[发明专利]一种基于履历大数据的人员任免辅助决策方法及系统

说明书

本发明提出一种基于履历大数据的人员任免辅助决策方法及系统，基于履历大数据的人员任免辅助决策方法具体包括步骤：S1、接收人员简历文本，通过中文简历文本处理算法处理人员简历文本；S2、基于专家规则与知识图谱进行混合短文本多标签分类；S3、基于从简历大数据中提取的组织机构树构建人员的职业社交网络；S4、基于查询条件获取符合要求的人员信息，对人员的职业社交网络进行可视化呈现，本发明能够提高半结构化简历数据中履历经历提取的准确性，结合领域知识与语义信息进行履历经历细粒度多标签分类，并且实现人员职业成长轨迹的可视化分析。

技术领域

本发明涉及人工智能领域，特别是一种基于履历大数据的人员任免辅助决策方法及系统。

背景技术

在企事业的人事系统中，高层次岗位的任免与培养需要一系列体制机制分析拟任人选的能力与拟任职务的匹配程度，并从发展的角度研判该拟任人选的成长轨迹，实施因人而异的培养和培训方案。

进入信息时代，大量履历数据(如工作经历等)已完成了数字化管理。而现有管理系统的查找功能局限，岗位任免时需要专家手动筛查大量拟候选人数据，结合个人经验分析总结候选人的能力、经历、职业发展轨迹、以及人际关系等特征、耗时耗力。随着人工智能技术的成熟，简历数据分析通过分析大量员工简历数据自动对员工能力进行分类、分级，并通过员工与岗位特征的模式识别实现智能化人岗匹配，现已应用于一些高级人才寻访(猎头)领域。将该技术与履历数据以及党建人才培养的特点、需求相结合，提出客观全面并易于理解的分析报告、可为实现更加高效、精准的岗位任免与培养体质提供辅助作用。

目前人工智能在人岗匹配上的方法主要包含基于内容匹配的推荐算法和基于协同过滤的推荐算法。基于内容匹配的方法是根据用人单位的岗位要求信息和应聘者的简历信息进行匹配。通过对岗位和求职者进行个特征构建，基于特征属性表达方式的构建匹配规则，进行文本内容的匹配。其中最关键的部分是匹配规则的制定，目前的主流方法是通过利用自然语言处理，对长文本特征项的深度语义进行特征匹配。基于协同过滤的推荐算法是通过招聘者和求职者在浏览彼此信息的行为来记录和标记其中的关联程度，从而进行匹配。这些行为记录间接反映了求职者与岗位的匹配意向，因此在此基础上构建了求职者与岗位的行为特征，增强了推荐系统中的推荐功能。此类方法的主要问题仍然集中在少样本训练数据的处理、专家规则与数据驱动如何进行融合、以及能岗匹配方法的设计。

现流行的Text-GCN方法(Graph Convolutional Networks for TextClassification)中，利用短文本及其分词构建了知识连接图，因此可应用于文本样本稀疏的分类任务中，其缺点在于每次处理新的简历，均需从头开始训练，例如：在“适用于人岗匹配推荐系统的职位简历匹配方法及装置(CN111105209A)”中，利用TFIDF算法、低频词过滤、bi-gram互信息计算和人工整合整理职位分类体系预先训练职位职能分类模型，然后对职位文本信息和应聘者简历中的职位名称信息进行分类、匹配和计算；在“基于知识图谱、深度学习的人岗匹配方法、人岗匹配系统(CN111737485A)”中，把简历文本信息和职位描述文本信息转换成文本知识特征和知识图谱的事实与结构知识特征后融入神经网络，然后该神经网络获取已选简历数据的特征，再将该特征与岗位的招聘要求进行匹配计算获取匹配计算，获取匹配分数；在“一种基于NLP和机器学习的智能人才推荐方法(CN111639900A)”中，web服务器通过日志系统对招聘者查阅及浏览等行为数据进行记录并存储，然后推荐系统通过协同过滤算法以行为数据和标签为依据对简历数据库进行筛选，让招聘者在模糊搜索、多条件搜索时可以精准匹配相关简历。但是这些基于监督学习的算法需要大量的预处理数据进行训练，而人工整合标签分类较为粗糙，无法区分总机构的下属机构，导致最后分类的结果不具备一定的体系结构，无法精确到部门等下属机构。

在“基于历史匹配结果的人岗匹配方法、装置及设备(CN112200153A)”中，利用DeepFM模型、TextCNN模型对简历数据和岗位数据进行分类和匹配得到标签信息，然后进行匹配和计算，但在这一方法中，一些误点击后产生的数据会影响最终的匹配结果。

发明内容