本申请公开了一种基于深度学习的数据推荐方法、装置及终端设备,方法包括:获取多个应聘人员的人物画像;应聘人员与应聘人员的人物画像一一对应;应聘人员的人物画像包括应聘人员的多维度信息;对获取到的所述多个应聘人员的人物画像分别进行特征提取;将提取出的第一特征输入到训练好的训练模型,分别获得多个应聘人员的评分;多个应聘人员中每一个应聘人员的评分分别与每一个应聘人员一一对应从所述多个应聘人员中确定出评分大于或等于预设阈值的目标应聘人员。采用本申请,可快速及准确完成对海量的应聘人员的初步筛选,提高了工作效率,节省了人力成本。
1 .一种基于深度学习的数据推荐方法,其特征在于,包括:获取多个应聘人 员的 人物画像 ;应聘人 员与所述应聘人 员的 人物画像一一对应 ;所述应聘人员的人物画像包括所述应聘人员的多维度信息;
对获取到的所述多个应聘人员的人物画像分别进行特征提取;
将提取出的 第一特征输入到 训练好的 训练模型 ,分 别获得所述多个应聘人 员的 评分 ;
所述多个应聘人员中每一个应聘人员的评分分别与所述每一个应聘人员一一对应;
从所述多个应聘人员中确定出评分大于或等于预设阈值的目标应聘人员。
2 .根据权利要求1所述的方法,其特征在于,所述将提取出的第一特征输入到训练好的训练模型之前,还包括:获取多个绩优的在职人员的人物画像;
对获取到的所述多个绩优的在职人员的人物画像分别进行特征提取;
对提取出的第二特征进行训练以获得所述训练好的训练模型,所述训练模型用于根据输入的特征生成评分。
3 .根据权利要求2所述的方法,其特征在于,输入到所述训练模型的特征与所述第二特征的相似度越高则所述训练模型生成的评分越高。
4 .根据权利要求1所述的方法,其特征在于,所述获取多个应聘人员的人物画像之前,还包括:获取多个应聘人员的简历信息;所述简历信息包括以下至少一项:应聘人员的年龄、性别、学历、表达能力、工作技能、学历、期望薪资、期望工作地区、应聘岗位或专业;
根据获取到的 所述多个应聘人 员的 简历信息 ,在多个维 度下 ,对所述多个应聘人 员中每一个应聘人员分别进行人物画像,以生成所述每一个应聘人员的人物画像。
5 .根据权利要求4所述的方法,其特征在于,所述根据获取到的所述多个应聘人员的简历信息,在多个维度下,对所述多个应聘人员中每一个应聘人员分别进行人物画像,以生成所述每一个应聘人员的人物画像,包括:根据获取到的所述多个应聘人员的简历信息,筛选出每一个应聘人员在多个维度下的信息;
通过岗位胜任素 质模型对每一个应聘人 员在多个维度下的 信息进行 训练 ,从而生成所述每一个应聘人员的人物画像。
6 .根据权利要求1所述的方法,其特征在于,所述对获取到的所述多个应聘人员的人物画像分别进行特征提取,包括:通过神经网络对获取到的所述多个应聘人员中每一个应聘人员的人物画像分别进行特征提取,所述神经网络包括长短时记忆网络、循环神经网络、深度卷积网络和深度残差网络中的至少一项。
7 .一种招聘装置,其特征在于,包括:第一获取单元 ,用于获取多个应聘人 员的 人物画像 ;应聘人 员与所述应聘人 员的 人物画像一一对应;所述应聘人员的人物画像包括所述应聘人员的多维度信息;
特征提取单元,用于对获取到的所述多个应聘人员的人物画像分别进行特征提取;
第二获取单元 ,用于将提取出的 第一特征输入到 训练好的 训练模型 ,分 别获得所述多个应聘人员的评分;所述多个应聘人员中每一个应聘人员的评分分别与所述每一个应聘人员一一对应;
确定单元,用于从所述多个应聘人员中确定出评分大于或等于预设阈值的目标应聘人员。
8 .如权利要求7所述的装置,其特征在于,特征提取单元,用于:通过神经网络对获取到的所述多个应聘人员中每一个应聘人员的人物画像分别进行特征提取,所述神经网络包括长短时记忆网络、循环神经网络、深度卷积网络和深度残差网络中的至少一项。
9 .一种招聘设备,其特征在于,包括:输入设备、输出设备、存储器以及耦合于所述存储器的处理器 ,所述输入设备、输出设备、处理器和存储器相互连接 ,其中 ,所述存储器 用于存储应用程序代码,所述处理器被配置用于调用所述程序代码,执行如权利要求1-6所述的基于深度学习的数据推荐方法。
10 .一种计算机可读存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-6所述的基于深度学习的数据推荐方法。
相关内容