(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211128537.7 (22)申请日 2022.09.16 (71)申请人 山东人才发展集团信息技 术有限公 司 地址 250000 山东省济南市历下区经十路 11666号金融中心D栋楼 (72)发明人 单晓燕　郭志伟　郭宁　杨洋　 刘科坊　王霆　宋纪宾　王丽雅　 马海迪　金锋　王杲卿　张阿龙　 刘传浩　李鹏　 (74)专利代理 机构 北京君慧知识产权代理事务 所(普通合伙) 11716 专利代理师 王彬 (51)Int.Cl. G06Q 10/10(2012.01)G06Q 10/06(2012.01) G06F 40/30(2020.01) (54)发明名称 一种用于待就业人群的就业信息处理方法 及设备 (57)摘要 本申请提供了一种用于待就业人群的就业 信息处理方法及设备， 该方法获取若干岗位信 息； 岗位信息至少包括： 岗位名称、 岗位职责文 本、 岗位需求文本。 基于各岗位信息相应的招聘 人员信息以及当前待定人员的简历信息， 确定各 岗位信息相应的第一评价分值。 其中， 第一评价 分值表征当前待定人员与各岗位信息的匹配程 度。 根据第一评价分值及预设隐语义模型， 确定 第一评价分值对应的待定人员相应的第二评价 分值。 通过预先训练的深度森林模型， 确定简历 信息与各岗位信息相应的匹配概率值。 基于第二 评价分值及匹配概率值， 确定当前待定人员匹配 的至少一个岗位信息， 以将岗位信息发送至相应 的用户终端。 权利要求书3页 说明书10页 附图2页 CN 115526589 A 2022.12.27 CN 115526589 A 1.一种用于待就 业人群的就 业信息处 理方法， 其特 征在于， 所述方法包括： 获取若干岗位信息； 所述岗位信息 至少包括： 岗位名称、 岗位职责文本、 岗位需求文本； 基于各所述岗位信 息相应的招聘人员 信息以及当前待定人员的简历信 息， 确定各所述 岗位信息相应的第一评价分值； 其中， 所述第一评价分值表征所述当前待定人员与各所述 岗位信息的匹配程度； 根据所述第 一评价分值及预设隐语义模型， 确定所述第 一评价分值对应的待定人员相 应的第二评价分值； 通过预先训练的深度森林模型， 确定所述简历信 息与各所述岗位信 息相应的匹配概率 值； 基于所述第 二评价分值及所述匹配概率值， 确定所述当前待定人员匹配的至少一个所 述岗位信息， 以将所述岗位信息发送至相应的用户终端。 2.根据权利要求1所述方法， 其特征在于， 基于各所述岗位信 息相应的招聘人员 信息以 及当前待定人员的简 历信息， 确定各 所述岗位信息相应的第一评价分值， 具体包括： 根据所述当前待定人员的简历信 息及各所述招聘人员信 息， 确定所述简历信 息相应文 本与各所述招 聘人员信息相 应文本的余弦相似度； 其中， 所述相应文本为对岗位的评价文 本； 根据各所述余弦相似度， 生成所述当前待定人员与各招聘人员的相似度矩阵； 基于各所述招聘人员对各岗位的评价文本及所述相似度矩阵中相应的所述余弦相似 度， 确定所述当前待定人员相应的岗位评分， 为所述第一评价分值。 3.根据权利要求1所述方法， 其特征在于， 根据所述第一评价分值及预设隐语义模型， 确定所述第一评价分值对应的待定人员相应的第二评价分值， 具体包括： 将所述当前待定人员的简历信 息及与所述第 一评价分值相应的评价文本， 输入所述隐 语义模型， 以使 所述隐语义模型确定所述当前待定人员及所述第一评价分值对应的招聘人 员相应的评分矩阵； 通过所述 隐语义模型及预设损 失函数， 对所述评分矩阵进行因式分解处理， 直至所述 预设损失函数满足预设条件， 以将所述评分矩阵分解 为用户评分矩阵及岗位权 重矩阵； 基于所述用户评分矩阵及所述岗位权重矩阵， 确定所述当前待定人员对各 岗位的预测 评价分值； 将所述第一评价分值与所述预测评价分值的加权平均值， 作为所述第二评价分值。 4.根据权利要求1所述方法， 其特征在于， 通过预先训练的深度森林模型， 确定所述简 历信息与各 所述岗位信息相应的匹配概 率值之前， 所述方法还 包括： 获取若干简 历样本及若干岗位信息样本； 通过所述深度森林模型， 分别对各所述简历样本及各所述岗位信 息样本进行短文本编 码处理， 以确定各所述简历样本对应的第一特征向量集及各所述岗位信息样本对应的第二 特征向量集， 并计算所述第一特征向量集中的各特征向量与所述第二特征向量集中的各特 征向量的匹配概率值， 直至所述匹配概率值满足预设样本概率表， 确定对所述深度森林模 型训练完成。 5.根据权利要求4所述方法， 其特征在于， 基于所述第二评价分值及所述匹配概率值， 确定所述当前待定人员匹配的至少一个所述岗位信息， 具体包括：权　利　要　求　书 1/3 页 2 CN 115526589 A 2确定大于第一预设阈值的所述第二评价分值， 为待定岗位分值； 确定所述待定岗位分值对应的待定岗位信息； 以及 确定所述待定岗位信息相应的所述匹配概 率值； 根据所述待定岗位信 息相应的所述匹配概率值、 所述待定岗位信 息相应的所述待定岗 位分值及预设匹配权 重， 确定各 所述待定岗位信息相应的第三评价分值； 将大于第二预设阈值的所述第 三评价分值相应的所述岗位信 息， 作为所述当前待定人 员匹配的所述岗位信息 。 6.根据权利要求5所述方法， 其特征在于， 将所述岗位信息发送至相应的用户终端之 前， 所述方法还 包括： 生成所述岗位信 息及相应的所述简历信 息的数据字典； 所述数据字典包括若干三元组 文本； 所述 三元组文本包括： 人员姓名、 所述简 历信息相应的就 业能力文本及岗位名称； 通过预置的TransH模型， 将各所述三元组文本分别进行编码为向量组， 并将各所述向 量组投影至相应的关系超平面， 以根据预设公式及所述关系超平面中的各所述向量组的投 影向量， 计算所述数据字典中各所述三元组文本的推荐分值； 其中， 所述向量组包括人员姓 名向量、 就业能力文本 向量及岗位名称向量； 所述关系超平面为所述向量组中的就业能力 文本向量所对应的超平面； 剔除所述推荐分值小于预设值的所述三元组文本， 并更新所述数据字典， 以根据更新 后的所述数据字典， 确定所述岗位信息 。 7.根据权利要求1所述方法， 其特 征在于， 获取若干岗位信息之前， 所述方法还 包括： 获取若干招聘信息及所述招聘信息对应的岗位关键词； 按照各所述岗位关键词在所述招聘信 息中所处位置顺序， 依次组合各所述岗位关键词 为岗位关键句， 并将所述岗位关键句作为训练样 本， 输入双向LSTM ‑CRF模型， 以对所述双向 LSTM‑CRF模型进行训练。 8.根据权利要求7 所述方法， 其特 征在于， 所述方法还 包括： 通过所述双向LSTM ‑CRF模型， 筛选若干所述招聘信息中岗位关键词， 以将筛选后的所 述岗位关键词作为岗位职责样本词； 确定所述招聘信息中， 各 所述岗位职责文本分别对应的岗位需求样本词； 将所述岗位职责样本词与 所述岗位需求样本词输入关键词提取模型进行训练， 以通过 训练后的所述关键词提取模 型获取所述岗位信息； 所述关键词提取模型为TextR ank算法模 型。 9.根据权利要求1所述方法， 其特征在于， 将所述岗位信息发送至相应的用户终端之 后， 所述方法还 包括： 获取所述用户终端的反馈信息； 根据所述反馈信息， 确定所述岗位信息的准确率及召回率； 根据所述 准确率及所述召回率， 确定所述岗位信息是否为待更新岗位信息； 若是， 剔除所述待更新岗位信息对应的所述招聘人员信息， 以根据更新后的所述招聘 人员信息， 更新所述第一评价分值及所述第二评价分值， 以更新所述待更新岗位信息 。 10.一种用于待就 业人群的就 业信息处 理设备， 其特 征在于， 所述设备包括： 至少一个处 理器； 以及，权　利　要　求　书 2/3 页 3 CN 115526589 A 3