简历与岗位匹配度预测方法及相关设备

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；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。 2.根据权利要求1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。 3.根据权利要求1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。 4.根据权利要求1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。 5.根据权利要求4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。 6.根据权利要求1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。 7.根据权利要求6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。 8.根据权利要求1至7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。 9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现根据权利要求1至8任意一项所述的方法。