模块250，用于根据兴趣选择界面信息生成意向学习主题信息。兴趣选择界面上可以包括多个学习主题词，例如：主题a1、主题a2、
…
、主题an，求职者可以在兴趣选择界面上进行选择其感兴趣的学习主题词，例如：主题a1和主题an，则意向学习主题信息可以为主题a1和主题an。
48.第一管理员模块260，用于管理信息获取子系统获取到的全部信息。例如：可以增加、修改第一展示模块展示的求职岗位的信息，当确定求职者与求职岗位匹配结果满足预
设条件的情况下，可以将求职者的用户名、密码等信息存储在第二数据库中，简历存储在第三数据库中。
49.根据本发明的实施例，通过信息获取子系统可以获取求职者的工作技能属性信息，并进行求职者与求职岗位的匹配预测，可以初步确定求职者目前的工作技能属性与求职岗位的匹配程度，以便于确认是否将引进求职者。
50.根据本发明的实施例，匹配模块包括：预处理单元，用于将第一工作技能属性信息和求职岗位的信息进行预处理，得到第一工作技能属性特征信息和求职岗位的特征信息；匹配单元，用于第一工作技能属性特征信息和求职岗位的特征信息输入预设模型，得到匹配度。
51.根据本发明的实施例，在对求职者与求职岗位进行匹配之前，需要对求职者工作技能属性信息进行消歧处理，例如：年龄、地域、民族等受保护特征的隐含信息，可以通过对抗性训练的方式，有效减少这些隐含信息的泄漏。
52.根据本发明的实施例，预设模型可以为人岗匹配模型，如式（1-1、1-2）所示：（1-1） )
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1-2）其中，d表示预测的人岗匹配度，tanh()是双曲函数，表示匹配度的预测；表示逻辑函数预测标签，sigmoid()函数用于隐层神经元输出，j表示一个工作岗位，r来表示一个外部知识工作者的简历，表示外部知识工作者简历r的主题分布，表示工作岗位j的主题分布，表示基于层次主题的应聘者简历能力表示，表示基于层次主题的工作岗位能力表示，、、、、、是优化网络的参数，、是y∈[0,1]的参数，表示元素级的乘积。
[0053]
根据本发明的实施例，基于层次主题的能力表示结构是将技能标签、岗位标签、教育背景标签输入到长短期记忆网络（lstm）中得到的。例如：基于层次主题的应聘者简历能力表示是将技能标签和教育背景标签输入到长短期记忆网络（lstm）中得到的；基于层次主题的工作岗位能力表示是将岗位标签输入到长短期记忆网络（lstm）中得到的。
[0054]
根据本发明的实施例，技能标签、教育背景标签是通过将求职简历中获取的求职者技能、教育背景、项目经验、工作经历等第一工作技能属性信息的半结构化和非结构化数据，采用自然语言处理技术进行处理，使得第一工作技能属性信息投射于单词级表示中得到的。岗位标签是采用自然语言处理技术，将求职岗位信息投射于单词级表示中得到的。
[0055]
根据本发明的实施例，将基于层次主题的应聘者简历能力表示、基于层次主题的工作岗位能力表示输入预设模型中，对优化网络的参数和y∈[0,1]的参数值进行测试和调整，得到训练好的人岗匹配模型。
[0056]
根据本发明的实施例，将经过消歧处理的技能标签、岗位标签、教育背景标签输入训练好的人岗匹配模型，输出求职者与求职岗位的匹配结果。
[0057]
根据本发明的实施例，注册登录模块210、第一展示模块220、简历模块230、匹配模块240、选择模块250和第一管理员模块260中的任意多个模块可以合并在一个模块中实现，
或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本发明的实施例，注册登录模块210、第一展示模块220、简历模块230、匹配模块240、选择模块250和第一管理员模块260中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列（fpga）、可编程逻辑阵列（pla）、片上系统、基板上的系统、封装上的系统、专用集成电路（asic），或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，注册登录模块210、第一展示模块220、简历模块230、匹配模块240、选择模块250和第一管理员模块260中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0058]
根据本发明的实施例，通过精准获取求职者的第一工作技能属性信息和求职岗位信息，利用人岗匹配模型，输出求职者与求职岗位的匹配结果，可以初步确定求职者是否符合求职岗位的需求，提高信息预测的准确度和预测效率。
[0059]
图3示意性示出了根据本发明实施例的信息推荐子系统的示例性架构图。
[0060]
如图3所示，该实施例的信息推荐子系统102包括：案例推荐模块310、第二展示模块320、调研模块330和第二管理员模块340。
[0061]
案例推荐模块310，用于根据第一工作技能属性信息和求职岗位的信息，从案例数据库中确定目标学习案例；根据本发明的实施例，可以在第一工作技能属性信息和求职岗位的信息的基础上，基于求职者在信息获取子系统的兴趣选择界面上选择的意向学习主题信息，从案例数据库中确定目标学习案例。也可以在第一工作技能属性信息和求职岗位的信息的基础上，基于专家监督的机器学习算法进行排序的基于专家监督的推荐算法，从案例数据库中筛选出目标学习案例。还可以在第一工作技能属性信息和求职岗位的信息的基础上，基于聚类算法，从案例数据库中筛选出目标学习案例。
[0062]
根据本发明的实施例，在案例推荐模块中可以设置与推荐算法相对应的子模块，例如：与意向学习主题推荐相对应的个性化推荐模块、与专家监督推荐算法相对应的专家推荐模块、与聚类算法相对应的聚类推荐模块。当接收到信息获取子系统的案例推荐请求时，信息推荐子系统可以将案例推荐请求随机分配至任意一个子模块中，以执行相应的案例推荐算法。
[0063]
第二展示模块320，用于展示目标学习案例、目标学习案例的学习方法以及信息推荐子系统的操作说明。
[0064]
根据本发明的实施例，目标学习案例的学习方法可以包括介绍目标学习案例学习过程和应完成学习任务的学习指导部分。信息推荐子系统的操作说明可以包括信息推荐子系统的操作顺序和注意事项等内容。
[0065]
调研模块330，用于获取针对信息推荐子系统推荐的目标学习案例的反馈信息。
[0066]
根据本发明的实施例，可以结合第二展示模块，在展示目标学习案例的同时，展示调查问卷，以便于求职者通过填写调查问卷反馈对信息推荐子系统推荐的案例的功能性、可用性的满意程度。也可以以其他的方式获得调研结果，然后由管理员输入信息推荐子系统的调研模块中。
[0067]
第二管理员模块340，用于查看并更新信息推荐子系统中的案例数据库以及信息推荐子系统的操作说明。
[0068]
根据本发明的实施例，可以根据调研模块330的调研结果查看并更新信息推荐子系统中的案例数据库，还可以在信息推荐子系统升级版本之后，更新信息推荐子系统的操作说明等等。
[0069]
根据本发明的实施例，案例推荐模块310、第二展示模块320、调研模块330和第二管理员模块340中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本发明的实施例，案例推荐模块310、第二展示模块320、调研模块330和第二管理员模块340中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列（fpga）、可编程逻辑阵列（pla）、片上系统、基板上的系统、封装上的系统、专用集成电路（asic），或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，案例推荐模块310、第二展示模块320、调研模块330和第二管理员模块340中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0070]
根据本发明的实施例，信息推荐子系统可以为求职者提供三种不同逻辑的案例推荐方式，基于意向学习主题的推荐方法可以为求职者提供个性化案例推荐服务；基于专家监督的推荐方法可以保证案例推荐的质量；基于聚类算法的推荐方法可以有效扩展可学习的范围。通过为求职者提供多元化的目标学习案例，可以多元化预测求职者可以增长的附加工作技能，为准确预测求职者的动向奠定基础。
[0071]
图4示意性示出了根据本发明实施例的信息预测子系统的示例性架构图。
[0072]
如图4所示，信息预测子系统103包括信息提取模块410、信息生成模块420、信息预测模块430和发送模块440。
[0073]
信息提取模块410，用于从目标学习案例中提取附加工作技能属性信息。
[0074]
根据本发明的实施例，采用自然语言处理技术，从目标学习案例中提取求职者可能增加的附加技能标签，例如：项目经历标签、任务经历标签等等。利用brown聚类算法对附加技能标签进行聚类分析，得到附加工作技能属性信息。
[0075]
根据本发明的实施例，利用brown聚类算法对附加技能标签进行聚类分析过程如下：在多个附加技能标签中选取前n个高频技能标签作为初始类，计算初始化概率p1，边权重w1和损失函数l1；将第n+1个高频技能标签加入到初始类中；针对个不同的包括n个技能标签的类，分别计算每个类的概率、边权重和损失函数；保留具有最小损失函数的类并形成新的聚类结果，构成新的初始类；通过迭代计算，直到所有附加技能标签全部添加完毕为止，则输出最优聚类结果，得到附加技能属性信息；
信息生成模块420，用于根据第一工作技能属性信息和附加工作技能属性信息，生成第二工作技能属性信息。
[0076]
根据本发明的实施例，例如：第一工作技能属性信息可以包括技能属性a1、技能属性a2和技能属性a3。附加技能属性信息可以包括技能属性b1。生成的第二工作技能属性信息可以包括技能属性a1、技能属性a2和技能属性a3和技能属性b1。
[0077]
信息预测模块430，用于根据第二工作技能属性信息，生成流失风险预测信息。
[0078]
根据本发明的实施例，可以利用求职者的第二工作技能属性信息的技能多样性预测流失风险预测信息。技能多样性可以采用如下方法得到：统计第二工作技能属性信息在最优聚类结果的各类别中的占比情况，采用信息熵公式进行知识多样性计算，从而得到技能多样性，信息熵公式如式（2）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）其中，代表技能多样性，是内部知识工作者拥有的附加技能标签在最优聚类结果的各类别中的比例，是每个类别的权重。
[0079]
根据本发明的实施例，可以利用支持向量机（svm）或adaboost分类算法进行流失预测，生成流失风险预测信息。例如：将求职者的工作技能属性信息组成特征数据集a，将岗位变动者的工作技能属性信息组成特征数据集b，将特征数据集a和特征数据集b输入训练好的分类模型，分类模型可以是基于支持向量机（svm）或adaboost分类算法训练，并结合网格交叉搜索的方法优化得到的。支持向量机（svm）或adaboost分类算法训练分类模型是较为成熟的训练方法，在此不做赘述。
[0080]
发送模块440，用于向客户端发送流失风险预测信息。
[0081]
根据本发明的实施例，可以通过向客户端发送流失风险预测信息，以便于管理者根据流失风险预测信息制定对应的人才培养策略。
[0082]
根据本发明的实施例，信息提取模块410、信息生成模块420、信息预测模块430和发送模块440中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本发明的实施例，信息提取模块410、信息生成模块420、信息预测模块430和发送模块440中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列（fpga）、可编程逻辑阵列（pla）、片上系统、基板上的系统、封装上的系统、专用集成电路（asic），或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，信息提取模块410、信息生成模块420、信息预测模块430和发送模块440中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0083]
根据本发明的实施例，通过采用聚类算法和信息熵算法得到求职者的技能多样性，根据技能多样性预测流失风险，提高了预测准确性。
[0084]
图5示意性示出了根据本发明实施例的基于大数据的智能知识管理方法的流程
图。
[0085]
如图5所示，该实施例的基于大数据的智能知识管理方法包括操作s510～s570。
[0086]
在操作s510，响应于来自客户端的求职请求，从求职简历中获取求职者的第一工作技能属性信息和求职岗位的信息。
[0087]
根据本发明的实施例，第一工作技能属性信息可以包括教育经历、工作经历等信息。求职岗位的信息可以包括岗位需求信息。
[0088]
在操作s520，将第一工作技能属性信息和求职岗位的信息输入预设模型，输出匹配结果。
[0089]
根据本发明的实施例，预设模型可以为本发明实施例中的人岗匹配模型，将第一工作技能属性信息和求职岗位的信息输入人岗匹配模型，输出的匹配结果可以是人岗匹配度。
[0090]
在操作s530，在匹配结果满足预设条件的情况下，根据第一工作技能属性信息和求职岗位的信息，从案例数据库中确定目标学习案例。
[0091]
根据本发明的实施例，预设条件可以为人岗匹配度满足预设阈值，表示求职者的技能属性满足求职岗位的岗位需求。在确认求职者满足求职岗位的岗位需求的情况下，可以根据求职者的技能属性信息和求职岗位信息，由信息推荐子系统随机将求职者的相关信息分配至推荐子模块中，按照不同的推荐算法向求职者推荐目标学习案例。
[0092]
在操作s540，从目标学习案例中提取附加工作技能属性信息，其中，附加工作技能属性信息表征求职者在预设时间段内通过学习目标学习案例能够增加的工作技能属性信息。
[0093]
根据本发明的实施例，例如：求职者是应届毕业生，第一工作技能属性中工作经历为空，通过目标学习案例的学习，可以确定其在经历学习和实践该目标学习案例之后，所能够增加的工作技能属性信息，例如：可以是该目标学习案例所对应的项目经历等等。附加工作技能属性可以是假设求职者经过学习目标学习案例之后所能掌握的工作技能属性信息。
[0094]
在操作s550，根据第一工作技能属性信息和附加工作技能属性信息，生成第二工作技能属性信息。
[0095]
根据本发明的实施例，第二工作技能属性信息可以表征求职者在原始的第一工作技能属性信息的基础上，经过目标学习案例的学习，增长了附加工作技能属性信息之后，得到的新的工作技能属性信息。
[0096]
在操作s560，根据第二工作技能属性信息，生成流失风险预测信息，其中，流失风险预测信息表征求职者在学习目标学习案例之后的变动风险。
[0097]
根据本发明的实施例，信息预测子系统可以根据第二工作技能属性信息，通过训练好的分类模型，将求职者的第二工作技能属性信息和系统内存储的已发生岗位变动的人员的工作技能属性信息，输入训练好的分类模型，从技能多样性的角度分析求职者未来发生岗位变动的风险。
[0098]
在操作s570，向客户端发送流失风险预测信息。
[0099]
根据本发明的实施例，通过向客户端发送流失风险预测信息，可以使管理者及时制订或调整人才培养策略，以提高对人才知识的保留程度。
[0100]
根据本发明的实施例，将第一工作技能属性信息和求职岗位的信息输入预设模
型，输出匹配结果，包括：将第一工作技能属性信息和求职岗位的信息进行预处理，得到第一工作技能属性特征信息和求职岗位特征信息；将第一工作技能属性特征信息和求职岗位特征信息输入预设模型，输出匹配结果。
[0101]
根据本发明的实施例，预处理可以为消歧处理，例如：可以通过识别第一功能技能属性特征信息中的性别、年龄、地域、民族等受保护特征的隐含信息，可以采用对抗性训练，有效地减少受保护属性的泄漏，提高人岗匹配结果的公平性。
[0102]
图6示意性示出了根据本发明实施例的确定目标学习案例的方法流程图。
[0103]
根据本发明的实施例，该实施例的确定目标学习案例的方法包括操作s610～s620。
[0104]
在操作s610，根据第一工作技能属性信息和求职岗位的信息，确定目标学习主题；根据本发明的实施例，目标学习主题可以根据第一工作技能属性信息与求职岗位的信息中岗位需求中的关键词确定。例如：岗位需求中包含技能a，但是第一工作技能属性信息中缺乏技能a，关键词就可以是技能a，将技能a作为目标学习主题。
[0105]
根据本发明的实施例，确定目标学习主题可以在第一工作技能属性信息和求职岗位的信息的基础上，结合求职者的兴趣确定。该确定目标学习主题的方法包括：响应于来自客户端的求职者对兴趣选择界面的选择操作，获取求职者的意向学习主题信息；根据第一工作技能属性信息、意向学习主题信息和求职岗位的信息，确定目标学习主题。
[0106]
根据本发明的实施例，目标学习技能还可以结合求职者的兴趣，例如：岗位需求中包含技能a，但是第一工作技能属性信息中缺乏技能a，可以确定技能a为目标学习主题。但是对于技能a的学习案例可以包括多个备选学习主题，这时，可以根据求职者的意向学习主题信息，从多个备选学习主题中确定目标学习主题。
[0107]
在操作s620，根据目标学习主题，从案例数据库中确定目标学习案例。
[0108]
根据本发明的实施例，根据第一工作技能属性信息和求职岗位的信息，从案例数据库中获取多个备选学习案例文本信息；将多个备选学习案例文本信息输入文字向量转化模型，输出多个备选学习案例向量；基于随机森林算法或聚类算法，通过从多个备选学习案例向量中筛选与目标学习案例对应的向量，确定目标学习案例。
[0109]
根据本发明的实施例，可以采用专家监督的推荐算法从案例数据库中确定目标学习案例，例如：根据目标学习主题可以从案例数据库中确定m个学习案例，可以将m个学习案例的文本信息输入文字向量转化模型中，得到学习案例的向量数据。然后将学习案例的向量数据分为训练数据集和测试数据集，并对训练数据集中的向量数据进行标注。利用训练数据集训练随机森林算法模型，并利用测试数据集调用随机森林算法模型的参数，得到测试数据集的推荐分数，将推荐分数排名前三位的向量数据对应的学习案例作为目标学习案例。
[0110]
根据本发明的实施例，还可以采用聚类推荐方法从案例数据库中确定目标学习案例，例如：根据目标学习主题可以从案例数据库中确定m个学习案例，可以将m个学习案例的
文本信息输入文字向量转化模型中，得到学习案例的向量数据。然后利用k-means算法对向量数据进行聚类分析，得到多组聚类案例集，可以随机将任意一组聚类案例集作为目标学习案例。也可以将聚类案例集中的聚类中心对应的学习案例作为目标学习案例。
[0111]
本领域技术人员可以理解，本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本发明中。特别地，在不脱离本发明的情况下，本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
[0112]
以上对本发明的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本发明的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本发明的范围由所附权利要求及其等同物限定。不脱离本发明的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本发明的范围之内。