[发明专利]一种AI简历筛选方法、系统、设备和存储介质

说明书

本发明公开了一种AI简历筛选方法，包括：将全部简历的纯文本内容输入改进的BERT模型；所述BERT模型采用多层Transformer架构；在Transformer堆叠的后面设置一个导师分类器；在所述BERT模型的每层Transformer架构后面连接一个学生分类器；计算每层Transformer的学生分类器输出结果的分类置信度；分类置信度高于预设阈值时，继续运行下一层Transformer，并重复前一步骤；分类置信度低于预设阈值时，直接对该结果进行输出。该筛选方法使得招聘网站能够简单快捷地对求职者输入的海量简历信息内容进行初步筛选，将疑似低质量简历通过神经网络智能筛选出来，并且计算速度快模型参数规模小，为下一步的低质量简历精确筛选提供可操作性和便利性。

技术领域

本发明涉及在线招聘领域，具体涉及一种利用神经网络模型完成简历智能筛选的方法、系统、设备和存储介质。

背景技术

相对于传统线下招聘，线上招聘在便利性、信息透明度方面体现了巨大的优势。一般的招聘网站或者APP客户端，都会存储有大量的求职者简历信息，并且随着新加入求职者的不断增加，求职者的简历信息组成了一个巨大的求职资料数据库。通常情况下，招聘网站会根据企业所要信息的广度和层次，设计不同的简历模板供求职者填写，这在很大程度上规范了求职者的简历填写行为。但是，为了突出求职者的独特经历和便于招聘方全面了解求职者的性格和经历，所有招聘网站在简历填写过程中，都会保留相当比例的求职者自主填写的内容，比如自我评价，经历评价，特点评价，项目介绍等模块。在实践中，我们发现一些求职者在简历录入中，存在一些异常行为，比如大量粘贴与求职无关的内容、输入敏感或者低俗用语等。这些简历如果推送给招聘企业，会造成所有浏览这份简历的企业招聘人员宝贵时间的浪费或者心理的不适。也会使招聘网站给企业方留下不专业或者审核不严的印象，造成一种双输的局面。因此，对招聘网站来讲，有必要对海量求职简历进行技术上的初步筛选，删除或者截留绝大部分的低质量简历，为广大企业营造良好的招聘环境。

现有技术一公开了一种基于机器学习的简历质量判断系统，包括如下步骤：步骤1：从后台获取目标简历文本，并把目标简历文本存储于简历数据库文档内；步骤2：通过简历数据库文档进行文本预处理，使用中文分词对简历文本进行构建数据类型格式，筛选待提取词汇向量。步骤2包括以下子步骤：步骤2.1：通过中文分词进行专业特有名词进行数据类型格式构建，通过专业特有名词进行简历分类；步骤2.2：进行技能掌握程度，经验，特有名词，资历进行类别标记；步骤2.3：对标记类别进行筛选；步骤3：进行文本特征提取，提取标记名词，进行对预先设定的词向量的数据库进行匹配，构成质量判断词库，形成人才判别标准类别标签；步骤4：从已知质量的文档中标记词向量，统计词频，根据已有词向量和标记类别训练参数模型，得到学习词向量和标签类别之间的数据特征维度关系和轻量级的训练模型，在未分类的简历文档库上验证该模型的准确率，统计模型的学习效率和在测试集上的准确度。步骤5：通过训练模型，得到简历质量的判断结果，反馈于后台。但是，这种方法侧重于新简历中用词和预先提取的重点词语之间的比对，进而对词语匹配度进行分析，得出对简历质量的判断。实际上，该方法并没有关注到低质量简历的筛选，而是筛选出符合预设要求的高质量的简历。而且该方法利用了神经网络模型对匹配度进行比对，但没有针对低质量简历筛选的目的而对神经网络作出选择、优化和调整，对神经网络的建模和训练不适应低质量简历筛查的要求，无法完成相应功能。