系统框架下基于标签大数据人才推荐算法及其使用方法

技术领域

本发明涉及互联网技术领域，具体为系统框架下基于标签大数据人才推荐算法及其使用方法。

背景技术

互联网行业在2016-2018年迎来高速发展，人才需求以指数型增长上升。2020年互联网人才需求指数高达2.12。其中技术类岗位需求最高，人才需求占比为24.34％、运营类岗位需求占比为8.38％。人才缺口矛盾和人岗匹配矛盾日益突出。

现有技术主要基于技术人员简历内容和属性完成人才推荐，存在推荐结果被推荐人主观性过强、质量不高和效率过低的问题。当需要大批量、高效、准确、主动的技术人才推荐时，现有技术难以满足此类需求，因此需要引入新的智慧人才推荐算法。

智慧人才推荐算法的关键在于内容、属性、增量成果、多样性增量行为字典的构建并对内容、属性、增量成果、多样性增量行为进行加权。存在基础数据多样性、基础数据增量和加权系数设定标准的问题。

发明内容

本发明的目的在于提供系统框架下基于标签大数据人才推荐算法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：系统框架下基于标签大数据人才推荐算法，通过现阶段深度技术领域范畴，采用模拟技术手段实现模拟登陆，包括但不限于使用HTTP接口或爬虫技术获取候选人的属性、内容、增量成果以及行为等核心标签数据，并且引入误差δ，采用多维度加权平均计算方法，优化误差δ，打通智慧人才一站式推荐的关键渠道，力求在提升人岗匹配准确度的目标下人尽其用、物尽其才，行之有效地解决人才缺口和人岗匹配的市场矛盾。最终营造良好的行业精英技术人才氛围，提升行业价值和效益。

为实现上述目的，本发明采用的技术方案是：

步骤1、建立包含职位、技能、教育经历、专业、自我评价、个人价值观因素变量的候选人属性基础数据表A，作为优化计算评估候选人的属性指数I

利用样本数据对模型参数作出预判估计，并对模型参数进行假设检验以及置信区间估计的有效性，现基于对数据的统计分析建立多元回归数学模型，其一般表达式表示为：

y

式中，B

误差δ的计算规则为：

E(X)＝X

E(X) =

其中公式(1)中：n表示变量因子总数，X

方差为各个数据与平均数之差的平方的和的平均数，即

其中，x表示样本的平均数，n表示样本的数量，x

则

在模型推导式中，有如下结论：

其中∈

从而可得随机误差向量；

步骤2、基于内容和成果进行深度的数据挖掘和旋转，在提取维度数据切片的基准上，通过公司、项目、经验、可检验成果、历史发展、未来预期关键词数据的组合重整以及空间数据的转换，从实际意义出发，建立包含前述多重因子的预期多维数据表B，推导候选人内容和成果指数I

在此经过分析推导采用三维回归模型中的最小二乘法模拟此回归分布模型，其推导过程如下：

理论模型

式中P

通过建立如下回归参数的标准方程组

或采用如下矩阵法

其中b

求解相关回归系数和权重系数，并进行判定系数检验(R检验)，回归系数显著性检验(T检验)，回归模型方程显著性检验(F检验)，保证预测模型和实际模型的可靠性、一致性、置信度；

步骤3、基于候选人行为关键词列表，侧重于从求职者和招聘者两个维度层面分析评估影响候选人行为因素的评价指标，针对行为关键词数据深度挖掘，对无行为因素的关键词数据执行去噪操作；

步骤4、以基于属性、内容、成果、行为四个维度的候选人基础推荐表为基准，更新构建多维度综合评价表S，以基础表中的数据为元数据，以基础表量化维度属性、内容、成果以及行为为因子分析变量，预期综合评价呈现正态分布规律，其模型表达式可推导为：

与现有技术相比，本发明的有益效果如下：

关键在于智慧人才库属性、内容、成果和行为字典的构建。通过现阶段深度技术领域范畴，采用模拟技术手段实现模拟登陆，连接智慧人才库，通过候选人属性、内容、成果、行为等关键离散数据，建立预期效果热点分布系列数学模型，抽象成算法，打通智慧人才一站式推荐的关键渠道，力求在提升人岗匹配准确度的目标下人尽其用、物尽其才，行之有效地解决人才缺口和人岗匹配的市场矛盾。最终营造良好的行业精英技术人才氛围，提升行业价值和效益。

附图说明

图1为本发明的技术解决方案实施流程；

图2为本发明的回归模型构建流程；

图3为本发明的正态分布曲线态势图。

具体实施方式

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，都属于本发明保护的范围。

请参阅图1-3，本发明的实施例为：系统框架下基于标签大数据人才推荐算法，包括，如下步骤：

步骤1、建立包含职位、技能、教育经历、专业、自我评价、个人价值观因素变量的候选人属性基础数据表A，作为优化计算评估候选人的属性指数I

利用样本数据对模型参数作出预判估计，并对模型参数进行假设检验以及置信区间估计的有效性，现基于对数据的统计分析建立多元回归数学模型，其一般表达式表示为：

y

式中，B

误差δ的计算规则为：

E(X)＝X

E(X) =

其中公式(1)中：n表示变量因子总数，X

方差为各个数据与平均数之差的平方的和的平均数，即

其中，x表示样本的平均数，n表示样本的数量，x

则

在模型推导式中，有如下结论：

其中∈

从而可得随机误差向量；

步骤2、基于内容和成果进行深度的数据挖掘和旋转，在提取维度数据切片的基准上，通过公司、项目、经验、可检验成果、历史发展、未来预期关键词数据的组合重整以及空间数据的转换，从实际意义出发，建立包含前述多重因子的预期多维数据表B，推导候选人内容和成果指数I

在此经过分析推导采用三维回归模型中的最小二乘法模拟此回归分布模型，其推导过程如下：

理论模型

式中P

通过建立如下回归参数的标准方程组

或采用如下矩阵法

其中b

求解相关回归系数和权重系数，并进行判定系数检验，回归系数显著性检验，回归模型方程显著性检验，保证预测模型和实际模型的可靠性、一致性、置信度；

步骤3、基于候选人行为关键词列表，侧重于从求职者和招聘者两个维度层面分析评估影响候选人行为因素的评价指标，针对行为关键词数据深度挖掘，对无行为因素的关键词数据执行去噪操作；

从求职者维度而言，对求职行为的测量维度主要有三种：频率- 强度，内容-性质，短期-长期。

频率-强度测量的是求职行为的频率和努力程度，要求候选人自我报告在某一特定时期内，为求职付出的努力。在求职行为的内容- 性质方面，将根据求职的内容将求职分为正式求职和非正式求职，一般而言，正式求职的候选人依靠就业机构或出版物来获取职业信息，而非正式求职则往往通过私人关系搜寻招聘信息或谋职。根据求职行为的性质可将其分为积极性求职、消极性求职和过渡型求职，其中积极性求职行为往往表现为求职准备充分、目标明确，行为独立并能调动各种求职资源；消极性求职行为则表现为求职准备不充分、目标模糊、被动、依赖；过渡型求职行为则处于积极求职和消极求职之间。求职的短期-长期维度深刻反映了求职行为随着时间推移而发生的变化，折射出求职行为的动态性和持续性，当然在实证过程中，这一维度与前两维度有些许重叠的地方，而且不同的求职行为在求职过程中持续的时间存在差别。

通过综合应用自我调控理论和社会网络理论，分析得出影响求职行为因素主要有动机、期望、自我效能感、成就目标、人格、社会网络等因素。

论及招聘者维度，影响求职行为的因素主要是岗位匹配度、薪酬福利、提供的发展机会、企业的声誉、地理位置等。

步骤4、以基于属性、内容、成果、行为四个维度的候选人基础推荐表为基准，更新构建多维度综合评价表S，以基础表中的数据为元数据，以基础表量化维度属性、内容、成果以及行为为因子分析变量，预期综合评价呈现正态分布规律，其模型表达式可推导为：

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。