CN115510218B 一种基于对称对比学习的人岗匹配方法 （长三角信息智能创新研究院）

本发明公开了一种基于对称对比学习的人通过注意力机制计算工作经历等简历信息和招结合规则型文本的计算得分给出整个简历和招2S300、根据无规则文本语义表征模型计算出简 S220、使用预训练模型作为编码器，每一次输入为训练数据集D:中的N个不同的句子全连接层FCN，经过激活函数tanh(x)后得到的向量即为整个批次的句子在文本义模型构建的句子个数，a>0是平衡超参数，用于调节真实场景下的样本随机性问题，3.根据权利要求1所述的一种基于对称对比学习的人岗匹配方法，其特征在于：步骤简历中的无规则文本分为工作经历和项目经历，3设工作经历表达为，项目经历表达为p"-ts,8,，则根据无规则文本招聘信息中的文本分为岗位需求以及岗位任职要求，每一个类别都分成若干条句子，本语义表达模型计算出每个类别中句子的语义表达向量，岗位需求的语义表达向量根据注意力机制计算工作经历在岗位任职要求空间内的向量表示根据注意力机制计算岗位需求在工作经历空间的向量表示sweR"、岗45;个全连接层FCN，经过激活函数tanh(x)后得到的向量即为整个批次的句子在文[0023]简历中的无规则文本分为工作经历和项目经历，每一个类别中都分成若干条句子，假设工作经历表达为，项目经历表达为p"-ts,8,，则根据无规则文本语义表达模型计算可得到每个句子的语义表达向量，即工作经历的语义表达向量则文本语义表达模型计算出每个类别中句子的语义表达向量，岗位需求的语义表达向量6项目经历空间的向量表示sneR"、岗位任职要求在工作经历空间的向量表示swweR"、便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、[0041]对比学习的思想是距离相近的事物应该比距离远的事物在表达空间上保持一7[0049]我们首先给出基于上述损失函数的距离定义，假设是batchsize等于N8的随机样本集，数据增强策略集，随机选择两个增强策略对进行增强，则可得,那么上述损失函数的非负性、对称性和传是正交矩阵的时候r-0，其他情况下由于9[0063]其中rn表示向上取整。所以有公式(7_1)大于等于公式(6_1)中的每中的概率分布，f()是经过映射后并归一化的表示向量。基于相似的句子应该在语义表达[0074]通过使用Bert或者RoBert模型作为编码层，使用cls位置的输出或者各个字的编。会进入到一个全连接层FCN，经过激活函数tanh(x)后的到的向量即为整个批次。[0081]根据无规则文本语义表征模型可以计算出简历和招聘信息中无规则文本的语义句子，假设工作经历为，项目经历为p"-ts,8,，则根据上述无规则文[0089]其中swneR"，同理可以得到工作经历与岗位需求之间的向量表示swweR"，项目经历在岗位任职要求以及岗位需求之间的向量表示分别是seweR"以及soneR"。[0091]根据步骤S330中的描述，同理可以得到岗位需求在工作经历空间的向量表示的向量表示swweR"、岗位任职要求在项目经历空间的向量表示snpeR"。[0095]需要说明的是，本发明还根据规则文本融入人岗匹配的量的label数据训练一个两层的神经网络模型即可得到一个人岗[0101]为了更加直观有效地展示本发明人岗匹配模型中的无规则文本语义表征模型的集上计算无规则文本语义相似性的结果，并在STS_B数据集上计算了训练后得到的模型语义表达空间的均匀性以及对齐性。表1是文本语义表征模型在不同编码层模型以及不同数指向的是改进后的模型