一种简历与岗位的匹配方法、装置、介质、设备及产品

技术领域

本发明涉及信息处理技术领域，尤其涉及一种简历与岗位的匹配方法、装置、介质、设备及产品。

背景技术

在就业形势严峻的环境下，供求信息不对称的现象严重，求职者应聘和用人单位招聘是双向交流的过程，但一方面求职者面对各种渠道下海量的岗位信息往往难以抉择，另一方面企事业单位也需要掌握求职者的实际情况，不断浏览简历来筛选出合适的岗位人选。

虽然依靠人力筛选能够保证匹配的准确度，但是在高额人力成本和信息不对称的情况下，通常难以达到企事业单位和求职者双方均满意的程度。

发明内容

本发明提供了一种简历与岗位的匹配方法、装置、介质、设备及产品，提高简历与岗位的匹配精度。

根据本发明的一方面，提供了一种简历与岗位的匹配方法，包括：

获取待匹配的简历数据和岗位数据，对所述简历数据进行特征提取得到第一简历特征信息，对所述岗位数据进行特征提取得到第一岗位特征信息；

获取简历知识图谱，基于所述简历知识图谱得到第二简历特征信息，以及，获取岗位知识图谱，基于所述岗位知识图谱得到第二岗位特征信息；

将所述第一简历特征信息、所述第一岗位特征信息、所述第二简历特征信息和所述第二岗位特征信息整合为输入信息，输入至匹配模型中，得到所述简历数据与所述岗位数据的匹配数据。

可选的，对所述简历数据进行特征提取得到第一简历特征信息，对所述岗位数据进行特征提取得到第一岗位特征信息，包括：将所述简历数据输入到预先设置的特征提取模块，得到所述第一简历特征信息；将所述岗位数据输入到预先设置的所述特征提取模块，得到所述第一岗位特征信息。

可选的，所述简历知识图谱或所述岗位知识图谱的创建方法，包括：获取原始数据，所述原始数据包括原始简历数据或原始岗位数据；对所述原始数据进行实体抽取和关系抽取，并基于抽取的实体和关系形成三元组数据，所述三元组数据包括两个实体和所述两个实体之间的关系；基于所述三元组数据创建对应的知识图谱。

可选的，所述对所述原始数据进行实体抽取，包括：

基于实体抽取模型对所述原始数据进行实体抽取，得到初始实体；调用招聘领域知识特征库，将所述初始实体与在所述招聘领域知识特征库中进行匹配，根据匹配结果，筛选目标实体；或者，

调用基于样本数据和招聘领域知识特征库训练得到的实体抽取模型，基于调用的所述实体抽取模型对所述原始数据进行实体抽取。

可选的，所述基于所述三元组数据创建对应的知识图谱，包括：遍历各所述三元组数据，对于任一所述三元组数据，在创建过程中的图数据中设置对应的节点、以及节点之间的连接关系，形成知识图谱。

可选的，所述基于所述三元组数据创建对应的知识图谱之后，还包括：对创建的所述知识图谱进行缺失判定；若存在节点缺失，或者关系缺失，则对所述知识图谱进行补全处理。

可选的，对所述知识图谱进行补全处理，包括：对于节点缺失，获取已知节点和已知关系，基于所述已知节点和所述已知关系对所述知识图谱中的候选节点进行评估，得到评估结果，基于所述评估结果确定补全节点；对于关系缺失，获取已知节点和各预设类型的关系，基于所述已知节点对各所述预设类型的关系进行评估，得到评估结果，基于所述评估结果确定补全关系；基于所述补全节点和/或所述补全关系更新所述知识图谱。

可选的，在基于所述简历数据与所述岗位数据的匹配数据，对所述简历数据的岗位预测结果，所述方法还包括：在确定所述简历数据与所述岗位数据相匹配的情况下，基于所述简历数据更新简历原始数据；基于更新后的所述简历原始数据更新所述简历知识图谱。

可选的，所述匹配模型包括注意力模块和预测模块；

所述将所述第一简历特征信息、所述第一岗位特征信息、所述第二简历特征信息和所述第二岗位特征信息整合为输入信息，输入至匹配模型中，得到所述简历数据与所述岗位数据的匹配数据，包括：

将所述第一简历特征信息和所述第二简历特征信息整合为简历特征信息，将所述第一岗位特征信息和所述第二岗位特征信息整合为岗位特征信息；将所述简历特征信息和所述岗位特征信息输入至所述注意力模块，得到简历特征向量和岗位特征向量；将所述简历特征向量和所述岗位特征向量进行相关性处理，得到相关性特征向量，并对所述相关性特征进行加权处理得加权特征向量；将所述岗位特征向量、加权特征向量和所述相关性特征的权重形成权重特征向量输入至所述预测模块，得到所述简历数据与所述岗位数据的匹配数据。

可选的，所述匹配模型的训练过程包括：获取历史简历数据和岗位数据，基于所述历史简历数据的匹配状态确定标准匹配数据；基于所述历史简历数据、岗位数据，简历知识图谱、岗位知识图谱以及所述历史简历数据的标准匹配数据对初始匹配模型进行迭代训练，得到所述匹配模型。

可选的，所述历史简历数据的匹配状态包括：未通过简历筛选、通过简历筛选、通过笔试、通过面试、录用，各所述匹配状态对应设置有标准匹配数据，且所述未通过简历筛选、所述通过简历筛选、所述通过笔试、所述通过面试、所述录用分别对应的标准匹配数据依次增加。

根据本发明的一方面，提供了一种简历与岗位的匹配装置，包括：

第一特征提取模块，用于获取待匹配的简历数据和岗位数据，对所述简历数据进行特征提取得到第一简历特征信息，对所述岗位数据进行特征提取得到第一岗位特征信息；

第二特征提取模块，用于获取简历知识图谱，基于所述简历知识图谱得到第二简历特征信息，以及，获取岗位知识图谱，基于所述岗位知识图谱得到第二岗位特征信息；

匹配数据确定模块，用于将所述第一简历特征信息、第一岗位特征信息、所述第二简历特征信息和所述第二岗位特征信息整合为输入信息，输入至匹配模型中，得到所述简历数据与所述岗位数据的匹配数据。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的简历与岗位的匹配方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的简历与岗位的匹配方法。

根据本发明的另一方面，提供了一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时实现本发明任一实施例所述的简历与岗位的匹配方法。

本发明实施例的技术方案，在提取简历数据和岗位数据对应的特征信息之外，还通过创建的简历知识图谱和岗位知识图谱进行特征提取，并将上述不同方式提取的特征信息，整合为匹配模型的输入信息，提高特征信息的全面性和准确性。通过预先提取特征信息，将提取的特征信息输入至匹配模型，减少输入至匹配模型中的特征维度，提高匹配模型的处理效率。通过匹配模型输出简历数据和岗位数据的匹配数据，为求职者或者简历筛选用户提供参考，便于快速筛选适合的岗位或者简历。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种简历与岗位的匹配方法的流程图；

图2是本发明实施例提供的一种匹配模型的训练过程，以及岗位数据和简历数据的匹配的示意图；

图3是本发明实施例提供的一种知识图谱的创建过程示意图；

图4是本发明实施例二提供的一种简历与岗位的匹配装置的结构示意图；

图5是本发明实施例三提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一特征数据”、“第二特征数据”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本申请所涉及技术方案中对数据的获取、存储和/或处理，符合国家法律法规的相关规定。

实施例一

图1是本发明实施例一提供的一种简历与岗位的匹配方法的流程图，本实施例可适用于向新入职员工推荐合适且其感兴趣的岗位的情况，该方法可以由简历与岗位的匹配装置来执行，该简历与岗位的匹配装置可以采用硬件和/或软件的形式实现，该简历与岗位的匹配装置可配置于本发明实施例提供的电子设备中。如图1所示，该方法包括：

S110、获取待匹配的简历数据和岗位数据，对所述简历数据进行特征提取得到第一简历特征信息，对所述岗位数据进行特征提取得到第一岗位特征信息。

S120、获取简历知识图谱，基于所述简历知识图谱得到第二简历特征信息，以及，获取岗位知识图谱，基于所述岗位知识图谱得到第二岗位特征信息。

S130、将所述第一简历特征信息、所述第一岗位特征信息、所述第二简历特征信息和所述第二岗位特征信息整合为输入信息，输入至匹配模型中，得到所述简历数据与所述岗位数据的匹配数据。

本实施例中，待匹配的简历数据可以是求职者的简历数据，该简历数据可以是从求职者的简历文本中提取的数据。待匹配的岗位数据，可以是该求职者的求职岗位对应的岗位数据，该岗位数据可以是包括岗位要求对应的描述数据。待匹配的岗位数据还可以是求职者所求职公司中任一岗位的岗位数据，此处可以是将任一求职者的简历数据与任一岗位的岗位数据进行匹配，以确定简历数据与岗位数据的匹配数据，并进一步确定简历数据的岗位预测结果，其中，该预测结果可以是包括匹配和不匹配。

可选的，对所述简历数据进行特征提取得到第一简历特征信息，包括：将所述简历数据输入到预先设置的特征提取模块，得到所述第一简历特征信息；以及对所述岗位数据进行特征提取得到第一岗位特征信息，包括：将所述岗位数据输入到预先设置的所述特征提取模块，得到所述第一岗位特征信息。

此处通过机器学习模型分别对简历数据和岗位数据进行特征提取，简化了特征提取的过程。可选的，对于简历数据，对简历数据进行分句处理，得到简历数据中语句，对各语句进行编码处理，得到各语句的编码向量，将各语句的编码向量形成句级嵌入矩阵，即第一简历特征信息。同理，对于岗位数据，基于上述处理过程得到岗位数据对应的句级嵌入矩阵，即第一岗位特征信息。可以理解的是，对岗位数据对应的第一岗位特征信息进行存储，在岗位数据未发生变化的情况下，可直接调用岗位数据对应的第一岗位特征信息，避免对岗位数据的重复特征提取。

可选的，特征提取模型可以是RoBERTa预训练模型，将岗位数据输入至RoBERTa预训练模型，得到第一岗位特征信息，将简历数据至RoBERTa预训练模型，得到第一简历特征信息。其中，RoBERTa预训练模型可以包括位置编码部分Position Embedding用于对语句中词的位置信息进行编码，语句编码部分Token Embedding将词划分为一组有限的公共子词单元，段落编码部分Segment Embedding用来区分两个句子，将句子整体的Embedding相对应给每个词。

本实施例中，预先创建简历知识图谱和岗位知识图谱，并提取简历知识图谱中的知识表示，即第二简历特征信息，提取岗位知识图谱中的知识表示，即第二岗位特征信息，为岗位数据和简历数据的匹配提供数据依据。其中，简历知识图谱中包括简历相关实体形成的实体节点，以及实体节点之间的关联关系，该连接关系通过连接线的形式将存在连接关系的实体节点进行连接。同理，岗位知识图谱中包括岗位相关实体形成的实体节点，以及实体节点之间的连接线。简历知识图谱和岗位知识图谱中包括大量实体和实体之间的关联关系，为简历数据和岗位数据之间的匹配提供数据依据。

在一些实施例中，可以是通过预设的机器学习模型分别对简历知识图谱和岗位知识图谱进行特征提取，以得到第二简历特征信息和第二岗位特征信息。在一些实施例中，对于简历知识图谱，提取所述简历知识图谱中存在关联关系的实体，示例性的，可通过将简历知识图谱中的实体和关联关系映射到超平面空间的形式实现。对提取的实体和关联关系进行编码处理，得到编码向量，将多个编码向量形成嵌入矩阵，即第二简历特征信息。同理，对岗位知识图谱，可基于上述过程，提取第二岗位特征信息。可选的，可通过度量的TransH模型将简历知识图谱或岗位知识图谱中的实体和关联关系映射到超平面空间中，实现实体和关联关系的提取。

此次，可简历知识图谱对应的第二简历特征信息和岗位知识图谱对应的第二岗位特征信息进行存储，在简历知识图谱和岗位知识图谱未更新的情况下，直接调用第二简历特征信息和第二岗位特征信息，减少无效的重复处理过程。

在上述实施例的基础上，将基于简历数据提取的第一简历特征信息、基于岗位数据提取的第一岗位特征信息，以及基于简历知识图谱提取的第二简历特征信息，基于岗位知识图谱提取的第二岗位特征信息进行信息整合，得到匹配模型的输入信息。该匹配模型为预先设置的机器学习模型，用于对输入信息进行匹配预测，得到岗位数据和简历数据的匹配数据。该匹配数据可以是0-1之间的百分数，匹配数据的数值大小可表征匹配程度。

在一些实施例中，可将简历数据分别与多个岗位数据进行匹配，分别得到与各岗位数据的匹配数据，并基于匹配数据，对多个岗位进行排序，将岗位排序展示给简历数据对应的求职者，以便于求职者确定适合自己的岗位。

在一些实施例中，可将岗位数据与多个求职者的简历数据进行匹配，分别得到与各简历数据的匹配数据。基于匹配数据，对多个简历数据进行排序，并将简历排序展示给简历筛选用户，并简历筛选用户确定与岗位更加适配的求职者。

本实施例提供的技术方案，在提取简历数据和岗位数据对应的特征信息之外，还通过创建的简历知识图谱和岗位知识图谱进行特征提取，并将上述不同方式提取的特征信息，整合为匹配模型的输入信息，提高特征信息的全面性和准确性。通过预先提取特征信息，将提取的特征信息输入至匹配模型，减少输入至匹配模型中的特征维度，提高匹配模型的处理效率。通过匹配模型输出简历数据和岗位数据的匹配数据，为求职者或者简历筛选用户提供参考，便于快速筛选适合的岗位或者简历。

在上述实施例的基础上，匹配模型包括注意力模块和预测模块。其中，注意力模块用于对输入的特征信息中的重要特征信息进行关注，可选的，注意力模块可以是ABCNN(Attention-Based Convolutional Neural Network，基于注意力的卷积神经网络)模型。

可选的，将所述第一简历特征信息、所述第一岗位特征信息、所述第二简历特征信息和所述第二岗位特征信息整合为输入信息，输入至匹配模型中，得到所述简历数据与所述岗位数据的匹配数据，包括：将所述第一简历特征信息和所述第二简历特征信息整合为简历特征信息，将所述第一岗位特征信息和所述第二岗位特征信息整合为岗位特征信息；将所述简历特征信息和所述岗位特征信息输入至所述注意力模块，得到简历特征向量和岗位特征向量；将所述简历特征向量和所述岗位特征向量进行相关性处理，得到相关性特征向量，并对所述相关性特征进行加权处理得加权特征向量；将所述岗位特征向量、加权特征向量和所述相关性特征的权重形成权重特征向量输入至所述预测模块，得到所述简历数据与所述岗位数据的匹配数据。

本实施例中，将多个特征信息的整合为输入信息，可以是将第一简历特征信息和第二简历特征信息整合为简历特征信息，将第一岗位特征信息和第二岗位特征信息整合为岗位特征信息，并共同作为匹配模型的输入信息。此处的第一简历特征信息和第二简历特征信息均可以特征矩阵，将上述第一简历特征信息和第二简历特征信息进行矩阵拼接，得到简历特征信息。同理，对第一岗位特征信息和第二岗位特征信息进行矩阵拼接，得到岗位特征信息。将简历特征信息和岗位特征信息输入至注意力模块进行特征提取，分别得到简历特征向量u’和岗位特征向量o’，对上述简历特征向量u’和岗位特征向量o’进行相关性计算，得到相关性特征向量a

该匹配模型为预先训练得到的，其中，匹配模型的训练过程包括：获取历史简历数据和岗位数据，基于所述历史简历数据的匹配状态确定标准匹配数据；基于所述历史简历数据、岗位数据，简历知识图谱、岗位知识图谱以及所述历史简历数据的标准匹配数据对初始匹配模型进行迭代训练，得到所述匹配模型。

此处历史简历数据可以是预设时间段内的历史简历数据。历史简历数据可以包括未通过筛选的简历数据，也可以被录取的简历数据，相应的，可根据历史简历数据数据的匹配状态确定与岗位数据的标准匹配数据。

其中，历史简历数据的匹配状态包括：未通过简历筛选、通过简历筛选、通过笔试、通过面试、录用。在一些实施例中，通过简历筛选、通过笔试、通过面试的匹配状态可以包括多个子状态，示例性的，简历筛选可以是包括多轮筛选，相应的，通过简历筛选的状态可包括分别通过不同轮次的筛选状态。同时，通过笔试、通过面试可均包括多个轮次，相应的，包括多个轮次的筛选状态。

各所述匹配状态对应设置有标准匹配数据，且所述未通过简历筛选、所述通过简历筛选、所述通过笔试、所述通过面试、所述录用分别对应的标准匹配数据依次增加。预先对上述各匹配状态设置对应标准匹配数据，例如可通过匹配状态与标准匹配数据之间的映射表实现。匹配状态包括至少两个状态，可根据对简历数据的筛选轮次确定，其中，每一筛选轮次可对应一个标准匹配数据。示例性的，未通过简历筛选对应的标准匹配数据可以是0，简历数据被录用对应的标准匹配数据可以是1，通过笔试对应的标准匹配数据80％等。

通过根据历史简历数据的匹配状态，自动确定简历数据与岗位数据的标准匹配数据。可以理解的是，历史简历数据对应的岗位数据，可以是求职者所求职的岗位对应的岗位数据。

将历史简历数据和岗位数据进行特征提取，以及对简历知识图谱和岗位知识图谱进行特征提取，将提取的特征信息整合为样本输入信息，输入至待训练的匹配模型中，以得到预测匹配数据，将该预测匹配数据与标准匹配数据确定损失函数，以对上述匹配模型进行网络参数的调节。迭代执行上述训练过程，直到满足迭代结束条件，得到训练完成的匹配模型。

示例性的，参见图2，图2是本发明实施例提供的一种匹配模型的训练过程，以及岗位数据和简历数据的匹配的示意图。

在上述实施例的基础上，简历知识图谱或岗位知识图谱为预先创建并存储，上述任一知识图谱中包括大量的知识数据，为岗位数据和简历数据的匹配提供丰富的语义信息。

可选的，简历知识图谱或所述岗位知识图谱的创建方法，包括：获取原始数据，所述原始数据包括原始简历数据或原始岗位数据；对所述原始数据进行实体抽取和关系抽取，并基于抽取的实体和关系形成三元组数据，所述三元组数据包括两个实体和所述两个实体之间的关系；基于所述三元组数据创建对应的知识图谱。

其中，通过原始简历数据创建简历知识图谱，通过原始岗位数据创建岗位知识图谱，且上述简历知识图谱或所述岗位知识图谱的创建过程相同。以岗位知识图谱为例，获取原始岗位数据，此处的原始岗位数据可以包括非结构化数据、半结构化数据和结构化数据中的一项或多项。对上述原始岗位数据进行知识抽取，其中，知识抽取包括实体抽取和关系抽取。

其中，原始岗位数据对应的岗位相关实体的实体类别可以是预先定义的，例如包括但不限于岗位、薪资、工作年限、工作地点、学历、专业、岗位描述、公司类型、所属行业等。上述任意实体类中还可以包括预先定义的子类型，例如，工作地点可细分为省份或具体城市等。同时，原始岗位数据对应的实体之间的语义关系也可以是预先定义的。根据上述预先定义的实体类型和语义关系对原始岗位数据进行知识抽取。同理，对于简历岗位数据对应的简历相关实体和实体之间的语义关系，也可以预先定义，便于对简历岗位数据进行知识抽取。

在上述实施例的基础上，预先创建招聘领域知识特征库，用于为进行实体抽取提供参考。招聘领域知识特征库通过采集多个相关平台的原始数据，利用正文抽取、词法分析和语义扩展等方式解析出知识信息生成，可选的，招聘领域知识特征库包括但不限于简历触发词库、中文姓名库、高校名库、企业名特征词库、企业名称库、同义名称词库和地名库等，有利于更精确地识别抽取原始岗位数据和简历原始数据中的实体信息。

可选的，对所述原始数据进行实体抽取，包括：基于实体抽取模型对所述原始数据进行实体抽取，得到初始实体；调用招聘领域知识特征库，将所述初始实体与在所述招聘领域知识特征库中进行匹配，根据匹配结果，筛选目标实体。其中，此处的实体抽取模型为预先训练得到，具有实体抽取功能。通过对实体抽取模型抽取得到的实体信息在招聘领域知识特征库中进行匹配，以排除招聘领域知识特征库之外的实体信息，避免非招聘领域的实体信息的干扰，提高创建的知识图谱的准确性。

可选的，对所述原始数据进行实体抽取，包括：调用基于样本数据和招聘领域知识特征库训练得到的实体抽取模型，基于调用的所述实体抽取模型对所述原始数据进行实体抽取。此处的样本数据，可以是招聘领域的原始数据，例如原始简历数据和/或原始岗位数据等。在对上述实体抽取模型的训练过程，在对上述样本数据进行编码的同时，还确定上述样本数据中的各分词是否存在与招聘领域知识特征库中，并根据分词在招聘领域知识特征库中的匹配结果，设置编码标签，将样本数据进行编码和各分词对应的编码标签确定待训练的实体抽取模型的输入信息。对上述待训练的实体抽取模型进行迭代训练，得到具有实体抽取功能的实体抽取模型。可选的，实体抽取模型可以是CRF(conditional randomfield algorithm，条件随机场)模型。

可选的，基于预设的条件抽取模型进行条件抽取，例如可以是将抽取的实体信息，两两输入至上述条件抽取模型中，得到两个实体信息之间的关联关系。

基于抽取的实体和关系形成三元组数据，并基于三元组数据创建对应的知识图谱。示例性的，可以是将具有关联关系的两个实体信息和两个实体信息之间的关系形成三元组数据。一条三元组数据(h,r,t)，其中，h代表头节点(即一个实体信息)，r代表关系，t代表尾节点(即另一个实体信息)。

可选的，基于所述三元组数据创建对应的知识图谱，包括：遍历各所述三元组数据，对于任一所述三元组数据，在创建过程中的图数据中设置对应的节点、以及节点之间的连接关系，形成知识图谱。具体的，对于任一三元组数据(h,r,t)，确定图数据中是否存在实体h，若不存在则在上述图数据中创建新节点，并设置节点的标签和值s；确定图数据中是否存在实体t，若不存在则在上述图数据中创建新节点，并设置节点的标签和值v；确定图数据中是否存在关系r，若不存在则在上述图数据创建节点d指向节点v的关系，并设置关系的标签类型。重复上述过程，直到遍历所有的三元组数据，将此时的图数据确定为知识图谱。

可选的，基于从简历原始数据中提取的实体和关系，形成简历三元组数据，并创建简历知识图谱。同理，基于从岗位原始数据中提取的实体和关系，形成岗位三元组数据，并创建岗位知识图谱。示例性的，参见图3，图3是本发明实施例提供的一种知识图谱的创建过程示意图。

在上述实施例的基础上，上述创建的简历知识图谱或岗位知识图谱中可能存在节点缺失，或者关系缺失的情况，为了避免丢失有价值的信息，在基于所述三元组数据创建对应的知识图谱之后，对创建的所述知识图谱进行缺失判定；若存在节点缺失，或者关系缺失，则对所述知识图谱进行补全处理。

其中，对于缺失的节点，在已有节点中确定补全节点，将补全节点和已有节点之间通过已有关系进行连接。对于缺失的关系，在预设的多个关系中确定适合的补全关系，该补全关系中包括关系补全，基于补全关系将已有的两个节点进行连接。

可选的，对所述知识图谱进行补全处理，包括：对于节点缺失，获取已知节点和已知关系，基于所述已知节点和所述已知关系对所述知识图谱中的候选节点进行评估，得到评估结果，基于所述评估结果确定补全节点；对于关系缺失，获取已知节点和各预设类型的关系，基于所述已知节点对各所述预设类型的关系进行评估，得到评估结果，基于所述评估结果确定补全关系；基于所述补全节点和/或所述补全关系更新所述知识图谱。

其中，可基于如下评估算法对补全过程中的缺失节点或缺失关系进行评估处理：

其中，通过TransH模型将实体节点和关系转换成向量，其中，h

对于节点缺失，对已知节点、已知关系和候选节点分别转换为向量，并进行上述评估处理，得到评估结果。将各候选节点对应的评估结果进行比对，将评估结果中最大数值对应的候选节点确定为补全节点。

对于关系缺失，对两个已知节点和各预设类型的关系分别转换为向量，并进行上述的评估处理，得到评估结果。将各预设类型的关系对应的评估结果进行比对，将评估结果中最大数值对应的关系确定为补全关系。

在上述简历知识图谱或者岗位知识图谱存在缺失节点和/或缺失关系的情况下，通过上述方式确定补全节点和/或补全关系，以更新上述简历知识图谱或者岗位知识图谱，实现对知识图谱的补全。

在上述实施例基础上，还可对简历知识图谱或者岗位知识图谱进行纠错。对于给定的超平面W

在上述实施例的基础上，在基于所述简历数据与所述岗位数据的匹配数据，对所述简历数据的岗位预测结果之后，在确定所述简历数据与所述岗位数据相匹配的情况下，基于所述简历数据更新简历原始数据；基于更新后的所述简历原始数据更新所述简历知识图谱。

可选的，基于预设时间间隔对简历知识图谱进行更新，具体的，可以是确定预设时间间隔内新增录取的简历数据，更新简历原始数据，基于更新后的简历原始数据更新所述简历知识图谱。

通过已录用的简历数据更新简历知识图谱，保证简历知识图谱的中知识具有一定的实时性。

实施例二

图4是本发明实施例二提供的一种简历与岗位的匹配装置的结构示意图。如图4所示，该装置包括：

第一特征提取模块210，用于获取待匹配的简历数据和岗位数据，对所述简历数据进行特征提取得到第一简历特征信息，对所述岗位数据进行特征提取得到第一岗位特征信息；

第二特征提取模块220，用于获取简历知识图谱，基于所述简历知识图谱得到第二简历特征信息，以及，获取岗位知识图谱，基于所述岗位知识图谱得到第二岗位特征信息；

匹配数据确定模块230，用于将所述第一简历特征信息、第一岗位特征信息、所述第二简历特征信息和所述第二岗位特征信息整合为输入信息，输入至匹配模型中，得到所述简历数据与所述岗位数据的匹配数据。

在上述实施例的基础上，可选的，第一特征提取模块210用于：

将所述简历数据输入到预先设置的特征提取模块，得到所述第一简历特征信息；

将所述岗位数据输入到预先设置的所述特征提取模块，得到所述第一岗位特征信息。

在上述实施例的基础上，可选的，该装置还包括：知识图谱创建模块，包括：

原始数据获取单元，用于获取原始数据，所述原始数据包括原始简历数据或原始岗位数据；

知识抽取单元，用于对所述原始数据进行实体抽取和关系抽取；

三元组数据确定单元，用于基于抽取的实体和关系形成三元组数据，所述三元组数据包括两个实体和所述两个实体之间的关系；

知识图谱创建单元，用于基于所述三元组数据创建对应的知识图谱。

在上述实施例的基础上，可选的，知识抽取单元用于：

基于实体抽取模型对所述原始数据进行实体抽取，得到初始实体；调用招聘领域知识特征库，将所述初始实体与在所述招聘领域知识特征库中进行匹配，根据匹配结果，筛选目标实体；或者，调用基于样本数据和招聘领域知识特征库训练得到的实体抽取模型，基于调用的所述实体抽取模型对所述原始数据进行实体抽取。

在上述实施例的基础上，可选的，知识图谱创建单元用于：

遍历各所述三元组数据，对于任一所述三元组数据，在创建过程中的图数据中设置对应的节点、以及节点之间的连接关系，形成知识图谱。

在上述实施例的基础上，可选的，知识图谱创建模块还包括：

缺失判断单元，用于基于所述三元组数据创建对应的知识图谱之后，对创建的所述知识图谱进行缺失判定；

补全单元，用于若存在节点缺失，或者关系缺失，则对所述知识图谱进行补全处理。

可选的，补全单元用于：对于节点缺失，获取已知节点和已知关系，基于所述已知节点和所述已知关系对所述知识图谱中的候选节点进行评估，得到评估结果，基于所述评估结果确定补全节点；对于关系缺失，获取已知节点和各预设类型的关系，基于所述已知节点对各所述预设类型的关系进行评估，得到评估结果，基于所述评估结果确定补全关系；基于所述补全节点和/或所述补全关系更新所述知识图谱。

在上述实施例的基础上，可选的，知识图谱创建模块还包括：

知识图谱更新单元，用于在确定所述简历数据与所述岗位数据相匹配的情况下，基于所述简历数据更新简历原始数据；基于更新后的所述简历原始数据更新所述简历知识图谱。

在上述实施例的基础上，可选的，所述匹配模型包括注意力模块和预测模块；

匹配数据确定模块230用于：将所述第一简历特征信息和所述第二简历特征信息整合为简历特征信息，将所述第一岗位特征信息和所述第二岗位特征信息整合为岗位特征信息；将所述简历特征信息和所述岗位特征信息输入至所述注意力模块，得到简历特征向量和岗位特征向量；

将所述简历特征向量和所述岗位特征向量进行相关性处理，得到相关性特征向量，并对所述相关性特征进行加权处理得加权特征向量；将所述岗位特征向量、加权特征向量和所述相关性特征的权重形成权重特征向量输入至所述预测模块，得到所述简历数据与所述岗位数据的匹配数据。

在上述实施例的基础上，可选的，该装置还包括匹配模型训练模块，匹配模型训练模块包括：

训练数据确定单元，用于获取历史简历数据和岗位数据，基于所述历史简历数据的匹配状态确定标准匹配数据；

模型训练单元，用于基于所述历史简历数据、岗位数据，简历知识图谱、岗位知识图谱以及所述历史简历数据的标准匹配数据对初始匹配模型进行迭代训练，得到所述匹配模型。

可选的，所述历史简历数据的匹配状态包括：未通过简历筛选、通过简历筛选、通过笔试、通过面试、录用，各所述匹配状态对应设置有标准匹配数据，且所述未通过简历筛选、所述通过简历筛选、所述通过笔试、所述通过面试、所述录用分别对应的标准匹配数据依次增加。

本发明实施例所提供的简历与岗位的匹配装置可执行本发明任意实施例所提供的简历与岗位的匹配方法，具备执行方法相应的功能模块和有益效果。

实施例三

图5是本发明实施例三提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如简历与岗位的匹配方法。

在一些实施例中，简历与岗位的匹配方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的简历与岗位的匹配方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行简历与岗位的匹配方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

实施例四

本发明实施例四还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行简历与岗位的匹配方法，该方法包括：

获取待匹配的简历数据和岗位数据，对所述简历数据进行特征提取得到第一简历特征信息，对所述岗位数据进行特征提取得到第一岗位特征信息；获取简历知识图谱，基于所述简历知识图谱得到第二简历特征信息，以及，获取岗位知识图谱，基于所述岗位知识图谱得到第二岗位特征信息；将所述第一简历特征信息、所述第一岗位特征信息、所述第二简历特征信息和所述第二岗位特征信息整合为输入信息，输入至匹配模型中，得到所述简历数据与所述岗位数据的匹配数据；基于所述简历数据与所述岗位数据的匹配数据，对所述简历数据的岗位预测结果。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

实施例五

本发明实施例五还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据本发明任一实施例所述的简历与岗位的匹配方法。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。