【技术实现步骤摘要】
本申请涉及数据处理，尤其涉及一种标签生成方法、装置、电子设备及存储介质。
技术介绍
1、随着互联网的普及以及数据处理技术的日渐成熟，为用户的生活和工作带来了越来越多的便利。例如，招聘行业中，招聘方可以在招聘软件发布招聘信息以及在招聘软件中寻找所需的求职用户，求职用户可以在招聘软件发布简历，以及在招聘软件中寻找合适的职位。招聘软件为了更好地提供业务服务，已有招聘软件引入标签，为求职提供个性化的职位匹配，以便于以便于求职用户在访问招聘软件时，可以查看到更多自己感兴趣的职位。
2、然而在相关技术中，求职用户的标签通常从求职用户的简历中提取关键词得到，或者是由用户自己设定，因此，求职用户的标签可维护性较低，难以准确地描绘求职用户的求职需求，因此，基于这些标签为用户匹配职位时，直接影响了匹配的准确性，导致用户使用招聘软件的体验较差。
技术实现思路
1、有鉴于此，本申请实施例提供一种标签生成方法、装置、电子设备及存储介质，可以灵活的为求职用户确定标签，有利于提高后续匹配职位的准确性。
2、本申请实施例提供一种标签生成方法，包括：获取求职用户的用户信息和求职用户相关职位的职位信息，其中，求职用户的相关职位包括求职用户查看过未投递简历的职位和求职用户查看过已投递简历的职位；将求职用户的用户信息和求职用户相关职位的职位信息输入预先训练的目标标签生成模型，通过目标标签生成模型输出求职用户的需求标签；其中，目标标签生成模型包括嵌入层、特征识别层和输出层；通过目标标签生成模型输出求
3、可选地，根据本申请实施例的方法用户特征向量包括第一特征向量和第二特征向量；将用户信息转换为用户特征向量，包括：识别用户信息中的非结构化特征信息，以及与第一预设属性相对应的结构化特征信息，其中，用户信息包括以下信息中的至少任意一种：简历信息、职位沟通信息、职位查看行为信息、职位投递行为信息，非结构化信息为无预定格式的数据；确定每个第一预设属性对应结构化特征信息的属性值，得到第一特征向量；对非结构化特征信息进行语义理解，提取文本特征，并将文本特征转换为第二特征向量。
4、可选地，根据本申请实施例的方法，将职位信息转换为职位特征向量，包括：识别职位信息中与第二预设属性相对应的结构化特征信息；确定每个第二预设属性对应结构化特征信息的属性值，得到职位特征向量。
5、可选地，根据本申请实施例的方法，特征识别层包括：注意力层和全连接层，职位特征向量包括查看未投简历对应职位的第一职位特征向量和查看已投递简历对应职位的第二职位特征向量；通过特征识别层根据用户特征向量和职位特征向量，确定求职用户关注的目标特征和目标特征对应的需求意向，包括：通过注意力层根据用户特征向量、第一职位特征向量和第二职位特征向量确定差异信息，并根据差异信息生成目标特征的特征向量；通过全连接层识别目标特征的特征向量，确定目标特征对应的需求意向。
6、可选地，根据本申请实施例的方法，方法还包括：响应于求职用户访问招聘平台，获取求职用户的需求标签信息，其中，需求标签信息包括求职用户的需求标签和需求意向；调整职位召回模型中标需求签信息对应的召回权重，并根据调整后的职位召回模型，确定需求标签信息的第一匹配职位；向求职用户展示第一匹配职位。
7、可选地，根据本申请实施例的方法，标签信息还包括求职用户的自定义标签信息；根据调整后的职位召回模型，确定自定义标签信息的第二匹配职位；向求职用户展示第一匹配职位，包括：将第一匹配职位、需求标签信息、第二匹配职位和自定义标签信息输入排序模型，通过排序模型，输出第一匹配职位和第二匹配职位分别对应的展示次序，以使第一匹配职位的优先展示几率大于第二匹配职位的优先展示几率；基于展示次序，向求职用户展示第一匹配职位，以及基于展示次序，向求职用户展示第二匹配职位。
8、可选地，根据本申请实施例的方法，在获取求职用户的用户信息和求职用户关联职位的职位信息之前，方法包括：获取预设时间段内的历史求职行为信息，历史求职行为信息包括多个历史求职用户和每个历史求职用户的关联职位；获取每个历史求职用户的历史用户信息、历史求职用户关联职位的历史职位信息，以及每个历史求职用户的预设用户标签；根据每个历史求职用户的历史用户信息、历史求职用户关联职位的历史职位信息，以及每个历史求职用户的预设用户标签，生成训练样本集；基于训练样本集，对预先构建的标签生成模型进行训练，直到满足预设训练条件，得到目标标签生成模型，其中，标签生成模型包括嵌入层、特征识别层和输出层。
9、本申请实施例提供一种标签生成装置，包括：获取模块，用于获取求职用户的用户信息和求职用户相关职位的职位信息，其中，求职用户的相关职位包括求职用户查看过未投递简历的职位和求职用户查看过已投递简历的职位；处理模块，用于将求职用户的用户信息和求职用户相关职位的职位信息输入预先训练的目标标签生成模型，通过目标标签生成模型输出求职用户的需求标签；其中，目标标签生成模型包括嵌入层、特征识别层和输出层；其中，处理模块通过目标标签生成模型输出求职用户的需求标签包括：通过嵌入层将用户信息转换为用户特征向量，以及将职位信息转换为职位特征向量，通过特征识别层根据用户特征向量和职位特征向量，确定求职用户关注的目标特征和目标特征对应的需求意向，通过输出层将目标特征转为需求标签，并输出需求标签，以及对应需求标签输出需求意向。
10、本申请实施例提供一种电子设备，电子设备包括处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现如上的方法的步骤。
11、本申请实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如上的方法的步骤。
12、本申请实施例提供一种计算机程序产品，计算机程序产品中包括计算机程序指令，计算机程序指令被处理器执行时实现如上的方法的步骤。
13、采用本申请的实施例，针对每个求职用户，可以获取求职用户的用户信息和求职用户相关职位的职位信息，相关职位例如求职用户的相关职位包括求职用户查看过的职位和求职用户投递过的职位。通过将用户信息和相关职位的职位信息输入预先训练的目标标签生成模型，通过目标标签生成模型中的嵌入层将用户信息转换为用户特征向量，以及将职位信息转换为职位特征向量，以便于对用户信息和职位信息及职位信息进行分析，并从中提取有用信息，接下来，通过特征识别层根据用户特征向量和职位特征向量，找到影响求职用户的求职意向的关键信息，也即，求职用户的目标特征和其对应的需求意向，最后，通过输出层将目标特征转为需求标签，并输出需求标签和需求意向。基于此，通过对求职用户的用户信本文档来自技高网...
【技术保护点】
1.一种标签生成方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述用户特征向量包括第一特征向量和第二特征向量；
3.根据权利要求2所述的方法，其特征在于，所述将所述职位信息转换为职位特征向量，包括：
4.根据权利要求1所述的方法，其特征在于，所述特征识别层包括：注意力层和全连接层，所述职位特征向量包括查看未投简历对应职位的第一职位特征向量和所述查看已投递简历对应职位的第二职位特征向量；
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，所述标签信息还包括求职用户的自定义标签信息；
7.根据权利要求1所述的方法，其特征在于，在所述获取求职用户的用户信息和所述求职用户关联职位的职位信息之前，所述方法包括：
8.一种标签生成装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；所述电子设备执行所述计算机程序指令时实现如权利要求1-7中任一项所述
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7中任一项所述的方法。
11.一种计算机程序产品，其特征在于，其包括计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7中任一项所述的方法。
...【技术特征摘要】
1.一种标签生成方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述用户特征向量包括第一特征向量和第二特征向量；
3.根据权利要求2所述的方法，其特征在于，所述将所述职位信息转换为职位特征向量，包括：
4.根据权利要求1所述的方法，其特征在于，所述特征识别层包括：注意力层和全连接层，所述职位特征向量包括查看未投简历对应职位的第一职位特征向量和所述查看已投递简历对应职位的第二职位特征向量；
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，所述标签信息还包括求职用户的自定义标签信息；
7.根据权利要求1所述...
【专利技术属性】
技术研发人员：魏小艳，张辉，钟晓冬，高冬，
申请(专利权)人：前锦网络信息技术上海有限公司，
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。