【技术实现步骤摘要】
本专利技术涉及计算机数据处理，具体是一种基于深度学习的人岗匹配方法。
技术介绍
1、目前，在传统的企业内部，员工与岗位匹配方法常使用关键词匹配或简单的文本相似度计算来判断员工与岗位的适配性。这种方式往往忽视了职位描述与员工技能之间的深层次语义信息，无法准确捕捉员工的实际能力与岗位要求的匹配程度，导致匹配结果不理想。
2、随着企业人力资源管理对精确员工能力评估和岗位适配性的需求增加，传统方法的局限性变得更加明显。特别是在企业内部存在数据稀疏、岗位要求复杂多变以及员工技能描述不一的情况下，现有的人岗匹配方法难以处理这些问题，导致匹配的效率和准确性较低。
技术实现思路
1、本专利技术要解决的技术问题是提供一种基于深度学习的人岗匹配方法，结合了深层文本语义分析和人岗关系图网络，并通过共教机制进行训练优化，显著提高了匹配的准确性和鲁棒性，特别适用于数据稀疏和噪声较多的企业环境。
2、本专利技术的技术方案为：
3、一种基于深度学习的人岗匹配方法，具体包括有以下步骤：
4、(1)、构建岗位集合和员工集合，岗位集合中的每个岗位和员工集合中的每个员工分别对应一个文本表述，构建基于bert模型和双注意力机制的文本匹配模型，采用文本匹配模型计算岗位与员工的文本匹配得分；
5、(2)、构建岗位与员工的关系图，基于关系图卷积网络的关系匹配模型计算岗位与员工的关系匹配得分；
6、(3)、文本匹配模型和关系匹配模型通过共教机制进行联合训练，
7、(4)、采用训练后的文本匹配模型和关系匹配模型预测得到文本匹配得分和关系匹配得分，然后将文本匹配得分和关系匹配得分进行加权计算，得到最终的岗位与员工匹配得分。
8、所述的构建岗位集合和员工集合，采用文本匹配模型计算岗位与员工的文本匹配得分的具体步骤为：
9、s11、构建岗位集合j＝{j1,j2,…,ji,…,jn}、员工集合r＝
10、{r1,r2,…,rk,…,rm}，每个岗位ji对应一个岗位描述xji，每个员工rk对应一个员工简历岗位描述和员工简历均为文本表述的向量；
11、s12、使用bert模型对岗位描述和员工简历进行编码，生成岗位文本的语义表示和员工文本的语义表示，具体见下式(1)：
12、
13、式(1)中，表示岗位文本的语义表示矩阵，表示员工文本的语义表示矩阵，d为编码维度，l为文本长度；
14、s13、采用亲和注意力机制和差异注意力机制组成的双注意力机制捕捉文本中的相似性与差异性；
15、亲和注意力机制用于捕捉岗位文本与员工文本中的相似性信息，对于每个岗位ji和员工rk，通过注意力权重计算文本的相似性，具体见下式(2)：
16、
17、式(2)中，表示岗位文本与员工文本相似度的亲和注意力矩阵，t代表矩阵的转置，softmax代表softmax激活函数；
18、差异注意力机制通过向量减法，捕捉岗位和员工之间的差异，具体见下式(3)：
19、
20、式(3)中，表示岗位文本与员工文本差异度的差异注意力矩阵，softmax代表softmax激活函数；
21、然后将亲和注意力矩阵与差异注意力矩阵进行加权融合，具体见下式(4)：
22、afinal ＝λ×aaff +(1-λ)×adiff (4)；
23、式(4)中，λ∈[0,1]，表示调节相似度与差异度的超参数；afinal表示双注意力矩阵；
24、s14、通过文本匹配后的语义表示，计算岗位与员工的匹配得分，计算过程具体见下式(5)：
25、
26、式(5)中，stext(ji,rk)表示岗位ji和员工rk的匹配得分，代表岗位与员工在语义上的相似程度。
27、所述的构建岗位与员工的关系图，基于关系图卷积网络的关系匹配模型计算岗位与员工的关系匹配得分的具体步骤为：
28、s21、构建岗位与员工的关系图为g＝(v,e)，其中，v＝j∪r为关系图中节点的结合，e为表示岗位与员工之间关系的边的集合；
29、s22、采用关系图卷积网络r-gcn将关系图中每个节点v∈v的表示通过邻居节点的消息聚合得到更新，具体见下式(6)：
30、
31、式(6)中，nr(v)为节点v在关系类型r下的邻居集合，wr为关系类型r的参数矩阵，为邻居节点的表示，w0表示节点v自身特征的权重矩阵，σ为激活函数；
32、每个节点通过聚合更新后，得到更新后岗位或员工的节点表示当节点v代表岗位节点时，即为当节点v代表员工节点时，即为
33、
34、s23、通过图神经网络学习的关系表示，计算岗位与员工的关系匹配得分，具体见下式(7)：
35、
36、式(7)中，srelation(ji,rk)表示岗位ji和员工rk的关系匹配得分，是更新后的任一岗位节点的节点表示，是的转置，是更新后的任一员工节点的节点表示。
37、所述的文本匹配模型和关系匹配模型通过共教机制进行联合训练的具体步骤为：文本匹配模型第一批次的训练数据先由关系匹配模型进行预测，筛选出第一批高质量样本，关系匹配模型第一批次的训练数据先由文本匹配模型进行预测，筛选出第一批高质量样本，文本匹配模型和关系匹配模型分别基于筛选后的第一批高质量样本进行训练，然后重复进行多批次交叉训练，从而使得文本匹配模型和关系匹配模型互相共享参数，更新的结果，最终得到训练后的文本匹配模型和关系匹配模型。
38、所述的文本匹配得分和关系匹配得分进行加权计算，具体见下式(8)：
39、sfinal (ji,rk)＝α×stext (ji,rk)+(1-α)×srelation (ji,rk) (8)；
40、式(8)中，α为超参数，用于控制文本匹配得分和关系匹配得分的权重。
41、本专利技术的优点：
42、本专利技术的文本匹配模型结合了bert模型和双注意力机制，bert模型能够生成深层语义表示，但是岗位与员工描述的语义复杂性，即文本中可能包含细粒度的差异性，难以通过简单的向量相似度进行评估，且基于文本语义无法充分考虑员工与岗位的关联性，所以引入了双注意力机制，用以捕捉文本中的相似性与差异性。
43、本专利技术的关系匹配模型基于构建的岗位-员工关系图进行神经网络学习，从而根据岗位描述中的技能关键词和员工简历中的员工履历，构建员工与岗位之间的隐性关联，捕捉岗位与员工的技能关联和岗位之间的相似性。
44、本专利技术通过共教机制进行两个模型的联合训练，使得两个模型在训练过程中相互校验，保证了两个模型在数据稀疏和含噪声的情况下，仍能保持高效的训练效果。
45、本专利技术通过引入双注意力机制与关系图卷积网络，解本文档来自技高网...
【技术保护点】
1.一种基于深度学习的人岗匹配方法，其特征在于：具体包括有以下步骤：
2.根据权利要求1所述的一种基于深度学习的人岗匹配方法，其特征在于：所述的构建岗位集合和员工集合，采用文本匹配模型计算岗位与员工的文本匹配得分的具体步骤为：
3.根据权利要求2所述的一种基于深度学习的人岗匹配方法，其特征在于：所述的构建岗位与员工的关系图，基于关系图卷积网络的关系匹配模型计算岗位与员工的关系匹配得分的具体步骤为：
4.根据权利要求3所述的一种基于深度学习的人岗匹配方法，其特征在于：所述的文本匹配模型和关系匹配模型通过共教机制进行联合训练的具体步骤为：文本匹配模型第一批次的训练数据先由关系匹配模型进行预测，筛选出第一批高质量样本，关系匹配模型第一批次的训练数据先由文本匹配模型进行预测，筛选出第一批高质量样本，文本匹配模型和关系匹配模型分别基于筛选后的第一批高质量样本进行训练，然后重复进行多批次交叉训练，从而使得文本匹配模型和关系匹配模型互相共享参数，更新的结果，最终得到训练后的文本匹配模型和关系匹配模型。
5.根据权利要求4所述的一种基于深度学习的人
...【技术特征摘要】
1.一种基于深度学习的人岗匹配方法，其特征在于：具体包括有以下步骤：
2.根据权利要求1所述的一种基于深度学习的人岗匹配方法，其特征在于：所述的构建岗位集合和员工集合，采用文本匹配模型计算岗位与员工的文本匹配得分的具体步骤为：
3.根据权利要求2所述的一种基于深度学习的人岗匹配方法，其特征在于：所述的构建岗位与员工的关系图，基于关系图卷积网络的关系匹配模型计算岗位与员工的关系匹配得分的具体步骤为：
4.根据权利要求3所述的一种基于深度学习的人岗匹配方法，其特征在于：所述的文本匹配模型和关系匹配模型通过...
【专利技术属性】
技术研发人员：张有明，吴小勇，侯邵娟，付真斌，王磊，吕妍，何奇，章丹，周攀，方福歆，孙巍巍，张昭源，储昭将，王欣，李志军，吴海艳，王远，霍骋，万礼嵩，焦睿婷，李炫浓，马欢，邱曼曼，廖羽晗，胡茂亮，陈迎，罗长，赵晓山，秦健，翁凌，徐乐旸，章茜，朱靖，康宇，吕文君，齐振宇，王继晨，邓长斌，周越，
申请(专利权)人：国网安徽省电力有限公司超高压分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。