岗位匹配方法、装置、设备及存储介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种岗位匹配方法、装置、计算机设备及存储介质。


背景技术：

2.随着互联网技术的不断发展，越来越多的企业或公司通过互联网发布工作岗位，而对工作岗位有求职需求的求职者，同样通过网络将其简历文件上传，以对工作岗位进行求职，企业或公司的招聘人员通过对接收到的各个简历文件进行查看筛选，来确定与所发布的工作岗位匹配的简历文件。为了提高招聘人员的审查效率，出现了利用算法对求职者的简历进行初步筛选，确定出与招聘人员需求匹配度较高的求职者，但仅根据简历进行筛选，由于匹配关系或匹配条件过于单一，导致匹配准确率较低且出的结果不具有参考价值。


技术实现要素：

3.本技术提供一种岗位匹配方法、装置、计算机设备及存储介质，解决了现有技术中，仅根据简历进行筛选，由于匹配关系或匹配条件过于单一，导致匹配准确率差的问题。
4.第一方面，本技术实施例提供了一种岗位匹配方法，包括：
5.获取包含简历信息集合和测评信息特征集合的求职者的求职信息，且将所述简历信息集合中的多个简历信息进行转化，得到简历信息特征集合；
6.利用训练后的岗位匹配模型中的协同过滤单元，根据所述简历信息特征集合进行初次岗位匹配处理，得到初次岗位匹配结果；
7.利用所述训练后的岗位匹配模型中的加权平均单元，根据所述测评信息特征集合进行二次岗位匹配处理，得到二次岗位匹配结果；
8.根据所述初次岗位匹配结果和所述二次岗位匹配结果进行二次加权平均，得到岗位匹配结果。
9.第二方面，本技术实施例还提供了一种岗位匹配方法装置，包括：
10.获取模块，获取包含简历信息集合和测评信息特征集合的求职者的求职信息，且将所述简历信息集合中的多个简历信息进行转化，得到简历信息特征集合；
11.初次岗位匹配模块，利用训练后的岗位匹配模型中的协同过滤单元，根据所述简历信息特征集合进行初次岗位匹配处理，得到初次岗位匹配结果；
12.二次岗位匹配模块，利用所述训练后的岗位匹配模型中的加权平均单元，根据所述测评信息特征集合进行二次岗位匹配处理，得到二次岗位匹配结果；
13.岗位匹配结果模块，根据所述初次岗位匹配结果和所述二次岗位匹配结果进行二次加权平均，得到岗位匹配结果。
14.第三方面，本技术实施例还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述岗位匹配方法的步骤。
15.第四方面，本技术实施例还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程序，所述计算机程序被处理器执行时实现上述岗位匹配方法的步骤。
16.本技术提供的岗位匹配方法、装置、计算机设备及存储介质，其中，一种岗位匹配方法，通过获取包含简历信息集合和测评信息特征集合的求职者的求职信息；将简历信息集合转化为对应的简历信息特征集合，利用岗位匹配模型中的协同过滤单元对简历信息特征集合进行初次岗位匹配处理，利用求职者的简历经历进行初次岗位匹配检测，从而得到初次岗位匹配结果；再利用岗位匹配模型中的加权平均单元对测评信息特征集合进行二次岗位匹配处理，利用求职者的岗位测评结果进行初次岗位匹配检测，得到二次岗位匹配结果；根据初次岗位匹配结果和二次岗位匹配结果进行二次加权平均，得到岗位匹配结果，通过多个维度进行岗位匹配，并结合多个维度的岗位匹配结果，从而提高岗位匹配的准确率。
附图说明
17.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例的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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
18.图1是本技术一实施例提供的一种岗位匹配方法的应用环境示意图；
19.图2是本技术一实施例提供的一种岗位匹配方法的实现流程图；
20.图3是本技术一实施例提供的一种岗位匹配方法中步骤s20的流程图；
21.图4是本技术一实施例提供的岗位匹配方法装置的结构示意图；
22.图5是本技术一实施例提供的计算机设备的示意图。
具体实施方式
23.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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例，都属于本技术保护的范围。
24.本技术实施例提供的岗位匹配方法，可应用在如图1示出的应用环境中。如图1所示，客户端(计算机设备)通过网络与服务器进行通信。其中，客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
25.本实施例提供的岗位匹配方法可以由服务端执行，例如，通过客户端将求职信息发送至服务端，服务端基于该求职信息，执行本实施例提供的岗位匹配方法，进而得到岗位匹配处理后的岗位匹配结果，最后将该岗位匹配结果发送至客户端。
26.在图1之外的一些场景中，还可以是由客户端执行该岗位匹配方法，直接根据客户端的求职信息，通过执行本实施例提供的岗位匹配方法，得到岗位匹配处理后的岗位匹配
结果，然后将该岗位匹配结果发送至服务端进行存储。
27.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
28.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
29.在一实施例中，本技术公开了一种岗位匹配方法，基于大数据处理技术，挖掘求职者的用户信息进行大数据分析，通过多个维度的信息进行岗位匹配，并结合多个维度的岗位匹配结果，从而提高岗位匹配的准确率。
30.图2示出了本技术一实施例提供的岗位匹配方法的实现流程图。如图2所示，提供一种岗位匹配方法，其技术方案主要包括以下步骤s10-s40：
31.步骤s10、获取包含简历信息集合和测评信息特征集合的求职者的求职信息，且将所述简历信息集合中的多个简历信息进行转化，得到简历信息特征集合；
32.在步骤s10，根据岗位招聘的需求，通过采集参与求职者的求职信息，对求职者的求职信息进行分析，以作为岗位匹配测算的一种数据依据。本次通过多个维度对求职者的信息进行采集，包括但不限于个人简历信息中的多项简历信息，以及通过提供岗位测试的方式，获取的多种能力测试结果的测试信息。
33.在一实施例中，由于简历所对应的简历信息集合一般为信息，需要通过将简历信息集合中的多项简历信息转化为对应的离散值或字符向量的方式，得到对应的简历信息特征集合，以进行接下来的分析。
34.在一实施例中，求职者需根据实际信息针对求职岗位进行信息的完善，本实施例中，主要通过简历信息和测评信息两个维度进行分析。其中，简历信息集合可以按照招聘网站所提供的简历模板进行采集，也可以提供岗位匹配所需的简历模板，从而获取简历以及对应的简历信息集合，通常简历中包括的多项简历信息如职业背景、所在行业、工作年限、个人专业、学历信息、原工作地、工作经历、从业经验以及专业技能等。
35.通过将所述评测测试发送至求职者进行完善；所述测评测试用于测试求职者的素质检测，而测评信息主要为根据所招聘岗位提供的素质测试，通常素质测试包括智商，情商，经验商，逆商，态度商，资源商，tel主要是指想事，做事，带队伍，从而形成了多个量化的素质数据作为测评信息集合。
36.在一实施例中，通过独热(one-hot)算法将简历信息一一转化为对应的离散值，得到简历信息特征集合。简历信息转换简历信息特征的示例如下，某项简历信息为“学历信息”，通常学历信息包括["高中"，"职中"，"专科"，"本科"，"研究生"]，按照n位状态寄存器来对n个状态进行编码的原理，该元素只有两个状态，所以n＝5，处理后如下：(高中
→
10000)，(职中
→
01000)，(专科
→
00100)，(本科
→
00010)，(研究生
→
00001)；还包括["全日制"，"非全日制"]，按照n位状态寄存器来对n个状态进行编码的原理，该元素只有两个状态，所以n＝2，处理后如下：(全日制
→
10)，(非全日制
→
01)，当一个“学历信息”为["全日制
研究生"]的时候，完整的离散化结果的项目信息特征为：[1，0，0，0，0，0，1]，其所对应的为全日制(10)，研究生(00001)合起来的编码。
[0037]
在另一实施例中，利用分词器将简历信息集合中的简历信息处理为对应的字符向量，并将字符向量作为对应的项目信息特征。其中，分词器包括但不限于ansj、word2vec、ictclas和hanlp。本实施例中，利用word2vec算法作为分词器，word2vec算法为将词语转换成词嵌入向量的算法，将项目信息文本中的每个字或者词语进行向量转换，将向量转换后的字符嵌入向量和词嵌入向量进行拼接，得到向量文本作为对应的项目信息特征。其中，向量转换包括将字符转换成字符嵌入向量和将词语转换成词嵌入向量的转换过程，所述向量文本为包括字符嵌入向量和/或词嵌入向量的向量数组。
[0038]
可以理解地，独热算法又称为one-hot编码，主要是采用n位状态寄存器来对n个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。对于每一个特征，如果它有m个可能值，那么经过one-hot编码后，就变成了m个二元特征。并且，这些特征互斥，每次只有一个激活。
[0039]
步骤s20、利用训练后的岗位匹配模型中的协同过滤单元，根据所述简历信息特征集合进行初次岗位匹配处理，得到初次岗位匹配结果；
[0040]
在步骤s20中，通过训练后的岗位匹配模型根据求职者的求职信息的多个维度，进行多次的岗位匹配处理从而提高，最终所得出的岗位匹配结果的精确度。利用训练后的岗位匹配模型中的协同过滤单元将其中的简历信息特征集合进行初次岗位匹配处理，并将该简历信息特征集合的维度作为初次岗位匹配结果，但各维度的匹配处理并不需要限定顺序，也可以通过并行的方式分别处理。
[0041]
在一实施例中，岗位匹配模型由协同过滤算法单元和加权平均算法单元构建而成，分别利用协同过滤算法单元对项目信息特征集合中的简历信息特征进行处理，以及利用加权平均算法单元对项目信息特征集合中的测评信息特征进行处理后，得到对应的初次岗位匹配结果和二次岗位匹配结果，并最终得出岗位匹配结果。
[0042]
可以理解地，协同过滤作为经典的一种推荐算法，其思路是通过群体的行为来找到某种相似性(用户之间的相似性或者标的物之间的相似性)，通过该相似性来为用户做决策和推荐。协同过滤的核心为计算标的物之间的相似度以及用户之间的相似度。一般为m个物品和m个用户的数据，只有部分用户和部分数据之间是有评分数据的，其它部分评分是空白，此时我们要用已有的部分稀疏数据来预测那些空白的物品和数据之间的评分关系，找到最高评分的物品推荐给用户，在本实施例中主要用于根据在职员工的样本简历信息特征，利用协同过滤去推荐有可能适合该职位求职者。
[0043]
如图3所示，出了本实施例步骤s20：利用训练后的岗位匹配模型中的协同过滤单元，根据所述简历信息特征集合进行初次岗位匹配处理，得到初次岗位匹配结果的具体实现流程。作为一个示例，步骤s20中，包括：
[0044]
步骤s201、利用所述协同过滤单元将各所述简历信息特征匹配对应的简历信息特征分值；
[0045]
步骤s202、获取所述协同过滤单元中的多个样本简历信息特征和与之对应的样本简历信息特征分值；
[0046]
步骤s203、根据所述简历信息特征、所述简历信息特征分值、所述样本简历信息特
征和所述样本简历信息特征分值进行协同矩阵构建；
[0047]
步骤s204、根据所述协同矩阵计算所述简历信息特征和所述样本简历信息特征的相似度分值，作为初次岗位匹配结果。
[0048]
在步骤s201中，利用训练后的岗位匹配模型中协同过滤单元根据在职员工的样本简历信息特征集合，去推荐有可能适合该职位求职者。首先，通过将简历信息特征匹配对应的简历信息特征分值，其经过训练后的协同过滤单元已经根据各简历信息特征的内容范围进行了量化处理。为了方便理解进行简单示例，当分值越大说明该建立信息特征更为优秀，为方便识别，将简历信息特征对应的简历信息为“全日制”，其对应简历信息的内容范围包括全日制和非全日制两种，分别对应“全日制”分值为2，“非全日制”分值为1，其当简历信息为全日制在量化上得分优于非全日制；若简历信息特征对应的简历信息为“研究生”，其对应简历信息的内容范围包括专科、本科、研究生和博士四种，根据顺序分值分别对应1、2、3、4，该简历信息的分值为3，其当简历信息为研究生时在量化上得分优于专科和本科。
[0049]
在步骤s202中，获取训练后的协同过滤单元中的样本简历信息特征集合，和与样本简历信息特征集合中多个样本简历信息特征对应的样本简历信息特征分值，根据本岗位的多个工作人员的简历信息特征进行训练后，得到岗位人员素质量化的相似度较多的分值，作为样本简历信息特征的样本简历信息特征分值，将该样本简历信息特征分值作为本岗位的模板标准进行评测，以保证岗位匹配模型推荐更适合该岗位的求职人员。为了方便理解进行简单示例，样本简历信息特征中“人物性格”样本简历信息特征分值为7所对应的“开朗”，而待匹配的求职者简历信息特征中“人物性格”简历信息特征分值为3所对应的“较为内向”，则该求职者的简历信息特征与样本简历信息特征相似度有可能较低，不适合该岗位。
[0050]
在步骤s203中，根据简历信息特征集合中多个简历信息特征和简历信息特征所对应的简历信息特征分值，与样本简历信息特征集合中的多个样本简历信息特征和样本简历信息特征所对应的样本简历信息特征分值，简历信息特征集合和样本简历信息特征集合根据各简历信息特征的类型进行排序后，构建协同矩阵，用于相似度的计算。
[0051]
在步骤s204中，根据不同的环境可利用不同的相似度计算函数对协同矩阵进行相似度计算，相似度计算函数可以为sim函数，以样本简历信息特征集合作为基础，计算各相同类型的样本简历信息特征与简历信息特征的相似度，并将各样本简历信息特征对应的相似度计算完成后求和得出相似度分值，作为初次岗位匹配结果。
[0052]
在一实施例中，协同过滤推荐分为三种类型。第一种是基于用户(user-based)的协同过滤，第二种是基于项目(item-based)的协同过滤，第三种是基于模型(model based)的协同过滤。
[0053]
步骤s30、利用所述训练后的岗位匹配模型中的加权平均单元，根据所述测评信息特征集合进行二次岗位匹配处理，得到二次岗位匹配结果；
[0054]
在步骤s30中，由于通过评测测试所获取的测评结果具有多个，将评测结果作为评测信息特征，根据岗位的需求，利用训练后的岗位匹配模型中的加权平均单元对各评测信息特征通过加权平均，进而得出二次岗位匹配结果。其中，通过所述加权平均单元匹配各测评信息特征所对应的测评信息特征权重值，根据各所述测评信息特征权重值对所述测评信息特征进行加权平均计算，得到测评信息加权平均值作为二次岗位匹配结果。
[0055]
在一实施例中，评测信息特征所对应的测评测试时通过量化的方式，从而达到对求职者的素质检测。为了方便理解进行简单示例，通过若干道用于测试不同类型的测试题，对求职者的智商、情商、专业知识进行测试，分别得到智商测试信息分值、情商测试信息分值、专业知识测试信息分值，根据岗位的需求，若该岗位需要智商测试信息分值较高的人，则在该岗位下的所占权值较大。具体所所占权值根据样本评测信息特征集合进行测算确定。
[0056]
步骤s40、根据所述初次岗位匹配结果和所述二次岗位匹配结果进行二次加权平均，得到岗位匹配结果；
[0057]
在步骤s40中，将两次得到的岗位匹配结果分别根据初次岗位匹配结果和二次岗位匹配结果的权重值进行加权平均，并将最终得到的结果，作为岗位匹配结果，从而提高对所招聘求职者进行职业匹配度的初步筛选，从而提高岗位对应的求职者筛选的准确率。
[0058]
在另一实施例中，用于岗位匹配结果的筛选可以为多次，根据不同的需求有环境，可根据具体求职者的求职信息的维度，从而进行多次岗位匹配处理，根据多次岗位匹配处理结果，进行最终匹配，从而得到更为精准的岗位对应的求职者筛选的准确率
[0059]
以下所示的实施例不同的是，在步骤s20、利用训练后的岗位匹配模型中的协同过滤单元，根据所述简历信息特征集合进行初次岗位匹配处理，得到初次岗位匹配结果的步骤之前的步骤之前，还包括岗位匹配模型由协同过滤算法单元和加权平均算法单元构建而成，分别利用协同过滤算法单元对项目信息特征集合中的简历信息特征进行处理，具体地，步骤s51-s53：
[0060]
步骤s51、利用层次分析法将各所述员工简历信息特征进行成对比较；根据各员工简历信息特征的重要性程度评定等级进行量化，得到根据所述简历信息特征分值匹配对应所述简历信息特征分值的量化标准。
[0061]
在步骤s51中，由于简历信息特征的通常为离散值，不能直接用于协同过滤单元直接进行岗位匹配结果的计算，预先通过员工简历信息特征进行训练，从而得出各简历信息特征对应建立信息特征分值的量化标准。
[0062]
在一实施例中，主要通过利用层次分析法中的成对比较矩阵对简历信息特征进行量化处理，对该方向进行示例说明，通过层次分析法根据多个员工简历信息特征结合建立成对比较矩阵进行成对比较，通过同项目的员工简历信息特征两两相互比较，采用相对尺度可减少性质不同的诸因素相互比较的困难，以提高准确度。根据重要性程度评定的等级形成成对比较矩阵，从过若干个成对员工简历信息特征的比较结果进行对应量化，从而得到简历信息特征分值匹配对应简历信息特征分值的量化标准。
[0063]
可以理解地，层次分析法(analytic hierarchy process,ahp)是一种定性和定量相结合的、系统的、层次化的分析方法。该方法的特点就是在对复杂决策问题的本质、影响因素及其内在关系等进行深入研究的基础上，利用较少的定量信息使决策的思维过程数学化，从而为多目标、多准则或无结构特性的复杂决策问题提供简便的决策方法。层次分析法根据问题的性质和要达到的总目标，将问题分解为不同的组成因素，并按照因素间的相互关联影响以及隶属关系将因素按不同的层次聚集组合，形成一个多层次的分析结构模型，从而最终使问题归结为最低层相对于最高层的相对重要权值的确定或相对优劣次序的排定。
[0064]
步骤s52、将多个员工简历信息输入所述协同过滤单元，构建员工协同矩阵；所述员工简历信息集合包括员工简历信息特征和与之对应的员工简历信息特征分值；筛选出各所述员工简历信息集合之间的相似度高的员工简历信息特征所对应的员工简历信息特征分值，作为样本简历信息特征集合中各样本简历信息特征所对应的样本简历信息特征分值。
[0065]
在步骤s52中，为了提高协同过滤单元对于招聘岗位匹配的准确度，通过利用员工的简历信息特征集合作为训练样本，从而预测出岗位员工的在各简历信息特征的分值特点，利用协同过滤单元的相似度推荐的特点，进行精准的岗位匹配。
[0066]
在一实施例中，通过将该岗位的多个包括员工简历信息特征和与之对应的员工简历信息特征分值的员工简历信息集合输入所述协同过滤单元，先根据各进行排序后，建立员工协同矩阵进行相似度计算。筛选出在多个员工简历信息间各员工简历信息特征中员工简历信息特征分值之间的共性，也就是相似的员工简历信息特征分值最多的，作为该岗位员工的特点。保留相似度高的员工简历信息特征所对应的员工简历信息特征分值，作为样本简历信息特征集合中各样本简历信息特征所对应的样本简历信息特征分值，以用于后期的岗位匹配处理。
[0067]
步骤s53、利用熵权法根据多个样本评测信息特征集合测算所述测评信息特征权重值；将所述样本评测信息特征集合中的各样本评测信息特征进行标准化处理，得到归一化样本评测信息特征集合；将多个所述归一化样本测评信息集合通过信息熵公式进行权重值测算，得到所述样本评测信息特征的权重值作为测评信息特征权重值。
[0068]
在步骤s53中，通过向该岗位的员工发送测评测试，并将完成后的测评测试结果作为样本测评信息特征集合作为训练样本，输入加权平均单元进行训练。利用熵权法根据多个样本评测信息特征集合测算所述测评信息特征权重值，根据测算出各测评信息特征对应的权重值，以用于测评信息特征集合的加权平均计算。
[0069]
在一实施例中，通过将样本测评信息特征集合中包括正样本测评信息特征集合和负样本测评信息特征集合，所谓正样本测评信息特征集合和就是工作表现良好的职员，而负样本测评信息特征集合则为工作表现严重欠缺的职员。首先，将正样本测评信息特征集合和负样本测评信息特征集合的样本测评信息特征进行预处理，也就是将样本测评信息特征标准化或归一化处理，分别对归一化处理后的归一化样本测评信息，计算各归一化样本测评信息在最终得分的比重，求出各归一化样本测评信息的信息熵，不断地选取熵减，从而得到得到样本评测信息特征对应的权重值，并作为测评信息特征权重值。
[0070]
在一实施例中，通过熵权法对初次岗位匹配结果、二次岗位匹配结果以及有可能出现的其他纬度的n次岗位匹配结果的进行权重值测算，通过利用多次岗位匹配结果样本，利用熵权法将多次岗位匹配结果样本不断地选取熵减，从而得出初次岗位匹配结果和二次岗位匹配结果以及有可能出现的其他纬度的n次岗位匹配结果的所对应的权重值信息。
[0071]
在另一实施例中，用户分类模型进行权重测算的方式还包括利用线性回归算法、因子分析法和主成分法均。
[0072]
可以理解地，熵权法是根据指标变异性的大小来确定客观权重值。若某个指标的信息熵越小，表明指标值得变异程度越大，提供的信息量越多，在综合评价中所能起到的作用也越大，其权重值也就越大。相反，某个指标的信息熵越大，表明指标值得变异程度越小，
提供的信息量也越少，在综合评价中所起到的作用也越小，其权重值也就越小。
[0073]
在一实施例中，提供一种岗位匹配方法装置，该岗位匹配方法装置与上述实施例中岗位匹配方法一一对应。如图4所示，该岗位匹配方法装置包括获取模块11、初次岗位匹配12、二次岗位匹配模块13和岗位匹配结果模块14，各功能模块详细说明如下：
[0074]
获取模块11，获取包含简历信息集合和测评信息特征集合的求职者的求职信息，且将所述简历信息集合中的多个简历信息进行转化，得到简历信息特征集合；
[0075]
初次岗位匹配模块12，利用训练后的岗位匹配模型中的协同过滤单元，根据所述简历信息特征集合进行初次岗位匹配处理，得到初次岗位匹配结果；
[0076]
二次岗位匹配模块13，利用所述训练后的岗位匹配模型中的加权平均单元，根据所述测评信息特征集合进行二次岗位匹配处理，得到二次岗位匹配结果；
[0077]
岗位匹配结果模块14，根据所述初次岗位匹配结果和所述二次岗位匹配结果进行二次加权平均，得到岗位匹配结果。
[0078]
关于岗位匹配方法装置的具体限定可以参见上文中对于岗位匹配方法的限定，在此不再赘述。上述岗位匹配方法装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0079]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是客户端或者服务端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机程序和数据库。该内存储器为可读存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种岗位匹配方法。
[0080]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中岗位匹配方法。
[0081]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中岗位匹配方法。
[0082]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0083]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
[0084]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。