CN115034762A - 一种岗位推荐方法、装置、存储介质、电子设备及产品 - Google Patents

Abstract

本发明公开了一种岗位推荐方法、装置、电子设备、存储介质及产品。该方法包括：获取岗位匹配用户的第一特征数据，基于岗位匹、装置、配用户的第一特征数据进行聚类处理确定聚类结果模型，以及确定聚类结果模型中各聚类群的岗位推荐度；获取新增用户的第二特征数据，基于聚类结果模型和第二特征数据确定新增用户与各聚类群的第一匹配度；基于新增用户的第二特征数据和各岗位特征数据进行匹配，确定新增用户与各岗位的第二匹配度；基于聚类群的岗位推荐度、新增用户与各聚类群的第一匹配度以及新增用户与各岗位的第二匹配度，确定新增用户的推荐岗位。本发明从岗位匹配用户维度与岗位维度推荐岗位，提高了岗位推荐的准确性。

Description

一种岗位推荐方法、装置、存储介质、电子设备及产品

技术领域

本发明涉及信息处理技术领域，尤其涉及一种岗位推荐方法、装置、存储介质、电子设备及产品。

背景技术

人才招聘是企业发展的重要的一环，将人力资源进行有效配置和合理使用是人岗匹配的基础。

目前，常用的岗位推荐方法是：针对简历特征和岗位特征，利于预先训练完成预测模型对待预测简历和岗位进行匹配度预测。

但是，上述岗位推荐方法缺少对历史数据的统计与挖掘，从而导致推荐的岗位缺乏依据和对历史数据的参考。

发明内容

本发明提供了一种岗位推荐方法、装置、存储介质、电子设备及产品，以解决现有岗位推荐方法缺乏以历史数据作为参考进行岗位推荐的问题。

根据本发明的一方面，提供了一种岗位推荐方法，其特征在于，包括：

获取岗位匹配用户的第一特征数据，基于所述岗位匹配用户的第一特征数据进行聚类处理确定聚类结果模型，以及确定所述聚类结果模型中各聚类群的岗位推荐度；

获取新增用户的第二特征数据，基于所述聚类结果模型和所述第二特征数据确定所述新增用户与各聚类群的第一匹配度；

基于所述新增用户的第二特征数据和各岗位特征数据进行匹配，确定所述新增用户与各岗位的第二匹配度；

基于所述聚类群的岗位推荐度、所述新增用户与各聚类群的第一匹配度以及所述新增用户与各岗位的第二匹配度，确定所述新增用户的推荐岗位。

进一步的，所述确定所述聚类结果模型中各聚类群的岗位推荐度，包括：

对于所述聚类结果模型中的任一聚类群，确定所述聚类群中各岗位匹配用户的岗位，基于任一岗位在所述聚类群中的比例，确定所述聚类群对所述岗位的岗位推荐度。

进一步的，基于所述聚类结果模型和所述第二数据特征确定所述新增用户与各聚类群的第一匹配度，包括：

将所述第二数据特征作为所述聚类结果模型，确定所述第二数据特征与各所述聚类群的距离信息，基于所述距离信息确定所述新增用户与各聚类群的第一匹配度，其中，所述第一匹配度与所述距离信息负相关。

进一步的，所述将所述第二数据特征作为所述聚类结果模型，确定所述第二数据特征与各所述聚类群的距离信息，包括：

对于任一聚类群，确定所述聚类群的聚类中心；

将所述第二数据特征作为所述聚类结果模型，确定所述第二数据特征与各聚类中心的距离信息。

进一步的，所述基于所述新增用户的第二特征数据和各岗位特征数据进行匹配，确定所述新增用户与各岗位的第二匹配度，包括：

基于预设距离确定方式，确定所述第二特征数据和各岗位特征数据的向量距离，基于所述向量距离确定所述新增用户与各岗位的第二匹配度，其中，所述第二匹配度与所述向量距离负相关。

进一步的，基于所述聚类群的岗位推荐度、所述新增用户与各聚类群的第一匹配度以及所述新增用户与各岗位的第二匹配度，确定所述新增用户的推荐岗位，包括：

对于任一岗位，基于各聚类群分别对所述岗位的岗位推荐度、所述新增用户与各聚类群的第一匹配度，确定新增用户对所述岗位的第三匹配度；

基于所述新增用户对所述岗位的第二匹配度和第三匹配度，确定所述新增用户对所述岗位的目标匹配度；

基于所述新增用户对各所述岗位的目标匹配度，确定所述新增用户的推荐岗位。

进一步的，所述基于所述新增用户对各所述岗位的目标匹配度，确定所述新增用户的推荐岗位，包括：

将最大的目标匹配度对应的岗位确定为所述新增用户的推荐岗位；或者，

将大于匹配度阈值的目标匹配度对应的岗位确定为所述新增用户的推荐岗位。

进一步的，所述获取新增用户的第二特征数据，包括：

获取新增用户的基础信息，提取所述基础信息中的关键词，基于所述关键词形成所述新增用户的结构化数据；将所述结构化数据转换为特征数据，得到第二特征数据。

进一步的，在将所述结构化数据转换为特征数据之后，所述方法还包括：

对转换得到特征数据进行筛选。

进一步的，所述对转换得到特征数据进行筛选，包括：

对于任一类型的特征数据，确定所述特征数据的分布特征，剔除所述分布特征满足去除条件的特征数据。

进一步的，所述对转换得到特征数据进行筛选，包括：

分别确定任意两个特征数据之间的相关性，在满足相邻性条件的两个特征数据中，随机剔除一个特征数据；和/或，

分别确定任意两个特征数据之间的独立性，在不满足独立性条件的两个特征数据中，随机剔除一个特征数据。

进一步的，所述对转换得到特征数据进行筛选，包括：

对于任一特征数据，确定所述特征数据对用户分类的贡献度；

剔除所述贡献度不满足贡献度阈值的特征数据，或者，基于所述贡献度对个各特征数据进行排序，基于排序筛选特征数据。

根据本发明的另一方面，提供了一种岗位推荐装置，其特征在于，包括：

岗位推荐度确定模块用于获取岗位匹配用户的第一特征数据，基于所述岗位匹配用户的第一特征数据进行聚类处理确定聚类结果模型，以及确定所述聚类结果模型中各聚类群的岗位推荐度；

第一匹配度确定模块用于获取新增用户的第二特征数据，基于所述聚类结果模型和所述第二特征数据确定所述新增用户与各聚类群的第一匹配度；

第二匹配度确定模块用于基于所述新增用户的第二特征数据和各岗位特征数据进行匹配，确定所述新增用户与各岗位的第二匹配度；

推荐岗位确定模块用于基于所述聚类群的岗位推荐度、所述新增用户与各聚类群的第一匹配度以及所述新增用户与各岗位的第二匹配度，确定所述新增用户的推荐岗位。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的岗位推荐方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的岗位推荐方法。

根据本发明的另一方面，提供了一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时实现本发明任一实施例所述的岗位推荐方法。

本发明实施例的技术方案，通过岗位匹配用户维度与岗位维度两个维度向新增用户推荐岗位，以解决现有岗位推荐方法缺乏以历史数据作为参考进行岗位推荐的问题，使得参考依据更加的全面，提高了岗位推荐的准确性。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。

图1是本发明实施例一提供的一种岗位推荐方法的流程图；

图2是本发明实施例一提供的一种推荐岗位的流程图；

图3是本发明实施例二提供的一种岗位推荐装置的结构示意图；

图4是本发明实施例三提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一特征数据”、“第二特征数据”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本申请所涉及技术方案中对数据的获取、存储和/或处理，符合国家法律法规的相关规定。

实施例一

图1是本发明实施例一提供的一种岗位推荐方法的流程图，本实施例可适用于向新入职员工推荐合适且其感兴趣的岗位的情况，该方法可以由岗位推荐装置来执行，该岗位推荐装置可以采用硬件和/或软件的形式实现，该岗位推荐装置可配置于本发明实施例提供的电子设备中。需要说明的是，下述实施例“岗位匹配用户的第一特征数据”为经过岗位匹配用户授权获取的，“新增用户的第二特征数据”为经过新增用户授权获取的。同时在执行完本实施例提供的岗位推荐方法之后，删除岗位匹配用户的第一特征数据、新增用户的第二特征数据，以避免数据泄露。

如图1所示，该方法包括：

S110、获取岗位匹配用户的第一特征数据，基于所述岗位匹配用户的第一特征数据进行聚类处理确定聚类结果模型，以及确定所述聚类结果模型中各聚类群的岗位推荐度。

其中，岗位匹配用户是指已完成岗位匹配的用户，可选的，岗位匹配用户为岗位匹配度达到筛选条件的用户，例如与岗位匹配度高的用户，具体的，岗位匹配用户可以是历年岗位考核中考核成绩为优秀的员工，对比不做限定。

第一特征数据是指基于各岗位匹配用户的相关信息得到的对应的特征数据，具体的，在获取岗位匹配用户的相关信息的基础上，将岗位匹配用户的相关信息中非结构化数据进行结构化处理，并将结构化数据转换为特征数据，转换后的特征数据即为第一特征数据，其中，岗位匹配用户的相关信息可以是在员工系统中存储的岗位匹配用户对应的数据，例如包括但不限于当前的职位信息、简历信息、项目信息、基本信息等，对此不做限定。

示例性的，对非结构化数据的结构化处理的方法如下：将非结构化数据中的关键内容进行划分，得到小段内容，使用python免费开放源码库spacy在每一段中对实体进行提取，例如将简历信息的工作经历中工作单位、岗位、工作时间等数据进行提取，并将结构化数据以人员基本信息表、工作经历表、家庭成员表、学习经历表、面试记录表、被调记录表等形式结构化存储。

示例性的，结构化数据转化为特征数据的方法如下：将结构化数据进行特征标签化构建特征，得到特征数据，例如学历分为大专以下、大专、本科、硕士、博士及其他6个类别；毕业专业以计算机专业为例，包括：计算机科学与技术、计算机应用、软件工程、物联网工程等。不同类型的数据可对应不同的类别，各类别分布设置标签，对于任一岗位匹配用户的在任一类型下的数据，确定其对应的标签，得到对应的特征数据。

聚类结果模型是基于聚类算法构建的模型，基于各岗位匹配用户的第一特征数据，将各岗位匹配用户划分为预设聚类个数的聚类群，其中，预设聚类个数由本领域技术人员基于需求设置，这里不做限定。示例性的，该聚类结果模型可以但不限于K均值聚类算法(KMeans算法)模型，对比不做限定。

示例性的，以kMeans聚类算法为例：输入：V＝{v₁,v₂,…,v_n}，k；输出：C＝{C₁,C₂,…,C_k}；

kMeans聚类算法的实现步骤可以是：步骤1：在训练样本集中随机选取K个岗位匹配用户作为初始聚类中心c₁,c₂,…,c_k；步骤2：计算训练样本集中每个岗位匹配用户到聚类中心的距离，选取最小距离min|v-c_j|,分配到聚类群中,其中v＝{v₁,v₂,…，v_n}，j＝1,2……k；步骤3：计算每个聚类群中的所有岗位匹配用户到聚类中心的均值，将此均值作为新的聚类中心，

n_j为第j个聚类群中岗位匹配用户的个数，j＝1,2，……k；步骤4：如果每个聚类群的聚类中心不再发生变化，聚类准则函数

收敛，则算法结束。否则返回步骤2继续迭代。

其中,V表示训练样本集(即各岗位匹配用户的第一特征数据)，k为聚类个数，C表示训练完成的各聚类群，v表示岗位匹配用户，c表示聚类中心。

聚类群是指基于聚类结果模型对各岗位匹配用户划分的簇，示例性的，例如：根据岗位匹配用户的学历、年龄、毕业院校等第一特征数据对各岗位匹配用户进行划分，确定多个聚类群。

本实施例中，获取各岗位匹配用户的相关信息，并对相关信息中的非结构化数据结构化，将结构化数据转化为特征数据作为第一特征数据，以岗位匹配用户的第一特征数据为训练样本进行聚类训练得到聚类结果模型，并基于聚类结果模型将各岗位匹配用户划分为预设聚类个数的聚类群，确定各聚类群中各岗位的岗位推荐度。

在同一聚类群中可包括多个岗位匹配用户，各岗位匹配用户已匹配的岗位可以不同，对于每一聚类群，可根据聚类群中各岗位匹配用户的已匹配的岗位，确定聚类群对各岗位的岗位推荐度。岗位推荐度为岗位与该聚类群中用户的匹配概率。

在上述实施例的基础上，可选的，所述确定所述聚类结果模型中各聚类群的岗位推荐度，包括：对于所述聚类结果模型中的任一聚类群，确定所述聚类群中各岗位匹配用户的岗位，基于任一岗位在所述聚类群中的比例，确定所述聚类群对所述岗位的岗位推荐度。

本实施例中，对基于聚类结果模型划分的任一聚类群，确定聚类群中各岗位匹配用户的岗位，并计算各岗位对应的岗位匹配用户在该聚类群中所占的比例，各岗位对应的岗位匹配用户在该聚类群中所占的比例就是该聚类群对该岗位的岗位推荐度。示例性的，若聚类群中岗位为产品设计岗的岗位匹配用户占40％、岗位为算法设计岗的岗位匹配用户占30％、岗位为分析师的岗位匹配用户占30％，那么产品设计岗的岗位推荐度为40％、算法设计岗的岗位推荐度为30％、分析师的岗位推荐度为30％。

S120、获取新增用户的第二特征数据，基于所述聚类结果模型和所述第二特征数据确定所述新增用户与各聚类群的第一匹配度。

其中，新增用户是指待推荐岗位的用户，具体的，可以是新入职的员工，也可以是在求职阶段的求职者，还可以是企业人员优化阶段的员工。第二特征数据是指基于新增用户的基础信息得到的特征数据。第一匹配度是指新增用户与聚类结果模型中各聚类群的匹配度。本实施例中，获取新增用户的基础信息，并将基础信息中的非结构化数据结构化，并将结构化数据转换为特征数据，转换后得到的特征数据即为第二特征数据，将第二特征数据作为聚类结果模型的输入，得到新增用户与聚类结果模型中各聚类群的匹配度作为第一匹配度。

在上述实施例的基础上，可选的，所述获取新增用户的第二特征数据，包括：获取新增用户的基础信息，提取所述基础信息中的关键词，基于所述关键词形成所述新增用户的结构化数据；将所述结构化数据转换为特征数据，得到第二特征数据。

其中，基础信息是指新增用户的相关信息，具体的，基础信息可以是简历中的信息，例如基本信息、工作、教育、项目、技能证书、自我评价等，对此不做限定；也可以是面试记录中的信息，还可以是背调记录中的信息，这里不做限定。本实施例中，获取新增用户的基础信息，提取基本信息的非结构化数据中的关键词，基于关键词将非结构化数据结构化，得到新增用户的结构化数据，将结构化数据转换为特征数据，得到第二特征数据。需要说明的是，本实施例采用的非结构化数据结构化的方法与上述实施例相同，这里不再赘述；同样的，本实施例采用的结构化数据转换为特征数据的方法也与上述实施例相同，这里不再赘述。

在上述实施例的基础上，可选的，基于所述聚类结果模型和所述第二特征数据确定所述新增用户与各聚类群的第一匹配度，包括：将所述第二特征数据作为所述聚类结果模型的输入，确定所述第二特征数据与各所述聚类群的距离信息，基于所述距离信息确定所述新增用户与各聚类群的第一匹配度，其中，所述第一匹配度与所述距离信息负相关。

其中，距离信息是指新增用户到各聚类群的距离，本实施例中，将新增用户的第二特征数据作为聚类结果模型的输入，输入聚类结果模型，计算新增用户到各聚类群的距离信息，基于距离信息确定新增用户与各聚类群的匹配度作为第一匹配度，其中，第一匹配度与距离信息负相关，可以理解为，新增用户到各聚类群的距离信息越大，即距离越远，第一匹配度越小，相反，距离信息越小，第一匹配度越大。

在上述实施例的基础上，可选的，所述将所述第二特征数据作为所述聚类结果模型的输入，确定所述第二特征数据与各所述聚类群的距离信息，包括：对于任一聚类群，确定所述聚类群的聚类中心；将所述第二特征数据作为所述聚类结果模型的输入，确定所述第二特征数据与各聚类中心的距离信息。

其中，聚类中心是指各聚类群的中心，本实施例中，对于任一聚类群，获取该聚类群对应的聚类中心，将新增用户对应的第二特征数据作为聚类结果模型的输入，输入聚类结果模型，计算新增用户对应的第二特征数据到各聚类中心的距离信息，基于距离信息确定新增用户与各聚类的匹配度。本实施例中，通过计算聚类中心和特征数据之间的距离信息来确定第二匹配度，提高了第二匹配度准确性。

S130、基于所述新增用户的第二特征数据和各岗位特征数据进行匹配，确定所述新增用户与各岗位的第二匹配度。

其中，岗位特征数据是指基于岗位相关信息得到的特征数据，需要说明的是，岗位相关信息中的非结构化数据是基于上述实施例中的非结构化数据结构化的方法将分结构化数据转换为结构化数据，同样的，结构化数据是基于上述实施例中的结构化数据转换为特征数据的方法转换为岗位特征数据，这里不再赘述。本实施例中，将新增用户的第二特征数据与各岗位特征数据进行相似度匹配，确定新增用户与各岗位的匹配度，作为第二匹配度。通过新增用户与岗位进行相似度匹配，从岗位维度确定新增用户与岗位的匹配度，提高岗位推荐准确性。

在上述实施例的基础上，可选的，所述基于所述新增用户的第二特征数据和各岗位特征数据进行匹配，确定所述新增用户与各岗位的第二匹配度，包括：基于预设距离确定方式，确定所述第二特征数据和各岗位特征数据的向量距离，基于所述向量距离确定所述新增用户与各岗位的第二匹配度，其中，所述第二匹配度与所述向量距离负相关。

其中，预设距离确定方式可以但不限于欧几里德距离、皮尔逊相关系数、向量空间余弦Cosine相似度等相似度计算方法，这里不做限定。示例性的，以欧几里德距离为例，首先计算第二特征数据与岗位特征数据之间的距离，然后寻找一个递减函数来计算第二特征数据与岗位特征数据之间的相似度。第二特征数据与岗位特征数据之间的距离d(x，y)我们用欧几里德距离来表示，即：

计算出第二特征数据与岗位特征数据之间的距离之后，下一步计算这第二特征数据与岗位特征数据之间的相似度sim(x，y)，一般情况下采用下面的函数来表示两个对象之间的相似度sim(x，y)：

其中，x表示第二特征数据,y表示岗位特征数据。

本实施例中，基于预设距离确定方式计算第二特征数据与各岗位特征数据之间的向量距离，基于各向量距离计算第二特征数据与各岗位特征数据之间的相似度，作为新增用户与各岗位的第二匹配度，且第二匹配度与向量距离负相关。

S140、基于所述聚类群的岗位推荐度、所述新增用户与各聚类群的第一匹配度以及所述新增用户与各岗位的第二匹配度，确定所述新增用户的推荐岗位。

本实施例中，基于上述实施例得到的各聚类群的岗位推荐度、新增用户与各聚类群的第一匹配度以及新增用户与各岗位的第二匹配度，计算新增用户与各岗位的岗位匹配度，基于岗位匹配度确定新增用户的推荐岗位。通过岗位推荐度、第一匹配度以及第二匹配度确定岗位匹配度，从岗位维度与岗位匹配用户维度得到新增用户与岗位的岗位匹配度，使得参考对象更加全面，提高了推荐岗位的准确性。

在上述实施例的基础上，可选的，基于所述聚类群的岗位推荐度、所述新增用户与各聚类群的第一匹配度以及所述新增用户与各岗位的第二匹配度，确定所述新增用户的推荐岗位，包括：对于任一岗位，基于各聚类群分别对所述岗位的岗位推荐度、所述新增用户与各聚类群的第一匹配度，确定新增用户对所述岗位的第三匹配度；基于所述新增用户对所述岗位的第二匹配度和第三匹配度，确定所述新增用户对所述岗位的目标匹配度；基于所述新增用户对各所述岗位的目标匹配度，确定所述新增用户的推荐岗位。

本实施例中，对任一岗位，基于该岗位的岗位推荐度与新增用户与各聚类群的第一匹配度确定新增用户对该岗位的第三匹配度，基于新增用户对该岗位的第二匹配度与第三匹配度确定新增用户对该岗位的目标匹配度，基于新增用户对该岗位的目标匹配度确定新增用户的推荐岗位。示例性的，岗位推荐结果的计算公式为：

其中，i表示岗位，k表示聚类群个数，F(i)表示第i个岗位的目标匹配度，y_i表示新增用户与第i个岗位的第二匹配度，a_k表示新增用户与各聚类群的第一匹配度，x_k，i表示k个聚类对不同岗位的岗位推荐度，

表示新增用户与岗位的第三匹配度。

在上述实施例的基础上，可选的，所述基于所述新增用户对各所述岗位的目标匹配度，确定所述新增用户的推荐岗位，包括：将最大的目标匹配度对应的岗位确定为所述新增用户的推荐岗位；或者，将大于匹配度阈值的目标匹配度对应的岗位确定为所述新增用户的推荐岗位。

本实施例中，基于新增用户对各岗位的目标匹配度，向新增用户推荐岗位，可选的，通过比较各岗位的目标匹配度，将目标匹配度最大的岗位推荐给新增用户；可选的，基于匹配度阈值向新增用户推荐岗位，将岗位的目标匹配度大于匹配度阈值的岗位推荐给新增用户，由新增用户基于推荐的至少一个岗位进行主观选择，选出最适合新增用户自身的岗位。其中，匹配阈值是指目标匹配用户的匹配阈值，由本领域技术人员基于经验或者需求设置，这里不做限定。

在上述实施例的基础上，可选的，在将所述结构化数据转换为特征数据之后，所述方法还包括：对转换得到特征数据进行筛选。通过对特征数据的筛选用于剔除无效数据特征、冗余数据特征等，避免特征数据的冗余和无效数据特征的干扰，减少处理数据量。

在上述实施例的基础上，可选的，所述对转换得到特征数据进行筛选，包括：对于任一类型的特征数据，确定所述特征数据的分布特征，剔除所述分布特征满足去除条件的特征数据。

其中，特征数据的分布特征是表示特征数据中各标签特征分布情况的特征，示例性的，以特征数据的类型为差旅出行为例，该特征数据的标签特征包括公务舱和普通舱，各标签特征的分布情况为乘坐公务舱出行占93％，乘坐普通舱出行占7％。分布特征的去除条件可以是分布特征的方差值小于预设分布阈值，其中，预设分布阈值是判断特征数据对聚类结果模型的影响大小的阈值，在特征数据的对应分布特征的方差值小于预设分布阈值的情况下，该特征数据对聚类结果模型的影响较小，剔除该特征数据，预设分布阈值由本领域技术人员根据经验以及需求设置，这里不做限定。本实施例中，对于任一类型的特征数据，确定特征数据中各标签特征的分布特征，并计算分布特征的方差值，在分布特征的方差值小于预设分布阈值的情况下，剔除该分布特征对应的特征数据。

在上述实施例的基础上，可选的，所述对转换得到特征数据进行筛选，还包括：分别确定任意两个特征数据之间的相关性，在满足相关性条件的两个特征数据中，随机剔除一个特征数据；和/或，分别确定任意两个特征数据之间的独立性，在不满足独立性条件的两个特征数据中，随机剔除一个特征数据。

其中，相关性用于表征两个特征数据的关联程度，两个特征数据之间的相关性包括正相关、负相关和不相关，示例性的，例如员工等级和员工收入之间，员工等级越高收入越高，两者正相关。本实施例中，对任意两个特征数据，基于相关性计算方法计算两个特征数据之间的相关性，在两个特征数据之间相关的情况下，随机剔除一个特征数据，其中，相关性计算方法可以是基于皮尔森相关系数计算两个特征数据之间的相关性，示例性的，皮尔森相关系数的计算公式为：

其中，x,y都表示特征数据，p(x，y)表示简单相关系数，x_i表示特征数据x中的第i个特征数据，而

表示特征数据x的均值，y_i表示特征数据y中的第i个特征数据,

表示特征数据y的均值。p(x，y)的绝对值越大，表示相关性越强。

两个特征数据之间的相关性包括线性相关和非线性相关，以皮尔森系数为例，皮尔森系数仅能确定两个特征数据之间的线性相关性，而无法确定非线性相关性，因此，仅用一种方式确定两个特征数据之间的相关性并不能保证相关性的准确性，从独立性的角度反向确定两个特征数据之间的相关性，能够在一定程度上弥补上述缺陷。

独立性用于表征两个特征数据之间独立程度，分别包括独立与不独立，不独立即相关。本实施例中，对任意两个特征数据，基于独立性计算方法计算两个特征数据之间的独立性，在两个特征数据之间不满足独立性的情况下，即两个特征数据之间相关的情况下，随机剔除一个特征数据，其中，独立性计算方法可以是基于距离相关系数计算两个特征数据之间的独立性，示例性的，距离相关系数独立性的计算公式为：

其中，u、v分别表示两个变量(即本申请中的特征数据)，dcorr(u,v)表示u、v两个变量之间独立性，dcov(u,v)表示距离协方差，dvar(u)和dvar(u)分别表示u、v的距离标准差，当dcorr(u,v)＝0时，说明变量的u和v相互独立；dcorr(u,v)越大说明变量的u和v相关性越强。

在上述实施例的基础上，可选的，所述对转换得到特征数据进行筛选，包括：对于任一特征数据，确定所述特征数据对用户分类的贡献度；剔除所述贡献度不满足贡献度阈值的特征数据，或者，基于所述贡献度对各特征数据进行排序，基于排序筛选特征数据。

本实施例中，对任一特征数据，计算该特征数据对用户分类的贡献度，在贡献度不满足贡献度阈值的情况下，将该特征数据剔除。其中，贡献度阈值是由本领域技术人员基于经验或者需求设置，这里不做限定。示例性的，贡献度(F-score)的计算公式为：

其中，i代表第i个特征数据，即每一个特征数据都会有一个F-score。x是所有该特征值的平均数，而(+)，(-)则分别代表所有正样本和反样本的特征值的平均数。k代表第i个特征数据的每个实例。F-score越大说明该特征数据的贡献度越高。

本实施例中，对对任一特征数据，计算该特征数据对用户分类的贡献度，基于各特征数据的贡献度对各特征数据进行排序，基于排序结果筛选特征数据，可选的，基于预设数量对排序后的特征数据进行筛选，剔除排序顺序超出预设数量的特征数据，预设数量由本领域技术人员基于经验或者需求设置，这里不做限定。

图2是本发明实施例一提供的一种推荐岗位的流程图。本实施例中，如图2所示，基于各岗位匹配用户的第一特征数据进行聚类训练得到聚类结果模型，并获取各聚类群的岗位推荐度，以新增用户的第二特征数据为聚类结果模型的输入，得到新增用户与聚类结果模型中各聚类群的第一匹配度，并计算新增用户的第二特征数据与岗位特征数据的相似度，得到新增用户与岗位的第二匹配度，最后基于岗位推荐度、第一匹配度以及第二匹配度计算得到各岗位的岗位匹配度。

本实施例的技术方案，通过岗位匹配用户维度与岗位维度两个维度向新增用户推荐岗位，解决了现有技术中缺乏以历史数据作为参考进行岗位推荐的问题，使得参考依据更加的全面，提高了岗位推荐的准确性。

实施例二

图3是本发明实施例二提供的一种岗位推荐装置的结构示意图。如图3所示，该装置包括：

岗位推荐度确定模块310用于获取岗位匹配用户的第一特征数据，基于所述岗位匹配用户的第一特征数据进行聚类处理确定聚类结果模型，以及确定所述聚类结果模型中各聚类群的岗位推荐度；

第一匹配度确定模块320用于获取新增用户的第二特征数据，基于所述聚类结果模型和所述第二特征数据确定所述新增用户与各聚类群的第一匹配度；

第二匹配度确定模块330用于基于所述新增用户的第二特征数据和各岗位特征数据进行匹配，确定所述新增用户与各岗位的第二匹配度；

推荐岗位确定模块340用于基于所述聚类群的岗位推荐度、所述新增用户与各聚类群的第一匹配度以及所述新增用户与各岗位的第二匹配度，确定所述新增用户的推荐岗位。

在上述实施例的基础上，可选的，岗位推荐度确定模块310用于对于所述聚类结果模型中的任一聚类群，确定所述聚类群中各岗位匹配用户的岗位，基于任一岗位在所述聚类群中的比例，确定所述聚类群对所述岗位的岗位推荐度。

在上述实施例的基础上，可选的，第一匹配度确定模块320用于将所述第二特征数据作为所述聚类结果模型的输入，确定所述第二特征数据与各所述聚类群的距离信息，基于所述距离信息确定所述新增用户与各聚类群的第一匹配度，其中，所述第一匹配度与所述距离信息负相关。

在上述实施例的基础上，可选的，第一匹配度确定模块320包括距离信息确定单元，距离信息确定单元用于对于任一聚类群，确定所述聚类群的聚类中心；将所述第二特征数据作为所述聚类结果模型的输入，确定所述第二特征数据与各聚类中心的距离信息。

在上述实施例的基础上，可选的，第二匹配度确定模块330用于基于预设距离确定方式，确定所述第二特征数据和各岗位特征数据的向量距离，基于所述向量距离确定所述新增用户与各岗位的第二匹配度，其中，所述第二匹配度与所述向量距离负相关。

在上述实施例的基础上，可选的，推荐岗位确定模块340包括：

第三匹配度确定单元用于对于任一岗位，基于各聚类群分别对所述岗位的岗位推荐度、所述新增用户与各聚类群的第一匹配度，确定新增用户对所述岗位的第三匹配度；

目标匹配度确定单元用于基于所述新增用户对所述岗位的第二匹配度和第三匹配度，确定所述新增用户对所述岗位的目标匹配度；

推荐岗位确定单元用于基于所述新增用户对各所述岗位的目标匹配度，确定所述新增用户的推荐岗位。

在上述实施例的基础上，可选的，推荐岗位确定单元用于将最大的目标匹配度对应的岗位确定为所述新增用户的推荐岗位；或者，将大于匹配度阈值的目标匹配度对应的岗位确定为所述新增用户的推荐岗位。

在上述实施例的基础上，可选的，第一匹配度确定模块320包括第二特征获取单元，第二特征获取单元用于获取新增用户的基础信息，提取所述基础信息中的关键词，基于所述关键词形成所述新增用户的结构化数据；将所述结构化数据转换为特征数据，得到第二特征数据。

在上述实施例的基础上，可选的，第一匹配度确定模块320还包括特征数据筛选单元，特征数据筛选单元用于对转换得到特征数据进行筛选。

在上述实施例的基础上，可选的，特征数据筛选单元用于对于任一类型的特征数据，确定所述特征数据的分布特征，剔除所述分布特征满足去除条件的特征数据。

在上述实施例的基础上，可选的，特征数据筛选单元用于分别确定任意两个特征数据之间的相关性，在满足相关性条件的两个特征数据中，随机剔除一个特征数据；和/或，

分别确定任意两个特征数据之间的独立性，在不满足独立性条件的两个特征数据中，随机剔除一个特征数据。

在上述实施例的基础上，可选的，特征数据筛选单元用于对于任一特征数据，确定所述特征数据对用户分类的贡献度；剔除所述贡献度不满足贡献度阈值的特征数据，或者，基于所述贡献度对个各特征数据进行排序，基于排序筛选特征数据。

本发明实施例所提供的岗位推荐装置可执行本发明任意实施例所提供的岗位推荐方法，具备执行方法相应的功能模块和有益效果。

实施例三

图4是本发明实施例三提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如岗位推荐方法。

在一些实施例中，岗位推荐方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的岗位推荐方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行岗位推荐方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

实施例四

本发明实施例四还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行岗位推荐方法，该方法包括：

获取岗位匹配用户的第一特征数据，基于所述岗位匹配用户的第一特征数据进行聚类处理确定聚类结果模型，以及确定所述聚类结果模型中各聚类群的岗位推荐度；获取新增用户的第二特征数据，基于所述聚类结果模型和所述第二特征数据确定所述新增用户与各聚类群的第一匹配度；基于所述新增用户的第二特征数据和各岗位特征数据进行匹配，确定所述新增用户与各岗位的第二匹配度；基于所述聚类群的岗位推荐度、所述新增用户与各聚类群的第一匹配度以及所述新增用户与各岗位的第二匹配度，确定所述新增用户的推荐岗位。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

实施例五

本发明实施例五还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据本发明任一实施例所述的岗位推荐方法。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (16)

1.一种岗位推荐方法，其特征在于，包括：

获取岗位匹配用户的第一特征数据，基于所述岗位匹配用户的第一特征数据进行聚类处理确定聚类结果模型，以及确定所述聚类结果模型中各聚类群的岗位推荐度；

获取新增用户的第二特征数据，基于所述聚类结果模型和所述第二特征数据确定所述新增用户与各聚类群的第一匹配度；

基于所述新增用户的第二特征数据和各岗位特征数据进行匹配，确定所述新增用户与各岗位的第二匹配度；

基于所述聚类群的岗位推荐度、所述新增用户与各聚类群的第一匹配度以及所述新增用户与各岗位的第二匹配度，确定所述新增用户的推荐岗位。

2.根据权利要求1所述的方法，其特征在于，所述确定所述聚类结果模型中各聚类群的岗位推荐度，包括：

对于所述聚类结果模型中的任一聚类群，确定所述聚类群中各岗位匹配用户的岗位，基于任一岗位在所述聚类群中的比例，确定所述聚类群对所述岗位的岗位推荐度。

3.根据权利要求1所述的方法，其特征在于，基于所述聚类结果模型和所述第二特征数据确定所述新增用户与各聚类群的第一匹配度，包括：

将所述第二特征数据作为所述聚类结果模型的输入，确定所述第二特征数据与各所述聚类群的距离信息，基于所述距离信息确定所述新增用户与各聚类群的第一匹配度，其中，所述第一匹配度与所述距离信息负相关。

4.根据权利要求3所述的方法，其特征在于，所述将所述第二特征数据作为所述聚类结果模型的输入，确定所述第二特征数据与各所述聚类群的距离信息，包括：

对于任一聚类群，确定所述聚类群的聚类中心；

将所述第二特征数据作为所述聚类结果模型的输入，确定所述第二特征数据与各聚类中心的距离信息。

5.根据权利要求1所述的方法，其特征在于，所述基于所述新增用户的第二特征数据和各岗位特征数据进行匹配，确定所述新增用户与各岗位的第二匹配度，包括：

基于预设距离确定方式，确定所述第二特征数据和各岗位特征数据的向量距离，基于所述向量距离确定所述新增用户与各岗位的第二匹配度，其中，所述第二匹配度与所述向量距离负相关。

6.根据权利要求1所述的方法，其特征在于，基于所述聚类群的岗位推荐度、所述新增用户与各聚类群的第一匹配度以及所述新增用户与各岗位的第二匹配度，确定所述新增用户的推荐岗位，包括：

对于任一岗位，基于各聚类群分别对所述岗位的岗位推荐度、所述新增用户与各聚类群的第一匹配度，确定新增用户对所述岗位的第三匹配度；

基于所述新增用户对所述岗位的第二匹配度和第三匹配度，确定所述新增用户对所述岗位的目标匹配度；

基于所述新增用户对各所述岗位的目标匹配度，确定所述新增用户的推荐岗位。

7.根据权利要求6所述的方法，其特征在于，所述基于所述新增用户对各所述岗位的目标匹配度，确定所述新增用户的推荐岗位，包括：

将最大的目标匹配度对应的岗位确定为所述新增用户的推荐岗位；或者，

将大于匹配度阈值的目标匹配度对应的岗位确定为所述新增用户的推荐岗位。

8.根据权利要求1所述的方法，其特征在于，所述获取新增用户的第二特征数据，包括：

获取新增用户的基础信息，提取所述基础信息中的关键词，基于所述关键词形成所述新增用户的结构化数据；

将所述结构化数据转换为特征数据，得到第二特征数据。

9.根据权利要求8所述的方法，其特征在于，在将所述结构化数据转换为特征数据之后，所述方法还包括：

对转换得到的特征数据进行筛选。

10.根据权利要求9所述的方法，其特征在于，所述对转换得到特征数据进行筛选，包括：

对于任一类型的特征数据，确定所述特征数据的分布特征，剔除所述分布特征满足去除条件的特征数据。

11.根据权利要求9所述的方法，其特征在于，所述对转换得到特征数据进行筛选，包括：

分别确定任意两个特征数据之间的相关性，在满足相关性条件的两个特征数据中，随机剔除一个特征数据；和/或，

分别确定任意两个特征数据之间的独立性，在不满足独立性条件的两个特征数据中，随机剔除一个特征数据。

12.根据权利要求9所述的方法，其特征在于，所述对转换得到特征数据进行筛选，包括：

对于任一特征数据，确定所述特征数据对用户分类的贡献度；

剔除所述贡献度不满足贡献度阈值的特征数据，或者，基于所述贡献度对个各特征数据进行排序，基于排序筛选特征数据。

13.一种岗位推荐装置，其特征在于，包括：

岗位推荐度确定模块用于获取岗位匹配用户的第一特征数据，基于所述岗位匹配用户的第一特征数据进行聚类处理确定聚类结果模型，以及确定所述聚类结果模型中各聚类群的岗位推荐度；

第一匹配度确定模块用于获取新增用户的第二特征数据，基于所述聚类结果模型和所述第二特征数据确定所述新增用户与各聚类群的第一匹配度；

第二匹配度确定模块用于基于所述新增用户的第二特征数据和各岗位特征数据进行匹配，确定所述新增用户与各岗位的第二匹配度；

推荐岗位确定模块用于基于所述聚类群的岗位推荐度、所述新增用户与各聚类群的第一匹配度以及所述新增用户与各岗位的第二匹配度，确定所述新增用户的推荐岗位。

14.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-12中任一项所述的岗位推荐方法。

15.一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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-12中任一项所述的岗位推荐方法。

16.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-12中任一项所述的岗位推荐方法。

Images