一种人力资源大数据管理方法及系统与流程

本发明属于人力资源数据处理，具体涉及一种人力资源大数据管理方法及系统。

背景技术：

1、目前，在传统的招聘过程中，求职者往往需要在招聘网站上浏览大量职位信息，而招聘企业也需要花费大量时间筛选求职者简历。这种方式效率低下且缺乏个性化。因此，为了提高招聘效率和匹配度，招聘平台需要引入智能推荐系统，根据用户的需求和企业的招聘信息，为求职者推荐最适合的职位，同时为招聘企业推荐最合适的候选人

2、而传统的招聘平台在为求职者提供职位推荐时，往往只能根据简历中的关键词或基本要求进行匹配，缺乏个性化和精准度；而且在推荐过程中由于一些热门企业被推荐的过多导致服务器对该客户端的请求数过多可能会对服务器产生更高的负载，而另一些相对冷门的企业则会负载较轻，如果服务器无法合理分配负载，部分企业的请求过多或者负载过大可能会导致服务器性能下降，响应速度变慢甚至服务中断、服务器宕机、服务崩溃等，这会影响到所有使用该服务器的企业，降低了系统的可用性和稳定性，而且负载过重可能会导致企业的请求长时间得不到响应，用户体验变差，对于在线招聘平台来说，用户体验的好坏直接影响到用户的满意度和平台的口碑。

技术实现思路

1、本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出人力资源大数据管理方法，可以根据用户需求和企业情况，提供更精准和个性化的职位推荐服务，提高匹配度和用户满意度。

2、本发明的第二个目的在于提出一种人力资源大数据管理系统。

3、为达上述目的，本发明第一方面实施例提出一种人力资源大数据管理方法，所述方法包括以下步骤：

4、s100，接收用户发送给招聘平台的职位信息，提取职位信息的字符参数；

5、s200，比较字符参数与当前职位招聘数据库的各个职位字符参数，获得对应匹配迫敛度最大的职位信息并记为推荐职位：

6、s300，获取推荐职位的各个企业的人力资源大数据，根据企业的人力资源大数据筛选出优选招聘企业；

7、s400，计算优选招聘企业的负荷时长；

8、s500，根据优选招聘企业的负荷时长对用户推送排序后的企业招聘信息。

9、根据本发明实施例的大数据管理方法，可以根据用户需求和企业情况，提供更精准和个性化的职位推荐服务，提高匹配度和用户满意度。

10、进一步的，在步骤s100中接收用户发送给招聘平台的职位信息，提取职位信息的字符参数。其中，用户通过移动设备或者笔记本计算机、台式计算机等客户端接收服务器推送的企业招聘信息与发送职位信息。

11、其中，企业招聘信息为json或者xml数据格式的web网页。

12、其中，职位招聘数据库为各个企业发布的职位招聘信息所存储的web数据库。

13、具体的，在步骤s100中，提取职位信息的字符参数的方法为：将用户发送给招聘平台的职位信息转化为文本向量作为字符参数。

14、其中，将用户发送给招聘平台的职位信息转化为文本向量作为字符参数通过jieba分词模型进行实现。

15、进一步的，招聘平台为主节点和多个子节点构成的网状拓扑结构，每个子节点都与主节点通过有线网络、无线网络任意一种互相连接并进行通信，其中主节点为服务器，子节点为招聘企业使用的客户端或者用户使用的客户端。

16、进一步的，由于求职者发送给招聘平台的职位信息可能信息量大、复杂多样，很难直接与职位招聘数据库中的职位字符参数进行匹配。

17、其中，职位字符参数为职位招聘数据库中职位信息的文本向量。

18、其中，职位信息为各个企业发布的职位招聘信息的文本。

19、因此，需要一种方法来有效地比较、分析和匹配这些信息，以提高推荐的准确性和有效性，所以发明提出了步骤s200的方法以解决上述问题：

20、具体的，在步骤s200中，比较字符参数与当前职位招聘数据库的各个职位字符参数，获得对应匹配迫敛度最大的职位信息并记为推荐职位的方法为：

21、设置一个空的集合作为用户发送给招聘平台的职位信息的文本向量集合dcl，将用户发送给招聘平台的职位信息的所有文本向量作为集合dcl的元素，与当前职位招聘数据库的各个职位字符参数的文本向量集合mk(i)逐个比较，其中i表示各个职位信息的标识，i＝1,2,…,m，m表示当前职位招聘数据库的职位信息的序号，记用户发送给招聘平台的职位信息与当前职位招聘数据库中第i个职位信息的匹配迫敛值为mcd(dcl,mk(i))，其中匹配迫敛值cd(dcl,mk(i))的计算方式为：mcd(dcl,mk(i))＝|dcl∩mk(i)|；∩是集合论中的运算符号表示集合的交集,|dcl∩mk(i)|表示集合dcl∩mk(i)中的元素的个数；即mcd(dcl,mk(i))为文本向量集合mk(i)和文本向量集合dcl的交集个数；比较各个mcd(dcl,mk(i))值并取其最大值记为mcdx，当mcd(dcl,mk(i))值中的最大值mcdx则判断用户发送给招聘平台的职位信息与mcd(dcl,mk(i))值中的最大值mcdx所对应的文本向量集合的职位匹配程度最大，则招聘平台将以该文本向量集合的职位作为推荐职位进行web页面推荐。

22、本步骤的有益效果为：通过自然语言处理技术构建文本向量，从而获取的文本中的关键词、短语、上下文信息等。其中自然语言处理技术包括词向量、tf-idf(词频-逆文档频率)、jieba分词模型，通过计算用户发送给招聘平台的职位信息的文本向量集合与当前职位招聘数据库中各个职位信息的文本向量集合之间的逼近程度。从而判断用户发送给招聘平台的职位信息与当前职位招聘数据库中哪个职位的职位要求更为贴合，这个方法在招聘平台的交互场景中可以帮助招聘平台系统更精准地理解用户目标职位，推荐更合适的职位。

23、由于招聘平台需要为求职者推荐稳定且具有吸引力的企业，但仅凭借表面的招聘信息难以全面评估企业的稳定性和人才吸引力，而且若推荐出不良或失信的企业会导致求职者不满意，从而影响招聘平台的用户体验和口碑。因此，需要一种方法来提高推荐结果的准确性和精准度，从而更好地满足求职者和企业的需求，由于较长的驻留时长表明企业的稳定性较高，员工在企业内的工作时间较长，而较短的驻留时长表明员工的流动性较高，企业的稳定性可能较低，而两年内的入职和离职人数反映了近端时间企业的人才流动情况，通过驻留时长与入职和离职人数结合起来考虑，可以更全面地评估企业的人才留存能力和吸引力，较多的入职和较少的离职人数结合较长的驻留时长表示企业的员工满意度较高，人才流动较稳定，所以在步骤s300中需要获取推荐职位的各个企业的人力资源大数据，根据企业的人力资源大数据筛选出优选招聘企业；

24、具体的，企业的人力资源大数据包括企业员工的驻留时长和两年内入职人数和两年内年离职人数；员工驻留时长包括企业员工的移动设备在两年内定位位于企业所在地50m范围内的人均定位总时长或者两年内的企业员工人均上班打卡所用的移动设备驻留在定位位于企业所在地50m范围内的总时长；所述驻留时长通过企业上传企业的考勤系统的上下班考勤记录或者企业内部的移动应用程序来获取；

25、两年内入职人数为最近两年内企业的考勤系统的中新增的人数或者在定位位于企业所在地50m范围内的新增定位总时长超过24小时的移动设备数量；

26、两年内离职人数为最近两年内企业的考勤系统的中删除的人数或者在定位位于企业所在地50m范围内所减少的工作日内最近连续180个小时内没有定位信息的移动设备数量。

27、具体的，记子节点中招聘企业使用的客户端为招聘企业节点；

28、s301，获取推荐职位的各个企业的人力资源大数据；

29、获取推荐职位的各个企业中的所有员工驻留时长、两年内入职人数、两年内年离职人数信息，使用time(i1)表示第i1个招聘推荐职位的企业的员工驻留时长，其中i1表示各个企业的标识，i1＝1,2,…,k，k表示企业的数量，设置一个空的集合作为企业的员工驻留时长集合time，将企业的员工驻留时长作为集合time的元素，并记最大的员工驻留时长为tmax，并记最小的员工驻留时长为tmin；使用en(i1)表示第i1个企业的两年内入职人数，设置一个空的集合作为企业的两年内入职人数集合enter，将企业的两年内入职人数作为enter的元素；使用out(i1)表示第i1个企业的两年内离职人数，设置一个空的集合作为企业的两年内离职人数集合out，将企业的两年内离职人数作为集合out的元素；

30、s302，计算最短有效驻留时长gtime1和最长有效驻留时长gtime2；

31、其中，计算最短有效驻留时长gtime1和最长有效驻留时长gtime2的公式为：

32、

33、其中是行业平均驻留时长，为最大时长范围差，为最小时长范围差；减去最大时长范围差的目的是为减去在招聘推荐职位的各个企业中存在的部分员工加班或者外勤等情况导致的时长边长范围差；加上最小时长范围差的目的是为减去在招聘推荐职位的各个企业中存在部分员工迟到、早退、外勤或忘记打卡之类的现象导致的时长边长范围减少；tmin为最小的推荐职业的招聘企业的员工驻留时长代表行业或者相关标准对于最低驻留时长的要求；这部分代表推荐职业在每个企业上的驻留时长与该位置的进入人数和离开人数之间的关系，这个合理时长范围差的计算可以帮助确定驻留时长的合理范围，如果一个企业的员工驻留时长偏离了行业平均驻留时长，但在合理时长范围差内，那么可能是因为该企业的员工驻留时长受到了一些特殊因素的影响，但仍然在合理范围内。相反，如果员工驻留时长超出了合理时长范围差，那么可能存在着较大的不稳定隐患，因此，合理时长范围差可以作为评估员工驻留时长是否安全的指标，帮助用户筛选出符合安全标准的招聘企业。

34、s303，通过最短有效驻留时长gtime1和最长有效驻留时长gtime2筛选出招聘企业的员工驻留时长为最短有效驻留时长gtime1和最长有效驻留时长gtime2之间的企业，并记为优选招聘企业。

35、本步骤的有益效果：利用行业内的平均驻留时长和合理时长范围差，既避开了驻留时长过低的违法失信企业或者空壳企业，也避开了驻留时长过高的异常企业，从而筛选出稳定的企业的人力资源大数据，对比需要全面遍历筛选或者是各个用户客户端需要排队查询的现有检索方法，通过在预测的时间段的快速筛选，能够大幅减少服务器的压力并且提高各个查询请求的反馈速度，消除在大量查询请求的背景下客户端出现的卡顿与推送页面的大幅度延迟，提高了优选招聘企业推送页面的刷新速度，提高用户体验；由于稳定的企业往往能够提供更好的职业发展和工作环境，更符合求职者的期望，从而提高了招聘的成功率和员工的满意度。

36、进一步的，由于一些热门企业被推荐的过多导致服务器对该客户端的请求数过多可能会对服务器产生更高的负载，而另一些相对冷门的企业则会负载较轻，如果服务器无法合理分配负载，部分企业的请求过多或者负载过大可能会导致服务器性能下降，响应速度变慢甚至服务中断、服务器宕机、服务崩溃等，这会影响到所有使用该服务器的企业，降低了系统的可用性和稳定性，而且负载过重可能会导致企业的请求长时间得不到响应，用户体验变差，对于在线招聘平台来说，用户体验的好坏直接影响到用户的满意度和平台的口碑；为了解决该问题需要在步骤s400中，计算优选招聘企业的负荷时长；其中，在步骤s400中，计算优选招聘企业的负荷时长包括：

37、s401，获取优选招聘企业的客户端信息，其中客户端信息包括请求响应时间、请求数以及请求成功数；

38、设置一个空序列作为优选招聘企业的客户端的请求响应时间集合gt，其中序列将优选招聘企业的客户端的请求响应时间作为集合gt的元素，使用gt(i2)表示序号为i2的优选招聘企业的客户端的请求响应时间，其中i2表示优选招聘企业的序号，i2＝1,2,…,g，g是优选招聘企业的数量；获取gt中最短的客户端的请求响应时间记为gts；获取gt中最长的客户端的请求响应时间记为gtx；获取gt中客户端的请求响应时间平均值为gtm，设置一个空序列作为优选招聘企业的客户端的请求数集合eo，其中序列将优选招聘企业的请求数作为集合eo的元素，使用eo(i2)表示序号为i2的优选招聘企业的请求数；获取eo中平均的请求数记为eos；设置一个空序列作为优选招聘企业的客户端的请求数集合ex，其中序列将优选招聘企业的请求成功数作为集合ex的元素，使用ex(i2)表示序号为i2的优选招聘企业的请求成功数；获取ex中平均的请求数记为exs。

39、其中，请求数为企业最近2小时内服务器发送到企业客户端的请求数，请求成功数为最近2小时内服务器发送到企业客户端的请求中成功获取到职位招聘信息的数量；

40、s402，计算请求负荷系数；

41、取gtx与gtm之间的差值为gx1；取gtm与gts之间的差值为gx2；

42、以eos做分子，以exs做分母，以分子和分母的比值作为请求负荷系数k，请求负荷系数k的分子部分eos表示了平均的请求数，反映了招聘企业向服务器发送请求的频率，分母部分exs表示了平均的请求成功数，反映了服务器成功响应并返回职位招聘信息的频率，当请求负荷系数k越高时，表示服务器在单位时间内成功处理请求的比例较低，存在负荷过大的情况，需要进一步优化服务器资源或者提升服务器性能来应对请求量的增加；相反，当请求负荷系数k较低时，表示服务器成功处理请求的比例较高，服务器负荷相对较轻，性能处于较好状态。因此，请求负荷系数k作为评估服务器负荷情况的重要指标，有助于招聘企业和系统管理员监控和调整服务器资源，确保服务器能够高效地响应客户端请求。

43、s403，通过请求负荷系数和优选招聘企业的客户端信息计算优选招聘企业的负荷时长；

44、进一步的，设置一个空序列作为优选招聘企业的负荷时长序列sg，其中序列sg将优选招聘企业的负荷时长sg(i2)作为集合的元素，其中负荷时长sg(i2)的计算方法为：

45、sg(i2)＝gt(i2)+(gx1-gx2)×k；

46、进一步的，gt(i2)表示序号为i2的优选招聘企业的负荷时长；k表示请求负荷系数；gx1是gtx与gtm之间的差值，代表最长请求响应时间与平均请求响应时间之间的差距；gx2是gtm与gts之间的差值，代表平均请求响应时间与最短请求响应时间之间的差距。这个计算公式根据企业的请求响应时间、请求数、请求成功数以及负荷系数k来评估该企业客户端给服务器带来的负荷时长。

47、本步骤的有益效果：gx1和gx2的引入使得该公式可以综合企业请求响应时间的差异性，通过考虑最长请求响应时间与平均请求响应时间以及平均请求响应时间与最短请求响应时间之间的差距，可以更全面地评估企业请求响应时间情况，并且通过负荷系数k来调整负荷时长的计算后调整负荷大的企业请求顺序，能够快速减少服务器中对于职位的查询请求的压力，而且有效系数k能够调整各个查询请求在服务器端形成的各个并行的查询请求线程由于高热点的企业或者岗位被服务器推送的概率大、查询人数众多所产生的查询请求线程被i/o阻塞或者大量的查询请求线程处于等待锁定状态，导致服务器负载不均衡、客户端无法查询或者一直处于锁定状态，避免客户端由于超时使查询线程强制死亡、避免服务器无效的并行线程请求因此产生的开销过大的问题，使得计算结果更加适应服务器的负载，这样可以在筛选出优选招聘企业中更为优选的企业的同时大大降低服务器的负荷。

48、s500，根据优选招聘企业的负荷时长对用户推送排序后的企业招聘信息。

49、具体的，根据优选招聘负荷时长sg(i2)大小用i3对推荐职位的招聘企业进行排序，负荷时长sg(i2)中最大的值对应的顺序序号为1，负荷时长sg(i2)中最小的值对应的企业的顺序序号为g；

50、按照优选招聘企业顺序序号通过招聘平台对用户进行排列推荐；其中，优选招聘企业顺序序号越小优先级越高。

51、根据本发明实施例的大数据管理方法，可以根据用户需求和企业情况，提供更精准和个性化的职位推荐服务，提高匹配度和用户满意度。

52、为达上述目的，本发明第二方面实施例还提出一种人力资源大数据管理系统，所述人力资源大数据管理系统包括：处理器、存储器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一种人力资源大数据管理方法中的步骤，所述一种人力资源大数据管理系统运行于桌上型计算机、笔记本、掌上电脑及云端数据中心的计算设备中。

53、通过人力资源大数据管理系统执行人力资源大数据管理方法，可以根据用户需求和企业情况，提供更精准和个性化的职位推荐服务，提高匹配度和用户满意度。