(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111548891.0 (22)申请日 2021.12.17 (71)申请人 中国人民解 放军国防科技大 学 地址 410003 湖南省长 沙市开福区德雅路 109号 (72)发明人 陈洪辉　邵太华　宋城宇　江苗　 王梦如　张鑫　蔡飞　刘登峰　 王思远　 (74)专利代理 机构 北京风雅颂专利代理有限公 司 11403 代理人 李博瀚 (51)Int.Cl. G06Q 10/10(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 简历与岗位匹配度预测方法及相关 设备 (57)摘要 本申请提供一种简历与岗位匹配度预测方 法及相关设备。 简历与岗位匹配度预测方法及相 关设备， 首先 获取岗位信息和简历信息中半结构 化的键(key)和值(value)及其来源(sour ce)。 然 后基于每个岗位信息和简历信息属性的键和值、 与对应的源表 示， 通过包括级联的预训练语言模 型、 Transformer编码器和单标签分类模型的预 测模型， 预测所述简历信息与所述岗位信息的匹 配度。 从而通过全面地探索人岗匹配中半结构化 多元属性的内部交互和外部交互， 使得匹配结果 更加准确。 权利要求书2页 说明书18页 附图4页 CN 114186978 A 2022.03.15 CN 114186978 A 1.一种预测简 历信息与岗位信息的匹配度的方法， 其特 征在于， 包括： 获取所述岗位信 息中半结构化的每个岗位属性的第 一键和第 一值， 以及所述简历信 息 中半结构化的每个简历属 性的第二键和第二值， 其中， 所述第一键、 第一值、 第二键和第二 值都是以文本数据表示的； 基于每个所述岗位属性的第一键和第一值、 与所述岗位信息对应的第一源表示、 每个 所述简历属 性的第二键和第二值、 与所述简历信息对应的第二源表示， 通过包括级联的预 训练语言模型、 Transformer编码器和单标签 分类模型的预测模 型， 预测所述简历信息与所 述岗位信息的匹配度。 2.根据权利要求1所述的方法， 其特征在于， 所述预测所述简历信 息与所述岗位信 息的 匹配度包括： 对于每个所述岗位属性的第 一键和第 一值， 通过所述预训练语言模型分别将该第 一键 和该第一值编码到语义空间中， 以得到第一键嵌入和第一值嵌入， 并融合该第一键嵌入和 该第一值嵌入， 以得到该岗位属性的第一融合嵌入； 通过所述预训练语言模型将所述第 一源表示编码到所述语义空间中， 以得到第 一源嵌 入； 对于每个所述简历属性的第 二键和第 二值， 通过所述预训练语言模型分别将该第 二键 和该第二值编码到所述语义空间中， 以得到第二键嵌入和第二值嵌入， 并融合该第二键嵌 入和该第二 值嵌入， 以得到该简 历属性的第二融合嵌入； 通过所述预训练语言模型将所述第 二源表示编码到所述语义空间中， 以得到第 二源嵌 入； 通过所述Transformer编码器， 进行包括每个所述岗位属性的第一融合嵌入的第一矩 阵的内部交互以得到第一内部交互属性嵌入矩阵， 并进行包括每个所述简历属性的第二融 合嵌入的第二矩阵的内部交 互以得到第二内部交 互属性嵌入矩阵； 将所述第一内部交互属性嵌入矩阵中的每个元素分别与 所述第一源嵌入融合， 以得到 第一更新嵌入矩阵； 将所述第二内部交互属性嵌入矩阵中的每个元素分别与 所述第二源嵌入融合， 以得到 第二更新嵌入矩阵； 通过所述Transformer编码器， 进行所述第一更新嵌入矩阵与所述第二更新嵌入矩阵 之间的外 部交互， 以得到第一外 部交互属性嵌入矩阵和第二外 部交互属性嵌入矩阵； 通过所述单标签分类模型， 根据所述第 一外部交互属性嵌入矩阵和所述第 二外部交互 属性嵌入矩阵， 预测所述简 历信息与所述岗位信息的匹配度。 3.根据权利要求2所述的方法， 其特征在于， 所述融合该第一键嵌入和该第一值嵌入、 所述融合该第二键嵌入和该第二值嵌入、 所述将所述第一内部交互属性嵌入矩阵中的每个 元素分别与所述第一源嵌入融合、 所述将所述第二内部交互属性嵌入矩阵中的每个元素分 别与所述第二源嵌入融合都包括相加融合操作。 4.根据权利要求2所述的方法， 其特征在于， 所述融合该第一键嵌入和该第一值嵌入、 所述融合该第二键嵌入和该第二值嵌入、 所述将所述第一内部交互属性嵌入矩阵中的每个 元素分别与所述第一源嵌入融合、 所述将所述第二内部交互属性嵌入矩阵中的每个元素分 别与所述第二源嵌入融合都包括 拼接融合操作。权　利　要　求　书 1/2 页 2 CN 114186978 A 25.根据权利要求2所述的方法， 其特 征在于， 进行所述第 一矩阵的内部交互以得到所述第 一内部交互属性嵌入矩阵包括： 利用所述 Transformer编码器中的多头自注意力机制， 根据所述第一矩阵而得到第一多头自注意力 矩阵； 通过所述Transformer编码器中的第一全连接前馈层， 根据所述第一多头自注 意力矩 阵而得到所述第一内部交 互属性嵌入矩阵； 进行所述第 二矩阵的内部交互以得到所述第 二内部交互属性嵌入矩阵包括： 利用所述 Transformer编码器中的多头自注意力机制， 根据所述第二矩阵而得到第二多头自注意力 矩阵； 通过所述Transformer编码器中的第二全连接前馈层， 根据所述第二多头自注 意力矩 阵而得到所述第二内部交 互属性嵌入矩阵。 6.根据权利要求5所述的方法， 其特征在于， 进行所述外部交互以得到所述第 一外部交 互属性嵌入矩阵和所述第二外 部交互属性嵌入矩阵包括： 将所述第一更新嵌入矩阵与所述第二更新嵌入矩阵拼接以得到联合矩阵； 利用所述Transformer编码器中的多头自注意力机制， 根据所述联合矩阵而得到多头 自注意力联合矩阵； 通过所述Transformer编码器中的第三全连接前馈层， 根据所述多头自注意力联合矩 阵而得到所述第一外 部交互属性嵌入矩阵和所述第二外 部交互属性嵌入矩阵。 7.根据权利要求2所述的方法， 其特征在于， 根据 所述第一外部交互属性嵌入矩阵和所 述第二外 部交互属性嵌入矩阵预测所述匹配度包括： 分别通过所述单标签分类模型中的第 一池化层和第 二池化层， 对所述第 一外部交互属 性嵌入矩阵和所述第二外 部交互属性嵌入矩阵进行池化， 以得到岗位向量和简 历向量； 将所述岗位向量与所述简 历向量聚合以得到聚合向量； 通过所述单标签分类模型中的多层感知机， 对所述聚合向量进行语义融合， 并根据语 义融合后的所述聚合向量， 利用单个神经 元得到匹配分数； 利用激活函数， 根据所述匹配分数而得到所述简 历信息与所述岗位信息的匹配度。 8.根据权利要求7所述的方法， 其特征在于， 所述池化是利用机器学习框架PyTorch提 供的自适应平均池化 函数而进行的。 9.根据权利要求1至8中任一项所述的方法， 其特征在于， 所述预测模型是通过最小化 二元交叉熵损失而被训练的。 10.一种电子设备， 包括存储器、 处理器及存储在所述存储器上并可由所述处理器执行 的计算机程序， 其特征在于， 所述处理器在执行所述计算机程序时实现根据权利要求1至9 中任意一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114186978 A 3