本发明涉及一种专门适用于行政、商业、金融、管理或监督目的的信息和通信技术的，尤其涉及行政的，具体为一种基于人机交互与简历挖掘的智能招聘系统及方法。
背景技术：
1、随着企业规模的扩大和业务的复杂化，招聘需求日益增多，同时职位要求也更为细化，互联网和社交媒体的普及使得个人信息的传播更加广泛，简历数据呈指数级增长，企业越来越依赖于自动化和智能化的系统来处理大量的招聘工作。智能招聘系统通过分析简历、在线评估和初步面试等环节，帮助企业快速筛选出合适的候选人，自然语言处理(nlp)、机器学习、知识图谱等人工智能技术的飞速发展，为智能招聘系统的开发提供了强有力的技术支持，这些技术使得从文本数据中自动提取关键信息、构建知识图谱、进行智能推荐成为可能。
2、现有技术中的智能招聘系统，大多停留在简单的关键词匹配层面，无法深入理解和分析简历内容，导致筛选结果不够准确；系统缺乏对简历真实性的有效验证手段，仅凭简历上的文字描述难以判断求职者的真实能力和经验，这增加了招聘过程中的不确定性和风险；现有系统大多只能根据预设的规则进行简历筛选和排序，无法根据hr的具体需求和求职者的个性化特点进行精准推荐。
3、因此，有必要对现有技术中的基于人机交互与简历挖掘的智能招聘系统及方法进行改进，以解决上述问题。
技术实现思路
1、本发明克服了现有技术的不足，提供一种基于人机交互与简历挖掘的智能招聘方法，旨在解决现有技术中简历内容理解深度不足、简历真实性验证缺失以及个性化推荐能力不足的问题。
2、为达到上述目的，本发明采用的技术方案为：一种基于人机交互与简历挖掘的智能招聘方法，包括：
3、s1、hr给出招聘职位需求，机器人解析职位需求，生成hr需求标签；
4、s2、机器人在网络上搜索简历，解析简历，提取对应的简历标签；
5、s3、结合hr需求标签筛选简历，并对简历进行排序；
6、s4、委托机器人和简历的求职者进行在线聊天，验证简历标签的真实性，并挖掘求职者的临时标签；
7、s5、评估临时标签的重要性，根据hr需求标签、简历标签以及临时标签共同构建求职者评价模型；
8、s6、机器人将满足hr需求的求职者推荐给hr，并基于求职者评价模型生成评价报告。
9、本发明一个较佳实施例中，步骤s2中，使用自然语言处理技术对简历进行文本拆分，将连续的文本分割成单独的词汇或短语，识别简历关键信息，计算简历关键信息中的信息重要性：tf-idf(t,d)＝tf(t,d)×idf(t)，其中，tf表示简历关键信息在简历中出现的频率，idf表示简历关键信息在所有简历中的普遍性的倒数，n是简历总数，nt表示包含简历关键信息t的文档数，tf-idf值越高，表示简历关键信息越能代表简历的独特性；根据tf-idf值选择得分最高的10-20个简历关键信息。
10、本发明一个较佳实施例中，步骤s3中，
11、s31、遍历简历并计算简历标签与hr需求标签的匹配数量；
12、s32、当简历标签占hr需求标签的比例超过一定值时，将简历放入列表中进行排序；
13、s33、计算其简历标签与hr需求标签的匹配数量，按照匹配数量的多少降序排列简历；
14、s34、当多份合格简历的简历标签与hr需求标签的匹配数量相同时，则对简历标签的tf-idf值加权求和得到一个综合评分stf-idf，根据综合评分stf-idf的高低对简历标签与hr需求标签的匹配数量相同的简历进行排序。
15、本发明一个较佳实施例中，步骤s4中，机器人还通过职位需求构建职位知识图谱；
16、构建职位知识图谱g＝(v,e)，v为所有节点的集合，e为节点之间的边集合；对于每个节点v∈v，定义属性集合dv；
17、计算节点重要性，设f为节点在职位需求中的出现频率，a为节点对职位成功的重要性程度，由专家评估或历史数据分析得到，s节点重要性评分＝ωf×f+ωa×a，其中ωf，ωa为出现频率和重要性程度的权重；
18、计算节点的关系强度，设c为两个节点在职位需求中的共现频率，sim为两个节点之间的语义相似度，s关系强度评分＝ωc×c+ωsim×sim，其中ωc，ωsim为共现频率和语义相似度的权重；
19、计算属性量化，设d为具体的属性值，min和max为该属性在所有职位需求中的最小值和最大值；
20、本发明一个较佳实施例中，步骤s4中，验证简历标签的步骤包括：
21、s41、将求职者简历标签与职位知识图谱进行对齐，并在职位知识图谱中找到对应的节点；采用sim(ti,lj)相似度得分将简历标签与对应的hr需求标签进行对齐匹配；
22、s42、针对每个节点设计面试问题数据库，问题类型包括：开放式问题、封闭式问题、情境问题；验证求职者是否真正具备简历上所列出的技能、经验；
23、s43、将简历标签分类为技能标签、经验标签、性格标签；机器人从面试问题数据库中提取与简历标签相对应的问题，并根据标签特点，确定问题模板，使用模板填充算法，根据简历上的具体标签动态生成问题；
24、s44、当求职者能够准确且详细地回答问题，则认为该标签已被验证；更新知识图谱中的节点状态，标记简历标签对应的hr需求标签已经过验证。
25、本发明一个较佳实施例中，步骤s4中，挖掘求职者的临时标签的步骤包括：
26、s45、机器人检查知识图谱中与职位相关的标签，确认hr需求标签在求职者的简历中没有被明确提及或验证，标记为缺失标签；
27、s46、根据职位需求和知识图谱中的关系网络，评估缺失标签的重要性，确定它们对于职位的适合度和影响；
28、s47、基于缺失标签的类型和重要性，机器人从面试问题数据库中选取对应缺失标签的问题，引导求职者讨论与缺失标签相关的经历、项目或能力；
29、s48、挖掘s47的问题得到的求职者的信息，机器人构建临时标签，并将临时标签与知识图谱中的相应节点进行关联，并修正知识图谱。
30、本发明一个较佳实施例中，步骤s46中，
31、缺失标签的重要性，结合职位知识图谱中节点重要性计算过程，设缺失标签为m，则对应的重要性为s缺失标签重要性评分＝ωf×f+ωm×m，其中ωf，ωm为出现频率和缺失标签的重要性程度的权重；
32、缺失标签的适合度，通过计算缺失标签与已验证标签的平均语义相似度评估，已验证的hr需求标签g集合为g，sim(m,g)表示缺失标签与已验证的hr需求标签的平均语义相似度；
33、缺失标签的影响，结合缺失标签的重要性和其他已验证标签对其的关系强度计算，结合s4的关系强度计算，其中，d为缺失标签对已验证的hr需求标签的共现频率，ωd,ωsim(m,g)为对应共现频率和平均语义相似度的权重，s影响评分＝s缺失标签重要性评分·(1+s关系强度评分)＝(ωf×f+ωm×m)·(1+(ωd×d+ωsim(m,g)×sim(m,g)))；
34、将上述得分结合，可以得到缺失标签对职位的适合度和影响的综合评估分数s缺失标签＝α·s缺失标签重要性评分+β·s缺失标签适合度评分+γ·s影响评分，其中α，β，γ为对应的权重系数。
35、本发明一个较佳实施例中，修正知识图谱的步骤包括：
36、s481、当临时标签与知识图谱中的现有节点高度相关，则将该临时标签作为该节点的子节点添加；
37、s482、当临时标签代表与知识图谱中的现有节点相关度低，在知识图谱中创建补充节点，并将补充节点与相关的节点连接；
38、s483、更新临时标签与知识图谱中其他节点之间的关系强度；
39、设临时标签u的集合为u，与节点v∈v之间的语义相似度其中，其中，uk,vk是临时标签和知识图谱节点的向量表示；更新关系强度，s更新关系强度＝μ·sim(u,v)+(1-μ)·s关系强度评分，μ为临时标签的语义相似度的权重；更新重要性，s更新重要性＝μ·sim(u,v)+(1-μ)·s节点重要性评分。
40、本发明一个较佳实施例中，步骤s5中，利用职位知识图谱的更新关系强度、更新重要性以及属性量化评分，重新计算简历标签的综合得分以及临时标签的得分，结合生成求职者的总体评价得分；
41、简历标签的得分表示为
42、临时标签的得分表示为
43、求职者的总体评价得分为s＝ω1s1+ω2s2，ω1+ω2＝1；ω1，ω2分别为简历标签和临时标签对于hr需求标签的权重，其中ω0为临时标签的基准权重，u|为对应的临时标签u的集合的数量。
44、本发明提供一种基于人机交互与简历挖掘的智能招聘系统，包括：
45、职位需求解析模块，用于接收hr提供的职位需求信息，通过自然语言处理技术解析并提取关键信息，转换为hr需求标签；
46、简历采集模块，用于从互联网上采集简历数据，对其进行解析和清洗；
47、简历标签生成模块，用于从简历中提取关键信息，并生成简历标签；
48、简历筛选模块，用于根据hr需求标签与简历标签的匹配情况筛选并排序简历；
49、职位知识图谱构建模块，用于构建职位相关的知识图谱；
50、面试问题数据库模块，存储和管理针对不同职位需求和标签的面试问题；
51、机器人聊天模块，机器人提取面试问题数据库中问题与求职者进行在线聊天；
52、标签验证模块，机器人验证简历标签的真实性；
53、挖掘标签模块，机器人挖掘求职者临时标签；
54、知识图谱修正模块，用于根据在线聊天中获得的信息修正职位知识图谱；
55、求职者评价模型构建模块，用于结合职位知识图谱、简历标签及临时标签构建求职者评价模型，并生成总体评价得分；
56、求职者推荐模块，根据求职者评价模型，推荐满足hr需求的求职者，并生成评价报告。
57、本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
58、(1)本发明通过简历筛选、标签化处理、构建职位知识图谱以及智能对话验证，提高了招聘流程的效率和准确性，不仅能够快速定位到符合职位需求的候选人，还能通过深入交流挖掘候选人的潜在能力和真实水平，从而帮助人力资源部门做出更明智的招聘决策，同时为候选人提供个性化的反馈，增强了招聘过程的透明度和公平性。
59、(2)本发明通过中职位知识图谱的构建与验证简历标签的结合，构建职位知识图谱，定义节点、边和属性，并计算节点重要性和关系强度，构建了一个全面的职位知识图谱，为后续验证简历标签和挖掘临时标签提供了基础；将求职者简历标签与职位知识图谱进行对齐，并设计面试问题数据库来验证求职者是否真正具备简历上所列出的技能、经验；使得机器人能够更全面地了解职位需求，并通过面试问题来验证求职者的能力和经验，提高了招聘的准确性和可靠性，机器人可以通过知识图谱，找到缺失标签，挖掘求职者的未在简历中提到的信息，建立临时标签，修正知识图谱，实现了职位知识图谱的更新迭代。
60、(3)本发明利用职位知识图谱的更新关系强度、更新重要性以及属性量化评分，重新计算简历标签和临时标签的得分，生成求职者的总体评价得分，综合考虑简历标签和临时标签的信息，对求职者进行全面评价，提高了求职者评价的准确性和全面性。
61、(4)本发明hr提供招聘职位需求，机器人通过自然语言处理技术解析文本，提取关键信息，并将其转换为hr需求标签，将招聘职位的具体要求精炼为易于理解和操作的标签形式，提高理解深度，有助于明确hr对候选人的期望和要求，为后续步骤提供了清晰的方向，提高了需求理解的准确性和效率。
1.一种基于人机交互与简历挖掘的智能招聘方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种基于人机交互与简历挖掘的智能招聘方法，其特征在于：步骤s2中，使用自然语言处理技术对简历进行文本拆分，将连续的文本分割成单独的词汇或短语，识别简历关键信息，计算简历关键信息中的信息重要性：tf-idf(t,d)＝tf(t,d)×idf(t)，其中，tf表示简历关键信息在简历中出现的频率，idf表示简历关键信息在所有简历中的普遍性的倒数，n是简历总数，nt表示包含简历关键信息t的文档数，tf-idf值越高，表示简历关键信息越能代表简历的独特性；根据tf-idf值选择得分最高的10-20个简历关键信息。
3.根据权利要求2所述的一种基于人机交互与简历挖掘的智能招聘方法，其特征在于：步骤s3中，
4.根据权利要求1所述的一种基于人机交互与简历挖掘的智能招聘方法，其特征在于：步骤s4中，机器人还通过职位需求构建职位知识图谱；
5.根据权利要求4所述的一种基于人机交互与简历挖掘的智能招聘方法，其特征在于：步骤s4中，验证简历标签的步骤包括：
6.根据权利要求5所述的一种基于人机交互与简历挖掘的智能招聘方法，其特征在于：步骤s4中，挖掘求职者的临时标签的步骤包括：
7.根据权利要求6所述的一种基于人机交互与简历挖掘的智能招聘方法，其特征在于：步骤s46中，
8.根据权利要求6所述的一种基于人机交互与简历挖掘的智能招聘方法，其特征在于：修正知识图谱的步骤包括：
9.根据权利要求8所述的一种基于人机交互与简历挖掘的智能招聘方法，其特征在于：步骤s5中，利用职位知识图谱的更新关系强度、更新重要性以及属性量化评分，重新计算简历标签的综合得分以及临时标签的得分，结合生成求职者的总体评价得分；
10.一种基于人机交互与简历挖掘的智能招聘系统，基于权利要求1-9所述的一种基于人机交互与简历挖掘的智能招聘方法，包括：
