(19)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 202211180552.6 (22)申请日 2022.09.26 (71)申请人 北京中科梧桐网络科技有限公司 地址 100000 北京市通州区运河核心区 Ⅳ- 07地块绿地大厦1号楼 22层 (72)发明人 崔绍龙　孙兆华　宋国徽　 (74)专利代理 机构 北京久维律师事务所 1 1582 专利代理师 邢江峰 (51)Int.Cl. G06F 16/9535(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/10(2012.01) (54)发明名称 基于多源多级注意力机制深度神经网络的 人才匹配方法 (57)摘要 本发明提供了基于多源多级注意力机制深 度神经网络的人才匹配方法， 包括Q1、 构建城市 产业的多级时空注意力机制深度神经网络模型； Q2、 构建专业人才的多级时空注意力机制深度神 经网络模型； Q3、 城市数据与人才数据的匹配与 推荐； 本发 明通过城市数据的多级注 意力模型和 专业人才的多级注意力模型， 能够预测城市对于 人才需求的重要趋势， 同时也能够预测专业人才 的个人倾向和个人优势， 最终通过多级注意力模 型能够全面的分析和比较城市需求和专业人才 的匹配度， 对城市来说提升人才引进的匹配度， 对专业人才来说能够更加准确得到匹配的位置 。 权利要求书3页 说明书7页 CN 115495655 A 2022.12.20 CN 115495655 A 1.基于多源多 级注意力机制深度神经网络的人才匹配方法， 其特 征在于： 步骤为： Q1、 构建城市产业的多 级时空注意力机制深度神经网络模型； 采用Encoder ‑Decoder模型， encoder中城市内部数据attention层和城市周边数据 attention层用来标示城市多源数据的序列， 得到的预测值， 通过decoder中的时间 attention层进行处 理； 在Encoder中， 对于t时刻， Encoder的输入直接合并向量为 使用LSTM 神经元ht＝fe(ht‑1,xt)用以更新状态； 在Decoder中， 用以更新状态， 其中Ct就是之前计算出注意力加 权值， ext融合的外 部因素特征向量， y(t ‑1)i是对t‑1时刻的预测值， 计算方法为： 其中Wm∈Rn*(n+m),bm∈Rn,vy∈Rn,by∈R是需要学习的参数； 城市内部数据at tention层空间注意力的输出向量如下： 其中 代表第i个维度在第t时刻的第1 维特征取值； 所述城市周边数据at tention层： 其中 是需要学习的参数； Attention权重的 计算方式如下： 其中Pi,l表示维度i,l之间的地理相关性， λ则是可调的超参， 如果λ很大， attention权 重趋于反距离加权法(IDW)； 当Ng很大时， 可以用与目标维度举例 最近的前k个维度作为近 似代替； 城市周边数据at tention层的输出向量 为： 即为注意力参数和目标观测值的乘积； 时间attention层Decoder自适应地选取Encoder中的应着重关注隐藏层状态： 其中Wd∈Rmm,W′d∈Rm2n,vd,bd∈Rm是需要学习的参数； 外部数据的融合： 在Decoder中融合外部因素， 融合外部因素包括气候、 城市规划、 城市权　利　要　求　书 1/3 页 2 CN 115495655 A 2环境， 将这些 特征映射为低维向量分别送入不同的embed ding层中； 采用反向传播算法训练网络， 优化策略采用Adam， loss函数采用均方误差算法 Q2、 构建专业人才的多 级时空注意力机制深度神经网络模型： 模型数据是人才的相关数据， 将教育维度、 研究成果维度、 工作经历维度、 人脉情况维 度和从事 领域的内容维度按照不同的维度进 行整合， 以团队信息、 人脉关系、 周围人群的信 息等作为输入， 最终将数据放入Encoder ‑Decoder模 型当中进行训练， 形成对于人才数据的 融合和预测； Q3、 城市数据与人才数据的匹配与推荐； 通过筛选Q1城市产业的多级时空注意力机制深度神经网络模型所产生的N个词向量 选择top N， 和Q2专业人才的多级时空注意力机制深度神经网络模型中所产生的N个词 向量 选择top N， N＝5： 其中 分别为城市和专业人才不同维度的重要度， R代表为匹配偏离值， 值越大 表示城市和专业人才匹配度越低。 2.根据权利要求1所述的基于多源多级注意力机制深度神经网络的人才匹配方法， 其 特征在于： 所述 Q1的Encoder ‑Decoder模型中： 设定有NL个维度的城市数据， 每个维度都产生Nt种时间序列， 设定其中一种为当前维度 的目标值， 其 他为特征值； 设置一个长度为T的时间周期： 表示所有维度的目标值在T时段的值； 表示所有维度的特 征值在T时段的值； 其中： xi,k是特征空间角 度的描述， 即第i个维度的第k个特征向量的时间序列； 是时 间角度描述， 即第i个维度的第t个时刻所有的特 征向量的序列。 3.根据权利要求2所述的基于多源多级注意力机制深度神经网络的人才匹配方法， 其 特征在于： 所述城市内部数据attent ion层： 城市内部数据的不同时间序列之间会有相互关 系， 为了捕捉城市的目标观测值和局部特征之间的动态关系， 设置城市内部数据attent ion 层： 设定第i个传感器的第k个局部特 征向量xi,k, 其中 表示第t时刻的第k为局部特征取值的注意力参 数， vl,bl∈RT,Wl∈RT2m,Ul∈RTT是权　利　要　求　书 2/3 页 3 CN 115495655 A 3