基于AI大数据平台及其人岗匹配算法的制作方法

基于ai大数据平台及其人岗匹配算法
技术领域
1.本发明涉及一种基于ai大数据平台的人岗匹配算法。


背景技术：

2.目前，线上的it技术培训平台多种多样，然而，现有的it技术培训平台，无法自动化匹配企业的岗位需求，限制其进一步应用。


技术实现要素：

3.本发明提供了一种基于ai大数据平台的人岗匹配算法，可以有效解决上述问题。
4.本发明是这样实现的：
5.本发明提供一种基于ai大数据平台的人岗匹配算法，包括以下步骤：
6.s1，构建人才模型，其中，所述人才模型包括专业技能；
7.s2，建立具有企业自主针对性的岗位画像、其中，所述岗位画像包括专业技能；
8.s3，将人才模型和岗位画像进行匹配，为用人双方匹配企业岗位及人才。
9.作为进一步改进的，在步骤s1中，所述构建人才模型的步骤包括：
10.s11，采集学员用户在所述ai大数据平台上的行为数据，然后对所述行为数据进行整理分析，最后根据整理分析结果构建人才模型。
11.作为进一步改进的，在步骤s11中，所述采集学员用户在所述ai大数据平台上的行为数据，然后对所述行为数据进行整理分析，最后根据整理分析结果构建人才模型的步骤包括：
12.s111，将不同专业细化拆分成三层的树形知识点结构，然后将知识点与课程章节、课后习题、视频载体绑定；
13.s112、搜集学员用户的数据，包括知识点学习掌握程度、课堂互动情况、项目参与过程、老师反馈数据；
14.s3、根据设定的知识点计算得分规则，获取学员用户相关知识载体的完成度，课后习题对应的知识点的达成率，为学员用户计算专业技能的一级分类的汇总得分，汇总得分后进行建模。
15.作为进一步改进的，在步骤s111中，所述三层的树形知识点结构包括：
16.一级知识点是量化学员用户某方向能力的基础维度，其计算结果根据二级知识点计算，且所述一级知识点有定性等级包括：了解、掌握、熟练、精通、专家；
17.所述二级知识点是所述一级知识点的细分，所述二级知识点的计算分包括学习积分、题目分、遗忘调节系数；
18.所述三级知识点是所述二级知识点的细分，所述三级知识点的得分会加总到所述二级知识点得分中。
19.作为进一步改进的，在步骤s111中，所述知识点计算得分规则包括：
20.所述一级知识点的得分的计算为阶段函数，且所述一级知识点的得分＝(当前一
级知识点基础分/基准分)∧(1/n)*20，其中，所述一级知识点基础分计算：一级知识点基础分＝(二级知识点总分*知识点系数)汇总求和；
21.所述二级知识点得分计算包括：二级知识点得分＝(三级知识点总分 本知识点得分)分组按衰减系数加权，课程系数由课程设计决定；
22.所述三级知识点得分计算包括：三级知识点得分＝本知识点得分。
23.作为进一步改进的，在步骤s3中，所述将人才模型和岗位画像进行匹配，为用人双方匹配企业岗位及人才的步骤包括：
24.s31，将学员用户在平台上的学习行为标签化，然后将标签进行数值化；
25.s32、对于企业侧的岗位需求提取关键词，自动匹配专业技能等相关知识点需要达到要求，绘制学员用户与岗位的匹配度模型。
26.作为进一步改进的，在步骤s32中，所述对于企业侧的岗位需求提取关键词，自动匹配专业技能等相关知识点需要达到要求，绘制学员用户与岗位的匹配度模型的步骤包括：
27.s321，对语料库进行循环神经网络的分词；
28.s322，采用word2vec模型将所述分词转化成词向量；
29.s323，采取k-means算法对岗位需求中的词进行聚类，选择聚类中心作为岗位需求的一个主要关键词，计算其他词与聚类中心的距离即相似度，选择topn个距离聚类中心最近的词作为文本关键词；
30.s324，根据各个专业知识点分值，从而计算出该文字需求岗位所需要的专业知识模型。
31.本发明进一步提供一种用于人岗匹配的ai大数据平台，包括：
32.人才模型构建单元，用于构建人才模型，其中，所述人才模型包括专业技能；
33.岗位画像构建单元，用于构建具有企业自主针对性的岗位画像、其中，所述岗位画像包括专业技能；
34.匹配单元，用于将人才模型和岗位画像进行匹配，为用人双方匹配企业岗位及人才。
35.本发明的有益效果是：本发明的方法及平台，相比线下的单向模式，不仅在产业侧和教育侧提供丰富的n n资源，而且通过岗位需求画像和人才模型的相匹配，以构建链接两端资源，平衡需与求的it行业产教融合服务平台为研究目标，并将研究成果进行转化应用，最终达到产业化效果。方法及平台实现真正落地产教融合、联动院校、校企合作，打通人才供应链。同时服务地方产业，服务地方招商落地，助推高校成果产业化。
附图说明
36.为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
37.图1是本发明实施例提供的基于ai大数据平台的人岗匹配算法的流程图。
38.图2是本发明实施例提供的基于ai大数据平台的人岗匹配算法的中使用的bilstm
crf模型。
39.图3是本发明实施例提供的基于ai大数据平台的人岗匹配算法的中使用的向量空间示意图。
40.图4是本发明实施例提供的基于ai大数据平台的人岗匹配算法的中岗位需求和人才评分匹配结果图。
具体实施方式
41.为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
42.在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
43.参照图1所示，本发明提供一种基于ai大数据平台的人岗匹配算法，包括以下步骤：
44.s1，构建人才模型，其中，所述人才模型包括专业技能；
45.s2，建立具有企业自主针对性的岗位画像、其中，所述岗位画像包括专业技能；
46.s3，将人才模型和岗位画像进行匹配，为用人双方匹配企业岗位及人才。
47.作为进一步改进的，在步骤s1中，所述构建人才模型的步骤包括：
48.s11，采集学员用户在所述ai大数据平台上的行为数据，然后对所述行为数据进行整理分析，最后根据整理分析结果构建人才模型。
49.作为进一步改进的，在步骤s11中，所述采集学员用户在所述ai大数据平台上的行为数据，然后对所述行为数据进行整理分析，最后根据整理分析结果构建人才模型的步骤包括：
50.s111，将不同专业细化拆分成三层的树形知识点结构，然后将知识点与课程章节、课后习题、视频载体绑定；
51.s112、搜集学员用户的数据，包括知识点学习掌握程度、课堂互动情况、项目参与过程、老师反馈数据；
52.s3、根据设定的知识点计算得分规则，获取学员用户相关知识载体的完成度，课后习题对应的知识点的达成率，为学员用户计算专业技能的一级分类的汇总得分，汇总得分后进行建模。
53.作为进一步改进的，在步骤s111中，所述三层的树形知识点结构包括：
54.一级知识点是量化学员用户某方向能力的基础维度，其计算结果根据二级知识点
计算。且所述一级知识点有定性等级包括：菜鸟、了解、掌握、熟练、精通、专家；
55.所述二级知识点是所述一级知识点的细分，所述二级知识点的计算分包括学习积分、题目分、遗忘调节系数；
56.所述三级知识点是所述二级知识点的细分，所述三级知识点的得分会加总到所述二级知识点得分中。
57.作为进一步改进的，在步骤s111中，所述知识点计算得分规则包括：
58.所述一级知识点的得分的计算为阶段函数，且所述一级知识点的得分＝ (当前一级知识点基础分/基准分)∧(1/n)*20，其中，所述一级知识点基础分计算：一级知识点基础分＝(二级知识点总分*知识点系数)汇总求和，其中n为调节系数(知识点系数)；
59.所述二级知识点得分计算包括：二级知识点得分＝(三级知识点总分 本知识点得分)分组按衰减系数加权，课程系数由课程设计决定；
60.所述三级知识点得分计算包括：三级知识点得分＝本知识点得分。
61.在其中一个实施例中，所述一级知识点可以包括等级如表1所示：
62.表1
[0063][0064]
在其中一个实施例中，一级知识点html可划分多个二级知识点如表2 所示，且各个二级知识点的总分分布可相同或不同也如表2所示。
[0065]
表2
[0066][0067]
如上表知识点的基础分a＝0.1*a 0.2*b 0.4*c 0.6*d 2*e 1.5*f，假设a得分介于b和c之间，一级知识点html得分b＝(a/a)∧1/2x20， (a/a)∧1/2的结果介于0-5之间，所以最终得分介于0-100区间。
[0068]
在其中一个实施例中，学员用户平台获取分值可如表3及表4，当然在其他实施例中，学员用户平台获取分值可根据实际需要设定。
[0069]
表3
[0070]
[0071]
表4
[0072][0073]
作为进一步改进的，在步骤s3中，所述将人才模型和岗位画像进行匹配，为用人双方匹配企业岗位及人才的步骤包括：
[0074]
s31，将学员用户在平台上的学习行为标签化，然后将标签进行数值化；
[0075]
s32、对于企业侧的岗位需求提取关键词，自动匹配专业技能等相关知识点需要达到要求，绘制学员用户与岗位的匹配度模型。
[0076]
在步骤s31中，所述将标签进行数值化是指，按照学员用户在各个一级知识点的得分将其对应的标签进行数值化。如图4所示，该学员用户javase、web、se进阶、sql、se分别对应达到不同的等级。
[0077]
作为进一步改进的，在步骤s32中，所述对于企业侧的岗位需求提取关键词，自动匹配专业技能等相关知识点需要达到要求，绘制学员用户与岗位的匹配度模型的步骤包括：
[0078]
s321，对语料库进行循环神经网络的分词；
[0079]
s322，采用word2vec模型将所述分词转化成词向量；
[0080]
s323，采取k-means算法对岗位需求中的词进行聚类，选择聚类中心作为岗位需求的一个主要关键词，计算其他词与聚类中心的距离即相似度，选择topn个距离聚类中心最近的词作为文本关键词；
[0081]
s324，根据各个专业知识点分值，从而计算出该文字需求岗位所需要的专业知识模型。
[0082]
在步骤s321中，所述循环神经网络在处理变长输入和序列输入问题中有着巨大的优势。lstm为rnn变种的一种，在一定程度上解决了rnn在训练过程中梯度消失和梯度爆炸的问题。双向(bidirectional)循环神经网络分别从句子的开头和结尾开始对输入进行处理，将上下文信息进行编码，提升预测效果。在其中一个实施例中，使用bilstm crf模型，其结构如图 2所示。
[0083]
在步骤s322中，采用word2vec模型将分词转化成词向量，它的思路是通过训练，将每个词都映射到一个较短的词向量上来。所有的这些词向量就构成了向量空间，进而可以用普通的统计学的方法来研究词与词之间的关系，其结构如3所示。
[0084]
在步骤s323中，采取k-means算法对文章中的词进行聚类，选择聚类中心作为岗位
需求的一个主要关键词，计算其他词与聚类中心的距离即相似度，选择topn个距离聚类中心最近的词作为文本关键词，而这个词间相似度可用word2vec生成的向量计算得到，比如可以在招聘岗位信息中抽取出3年开发经验、java开发以及java se、se、web都为专家；se进阶为精通、sql为熟练等关键词，构建的专业知识模型如图4所示。其中java se、 web、se进阶、sql为一级知识点。另外，图4中，人才评分中java se、 se、web都为精通；se进阶为专家、sql为熟练，与构建的专业知识模型基本匹配，可以作为人才进行推荐。作为进一步改进的，当至少一个一级知识点严重偏离时，可认定为人才与岗位不匹配，不进行推荐；例如，在其中一个实施例中，专业知识模型中java se的需求点为专家；而人才评分中java se为熟练及以下，则认定为人才与岗位不匹配，不进行推荐。反之，在其中一个实施例中，专业知识模型中java se的需求点为熟练；而人才评分中java se为专家，则认定为人才与岗位不匹配，不进行推荐。换言之，一级知识点的等级偏离至少两个等级时，认定为人才与岗位不匹配，不进行推荐。通过将一级知识点设置可量化的等级，从而可实现人才与岗位的快速匹配。
[0085]
作为进一步改进的，在其他实施例中，所述人才模型还可以进一步包括综合素质，工程项目经验等维度。所述综合素质可以根据学员用户的课堂互动情况，以及结合老师的实际反馈评价，以评价表为准。所述工程项目经验以实际项目管理过程中，学员用户的动手实践能力，沟通协作等方面给出评价，以评价表为准。
[0086]
本发明进一步提供一种用于人岗匹配的ai大数据平台，包括：
[0087]
人才模型构建单元，用于构建人才模型，其中，所述人才模型包括专业技能；
[0088]
岗位画像构建单元，用于构建具有企业自主针对性的岗位画像、其中，所述岗位画像包括专业技能；
[0089]
匹配单元，用于将人才模型和岗位画像进行匹配，为用人双方匹配企业岗位及人才。
[0090]
以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。