TWI776146B

TWI776146B - 履歷評分方法及其系統

Info

Publication number: TWI776146B
Application number: TW109114559A
Authority: TW
Inventors: 林志豪; 鄒尚軒; 羅宏瑜; 吳浣青; 馮國鈞; 林佳妤; 邱國豪; 曾文忻; 宋政隆; 王俊權
Original assignee: 中國信託商業銀行股份有限公司
Priority date: 2020-04-30
Filing date: 2020-04-30
Publication date: 2022-09-01
Also published as: TW202143122A

Abstract

一種履歷評分系統，包含多個正規表示式、一向量生成模型，及一評分模型，該每一正規表示式具有一預定關鍵字，該向量生成模型用以根據一文字內容產生一文本向量，該評分模型根據該等正規表示式產生的結果和該向量生成模型產生的文本向量產生一分數，當接收到相關於一求職者的一履歷時，對於每一正規表示式，該系統根據該履歷利用該正規表示式獲得一包括該履歷中對應於該正規表示式之預定關鍵字之關鍵字內容的關鍵字組合，並利用該向量生成模型產生一對應該履歷的文本向量，且根據每一關鍵字組合及該文本向量，利用該評分模型產生一分數。

Description

履歷評分方法及其系統

本發明是有關於一種辦公室自動化方法，特別是指一種根據履歷自動產生評分的方法。

在現今社會中，一般企業進行徵才作業時，第一關多會以求職者所提供的履歷作為依據進行篩選，然而對於徵才企業而言，當收到數以萬計的履歷時，多是由人資部門逐一審核每份履歷內容以篩選適合的求職者，此一作法不僅勞心勞力，同時亦有可能由於各人見解不同或是人為疏失，造成履歷誤篩選的問題。

有鑑於此，勢必需要提出一種全新解決方案，以解決目前審核履歷過度耗費時間人力成本以及容易產生履歷誤篩選的問題。

因此，本發明的目的，即在提供一種協助評估履歷的履歷評分方法

另外，本發明的另一目的，在於提供一種協助評估履歷的履歷評分系統。

於是，本發明履歷評分方法，由一伺服端實施，該履歷包含一求職者填寫的一學經歷內容，及一個人介紹的自傳內容，該伺服端包含多個正規表示式、一向量生成模型，及一評分模型，該每一正規表示式具有一預定關鍵字，該向量生成模型用以根據一由文字構成的內容產生一文本向量，該評分模型依據該正規表示式產生的結果和該向量生成模型產生的文本向量產生一分數，該履歷評分方法包含一步驟(A)、一步驟(B)，及一步驟(C)。

在該步驟(A)中，當該伺服端接收到該相關於該求職者的履歷時，對於每一正規表示式，該伺服端根據該學經歷內容利用該正規表示式獲得該學經歷內容中對應於該正規表示式之預定關鍵字的關鍵字內容，其中每一正規表示式之預定關鍵字及其對應的關鍵字內容構成一對應的關鍵字組合。

在該步驟(B)中，該伺服端根據該自傳內容，利用該向量生成模型產生一對應該自傳內容的文本向量。

在該步驟(C)中，該伺服端根據每一關鍵字組合及該文本向量，利用該評分模型產生一對應該履歷的分數。

再者，本發明履歷評分系統，用以對一履歷產生評分，並經由一通訊網路連接一管理端，該履歷包含一求職者填寫的一學經歷內容，及一個人介紹的自傳內容，該履歷評分系統包含一通訊模組、一儲存模組，及一處理模組。

該通訊模組連接至該通訊網路，該儲存模組儲存有多個正規表示式、一向量生成模型，及一評分模型，該每一正規表示式具有一預定關鍵字，該向量生成模型用以根據一由文字構成的內容產生一文本向量，該評分模型依據該正規表示式產生的結果和該向量生成模型產生的文本向量產生一分數。

該處理模組電連接該通訊模組及該儲存模組，其中，當該處理模組透過該通訊模組接收到來自該管理端且該相關於該求職者的履歷時，對於每一正規表示式，該處理模組根據該學經歷內容，利用該正規表示式獲得該學經歷內容中對應於該正規表示式之預定關鍵字的關鍵字內容，其中每一正規表示式之預定關鍵字及其對應的關鍵字內容構成一對應的關鍵字組合，並根據該自傳內容，利用該向量生成模型產生一對應該自傳內容的文本向量，以及根據每一關鍵字組合及該文本向量，利用該評分模型產生一對應該履歷的分數。

本發明的功效在於：藉由該伺服端產生對應該履歷的分數，相關工作人員可參考分數篩選求職者，不僅節省審核每份履歷的時間人力成本，同時避免人為因素所導致的履歷誤篩選問題。

在本發明被詳細描述之前，應當注意在以下的說明內容中，類似的元件是以相同的編號來表示。

參閱圖1，本發明履歷評分系統的一第一實施例，由一伺服端1來實施，該伺服端1透過一通訊網路100連接至一管理端2，並包含一通訊模組11、一儲存模組12，及一處理模組13。

該通訊模組11透過該通訊網路100連接至該管理端2。

該儲存模組12儲存有多個正規表示式、多筆歷史履歷、一向量生成模型，及一評分模型，該每一正規表示式具有一預定關鍵字，該每一歷史履歷具有一相關於一歷史求職者個人介紹的自傳內容、多筆相關於該歷史求職者學經歷的關鍵字組合、一相關於該自傳內容的文本向量，及一相關於該歷史履歷的分數，該向量生成模型用以根據一由文字構成的內容產生一文本向量，該評分模型依據該正規表示式產生的結果和該向量生成模型產生的文本向量產生一分數。

該處理模組13電連接該通訊模組11及該儲存模組12，並根據一相關於一求職者的履歷產生一對應該履歷的分數，其中該履歷包含該求職者填寫的一學經歷內容，及一相關於該求職者個人介紹的自傳內容。

參閱圖2、圖3，及圖4，本發明履歷評分方法，包含一向量生成模型訓練程序、一評分模型訓練程序，及一評分程序。

參閱圖2，該向量生成模型訓練程序包含一步驟301、一步驟302、一步驟303、一步驟304，及一步驟305，並說明該處理模組13如何根據該等歷史履歷調整精進該向量生成模型。

在該步驟301中，該處理模組13根據該等歷史履歷的自傳內容及文本向量，利用一深度學習演算法，建立一用以根據一由文字構成的內容產生一文本向量的第二訓練模型，例如BERT或XLNet等訓練模型。

在該步驟302中，該處理模組13根據每一歷史履歷所對應的自傳內容，利用該第二訓練模型產生分別對應每一歷史履歷的多個訓練文本向量。

在該步驟303中，對於每一歷史履歷，該處理模組13判斷對應該歷史履歷的該文本向量及該訓練文本向量的相似度是否大於一預設閥值。在該第一實施例中，該處理模組13根據一相似度比對演算法，例如餘弦相似度(cosine similarity)，獲得該歷史履歷的該文本向量及該訓練文本向量之間的相似度。當該處理模組13判斷相似度並未大於該預設閥值時，該處理模組13調整該第二訓練模型並重新進行該步驟302，亦即該步驟304，當該處理模組13判斷相似度大於該預設閥值時，該處理模組13將該第二訓練模型作為用以根據一由文字構成的內容產生一文本向量的該向量生成模型，亦即該步驟305。

參閱圖3，該評分模型訓練程序包含一步驟401、一步驟402、一步驟403、一步驟404，及一步驟405，並說明該處理模組13如何根據該等歷史履歷調整精進該評分模型。

在該步驟401中，該處理模組13將所儲存的多筆歷史履歷區分為一訓練子集及一測試子集，其中該訓練子集中所包括的該等歷史履歷與該測試子集中所包括的該等歷史履歷，其數量可以相等亦可以有所差別。

在該步驟402中，該處理模組13根據該訓練子集中每一歷史履歷所對應的該關鍵字組合、該文本向量，及該分數，利用一機器學習演算法，例如邏輯斯迴歸(Logistic Regression)、隨機森林(Random Forest)、梯度提升技術(Gradient Boosting)、人工神經網路(Artificial Neural Network)等等，建立一根據該等關鍵字組合及該文本向量產生一訓練分數的第一訓練模型。

在該步驟403中，該處理模組13根據該訓練子集及該測試子集中每一歷史履歷所對應的該關鍵字組合、該文本向量，及該分數，判斷該第一訓練模型是否過度擬合或擬合不足，當判斷該第一訓練模型過度擬合或擬合不足時，該處理模組13調整該第一訓練模型並重新判斷調整後的該第一訓練模型是否過度擬合或擬合不足，亦即該步驟404，當判斷該第一訓練模型並未過度擬合及擬合不足時，該處理模組13將該第一訓練模型作為依據該正規表示式產生的結果和該向量生成模型產生的文本向量產生一分數的該評分模型，亦即該步驟405。

參閱圖4，該評分程序包含一步驟501、一步驟502、一步驟503，及一步驟504，並說明該處理模組13如何根據該履歷產生對應該履歷的該分數。

在該步驟501中，當該處理模組13透過該通訊模組11接收到該來自該管理端2且相關於該求職者的該履歷時，對於每一正規表示式，該處理模組13根據該履歷的該學經歷內容利用該正規表示式獲得該學經歷內容中對應於該正規表示式之預定關鍵字的關鍵字內容，其中每一正規表示式之預定關鍵字及其對應的關鍵字內容構成一對應的關鍵字組合。在該第一實施例中，該等正規表示式之預定關鍵字分別為「最高學歷」、「工作經歷」、「英文能力」，則該處理模組13根據該等正規表示式所獲得的關鍵字內容分別對應為「成功大學電機系碩士」、「台積電研發部門3年」、「多益測驗870分」，而「最高學歷：成功大學電機系碩士」為一對應「最高學歷」的關鍵字組合，類似地，對應「工作經歷」、「英文能力」的關鍵字組合分別為「工作經歷：台積電研發部門3年」、「英文能力：多益測驗870分」。

在該步驟502中，該處理模組13根據該履歷的該自傳內容，利用該向量生成模型產生一對應該自傳內容的文本向量。值得一提的是，該向量生成模型可為該步驟305所確認的該向量生成模型。

在該步驟503中，該處理模組13根據每一關鍵字組合及該文本向量，利用該評分模型產生一對應該履歷的分數。值得一提的是，該評分模型可為該步驟405所確認的該評分模型。

在該步驟504中，該處理模組13儲存該履歷的該自傳內容、每一關鍵字組合、該文本向量，及該分數為該等歷史履歷之其中一者。藉此，可累積該等歷史履歷之數量，以使該評分模型及該向量生成模型之訓練樣本更多元，藉由持續追蹤及調整訓練和測試樣本來精進所獲得之該評分模型及該向量生成模型。

參閱圖5，本發明履歷評分方法的一第二實施例類似於該第一實施例，其相同之處不再贅述，其相異之處在於，在該第二實施例中，該儲存模組12還儲存有一用以根據一由文字構成的內容產生一摘要的摘要生成模型，而該儲存模組12所儲存的該每一歷史履歷還具有一相關於所對應之歷史履歷的該自傳內容的摘要，而在該步驟504前還包含一摘要程序，說明該處理模組13如何根據該履歷的自傳內容，產生一對應該履歷之自傳內容的摘要，並包括一步驟601、一步驟602、一步驟603、一步驟604、一步驟605、及一步驟606。

在該步驟601中，該處理模組13根據該等歷史履歷的該等自傳內容及該等摘要，利用一深度學習演算法，例如遞迴神經網路，建立一根據一由文字構成的內容產生一摘要的訓練模型，例如GPT-2或Transformer等模型。

在該步驟602中，該處理模組13根據每一歷史履歷所對應的自傳內容，利用該訓練模型產生分別對應每一歷史履歷的多個訓練摘要。

在該步驟603中，對於每一歷史履歷，該處理模組13判斷對應該歷史履歷的該摘要及該訓練摘要的相似度是否大於另一預設閥值。在本實施例中，該處理模組13利用一相似度比對演算法，例如餘弦相似度(cosine similarity)，獲得該歷史履歷的該摘要及該訓練摘要之間的相似度。當判斷相似度並未大於該另一預設閥值時，該處理模組13調整該訓練模型並重新進行該步驟602，亦即該步驟604，當判斷相似度大於該另一預設閥值時，該處理模組13確定該訓練模型為一用以根據一由文字構成的內容產生一摘要的摘要生成模型，亦即該步驟605。

在該步驟606中，當該處理模組13透過該通訊模組11接收到該來自該管理端2且相關於該求職者的履歷時，該處理模組13根據該履歷的該自傳內容，利用該摘要生成模型產生一對應該自傳內容的摘要。

此外，在該第二實施例中，在該步驟504中，該處理模組13儲存該履歷的該自傳內容、每一關鍵字組合、該文本向量、該分數，及該摘要為該等歷史履歷之其中一者。

綜上所述，本發明履歷評分方法，藉由該處理模組13根據該等正規表示式、該向量生成模型，及該評分模型產生一對應該履歷的分數，藉此，能夠節省相關工作人員對於每一履歷進行評估篩選的時間人力成本，同時由於統一藉由該處理模組根據該評分模型產生該分數，一併避免了由於各人見解相異或是人為失誤所造成的問題，例如履歷誤篩選或是誤評分，此外，藉由該處理模組13根據該摘要生成模型產生一對應該自傳內容的摘要，藉此，當審核履歷者對於某些分數的履歷感到興趣時，可透過該摘要迅速地更進一步了解該求職者，進而節省閱讀整份履歷所花費的時間人力成本，故確實能達成本發明的目的。

惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。

1:伺服端 100:通訊網路 11:通訊模組 12:儲存模組 13:處理模組 2:管理端 301~305:步驟 401~405:步驟 501~504:步驟 601~606:步驟

本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中：圖1是一方塊圖，說明本發明履歷評分系統的一第一實施例經由一通訊網路連接一管理端；圖2是一流程圖，說明該第一實施例所執行的本發明履歷評分方法之一向量生成模型訓練程序；圖3是一流程圖，說明該第一實施例所執行的本發明履歷評分方法之一評分模型訓練程序；圖4是一流程圖，說明該第一實施例所執行的本發明履歷評分方法之一評分程序；及圖5是一流程圖，說明一第二實施例所執行的本發明履歷評分方法之一摘要程序。

1:伺服端

100:通訊網路

11:通訊模組

12:儲存模組

13:處理模組

2:管理端

Claims

一種履歷評分方法，由一伺服端實施，該履歷包含一求職者填寫的一學經歷內容，及一個人介紹的自傳內容，該伺服端包含多個正規表示式、一向量生成模型，及一評分模型，該每一正規表示式具有一預定關鍵字，該向量生成模型用以根據一由文字構成的內容產生一文本向量，該評分模型依據該正規表示式產生的結果和該向量生成模型產生的文本向量產生一分數，該履歷評分方法包含以下步驟：(A)當該伺服端接收到該相關於該求職者的履歷時，對於每一正規表示式，該伺服端根據該學經歷內容利用該正規表示式獲得該學經歷內容中對應於該正規表示式之預定關鍵字的關鍵字內容，其中每一正規表示式之預定關鍵字及其對應的關鍵字內容構成一對應的關鍵字組合；(B)該伺服端根據該自傳內容，利用該向量生成模型產生一對應該自傳內容的文本向量；(C)該伺服端根據每一關鍵字組合及該文本向量，利用該評分模型產生一對應該履歷的分數；(D)該伺服端儲存該履歷的該自傳內容、每一關鍵字組合、該文本向量，及該分數成一歷史履歷；(E)該伺服端將所儲存的多筆歷史履歷區分為一訓練子集及一測試子集；(F)該伺服端根據該訓練子集中每一歷史履歷所對應的該關鍵字組合、該文本向量，及該分數，利用一機器學習演算法建立一根據該等關鍵字組合及該文本向量產生一訓練分數的第一訓練模型；(G)該伺服端根據該訓練子集及該測試子集中每一歷史履歷所對應的該關鍵字組合、該文本向量，及該分數，判斷該第一訓練模型是否過度擬合或擬合不足；(H)當該伺服端判斷該第一訓練模型過度擬合或擬合不足時，該伺服端調整該第一訓練模型並重新進行該步驟(G)；及(I)當該伺服端判斷該第一訓練模型並未過度擬合與擬合不足時，該伺服端將該第一訓練模型作為執行該步驟(C)時的該評分模型。
如請求項1所述的履歷評分方法，還包含以下步驟：(J)該伺服端根據多筆歷史履歷的自傳內容及文本向量，利用一深度學習演算法建立一用以根據一由文字構成的內容產生一文本向量的第二訓練模型；(K)該伺服端根據每一歷史履歷所對應的自傳內容，利用該第二訓練模型產生分別對應每一歷史履歷的多個訓練文本向量；(L)對於每一歷史履歷，該伺服端判斷對應該歷史履歷的該文本向量及該訓練文本向量的相似度是否大於一預設閥值；(M)當該伺服端判斷相似度並未大於該預設閥值時，該伺服端調整該第二訓練模型並重新進行該步驟(K)；及(N)當該伺服端判斷相似度大於該預設閥值時，該伺服端將該第二訓練模型作為執行該步驟(B)時的該向量生成模型。
如請求項1所述的履歷評分方法，其中，該伺服端還包含一摘要生成模型，該摘要生成模型用以根據一由文字構成的內容產生一摘要，在該步驟(C)後還包含以下步驟：(O)該伺服端根據該自傳內容，利用該摘要生成模型產生一對應該自傳內容的摘要。
如請求項3所述的履歷評分方法，該伺服端還包含多筆歷史履歷，該每一歷史履歷包括所對應之歷史履歷的一自傳內容及一摘要，其中，在該步驟(O)前還包含以下步驟：(P)該伺服端根據該等歷史履歷的該等自傳內容及該等摘要，利用一深度學習演算法建立一根據一由文字構成的內容產生一摘要的訓練模型；(Q)該伺服端根據每一歷史履歷所對應的自傳內容，利用該訓練模型產生分別對應每一歷史履歷的多個訓練摘要；(R)對於每一歷史履歷，該伺服端判斷對應該歷史履歷的該摘要及該訓練摘要的相似度是否大於另一預設閥值；(S)當該伺服端判斷相似度並未大於該另一預設閥值時，該伺服端調整該訓練模型並重新進行該步驟(Q)；及(T)當該伺服端判斷相似度大於該另一預設閥值時，該伺服端確定該訓練模型為該摘要生成模型。
一種履歷評分系統，用以對一履歷產生評分，並經由一通訊網路連接一管理端，該履歷包含一求職者填寫的一學經歷內容，及一個人介紹的自傳內容，該履歷評分系統包含：一通訊模組，連接至該通訊網路；一儲存模組，儲存有多個正規表示式、一向量生成模型，及一評分模型，該每一正規表示式具有一預定關鍵字，該向量生成模型用以根據一由文字構成的內容產生一文本向量，該評分模型依據該正規表示式產生的結果和該向量生成模型產生的文本向量產生一分數；及一處理模組，電連接該通訊模組及該儲存模組；其中，當該處理模組透過該通訊模組接收到來自於該管理端的該相關於該求職者的履歷時，對於每一正規表示式，該處理模組根據該學經歷內容利用該正規表示式獲得該學經歷內容中對應於該正規表示式之預定關鍵字的關鍵字內容，其中每一正規表示式之預定關鍵字及其對應的關鍵字內容構成一對應的關鍵字組合，並根據該自傳內容，利用該向量生成模型產生一對應該自傳內容的文本向量，以及根據每一關鍵字組合及該文本向量，利用該評分模型產生一對應該履歷的分數，該處理模組將該履歷的該自傳內容、該每一關鍵字組合、該文本向量，及該分數儲存至該儲存模組成一歷史履歷，且該處理模組將該儲存模組將所儲存的多筆歷史履歷區分為一訓練子集及一測試子集，並根據該訓練子集中每一歷史履歷所對應的該關鍵字組合、該文本向量，及該分數，利用一機器學習演算法建立一根據該等關鍵字組合及該文本向量產生一訓練分數的第一訓練模型，且根據該訓練子集及該測試子集中每一歷史履歷所對應的該關鍵字組合、該文本向量，及該分數，判斷該第一訓練模型是否過度擬合或擬合不足，當判斷該第一訓練模型過度擬合或擬合不足時，調整該第一訓練模型並重新判斷是否過度擬合或擬合不足，及當判斷該第一訓練模型並未過度擬合與擬合不足時，將該第一訓練模型作為該評分模型。
如請求項5所述的履歷評分系統，其中，該處理模組根據儲存於該儲存模組的多筆歷史履歷的自傳內容及文本向量，利用一深度學習演算法建立一用以根據一由文字構成的內容產生一文本向量的第二訓練模型，並根據每一歷史履歷所對應的自傳內容，利用該第二訓練模型產生分別對應每一歷史履歷的多個訓練文本向量，對於每一歷史履歷，該處理模組判斷對應該歷史履歷的該文本向量及該訓練文本向量的相似度是否大於一預設閥值，當判斷相似度並未大於該預設閥值時，調整該第二訓練模型並重新產生該等訓練文本向量及判斷相似度，當判斷相似度大於該預設閥值時，將該第二訓練模型作為該向量生成模型。
如請求項5所述的履歷評分系統，其中，該儲存模組還儲存有一摘要生成模型，該摘要生成模型用以根據一由文字構成的內容產生一摘要，該處理模組根據該自傳內容，利用該摘要生成模型產生一對應該自傳內容的摘要。
如請求項7所述的履歷評分系統，其中，該儲存模組還儲存有多筆歷史履歷，該每一歷史履歷包括所對應之歷史履歷的一自傳內容及一摘要，該處理模組根據該等自傳內容及該等摘要，利用一深度學習演算法建立一根據一由文字構成的內容產生一摘要的訓練模型，並根據每一歷史履歷所對應的自傳內容，利用該訓練模型產生分別對應每一歷史履歷的多個訓練摘要，對於每一歷史履歷，該處理模組判斷對應該歷史履歷的該摘要及該訓練摘要的相似度是否大於另一預設閥值，當判斷相似度並未大於該另一預設閥值時，調整該訓練模型並重新產生該等訓練摘要及判斷相似度，當判斷相似度大於該另一預設閥值時，將該訓練模型作為該摘要生成模型。