基于知识图谱的招聘智能推荐方法与流程

本技术涉及人力资源管理，具体涉及一种基于知识图谱的招聘智能推荐方法。

背景技术：

1、目前，常用的招聘系统主要依托于简历筛选和关键词匹配逻辑进行求职者推送。这一过程大致可以概括为：企业发布职位需求，详细列出所需的技能、经验、学历等硬性条件；求职者则上传个人简历，其中包含他们的教育背景、工作经验、技能清单、项目经历等信息。招聘系统通过扫描简历中的关键词与职位需求进行直接对照，如编程语言、专业术语、特定软件应用等，实现初步的简历筛选。

2、普遍使用上述的招聘推送方法的企业招聘领域面临着精准匹配度不足与人才潜力评估缺失的双重挑战。一方面，传统的招聘流程大多依赖于简历筛选和直接技能匹配，这种做法虽直接但忽略了求职者的成长潜力和适应能力，往往错失那些虽暂时不符合所有硬性要求但具备快速学习和成长潜质的候选人。另一方面，信息不对称和评估手段单一导致企业难以全面了解求职者的真实能力与潜在价值，尤其是那些难以量化的软技能和适应性特征，进而影响团队建设和长期发展。此外，现有技术手段在处理复杂招聘需求与人才数据时，缺乏有效的模型和算法支持深度分析，特别是在推断求职者潜在的虚特征方面，未能充分利用知识图谱等先进数据分析技术。因此，亟需一种能综合实特征与虚特征评估，利用知识图谱技术深入挖掘求职者潜能，实现精准人岗匹配的新型招聘解决方案，以提升招聘效率和质量，促进人才与企业的共赢发展。

技术实现思路

1、本技术主要解决现有的招聘推送系统忽略了求职者的成长潜力和适应能力，导致企业难以全面了解求职者的真实能力与潜在价值，因而影响了影响企业的团队建设的问题。

2、本技术的实施例中提供了一种基于知识图谱的招聘智能推荐方法，所述招聘智能推荐方法包括：

3、提供一关于实特征和虚特征的知识图谱；所述实特征为求职者简历中所直接显示的职业能力，所述虚特征为根据求职者简历中所直接显示的职业能力所推测出的、且未出现在求职者简历中的职业能力，所述虚特征包括正面职业能力和负面职业能力；

4、获取目标企业招聘需求，根据目标企业招聘需求创建理想求职者模型；

5、根据理想求职者模型，获取至少一模型实特征和至少一模型虚特征；

6、分别获取至少一个求职者的至少一当前实特征和至少一当前虚特征；

7、将每个求职者的至少一当前实特征和至少一当前虚特征分别与理想求职者模型的全部模型实特征和全部模型虚特征进行对比，获取每个求职者的模型匹配分数；

8、根据至少一个求职者的模型匹配分数，向目标企业推送至少一个求职者。

9、在上述的基于知识图谱的招聘智能推荐方法中，作为优选方案，关于实特征和虚特征的所述知识图谱以至少一个实特征和至少一个虚特征作为实体，以至少一个实特征和至少一个虚特征之间的关联作为实体关系。

10、在上述的基于知识图谱的招聘智能推荐方法中，作为优选方案，所述提供一关于实特征和虚特征的知识图谱，包括：

11、收集至少一个企业的历史招聘需求，根据历史招聘需求获取至少一个实特征；

12、根据至少一个实特征获取每个实特征关联的至少一个虚特征；

13、根据至少一个实特征和每个实特征所关联的至少一个虚特征构建知识图谱。

14、在上述的基于知识图谱的招聘智能推荐方法中，作为优选方案，所述提供一关于实特征和虚特征的知识图谱，还包括：

15、定期检查知识图谱中的冗余数据、错误连接，进行清理操作和修正操作；

16、和/或，定期输入新的企业需求，对知识图谱进行更新；

17、其中，所述清理操作、所述修正操作和所述更新包括：

18、对实特征进行清理、修正或更新；对虚特征进行清理、修正或更新；对实特征和虚特征之间的实体关系进行清理、修正或更新。

19、在上述的基于知识图谱的招聘智能推荐方法中，作为优选方案，所述将每个求职者的至少一当前实特征和至少一当前虚特征分别与理想求职者模型的全部模型实特征和全部模型虚特征进行对比，获取每个求职者的模型匹配分数，包括：

20、将每个求职者的至少一当前实特征与理想求职者模型的全部模型实特征进行对比以获取第一分数；

21、将每个求职者的至少一当前虚特征与理想求职者模型的全部模型虚特征进行对比以获取第二分数；

22、根据每个求职者的第一分数和第二分数，获取每个求职者的模型匹配分数。

23、在上述的基于知识图谱的招聘智能推荐方法中，作为优选方案，所述将每个求职者的至少一当前实特征与理想求职者模型的全部模型实特征进行对比以获取第一分数，包括：

24、为理想求职者模型的每个模型实特征分配不同的第一单项分值；

25、分别将每个求职者的至少一当前实特征与全部模型实特征进行匹配，在一个当前实特征具有匹配的模型实特征时，则得到被匹配的模型实特征所对应的第一单项分值；

26、累积所有被匹配的模型实特征所对应的单项分值，得到每个求职者的第一分数，所述第一分数的通过下式计算：

27、；

28、其中，为第一分数； 为理想求职者模型模型实特征的数量； 为 个模型实特征中第 个模型实特征，1； 为所设定的第 个模型实特征的第一单项分值。

29、在上述的基于知识图谱的招聘智能推荐方法中，作为优选方案，所述将每个求职者的至少一当前虚特征与理想求职者模型的全部模型虚特征进行对比以获取第二分数，包括：

30、为理想求职者模型的每个模型虚特征分配不同的第二单项分值；

31、分别将每个求职者的至少一当前虚特征与全部模型虚特征进行匹配，在一个当前虚特征具有匹配的模型虚特征时，则得到被匹配的模型虚特征所对应的第二单项分值；

32、累积所有被匹配的模型虚特征所对应的第二单项分值，得到每个求职者的第二分数，所述第二分数通过下式计算：

33、；

34、其中， 为第二分数； 为理想求职者模型模型实特征的数量； 为 个模型实特征中第 个模型实特征，1 ； 为所设定的第 个模型实特征的第二单项分值。

35、在上述的基于知识图谱的招聘智能推荐方法中，作为优选方案，所述根据每个求职者的第一分数和第二分数，获取每个求职者的模型匹配分数，包括：

36、分别为第一分数和第二分数提供第一权重和第二权重；

37、根据每个求职者的第一分数和第一权重的积，得到每个求职者的实特征匹配分数；

38、根据每个求职者的第二分数和第二权重的积，得到每个求职者的虚特征匹配分数；

39、对每个求职者的实特征匹配分数和虚特征匹配分数分别求和，得到每个求职者的模型匹配分数，所述模型匹配分数通过下式计算：

40、 ；

41、其中，为模型匹配分数， 为第一分数，为第二分数，为第一权重， 为第二权重，。

42、在上述的基于知识图谱的招聘智能推荐方法中，作为优选方案，所述根据至少一个求职者的模型匹配分数，向目标企业推送至少一个求职者，包括：

43、分别根据模型匹配分数、实特征匹配分数和虚特征匹配分数对求职者进行排序，分别得到总排名、实特征匹配排名和虚特征匹配排名；

44、分别按照总排名、实特征匹配排名和虚特征匹配排名，从前到后向企业推送预设数量的求职者。

45、在上述的基于知识图谱的招聘智能推荐方法中，作为优选方案，所述根据至少一个求职者的模型匹配分数，向目标企业推送至少一个求职者，包括：

46、根据模型匹配分数对求职者进行排序，得到总排名；

47、按照总排名从前到后向企业推送预设数量的求职者。

48、据上述实施例的基于知识图谱的招聘智能推荐方法，通过构建一个融合实特征与虚特征的综合性知识图谱模型，有效解决了传统招聘系统面临的匹配局限性问题；本技术利用知识图谱技术深度整合求职者信息，不仅记录直接的技能、经验等实特征，还通过知识图谱推理推导出求职者简历无法直接体现的潜在能力、适应性和成长潜力等虚特征，如学习速度、团队协作倾向等；本技术结合企业招聘需求，建立了理想求职者模型，不仅考量硬性技能匹配，还深入分析求职者的软实力和潜在成长性，确保推荐的求职者不仅满足当前岗位要求，还具备良好的未来发展潜力；本技术实现了对求职者综合评分，平衡实特征与虚特征的权重，使得潜在价值高、可塑性强的求职者得以突显，避免了仅仅依赖硬性标准造成的优秀人才漏选；本技术通过精准的推荐机制，依据企业偏好与岗位特性，推送匹配度高、发展潜力大的求职者，提升了招聘的效率与质量，同时也为求职者提供了更适合其潜能发挥的平台。