联合能力模型的训练方法、能力需求匹配方法和装置制造方法及图纸

本公开提供了一种联合能力模型的训练方法、能力需求匹配方法和装置，涉及人工智能技术领域，尤其涉及深度学习领域。具体实现方案为：采用多种能力预测模型对样本数据进行处理，得到多种能力信息；采用需求匹配模型对该多种能力信息和需求信息进行处理，得到需求匹配结果，该需求信息包括目标场景需要满足的能力信息；基于需求匹配结果对该需求匹配模型和该多种能力预测模型进行训练，以更新该需求匹配模型和该多种能力预测模型的参数。本公开利用多种样本数据对需求匹配模型和多种能力预测模型进行训练，训练后得到的联合能力模型能够满足更全面、更多维度的能力预测和需求匹配，适用于更丰富的应用场景。适用于更丰富的应用场景。适用于更丰富的应用场景。

【技术实现步骤摘要】
联合能力模型的训练方法、能力需求匹配方法和装置


[0001]本公开涉及人工智能
，尤其涉及深度学习领域。

技术介绍

[0002]能力评估可以通过评估候选者技能与工作要求的一致性来选择最合适的候选者，是人才招聘中的一项关键任务。传统的能力评估涉及多个过程，采用不同形式的评估方法，通常会导致评估结论是分散的、嘈杂的且不可靠的。目前可以采用专家决策或自然语言处理技术等进行决策。

技术实现思路

[0003]本公开提供了一种联合能力模型的训练方法、能力需求匹配方法和装置。
[0004]根据本公开的一方面，提供了一种联合能力模型的训练方法，该联合能力模型包括多种能力预测模型和需求匹配模型，该方法包括：
[0005]采用该多种能力预测模型对样本数据进行处理，得到多种能力信息；
[0006]采用该需求匹配模型对该多种能力信息和需求信息进行处理，得到需求匹配结果，该需求信息包括目标场景需要满足的能力信息；
[0007]基于该需求匹配结果对该需求匹配模型和该多种能力预测模型进行训练，以更新该需求匹配模型和该多种能力预测模型的参数。
[0008]根据本公开的另一方面，提供了一种能力需求匹配方法，包括：
[0009]采用多种能力预测模型对候选者的多种待处理数据进行处理，得到该候选者的多种能力信息；
[0010]采用需求匹配模型对该多种能力信息和需求信息进行处理，得到该候选者的需求匹配结果，该需求信息包括目标场景需要满足的能力信息。
[0011]根据本公开的另一方面，提供了联合能力模型的训练装置，该联合能力模型包括多种能力预测模型和需求匹配模型，该装置包括：
[0012]能力预测模块，用于采用该多种能力预测模型对样本数据进行处理，得到多种能力信息；
[0013]需求匹配模块，用于采用该需求匹配模型对该多种能力信息和需求信息进行处理，得到需求匹配结果，该需求信息包括目标场景需要满足的能力信息；
[0014]训练模块，用于基于该需求匹配结果对该需求匹配模型和该多种能力预测模型进行训练，以更新该需求匹配模型和该多种能力预测模型的参数。
[0015]根据本公开的另一方面，提供了能力需求匹配装置，包括：
[0016]能力预测模块，用于采用多种能力预测模型对候选者的多种待处理数据进行处理，得到该候选者的多种能力信息；
[0017]需求匹配模块，用于采用需求匹配模型对该多种能力信息和需求信息进行处理，得到该候选者的需求匹配结果，该需求信息包括目标场景需要满足的能力信息。
[0018]根据本公开的另一方面，提供了一种电子设备，包括：
[0019]至少一个处理器；以及
[0020]与该至少一个处理器通信连接的存储器；其中，
[0021]该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开中任一实施例的方法。
[0022]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，该计算机指令用于使该计算机执行根据本公开中任一实施例的方法。
[0023]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据本公开中任一实施例的方法。
[0024]根据本公开实施例，利用多种样本数据对需求匹配模型和多种能力预测模型进行训练，训练后得到的联合能力模型能够满足更全面、更多维度的能力预测和需求匹配，适用于更丰富的应用场景。
[0025]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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
[0026]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0027]图1是根据本公开一实施例的联合能力模型的训练方法的流程示意图；
[0028]图2是根据本公开另一实施例的联合能力模型的训练方法的流程示意图；
[0029]图3是根据本公开另一实施例的联合能力模型的训练方法的流程示意图；
[0030]图4是根据本公开另一实施例的联合能力模型的训练方法的流程示意图；
[0031]图5是根据本公开另一实施例的联合能力模型的训练方法的流程示意图；
[0032]图6是根据本公开另一实施例的联合能力模型的训练方法的流程示意图；
[0033]图7是根据本公开另一实施例的联合能力模型的训练方法的流程示意图；
[0034]图8是根据本公开另一实施例的联合能力模型的训练方法的流程示意图；
[0035]图9是根据本公开一实施例的能力需求匹配方法的流程示意图；
[0036]图10是根据本公开一实施例的能力需求匹配方法的流程示意图；
[0037]图11是根据本公开一实施例的能力需求匹配方法的流程示意图；
[0038]图12是根据本公开一实施例的能力需求匹配方法的流程示意图；
[0039]图13是根据本公开一实施例的能力需求匹配方法的流程示意图；
[0040]图14是根据本公开一实施例的能力需求匹配方法的流程示意图；
[0041]图15是根据本公开一实施例的联合能力模型的训练装置的结构示意图；
[0042]图16是根据本公开另一实施例的联合能力模型的训练装置的结构示意图；
[0043]图17是根据本公开一实施例的能力需求匹配装置的结构示意图；
[0044]图18是根据本公开另一实施例的能力需求匹配装置的结构示意图；
[0045]图19是本公开的人才招聘中的联合能力诊断方法框架示意图；
[0046]图20是本公开的笔试建模的框架图；
[0047]图21是本公开的简历建模的框架图；
[0048]图22是用来实现本公开实施例的方法的电子设备的框图。
具体实施方式
[0049]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0050]图1是根据本公开一实施例的联合能力模型的训练方法的流程示意图。该联合能力模型可以包括多种能力预测模型和需求匹配模型，该训练方法可以包括：
[0051]S101、采用多种能力预测模型对样本数据进行处理，得到多种能力信息；
[0052]S102、采用需求匹配模型对该多种能力信息和需求信息进行处理，得到需求匹配结果，该需求信息包括目标场景需要满足的能力信息；
[0053]S103、基于需求匹配结果对该需求匹配模型和该多种能力预测模型进行训练，以更新该需求匹配模型和该多种能力预测模型的参数。
[0054]在本公开实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种联合能力模型的训练方法，所述联合能力模型包括多种能力预测模型和需求匹配模型，所述方法包括：采用所述多种能力预测模型对样本数据进行处理，得到多种能力信息；采用所述需求匹配模型对所述多种能力信息和需求信息进行处理，得到需求匹配结果，所述需求信息包括目标场景需要满足的能力信息；基于所述需求匹配结果对所述需求匹配模型和所述多种能力预测模型进行训练，以更新所述需求匹配模型和所述多种能力预测模型的参数。2.根据权利要求1所述的方法，其中，采用所述多种能力预测模型对样本数据进行处理，得到多种能力信息，包括以下至少两个步骤：采用笔试能力预测模型对样本笔试数据进行处理，得到笔试能力信息；采用面试能力预测模型对样本面试数据进行处理，得到面试能力信息；采用简历能力预测模型对样本简历数据进行处理，得到简历能力信息。3.根据权利要求2所述的方法，其中，采用笔试能力预测模型对样本笔试数据进行处理，得到笔试能力信息，包括：从所述样本笔试数据中提取候选者特征；基于所述候选者特征得到候选者的笔试能力信息。4.根据权利要求3所述的方法，其中，所述笔试能力预测模型的损失函数是基于所述笔试能力预测模型预测的答题正确的概率和实际的答题结果构建的；其中，所述答题正确的概率是所述笔试能力预测模型基于所述样本笔试数据得到的候选者与题目的交互信息预测得到的。5.根据权利要求4所述的方法，其中，所述候选者与题目的交互信息的获取步骤，包括：从所述样本笔试数据中提取候选者特征和题目特征；基于所述候选者特征得到笔试能力信息；基于所述笔试能力信息和整体技能表征信息得到笔试技能表征信息；基于所述题目特征得到题目难度信息和题目区分度信息；基于笔试技能表征信息、所述题目难度信息、所述题目区分度信息和题目关联技能信息，得到所述候选者与题目的交互信息。6.根据权利要求2至5中任一项所述的方法，采用面试能力预测模型对样本面试数据进行处理，得到面试能力信息，包括：从所述样本面试数据中提取的面试表征信息；基于所述面试表征信息，得到第一均值和第一方差；基于所述第一均值和所述第一方差得到符合高斯分布的第一表征信息，从所述第一表征信息中采样得到第一分布潜在变量；基于第一分布潜在变量得到第一主题分布信息；基于第一主题表征信息和整体技能表征信息得到第一主题集合；基于所述第一主题分布信息与所述第一主题集合得到预测的面试表征信息；基于所述第一主题分布信息与所述第一主题表征信息，得到面试能力信息。7.根据权利要求6所述的方法，其中，所述面试能力预测模型的损失函数是基于所述第一主题分布信息、所述第一分布潜在变量、所述预测的面试表征信息和所述第一主题集合
构建的。8.根据权利要求2至7中任一项所述的方法，采用简历能力预测模型对样本简历数据进行处理，得到简历能力信息，包括：从所述样本简历数据中提取的简历表征信息；基于所述简历表征信息，得到第二均值和第二方差；基于所述第二均值和所述第二方差得到符合高斯分布的第二表征信息，从所述第二表征信息中采样得到第二分布潜在变量；基于所述第二分布潜在变量得到第二主题分布信息；基于第二主题表征信息和整体技能表征信息得到第二主题集合；基于所述第二主题分布信息与所述第二主题集合得到预测的简历表征信息；基于所述第二主题分布信息与所述第二主题表征信息，得到简历能力信息。9.根据权利要求8所述的方法，其中，所述简历能力预测模型的损失函数是基于所述第二主题分布信息、所述第二分布潜在变量、所述预测的简历表征信息以及所述第二主题集合构建的。10.根据权利要求1至9中任一项所述的方法，其中，采用所述需求匹配模型对所述多种能力信息和需求信息进行处理，得到需求匹配结果，包括：基于所述多种能力信息和注意力权重得到整体能力信息；基于所述整体能力信息和技能表征信息得到特定技能信息；基于所述特定技能信息和岗位技能需求信息得到预测的需求匹配结果。11.根据权利要求10所述的方法，其中，所述需求匹配模型的损失函数是基于预测的需求匹配结果和真实的需求匹配结果构建的。12.根据权利要求1至11中任一项所述的方法，其中，基于所述需求匹配结果对所述需求匹配模型和所述多种能力预测模型进行训练，以更新所述需求匹配模型和所述多种能力预测模型的参数，包括：基于所述需求匹配模型的损失函数和所述多种能力预测模型的损失函数，得到整体损失函数；在基于所述整体损失函数确定需要更新的情况下，利用所述需求匹配模型的损失函数更新所述需求匹配模型，并且利用所述多种能力预测模型的损失函数分别更新对应的能力预测模型。13.根据权利要求12所述的方法，其中，利用所述需求匹配模型的损失函数更新所述需求匹配模型，包括：基于所述需求匹配模型的损失函数，更新所述需求匹配模型中的注意力权重、整体技能表征信息和岗位技能需求信息中的至少一项。14.根据权利要求12或13所述的方法，其中，利用所述多种能力预测模型的损失函数分别更新对应的能力预测模型，包括以下至少两个步骤：基于笔试能力预测模型的损失函数，更新所述笔试能力预测模型的笔试能力信息、题目难度信息、题目区分度信息和整体技能表征信息中的至少一项；基于面试能力预测模型的损失函数，更新所述面试能力预测模型的全连接层参数、第一主题表征信息和整体技能表征信息中的至少一项；
基于简历能力预测模型的损失函数，更新所述简历能力预测模型的全连接层参数、第二主题表征信息和整体技能表征信息中的至少一项。15.一种能力需求匹配方法，包括：采用多种能力预测模型对候选者的多种待处理数据进行处理，得到所述候选者的多种能力信息；采用需求匹配模型对所述多种能力信息和需求信息进行处理，得到所述候选者的需求匹配结果，所述需求信息包括目标场景需要满足的能力信息。16.根据权利要求15所述的方法，其中，采用多种能力预测模型对候选者的多种待处理数据进行处理，得到所述候选者的多种能力信息，包括以下至少两个步骤：采用笔试能力预测模型对待处理笔试数据进行处理，得到笔试能力信息；采用面试能力预测模型对待处理面试数据进行处理，得到面试能力信息；采用简历能力预测模型对待处理简历数据进行处理，得到简历能力信息。17.根据权利要求16所述的方法，其中，采用笔试能力预测模型对待处理笔试数据进行处理，得到笔试能力信息，包括：从所述待处理笔试数据中提取候选者特征；基于所述候选者特征得到候选者的笔试能力信息。18.根据权利要求16或17所述的方法，采用面试能力预测模型对待处理面试数据进行处理，得到面试能力信息，包括：从所述待处理面试数据中提取的面试表征信息；基于所述面试表征信息，得到第一均值和第一方差；基于所述第一均值和所述第一方差得到符合高斯分布的第一表征信息，从所述第一表征信息中采样得到第一分布潜在变量；基于第一分布潜在变量得到第一主题分布信息；基于第一主题表征信息和整体技能表征信息得到第一主题集合；基于所述第一主题分布信息与所述第一主题集合得到预测的面试表征信息；基于所述第一主题分布信息与所述第一主题表征信息，得到面试能力信息。19.根据权利要求16至18中任一项所述的方法，采用简历能力预测模型对待处理简历数据进行处理，得到简历能力信息，包括：从所述待处理简历数据中提取的简历表征信息；基于所述简历表征信息，得到第二均值和第二方差；基于所述第二均值和所述第二方差得到符合高斯分布的第二表征信息，从所述第二表征信息中采样得到第二分布潜在变量；基于所述第二分布潜在变量得到第二主题分布信息；基于第二主题表征信息和整体技能表征信息得到第二主题集合；基于所述第二主题分布信息与所述第二主题集合得到预测的简历表征信息；基于所述第二主题分布信息与所述第二主题表征信息，得到简历能力信息。20.根据权利要求15至19中任一项所述的方法，其中，采用需求匹配模型对所述多种能力信息和需求信息进行处理，得到所述候选者的需求匹配结果，包括：基于所述多种能力信息和注意力权重得到整体能力信息；
基于所述整体能力信息和技能表征信息得到特定技能信息；基于所述特定技能信息和岗位技能需求信息得到预测的需求匹配结果。21.一种联合能力模型的训练装置，所述联合能力模型包括多种能力预测模型和需求匹配模型，所述装置包括：能力预测模块，用于采用所述多种能力预测模型对样本数据进行处理，得到多种能力信息；需求匹配模块，用于采用所述需求匹配模型对所述多种能力...

【专利技术属性】
技术研发人员：李满伟，秦川，马海平，申大忠，祝恒书，张敬帅，姚开春，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：