[发明专利]基于人工智能的简历信息处理方法、装置、设备及介质

权利要求书

1.一种基于人工智能的简历信息处理方法，其特征在于，包括：

获取应聘者的简历信息和所述简历信息对应的简历类型；

采用与所述简历类型对应的提取方式，提取所述简历信息中的多个实体信息；

对所述多个实体信息进行数值转换，获取向量化表示的待识别样本数据；

将所述待识别样本数据输入至预先训练好的智能增员模型中进行处理，预测所述应聘者在未来的第一目标周期内的第一员工评分值，其中，企业内所有员工为第一员工，企业内部的高质量员工为第二员工；

若所述第一员工评分值大于预设评分阈值，则将所述应聘者作为新增员工；

在所述将所述应聘者作为新增员工之后，所述基于人工智能的简历信息处理方法还包括：

获取所述新增员工的基本信息和第一预设周期内的行为信息；

将所述基本信息和所述行为信息输入至预先训练好的员工评分预测模型中进行处理，预测所述新增员工在未来的第二目标周期内的第二员工评分值；

在所述获取应聘者的简历信息和所述简历信息对应的简历类型的步骤之前，所述基于人工智能的简历信息处理方法还包括：

采集所述第一员工的训练样本数据，所述训练样本数据包括基本信息、第二预设周期内的行为信息以及员工评分标签；其中，所述第一预设周期、所述第二预设周期、所述第一目标周期和所述第二目标周期所指示的时间长度保持一致；

对所述基本信息、所述行为信息以及所述员工评分标签进行数值转换，获取向量化表示的训练样本数据；

对所述训练样本数据进行数据分割，得到所述第一员工对应的第一训练样本数据和所述第二员工对应的第二训练样本数据；其中，所述第一训练样本数据包括第一员工基本信息以及第一员工评分标签；所述第二训练样本数据包括第二员工基本信息、所述行为信息以及第二员工评分标签；

采用所述第一训练样本数据对第一多层神经网络模型进行训练，得到所述智能增员模型；所述智能增员模型对应最终模型参数；

根据所述最终模型参数，采用所述第二训练样本数据对第二多层神经网络模型进行训练，得到所述员工评分预测模型；

将所述第二员工评分值映射至预先创建好的报表模板中，获取员工评分预测报表。

2.如权利要求1所述基于人工智能的简历信息处理方法，其特征在于，所述采用所述第一训练样本数据对第一多层神经网络模型进行训练，得到所述智能增员模型，包括：

采用前向传播算法对所述第一训练样本数据进行处理，获取模型预测输出；

基于所述模型预测输出，对所述第一多层神经网络模型进行更新优化，得到所述智能增员模型。

3.如权利要求1所述基于人工智能的简历信息处理方法，其特征在于，在所述对所述基本信息、所述行为信息以及所述员工评分标签进行数值转换，获取向量化表示的训练样本数据之后，且在所述对所述训练样本数据进行数据分割，得到所述第一员工对应的第一训练样本数据和第二员工对应的第二训练样本数据的之前，所述基于人工智能的简历信息处理方法还包括：

对所述训练样本数据进行缺失值填充处理，得到中间样本数据；

对所述中间样本数据进行异常值检测，得到至少一个异常值，将所述异常值标记为空；

对所述标记为空的异常值进行缺失值填充，得到处理后的训练样本数据。

4.如权利要求1所述基于人工智能的简历信息处理方法，其特征在于，所述根据所述最终模型参数，采用所述第二训练样本数据对第二多层神经网络模型进行训练，得到所述员工评分预测模型，包括：

采用所述最终模型参数初始化所述第二多层神经网络模型；

采用所述第二训练样本数据对所述第二多层神经网络模型进行训练，得到所述员工评分预测模型。

5.如权利要求4所述基于人工智能的简历信息处理方法，其特征在于，所述智能增员模型还对应一初始模型参数；

所述采用所述最终模型参数初始化所述第二多层神经网络模型，包括：

计算所述最终模型参数与所述初始模型参数的相关系数；

选取最小的所述相关系数对应的最终模型参数作为目标模型参数；

采用所述目标模型参数初始化所述第二多层神经网络模型。