一种信息匹配方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种信息匹配方法、装置、电子设备及存储介质，该方法包括：获得供给信息中的结构化特征和非结构化特征；使用预先处理的机器学习模型根据结构化特征和非结构化特征判断供给信息与需求信息是否匹配，获得匹配结果。在上述的实现过程中，通过获得供给信息中的结构化特征和非结构化特征；使用预先处理的机器学习模型根据结构化特征和非结构化特征判断供给信息与需求信息是否匹配，改善了匹配出的供给信息与需求信息的相关度低的问题。

An information matching method, device, electronic equipment and storage medium

【技术实现步骤摘要】
一种信息匹配方法、装置、电子设备及存储介质
本申请涉及文本挖掘和自然语言处理的
，具体而言，涉及一种信息匹配方法、装置、电子设备及存储介质。
技术介绍
目前，使用传统的权重匹配方法匹配出需求信息和供给信息的相关度比较低，例如：在招聘市场上，猎头或者厂商在发布招聘信息后，线上招聘服务商从简历库中匹配出与该招聘信息相关的简历信息后，线上招聘服务商将简历信息推送给猎头或者厂商，然而猎头或者厂商发现该简历信息与招聘信息的相关度非常低，甚至不能进入面试阶段。因此，在实践的过程中发现，线上招聘服务商匹配出需求信息和供给信息的相关度比较低。
技术实现思路
本申请实施例的目的在于提供一种信息匹配方法、装置、电子设备及存储介质，用于改善匹配出需求信息和供给信息的相关度比较低的问题。本申请实施例提供了一种信息匹配方法，包括：获得供给信息中的结构化特征和非结构化特征；使用预先处理的机器学习模型根据所述结构化特征和所述非结构化特征判断所述供给信息与需求信息是否匹配，获得匹配结果。在上述的实现过程中，通过获得供给信息中的结构化特征和非结构化特征；使用预先处理的机器学习模型根据结构化特征和非结构化特征判断供给信息与需求信息是否匹配，改善了匹配出的供给信息与需求信息的相关度低的问题。可选地，在本申请实施例中，在所述获得匹配结果之后，还包括：若所述匹配结果为所述供给信息与所述需求信息匹配，则向终端设备发送所述供给信息，所述终端设备为提供所述需求信息的设备。在上述的实现过程中，若匹配结果为供给信息与需求信息匹配，则向提供需求信息的终端设备发送供给信息；从而有效地为需求信息匹配并向终端设备发送出相关度高的供给信息。可选地，在本申请实施例中，所述供给信息包括简历信息，所述需求信息包括招聘信息，在所述使用预先处理的机器学习模型根据所述结构化特征和所述非结构化特征判断所述供给信息与需求信息是否匹配之前，还包括：接收所述终端设备发送的所述招聘信息；所述向终端设备发送所述供给信息，包括：向所述终端设备发送所述简历信息。在上述的实现过程中，通过接收终端设备发送的招聘信息；在使用预先处理的机器学习模型根据结构化特征和非结构化特征匹配到相关的简历信息之后，再向终端设备发送简历信息；从而有效地为招聘信息匹配并向终端设备发送相关度高的简历信息。可选地，在本申请实施例中，所述供给信息包括标书信息，所述需求信息包括招标信息，在所述使用预先处理的机器学习模型根据所述结构化特征和所述非结构化特征判断所述供给信息与需求信息是否匹配之前，还包括：接收所述终端设备发送的所述招标信息；所述向终端设备发送所述供给信息，包括：向所述终端设备发送所述标书信息。在上述的实现过程中，通过接收终端设备发送的招标信息；在使用预先处理的机器学习模型根据结构化特征和非结构化特征匹配到相关的标书信息之后，再向终端设备发送标书信息；从而有效地为招标信息匹配并向终端设备发送相关度高的标书信息。可选地，在本申请实施例中，所述获得供给信息中的结构化特征和非结构化特征，包括：获得所述需求信息和所述供给信息，所述供给信息包括：结构化数据和非结构化数据；根据所述供给信息对所述结构化数据进行第一预设处理，获得所述结构化特征；根据所述供给信息对所述非结构化数据进行第二预设处理，获得所述非结构化特征。在上述的实现过程中，通过根据供给信息对结构化数据进行第一预设处理，获得结构化特征；根据供给信息对非结构化数据进行第二预设处理，获得非结构化特征；从而有效地提高了获得结构化特征和非结构化特征的速度。可选地，在本申请实施例中，所述结构化数据包括：离散数据和连续数据，所述结构化特征包括：至少一个第一标签特征和至少一个第二标签特征，所述根据所述供给信息对所述结构化数据进行第一预设处理，获得所述结构化特征，包括：对所述离散数据中的每个离散数值打标签，获得所述至少一个第一标签特征；将所述连续数据中的每个连续数值进行分段并打标签，获得所述至少一个第二标签特征。上述的实现过程中，通过对离散数据中的每个离散数值打标签，获得至少一个第一标签特征；将连续数据中的每个连续数值进行分段并打标签，获得至少一个第二标签特征；从而有效地提高了获得结构化特征的速度。可选地，在本申请实施例中，所述非结构化特征包括相似程度特征，所述根据所述供给信息对所述非结构化数据进行第二预设处理，获得所述非结构化特征，包括：使用预先训练的神经网络模型计算所述需求信息和所述非结构化数据的相似程度，获得所述相似程度特征。在上述的实现过程中，通过使用预先训练的神经网络模型计算需求信息和非结构化数据的相似程度，获得相似程度特征；从而有效地提高了获得非结构化特征的速度。可选地，在本申请实施例中，所述使用预先处理的机器学习模型根据所述结构化特征和所述非结构化特征判断所述供给信息与需求信息是否匹配，获得匹配结果，包括：将所述结构化特征和所述非结构化特征进行组合，获得多个特征；使用所述机器学习模型对所述多个特征进行匹配预测，获得预测的所述匹配结果。在上述的实现过程中，通过将结构化特征和非结构化特征进行组合，获得多个特征；使用机器学习模型对多个特征进行匹配预测，获得预测的匹配结果；从而有效地加快了获得匹配结果的速度。可选地，在本申请实施例中，所述机器学习模型包括：梯度增强决策树；在所述使用所述机器学习模型对所述多个特征进行匹配预测，获得预测的所述匹配结果之前，还包括：使用所述梯度增强决策树对所述多个特征进行筛选，获得筛选后的多个特征。在上述的实现过程中，通过使用梯度增强决策树对多个特征进行筛选，获得筛选后的多个特征；从而有效地提高了获得匹配结果的准确率。可选地，在本申请实施例中，所述机器学习模型包括：梯度增强决策树；所述使用所述机器学习模型对所述多个特征进行匹配预测，获得预测的所述匹配结果，包括：使用所述梯度增强决策树对所述多个特征进行匹配预测，获得预测的所述匹配结果。在上述的实现过程中，通过使用梯度增强决策树对多个特征进行匹配预测，获得预测的匹配结果；从而有效地提高了获得匹配结果的速度。本申请实施例还提供了一种信息匹配装置，包括：特征获得模块，用于获得供给信息中的结构化特征和非结构化特征；结果获得模块，用于使用预先处理的机器学习模型根据所述结构化特征和所述非结构化特征判断所述供给信息与需求信息是否匹配，获得匹配结果。可选地，在本申请实施例中，还包括：信息发送模块，用于若所述匹配结果为所述供给信息与所述需求信息匹配，则向终端设备发送所述供给信息，所述终端设备为提供所述需求信息的设备。可选地，在本申请实施例中，所述供给信息包括简历信息，所述需求信息包括招聘信息，还包括：招聘接收模块，用于接收所述终端设备发送的所述招聘信息；所述信息发送模块，包括：简历发送模块，用于向所述终端设备发送所述简历信息。可选地，在本申请实施例中，所述供给信息包括标书信息，所述需求信息包括招标信息，还包括：招标接收模块，用于接收所述终端设备发送的所述招标信息；所述信息发送模块，包括：标书发送模块，用于向所述终端设备发送所述标本文档来自技高网...

【技术保护点】
1.一种信息匹配方法，其特征在于，包括：/n获得供给信息中的结构化特征和非结构化特征；/n使用预先处理的机器学习模型根据所述结构化特征和所述非结构化特征判断所述供给信息与需求信息是否匹配，获得匹配结果。/n

【技术特征摘要】
1.一种信息匹配方法，其特征在于，包括：
获得供给信息中的结构化特征和非结构化特征；
使用预先处理的机器学习模型根据所述结构化特征和所述非结构化特征判断所述供给信息与需求信息是否匹配，获得匹配结果。


2.根据权利要求1所述的方法，其特征在于，所述获得供给信息中的结构化特征和非结构化特征，包括：
获得所述需求信息和所述供给信息，所述供给信息包括：结构化数据和非结构化数据；
根据所述供给信息对所述结构化数据进行第一预设处理，获得所述结构化特征；
根据所述供给信息对所述非结构化数据进行第二预设处理，获得所述非结构化特征。


3.根据权利要求2所述的方法，其特征在于，所述结构化数据包括：离散数据和连续数据，所述结构化特征包括：至少一个第一标签特征和至少一个第二标签特征，所述根据所述供给信息对所述结构化数据进行第一预设处理，获得所述结构化特征，包括：
对所述离散数据中的每个离散数值打标签，获得所述至少一个第一标签特征；
将所述连续数据中的每个连续数值进行分段并打标签，获得所述至少一个第二标签特征。


4.根据权利要求2所述的方法，其特征在于，所述非结构化特征包括相似匹配特征；所述根据所述供给信息对所述非结构化数据进行第二预设处理，获得所述非结构化特征，包括：
计算所述需求信息和所述非结构化数据的相似程度或匹配程度，获得所述相似匹配特征。


5.根据权利要求1所述的方法，其特征在于，所述使用预先处理的机器学习模型根据所述结构化特征和所述非结构化特征判断所...

【专利技术属性】
技术研发人员：席丽娜，王文军，刘文江，
申请(专利权)人：中科鼎富北京科技发展有限公司，
类型：发明
国别省市：北京;11