(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 202211128808.9 (22)申请日 2022.09.16 (71)申请人 深圳今日人才信息科技有限公司 地址 518000 广东省深圳市福田区沙 头街 道新华社区新洲十一街139号中央西 谷大厦15 08A (72)发明人 刘雨晨　徐宇航　李敬泉　谭一鹏　 翁浩翔　谢志辉　景昊　吴显仁　 (74)专利代理 机构 深圳市中科创为专利代理有 限公司 4 4384 专利代理师 谭雪婷 (51)Int.Cl. G06Q 10/10(2012.01) G06F 16/9535(2019.01) G06F 16/9536(2019.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习模型和专家系统的相似JD召 回与推荐方法 (57)摘要 本发明公开了一种基于深度学习模型和专 家系统的相似JD召回与推荐方法， 包括如下步 骤： S1： 选用在大规模语料库上训练好的基础 BERT模型作为预训练模型； S2： 加入企业内各专 业领域内的职位文本信息对选用的所述预训练 模型的参数进行增量训练； S3： 通过猎头过往的 人工撮合行为构造相似职位的正负样本对， 并对 增量训练后的预训练模型进行调整， 形成相似JD 召回的最终BERT模型； S4： 采用最终BERT模型从 海量职位中召回相似JD， 并对召回的相似JD进行 打分排序， 取top  k相似JD对应的职位作为最终 结果推荐给候选人。 本发明解决人岗推荐领域相 似JD召回数量与质量 不高的问题。 权利要求书2页 说明书7页 附图3页 CN 115456584 A 2022.12.09 CN 115456584 A 1.一种基于深度学习模型和专家系统的相似JD召回与推荐方法， 其特征在于， 包括如 下步骤： S1： 选用在大规模语料库上训练好的BERT模型作为预训练模型； S2： 加入企业内各专业领域的职位文本信息对选用的预训练模型的参数进行增量训 练； S3： 通过猎头过往的人工撮合行为构造相似职位的正负样本对， 并对增量训练后的预 训练模型进行调整， 形成相似JD召回的最终BERT模型； S4： 采用最终BERT模型从海量职位中召回相似JD， 并为召回相似JD进行打分排序， 取 top k相似JD所对应的职位作为 最终结果推荐给候选人， 其中， k 为自然数。 2.根据权利要求1所述的基于深度学习模型和专家系统的相似JD召回与推荐方法， 其 特征在于： 步骤S1 中， 通过在大规模语料上进 行预训练， 赋予BERT模 型对自然语 言的基础理 解能力， 后续将其迁移应用至为不同的专 业职位文本生 成embedding表 示， 再通过计算职位 文本的embed ding相似度来获得排序在top ‑n的职位JD作为相似JD， 其中， n 为自然数。 3.根据权利要求2所述的基于深度学习模型和专家系统的相似JD召回与推荐方法， 其 特征在于： 步骤S2中， 在加入企业内各专业领域的职位文本信息对选用的预训练模型参数 进行增量训练后， 使得增量训练后的预训练模型对于专业职位获得更好的职位文本 embedding表示， 增强预训练模型对专业类型职位的理解能力。 4.根据权利要求3所述的基于深度学习模型和专家系统的相似JD召回与推荐方法， 其 特征在于： 步骤S 3中， 通过猎头过往的人工撮合行为构 造相似职 位的正负样本对， 并对增量 训练后的预训练模型参数进行调整， 使得最终BERT模型对相似JD生成的职位文本 embedding表示融入猎头行为的先验知识， 让最终BERT模型的评判标准尽量靠齐猎头的人 工标准。 5.根据权利要求1所述的基于深度学习模型和专家系统的相似JD召回与推荐方法， 其 特征在于： 步骤S4中， 还采用专家系统从海量职位中召回相似JD， 并对召回的相似JD进 行甄 别， 过滤掉因较难评判的因素而误召回的相似JD； 并且， 合并专家系统召回并甄别的相似JD 与最终BERT模 型召回的相似JD， 并为合并后的相似JD进行打分排序， 取top  k相似JD对应的 职位作为 最终结果推荐给候选人， 其中， k 为自然数。 6.根据权利要求5所述的基于深度学习模型和专家系统的相似JD召回与推荐方法， 其 特征在于： 步骤S4中， 是通过采用专家系统对召回的相似JD进 行打标甄别， 过滤掉因较难评 判的因素而误召回的相似JD。 7.根据权利要求6所述的基于深度学习模型和专家系统的相似JD召回与推荐方法， 其 特征在于： 步骤S4中， 还在所述专家系统中加入以下打标不可推荐的原因： a)专业不匹配、 b)无特定产品相关经验、 c)业 务内容不同， 并过 滤掉打标不可推荐的相似JD。 8.根据权利要求1 ‑6任一所述的基于深度 学习模型和专家系统 的相似JD召回与推荐方 法， 其特征在于： 步骤S4中， 通过对召回的相似JD调用人岗匹配精 排模型和相似职 位精排模 型进行打 分排序， 最后取top  k相似JD对应的职位作为 最终结果推荐给候选人。 9.根据权利要求8所述的基于深度学习模型和专家系统的相似JD召回与推荐方法， 其 特征在于： 步骤S4中， 在对召回相 似JD进行打分排序时， 是将候选人简历/职位对的推荐效 益分数u(resume,cjd,sjd)定义为人岗匹配精排模型输出p(cv,sjd)与相似职位精排模型权　利　要　求　书 1/2 页 2 CN 115456584 A 2输出p(cjd,sjd)的加权之和： u(resume,cjd,sjd)＝ w1*p(cjd,sjd)+w2*p(cv,sjd)； 其中， cjd为猎头已推荐过候选人的职位， sjd为最终BERT模型得到的相似职位， resume 为候选人简历， cv为候选人履历， 通过推荐效益分数u(resume,cjd,sjd)对召回得到的相似 JD进行排序， 最后取top  k相似JD对应的职位作为 最终结果推荐给候选人。权　利　要　求　书 2/2 页 3 CN 115456584 A 3