本发明公开了一种基于简历内容的职位推荐方法，包括以下步骤：获取每个招聘职位的招聘信息，依据招聘信息为每个招聘职位生成一个职位向量Pi，所有职位向量构成职位向量集P；获取每个用户简历中的简历信息，依据简历信息为每个用户简历生成一个简历向量Rj，所有简历向量构成简历向量集R；依据目标简历的简历向量遍历职位向量集中职位向量，对职位向量采用一票否决法进行排除，剩余职位向量生成候选职位向量集；计算目标简历对应简历信息与候选职位向量集每个职位向量对应招聘信息的相似度，生成职位推荐列表，并推荐给求职者。本发明具有采用一票否决法进行预排除，有效减少相似度算法的计算量，提高推荐效率的有益效果。
1.基于简历内容的职位推荐方法，其特征在于，包括以下步骤：
获取每个招聘职位的招聘信息，依据招聘信息为每个招聘职位生成一个职位向量Pi，所有职位向量构成职位向量集P，P＝(P1、P2、…、Pi、…、Pm)；
获取每个用户简历中的简历信息，依据简历信息为每个用户简历生成一个简历向量Rj，所有简历向量构成简历向量集R，R＝(R1、R2、…、Rj、…、Rm)，其中，每个招聘职位的职位信息、每个用户简历中的简历信息均包括用于表示职位信息、工作地信息、薪资信息、职位类型信息、学历信息、工作经验信息、行业信息的关键词；
选中一份用户简历作为目标简历，依据目标简历的简历向量遍历职位向量集中职位向量，对职位向量按照职位信息、工作地信息、薪资信息、职位类型信息、学历信息采用一票否决法进行排除，剩余职位向量生成候选职位向量集；
依据职位信息、工作地信息、薪资信息、学历信息、工作经验信息、行业信息计算目标简历对应简历信息与候选职位向量集每个职位向量对应招聘信息的相似度，筛选出与目标简历相似度最高的前N个招聘职位生成职位推荐列表，并推荐给求职者。
2.如权利要求1所述的基于简历内容的职位推荐方法，其特征在于，每个招聘职位的招聘信息的职位信息包括职位类别大类，职位类别小类，职位名称；行业信息包括主要行业，次要行业；工作地信息包括工作地城市、区域；
每个用户简历的简历信息的职位信息包括期望从事职业大类，期望从事职业小类，职位类别大类，职位类别小类，职位名称；工作地信息包括期望工作地城市、区域，及现居住地、区域，薪资信息包括期望月薪，职位月薪；行业信息包括期望从事行业，行业类别；其中，职位类别大类、职位类别小类、职位名称、职位月薪、行业类别均为求职者最近一份工作的对应属性。
3.如权利要求2所述的基于简历内容的职位推荐方法，其特征在于，分别建立用于招聘信息、简历信息输入的包括既定义关键词选项的输入页面框；
获取每个招聘职位的招聘信息的方法为：引导招聘者选择并输入既定义关键词，获取招聘者输入的既定义关键词、及既定义关键词属性，组合生成对应招聘职位的招聘信息；
获取每个用户简历中的简历信息的方法为：引导求职者选择并输入既定义关键词，获取求职者输入的既定义关键词、及既定义关键词属性，组合生成对应用户简历中的简历信息。
4.如权利要求3所述的基于简历内容的职位推荐方法，其特征在于，进行学历信息输入时，对应的既定义关键词选项包括基础学历选项和技能学历选项，基础学历选项包括初中、高中、大专、本科、硕士、博士，技能学历选项包括中技、中专、MBA、EMBA，其中，招聘信息对应的基础学历选项还包括不限，简历信息对应的基础学历选项还包括其他，对学历信息对应的每个既定义关键词进行量化得：不限＝-1、其他＝0、初中＝1、高中＝2、大专＝3、本科＝
4、硕士＝5、博士＝6、中技＝2、中专＝3、MBA＝5、EMBA＝6；
定义职位向量为B端，简历向量为C端，对职位向量按照职位信息、工作地信息、薪资信息、职位类型信息、学历信息采用一票否决法进行排除具体为：判断B端分量职位名称是否包含于C端分量职位信息涵盖的全部职位名称集合中，若否，排除；
若是，判断B端分量工作地城市是否包含于C端表示工作地信息的分量中，若否，排除；
若是，判断B端分量薪资信息表示的薪资下限是否小于C端分量期望月薪表示的薪资下限、且小于C端分量职位月薪表示的薪资下限，若是，排除；
若否，判断B端分量职位类型信息表示的职位类型是否与C端分量职位类型信息表示的职位类型相同，若否，排除；
若是，判断B端分量学历信息对应量化值是否等于-1，若是，存入候选职位向量集；
若否，判断|B端分量学历信息对应量化值-C端分量学历信息对应量化值|≤2是否成立，若否，排除，若是，存入候选职位向量集。
5.如权利要求4所述的基于简历内容的职位推荐方法，其特征在于，进行工作经验信息输入时，对应的既定义关键词选项包括：0、1年以下、1-3年、3-5年、5-7年、7-9年、10年以上，对工作经验信息对应的既定义关键词由上至下依次定义为1挡、2挡、3挡、…、7挡；
目标简历对应简历信息与候选职位向量集中职位向量对应招聘信息的相似度为Y(Pi,Rj)，Y(Pi,Rj)＝y1+y2+y3+y4+y5+y6+c，y1、y2、y3、y4、y5、y6分别表示目标简历与对应招聘职位关于职位信息、工作地信息、薪资信息、学历信息、工作经验信息、行业信息的相似度，其中：y1max＝3.5a，a>0，计算y1的取值时，由高往低逐级计算，包括以下级：当B端分量职位类别小类与C端分量职位类别小类和期望从事职业小类之一均相同、且B端分量职位名称与C端分量职位名称相同时，y1＝3.5a；
当B端分量职位类别小类与C端分量职位类别小类和期望从事职业小类之一中一个相同、且B端分量职位名称与C端分量职位名称相同时，y1＝3a；
当B端分量职位类别大类与C端分量职位类别大类和期望从事职业大类之一相同、且B端分量职位名称与C端分量职位名称相同时，y1＝2.5a；
当B端分量职位类别大类与C端分量职位类别大类和期望从事职业大类之一中的一个相同、且B端分量职位名称与C端分量职位名称相同时，y1＝2a；
当B端分量职位名称与C端分量职位名称相同时，y1＝a；
y2max＝1.5a，计算y2的取值时，由高往低逐级计算，包括以下步骤：当B端分量工作地信息与C端分量期望工作地信息均完全相同，y2＝1.5a；
当B端分量工作地信息与C端分量期望工作地信息之一完全相同，y2＝1.3a；
当B端分量工作地信息与C端分量现居住城市相同，y2＝a；
y3max＝2a，计算y3的取值时，由高往低逐级计算，包括以下步骤：当B端分量薪资信息为面议、或C端分量期望月薪为面议且职位月薪为保密时，y3＝a；
当B端分量薪资信息表示的薪资下限≥C端分量期望月薪表示的薪资下限，且B端分量薪资信息表示的薪资下限≤C端分量期望月薪表示的薪资上限≤B端分量薪资信息表示的薪资上限时，y3＝2a；
当B端分量薪资信息表示的薪资下限≥C端分量职位月薪表示的薪资下限，且B端分量薪资信息表示的薪资下限≤C端分量职位月薪表示的薪资上限≤B端分量薪资信息表示的薪资上限时，y3＝1.7a；
当|B端分量薪资信息表示的薪资下限-C端分量期望月薪表示的薪资下限|≤|C端分量期望月薪表示的薪资上限-C端分量期望月薪表示的薪资下限|时，y3＝1.5a；
y4max＝a，计算y4的取值时，由高往低逐级计算，包括以下步骤：当B端分量基础学历对应量化值＝C端分量基础学历对应量化值时，y4＝a；
当B端分量技能学历对应量化值＝C端分量技能学历对应量化值，且|C端分量基础学历对应量化值-B端分量技能学历对应量化值|≤1时，y4＝a；
当B端分量技能学历对应量化值＝-1时，y4＝0.5a；
当|C端分量基础学历对应量化值-B端分量技能学历对应量化值|≤1时，y4＝0.5a；
当C端分量工作经验信息的档位＝B端分量工作经验信息表示的档位时，y5＝2a；
当C端分量工作经验信息的档位为1挡，C端分量工作经验信息的档位-B端分量工作经验信息表示的档位＝-1时，或当C端分量工作经验信息的档位不为1挡，C端分量工作经验信息的档位-B端分量工作经验信息表示的档位＝1时，y5＝1.5a；
当C端分量工作经验信息的档位为1挡，C端分量工作经验信息的档位-B端分量工作经验信息表示的档位＝-2时，或当C端分量工作经验信息的档位不为1挡，C端分量工作经验信息的档位-B端分量工作经验信息表示的档位＝-1时，y5＝a；
y6max＝a，计算y6的取值时，由高往低逐级计算，包括以下步骤：当B端分量主要行业与C端分量期望从事行业之一和行业类别均相同时，y6＝a；
当B端分量主要行业与C端分量期望从事行业之一和行业类别中一个相同时，y6＝0.8a；
当B端分量次要行业之一与C端分量期望从事行业之一和行业类别均相同时，y6＝0.6a；
当B端分量次要行业之一与C端分量期望从事行业之一和行业类别中一个相同时，y6＝
当y2≥a、y3≥1.7a、y5≥1.5a、且y6≥0.8a时，c＝5a；当y2≥a、y3≥1.7a、且y5≥1.5a时，c＝4a；当y2≥a、且y5≥1.5a时，c＝3a。
6.如权利要求5所述的基于简历内容的职位推荐方法，其特征在于，当求职者选择并输入既定义关键词完成用户简历创建时、或求职者更改简历并完成时，选中该份用户简历最为目标简历。
7.如权利要求6所述的基于简历内容的职位推荐方法，其特征在于，当产生新的职位向量时，选中简历向量集中全部简历向量对应的用户简历为目标简历。
基于简历内容的职位推荐方法
技术领域
[0001] 本发明涉及网络招聘技术领域。更具体地说，本发明涉及一种基于简历内容的职位推荐方法。
背景技术
[0002] 随着国际互联网在中国的普及，中国的网络招聘领域表现出了蓬勃发展之势。迅速增长的网络招聘规模在给求职者带来更多的选择机会的同时，也增加了求职者搜索所需要职位的成本。为此各大著名的网络招聘网站都不同程度的引入了职位推荐系统，帮助求职者决定投递什么职位。当前网络招聘推荐技术研究的热点是协同排除推荐技术(Collaborative Filtering)，协同排除推荐算法主要是基于一组兴趣相同的求职者进行推荐。其最大优点是不需要分析对象的特征属性，对推荐对象没有特殊的要求，当数据密度达到一定程度时表现出较好的推荐质量。但是这种方法有如下明显的不足之处：一是数据稀疏性问题(sparsity problem)，即求职者对职位评分数据比较少的时候推荐质量比较低，特别是在职位数据非常多而求职者数据较少时该问题尤为突出；并且当新添加一件职位时没有评分数据，则协同排除技术无法向求职者推荐这样的职位，这种问题称为新职位问题，同样，一个新求职者没有对任何数据做过评分，协同排除技术也无法向该求职者推荐职位，此种问题称为新求职者问题。新职位问题和新求职者问题都称为冷启动问题(cold-start problem)。二是可扩展性问题(scalability)，协同排除算法的计算时间随着求职者和职位数量的增加而成线性关系增加，从而导致可扩展性比较差，不能适应大型招聘网站的推荐需要。
发明内容
[0003] 本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
[0004] 本发明还有一个目的是提供一种基于简历内容的职位推荐方法，其采用一票否决法进行预排除，有效减少相似度算法的计算量，提高推荐效率。
[0005] 为了实现根据本发明的这些目的和其它优点，提供了一种基于简历内容的职位推荐方法，包括以下步骤：
[0006] 获取每个招聘职位的招聘信息，依据招聘信息为每个招聘职位生成一个职位向量Pi，所有职位向量构成职位向量集P，P＝(P1、P2、…、Pi、…、Pm)；
[0007] 获取每个用户简历中的简历信息，依据简历信息为每个用户简历生成一个简历向量Rj，所有简历向量构成简历向量集R，R＝(R1、R2、…、Rj、…、Rm)，其中，每个招聘职位的职位信息、每个用户简历中的简历信息均包括用于表示职位信息、工作地信息、薪资信息、职位类型信息、学历信息、工作经验信息、行业信息的关键词；
[0008] 选中一份用户简历作为目标简历，依据目标简历的简历向量遍历职位向量集中职位向量，对职位向量按照职位信息、工作地信息、薪资信息、职位类型信息、学历信息采用一票否决法进行排除，剩余职位向量生成候选职位向量集；
[0009] 依据职位信息、工作地信息、薪资信息、学历信息、工作经验信息、行业信息计算目标简历对应简历信息与候选职位向量集每个职位向量对应招聘信息的相似度，筛选出与目标简历相似度最高的前N个招聘职位生成职位推荐列表，并推荐给求职者。
[0010] 优选的是，每个招聘职位的招聘信息的职位信息包括职位类别大类，职位类别小类，职位名称；行业信息包括主要行业，次要行业；工作地信息包括工作地城市、区域；
[0011] 每个用户简历的简历信息的职位信息包括期望从事职业大类，期望从事职业小类，职位类别大类，职位类别小类，职位名称；工作地信息包括期望工作地城市、区域，及现居住地、区域，薪资信息包括期望月薪，职位月薪；行业信息包括期望从事行业，行业类别；其中，职位类别大类、职位类别小类、职位名称、职位月薪、行业类别均为求职者最近一份工作的对应属性。
[0012] 优选的是，分别建立用于招聘信息、简历信息输入的包括既定义关键词选项的输入页面框；
[0013] 获取每个招聘职位的招聘信息的方法为：引导招聘者选择并输入既定义关键词，获取招聘者输入的既定义关键词、及既定义关键词属性，组合生成对应招聘职位的招聘信息；
[0014] 获取每个用户简历中的简历信息的方法为：引导求职者选择并输入既定义关键词，获取求职者输入的既定义关键词、及既定义关键词属性，组合生成对应用户简历中的简历信息。
[0015] 优选的是，进行学历信息输入时，对应的既定义关键词选项包括基础学历选项和技能学历选项，基础学历选项包括初中、高中、大专、本科、硕士、博士，技能学历选项包括中技、中专、MBA、EMBA，其中，招聘信息对应的基础学历选项还包括不限，简历信息对应的基础学历选项还包括其他，对学历信息对应的每个既定义关键词进行量化得：不限＝-1、其他＝0、初中＝1、高中＝2、大专＝3、本科＝4、硕士＝5、博士＝6、中技＝2、中专＝3、MBA＝5、EMBA＝6；
[0016] 定义职位向量为B端，简历向量为C端，对职位向量按照职位信息、工作地信息、薪资信息、职位类型信息、学历信息采用一票否决法进行排除具体为：
[0017] 判断B端分量职位名称是否包含于C端分量职位信息涵盖的全部职位名称集合中，若否，排除；
[0018] 若是，判断B端分量工作地城市是否包含于C端表示工作地信息的分量中，若否，排除；
[0019] 若是，判断B端分量薪资信息表示的薪资下限是否小于C端分量期望月薪表示的薪资下限、且小于C端分量职位月薪表示的薪资下限，若是，排除；
[0020] 若否，判断B端分量职位类型信息表示的职位类型是否与C端分量职位类型信息表示的职位类型相同，若否，排除；
[0021] 若是，判断B端分量学历信息对应量化值是否等于-1，若是，存入候选职位向量集；
[0022] 若否，判断|B端分量学历信息对应量化值-C端分量学历信息对应量化值|≤2是否成立，若否，排除，若是，存入候选职位向量集。
[0023] 优选的是，进行工作经验信息输入时，对应的既定义关键词选项包括：0、1年以下、1-3年、3-5年、5-7年、7-9年、10年以上，对工作经验信息对应的既定义关键词由上至下依次定义为1挡、2挡、3挡、…、7挡；
[0024] 目标简历对应简历信息与候选职位向量集中职位向量对应招聘信息的相似度为Y(Pi,Rj)，Y(Pi,Rj)＝y1+y2+y3+y4+y5+y6+c，y1、y2、y3、y4、y5、y6分别表示目标简历与对应招聘职位关于职位信息、工作地信息、薪资信息、学历信息、工作经验信息、行业信息的相似度，其中：
[0025] y1max＝3.5a，a>0，计算y1的取值时，由高往低逐级计算，包括以下级：
[0026] 当B端分量职位类别小类与C端分量职位类别小类和期望从事职业小类之一均相同、且B端分量职位名称与C端分量职位名称相同时，y1＝3.5a；
[0027] 当B端分量职位类别小类与C端分量职位类别小类和期望从事职业小类之一中一个相同、且B端分量职位名称与C端分量职位名称相同时，y1＝3a；
[0028] 当B端分量职位类别大类与C端分量职位类别大类和期望从事职业大类之一相同、且B端分量职位名称与C端分量职位名称相同时，y1＝2.5a；
[0029] 当B端分量职位类别大类与C端分量职位类别大类和期望从事职业大类之一中的一个相同、且B端分量职位名称与C端分量职位名称相同时，y1＝2a；
[0030] 当B端分量职位名称与C端分量职位名称相同时，y1＝a；
[0031] 当上述条件均不满足时，y1＝0.5a；
[0032] y2max＝1.5a，计算y2的取值时，由高往低逐级计算，包括以下步骤：
[0033] 当B端分量工作地信息与C端分量期望工作地信息均完全相同，y2＝1.5a；
[0034] 当B端分量工作地信息与C端分量期望工作地信息之一完全相同，y2＝1.3a；
[0035] 当B端分量工作地信息与C端分量现居住城市相同，y2＝a；
[0036] 当上述条件均不满足时，y2＝0；
[0037] y3max＝2a，计算y3的取值时，由高往低逐级计算，包括以下步骤：
[0038] 当B端分量薪资信息为面议、或C端分量期望月薪为面议且职位月薪为保密时，y3＝a；
[0039] 当B端分量薪资信息表示的薪资下限≥C端分量期望月薪表示的薪资下限，且B端分量薪资信息表示的薪资下限≤C端分量期望月薪表示的薪资上限≤B端分量薪资信息表示的薪资上限时，y3＝2a；
[0040] 当B端分量薪资信息表示的薪资下限≥C端分量职位月薪表示的薪资下限，且B端分量薪资信息表示的薪资下限≤C端分量职位月薪表示的薪资上限≤B端分量薪资信息表示的薪资上限时，y3＝1.7a；
[0041] 当|B端分量薪资信息表示的薪资下限-C端分量期望月薪表示的薪资下限|≤|C端分量期望月薪表示的薪资上限-C端分量期望月薪表示的薪资下限|时，y3＝1.5a；
[0042] 当上述条件均不满足时，y3＝0.5a；
[0043] y4max＝a，计算y4的取值时，由高往低逐级计算，包括以下步骤：
[0044] 当B端分量基础学历对应量化值＝C端分量基础学历对应量化值时，y4＝a；
[0045] 当B端分量技能学历对应量化值＝C端分量技能学历对应量化值，且|C端分量基础学历对应量化值-B端分量技能学历对应量化值|≤1时，y4＝a；
[0046] 当B端分量技能学历对应量化值＝-1时，y4＝0.5a；
[0047] 当|C端分量基础学历对应量化值-B端分量技能学历对应量化值|≤1时，y4＝0.5a；
[0048] 当上述条件均不满足时，y4＝0；
[0049] 当C端分量工作经验信息的档位＝B端分量工作经验信息表示的档位时，y5＝2a；
[0050] 当C端分量工作经验信息的档位为1挡，C端分量工作经验信息的档位-B端分量工作经验信息表示的档位＝-1时，或当C端分量工作经验信息的档位不为1挡，C端分量工作经验信息的档位-B端分量工作经验信息表示的档位＝1时，y5＝1.5a；
[0051] 当C端分量工作经验信息的档位为1挡，C端分量工作经验信息的档位-B端分量工作经验信息表示的档位＝-2时，或当C端分量工作经验信息的档位不为1挡，C端分量工作经验信息的档位-B端分量工作经验信息表示的档位＝-1时，y5＝a；
[0052] 当上述条件均不满足时，y5＝0.5a；
[0053] y6max＝a，计算y6的取值时，由高往低逐级计算，包括以下步骤：
[0054] 当B端分量主要行业与C端分量期望从事行业之一和行业类别均相同时，y6＝a；
[0055] 当B端分量主要行业与C端分量期望从事行业之一和行业类别中一个相同时，y6＝0.8a；
[0056] 当B端分量次要行业之一与C端分量期望从事行业之一和行业类别均相同时，y6＝0.6a；
[0057] 当B端分量次要行业之一与C端分量期望从事行业之一和行业类别中一个相同时，y6＝0.4a；
[0058] 当上述条件均不满足时，y6＝0；
[0059] 当y2≥a、y3≥1.7a、y5≥1.5a、且y6≥0.8a时，c＝5a；当y2≥a、y3≥1.7a、且y5≥1.5a时，c＝4a；当y2≥a、且y5≥1.5a时，c＝3a。
[0060] 优选的是，当求职者选择并输入既定义关键词完成用户简历创建时、或求职者更改简历并完成时，选中该份用户简历最为目标简历。
[0061] 优选的是，当产生新的职位向量时，选中简历向量集中全部简历向量对应的用户简历为目标简历。
[0062] 本发明至少包括以下有益效果：
[0063] 第一、分别建立用于招聘信息、简历信息输入的包括既定义关键词选项的输入页面框，便于招聘信息和简历信息的获取，同时，对获取的简历信息和招聘信息的匹配映射，进而实现采用一票否决法和相似度法对招聘职位进行筛选，获取职位推荐列表；其中，对职位向量按照职位信息、工作地信息、薪资信息、职位类型信息、学历信息采用一票否决法进行排除能够预先删除不符合项，减少相似度算法的计算量，提高推荐效率；
[0064] 第二、相对于协同排除推荐算法，不存在冷启动问题，且可扩展性好，能适应大型招聘网站的推荐需要。
[0065] 本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
[0066] 图1为本发明的其中一种技术方案所述基于简历内容的职位推荐方法的流程示意图；
[0067] 图2为本发明的其中一种技术方案所述一票否决法的决策示意图；
[0068] 图3为本发明的其中一种技术方案所述相似度计算的流程示意图。
具体实施方式
[0069] 下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
[0070] 如图1-3所示，基于简历内容的职位推荐方法，包括以下步骤：
[0071] 步骤一、建立用于招聘信息输入的包括既定义关键词选项的输入页面框，即招聘者在人力资源网站上进行招聘信息发布时使用的登记模板Ⅰ，登记模板Ⅰ至少包括用于选择并输入职位信息、工作地信息、薪资信息、职位类型信息、学历信息、工作经验信息、行业信息的7个母信息框，其中：
[0072] 职位按照依次包含的关系划分为职位类别大类、职位类别小类、职位类别细类(即职位名称)，每个职位类别大类包含多个职位类别小类，每个职位类别小类包含多个职位名称，职位信息的母信息框包括三级选项，分别为职位类别大类、职位类别小类、职位名称，三级选项均为可单独选定的子选项，具体可依据智联招聘、前程无忧等人力资源网站的职位类别分类进行确定，例如：
[0073] 表1职位类别划分
[0074]
[0075] 工作地信息的母信息框对应的既定义关键词选项包括两级选项，分别为工作地城市(城市)、区域；
[0076] 薪资信息的母信息框包括薪资下限、薪资上限两个选项，每个选项的既定义关键词为由小至大排类的金额数字，薪资下限和薪资上限构成薪资范围，薪资信息的母信息框为选择性填取项，当招聘者未选择并输入信息时，或薪资上限-薪资下限≥20k时，和默认薪资信息为“面议”；
[0077] 职位类型信息的母信息框对应的既定义关键词选项包括：全职、兼职、实习、校园；
[0078] 进行学历信息输入时，学历信息的母信息框包括两个选项，分别为基础学历和技能学历，基础学历的既定义关键词包括不限，初中、高中、大专、本科、硕士、博士，技能学历的既定义关键词为中技、中专、MBA、EMBA；
[0079] 工作经验信息的母信息框对应的既定义关键词选项包括：0(表示不限)、1年以下、1-3年、3-5年、5-7年、7-9年、10年以上，工作经验＝当前时间-初次参加工作时间；
[0080] 行业信息的母信息框包括主要行业、次要行业两个子信息框，其中，主要行业和次要行业的既定义关键词选项相同，均为行业信息中各分类选项；
[0081] 步骤二、引导招聘者选择并输入既定义关键词，获取招聘者输入的既定义关键词、及每个既定义关键词属性，组合生成对应招聘职位的招聘信息；
[0082] 依据招聘信息为每个招聘职位生成一个职位向量Pi，Pi＝(职位信息(职位类别大类、职位类别小类、职位名称)、工作地信息(城市、区域)、薪资信息、职位类型信息、学历信息、工作经验信息、行业信息(主要行业、次要行业))，其中，例如：“属性”职位信息包括三级选项，即为三个“子属性”，“子属性”职位类别大类、“子属性”职位类别小类、“子属性”职位名称，“子属性”职位类别大类对应的既定义关键词为<能源|环保|农业|金融>，所有职位向量构成职位向量集P，P＝(P1、P2、…、Pi、…、Pm)；
[0083] 步骤二、建立用于简历信息输入的包括既定义关键词选项的输入页面框，即求职者在对应人力资源网站上进行简历填写时使用的登记模板Ⅱ，登记模板Ⅱ至少包括用于选择并输入职位信息、工作地信息、薪资信息、职位类型信息、学历信息、工作经验信息、行业信息的7个母信息框，其中，
[0084] 职位信息的母信息框包括两个子信息框，其中一子信息框包括二级选项，分别为期望从事职业大类、期望从事职业小类，另一子信息框包括三级选项，分别为职位类别大类、职位类别小类、职位名称，登记模板Ⅱ的选项期望从事职业大类、职位类别大类的既定关键词选项与登记模板Ⅰ选项职位类别大类的既定关键词选项相同，即职位类别分类方法相同，且期望从事职业大类与职位类别大类对应，期望从事职业小类与职位类别小类对应，且期望从事职业大类、期望从事职业小类均为多选项，即用户简历中期望从事职业大类、期望从事职业小类对应选定输入的关键词均包括至少一个；
[0085] 工作地信息的母信息框包括两个子信息框，分别为期望工作地信息、现居住地信息，期望工作地信息包括二级选项，分别为期望工作城市、区域，现居住地信息包括二级选项，分别为现居住城市、区域，且期望工作地信息为多选项，即用户简历中期望工作地信息对应选定输入的关键词包括至少一组，例如包括：上海市、黄浦区，上海市、浦东新区，及天津、和平区3组；
[0086] 薪资信息的母信息框包括两个子信息框，分别为期望月薪、职位月薪；期望月薪和职位月薪均包括薪资下限、薪资上限两个选项，其中，期望月薪的子信息框、职位月薪的子信息框均为选择性填取项，当期望月薪的子信息框求职者未选择并输入信息时，默认薪资信息为“面议”，当职位月薪的子信息框求职者未选择并输入信息时，默认薪资信息为“保密”；
[0087] 登记模板Ⅰ的职位类型信息的母信息框同登记模板Ⅰ的职位类型信息的母信息框，[0088] 进行学历信息输入时，登记模板Ⅰ的学历信息的母信息框同登记模板Ⅰ的学历信息的母信息框，不同的在于基础学历的既定义关键词选项中将“不限”更改为“其他”；
[0089] 登记模板Ⅰ的工作经验信息的母信息框同登记模板Ⅰ的工作经验信息的母信息框，不同的在于工作经验信息的既定义关键词选项中将“不限”更改为“0”；
[0090] 行业信息的母信息框包括两个子信息框，分别为期望从事行业、行业类别，期望从事行业、行业类别与主要行业既定义关键词选项相同，且期望从事行业为多选项，即用户简历中期望从事行业对应选定输入的关键词包括至少一个；
[0091] 综上，职位类别大类、职位类别小类、职位名称、职位月薪、行业类别均为求职者最近一份工作的对应属性，若无，可不填；
[0092] 引导求职者选择并输入既定义关键词，获取求职者输入的既定义关键词、每个既定义关键词的属性，组合生成对应用户简历中的简历信息，其中，属性包括母属性、子属性，母属性为7个母信息框对应属性，即“职位信息、工作地信息、薪资信息、职位类型信息、学历信息、工作经验信息、行业信息”；
[0093] 依据简历信息为每个用户简历生成一个简历向量Rj，Rj＝(职位信息(期望从事职业大类、期望从事职业小类、职位类别大类、职位类别小类、职位名称)、工作地信息(期望工作城市、区域，现居住城市、区域)、薪资信息(期望月薪、职位月薪)、职位类型信息、学历信息、工作经验信息、行业信息(期望从事行业、行业类别))，其中，例如：“母属性”职位信息包括两个子信息框，两个子信息框对应5个选项，即为5个“子属性”，“子属性”期望从事职业大类、“子属性”期望从事职业小类、“子属性”职位类别大类、“子属性”职位类别小类、“子属性”职位名称，“子属性”职位名称对应既定义关键词<环保技术工程师>，所有简历向量构成简历向量集R，R＝(R1、R2、…、Rj、…、Rm)；
[0094] 步骤三、依据属性相同建立简历向量中各个分量与职位向量中各个分量间的映射关系；
[0095] 步骤四、选中一份用户简历作为目标简历，依据目标简历的简历向量遍历职位向量集中职位向量，对职位向量按照职位信息、工作地信息、薪资信息、职位类型信息、学历信息采用一票否决法进行排除，剩余职位向量生成候选职位向量集；
[0096] 首先、定义职位向量为B端，简历向量为C端，并对学历信息对应的每个既定义关键词进行量化得：不限＝-1、其他＝0、初中＝1、高中＝2、大专＝3、本科＝4、硕士＝5、博士＝6、中技＝2、中专＝3、MBA＝5、EMBA＝6，则对职位向量按照职位信息、工作地信息、薪资信息、职位类型信息、学历信息采用一票否决法进行排除的方法为：
[0097] 判断B端分量职位名称是否包含于C端分量职位信息涵盖的全部职位名称集合中，若否，排除，其中，C端分量职位信息涵盖的全部职位名称集合包括职位名称Ⅰ(期望从事职业大类下属包含的全部职位名称)、职位名称Ⅱ(期望从事职业小类下属包含的全部职位名称)、职位名称Ⅲ(职位类别大类下属包含的全部职位名称)、职位名称Ⅳ(职位类别小类下属包含的全部职位名称)、职位名称，C端表示职位信息的分量在与B进行比较判断前，还包括去重处理，由于期望从事职业大类与职位类别大类可能相等等其他原因导致职位名称数据重复，删除重复数据进行去重处理；
[0098] 若是，判断B端分量工作地城市是否包含于C端表示工作地信息的分量中，若否，排除，其中，工作地城市对应关键词仅考虑至城市一级，例如，当B端分量工作地信息对应的关键词为“上海市、黄浦区”，C端分量工作地信息对应的关键词为“上海市、长宁区”、“武汉市、武昌区”，上海市、长宁区为期望工作城市、区域，武汉市、武昌区为现居住城市、区域，则为是，不排除；
[0099] 若是，判断B端分量薪资信息表示的薪资下限是否小于C端分量期望月薪表示的薪资下限、且小于C端分量职位月薪表示的薪资下限，若是，排除，其中，当B端分量薪资信息为“面议”时，均不排除，当C端分量期望月薪为“面议”且职位月薪为“保密”时，均不排除，当C端分量期望月薪为面议或C端分量职位月薪为保密(不包含二者同时发生的情况)，则取其中待遇明确的一个(就是不是面议或保密)薪资下限与B端分量薪资信息表示的薪资下限做比较；
[0100] 若否，判断B端分量职位类型信息表示的职位类型是否与C端分量职位类型信息表示的职位类型相同，若否，排除；
[0101] 若是，判断B端分量学历信息对应量化值是否等于-1，若是，存入候选职位向量集；
[0102] 若否，判断|B端分量学历信息对应量化值-C端分量学历信息对应量化值|≤2是否成立，若否，排除，若是，存入候选职位向量集；
[0103] 其次、目标简历的选择条件(满足其下一点即可)为：
[0104] 条件①：当求职者选择并输入既定义关键词完成用户简历创建时，选中该份用户简历最为目标简历；
[0105] 条件②：当求职者更改简历并完成时，选中该份用户简历最为目标简历；
[0106] 条件③：当产生新的职位向量时，选中简历向量集中全部简历向量对应的用户简历为目标简历，依据目标简历的简历向量遍历职位向量集中新的职位向量；
[0107] 步骤五、依据职位信息、工作地信息、薪资信息、学历信息、工作经验信息、行业信息计算目标简历对应简历信息与候选职位向量集每个职位向量对应招聘信息的相似度，筛选出与目标简历相似度最高的前N个招聘职位生成职位推荐列表，并推荐给求职者，其中，推荐过程中，可以按照时间推荐，也可以按照某个激发点推荐，或者按照时间和激发点配合推荐，按照时间推荐时，设定一定时间间隔分批次推荐，多批次推荐信息不重叠，按照某个激发点推荐，该激发点可设置为求职者用户登录人力资源网站时；
[0108] 进行工作经验信息输入时，对应的既定义关键词选项包括：0、1年以下、1-3年、3-5年、5-7年、7-9年、10年以上，对工作经验信息对应的既定义关键词由上至下依次定义为1挡、2挡、3挡、…、7挡；
[0109] 目标简历对应简历信息与候选职位向量集中职位向量对应招聘信息的相似度为Y(Pi,Rj)，Y(Pi,Rj)＝y1+y2+y3+y4+y5+y6+c，y1、y2、y3、y4、y5、y6分别表示目标简历与对应招聘职位关于职位信息、工作地信息、薪资信息、学历信息、工作经验信息、行业信息的相似度，其中：
[0110] y1max＝3.5a，a>0，计算y1的取值时，由高往低逐级计算，包括以下级：
[0111] 当B端分量职位类别小类与C端分量职位类别小类和期望从事职业小类之一均相同、且B端分量职位名称与C端分量职位名称相同时，y1＝3.5a；
[0112] 当B端分量职位类别小类与C端分量职位类别小类和期望从事职业小类之一中一个相同、且B端分量职位名称与C端分量职位名称相同时，y1＝3a；
[0113] 当B端分量职位类别大类与C端分量职位类别大类和期望从事职业大类之一相同、且B端分量职位名称与C端分量职位名称相同时，y1＝2.5a；
[0114] 当B端分量职位类别大类与C端分量职位类别大类和期望从事职业大类之一中的一个相同、且B端分量职位名称与C端分量职位名称相同时，y1＝2a；
[0115] 当B端分量职位名称与C端分量职位名称相同时，y1＝a；
[0116] 当上述条件均不满足时，y1＝0.5a；
[0117] y2max＝1.5a，计算y2的取值时，由高往低逐级计算，包括以下步骤：
[0118] 当B端分量工作地信息与C端分量工作地信息均完全相同，y2＝1.5a，即B端城市、区域与C端其中一期望工作城市、区域相同，且B端城市、区域与C端现居住城市、区域相同；
[0119] 当B端分量工作地信息与C端分量期望工作地信息之一完全相同，y2＝1.3a，即B端城市、区域与C端其中一期望工作城市、区域相同；
[0120] 当B端分量工作地城市与C端分量现居住城市相同，y2＝a，即B端城市与C端其中一期望工作城市相同；
[0121] 当上述条件均不满足时，y2＝0；
[0122] y3max＝2a，计算y3的取值时，由高往低逐级计算，包括以下步骤：
[0123] 当B端分量薪资信息为面议、或C端分量期望月薪为面议且职位月薪为保密时，y3＝a；
[0124] 当B端分量薪资信息表示的薪资下限≥C端分量期望月薪表示的薪资下限，且B端分量薪资信息表示的薪资下限≤C端分量期望月薪表示的薪资上限≤B端分量薪资信息表示的薪资上限时，y3＝2a；
[0125] 当B端分量薪资信息表示的薪资下限≥C端分量职位月薪表示的薪资下限，且B端分量薪资信息表示的薪资下限≤C端分量职位月薪表示的薪资上限≤B端分量薪资信息表示的薪资上限时，y3＝1.7a；
[0126] 当|B端分量薪资信息表示的薪资下限-C端分量期望月薪表示的薪资下限|≤|C端分量期望月薪表示的薪资上限-C端分量期望月薪表示的薪资下限|时，y3＝1.5a；
[0127] 当上述条件均不满足时，y3＝0.5a；
[0128] y4max＝a，计算y4的取值时，由高往低逐级计算，包括以下步骤：
[0129] 当B端分量基础学历对应量化值＝C端分量基础学历对应量化值时，y4＝a；
[0130] 当B端分量技能学历对应量化值＝C端分量技能学历对应量化值，且|C端分量基础学历对应量化值-B端分量技能学历对应量化值|≤1时，y4＝a；
[0131] 当B端分量技能学历对应量化值＝-1时，y4＝0.5a；
[0132] 当|C端分量基础学历对应量化值-B端分量技能学历对应量化值|≤1时，y4＝0.5a；
[0133] 当上述条件均不满足时，y4＝0；
[0134] y5max＝a，计算y5的取值时，由高往低逐级计算，包括以下步骤：
[0135] 当C端分量工作经验信息的档位＝B端分量工作经验信息表示的档位时，y5＝2a；
[0136] 当C端分量工作经验信息的档位为1挡，C端分量工作经验信息的档位-B端分量工作经验信息表示的档位＝-1时，或当C端分量工作经验信息的档位不为1挡，C端分量工作经验信息的档位-B端分量工作经验信息表示的档位＝1时，y5＝1.5a；
[0137] 当C端分量工作经验信息的档位为1挡，C端分量工作经验信息的档位-B端分量工作经验信息表示的档位＝-2时，或当C端分量工作经验信息的档位不为1挡，C端分量工作经验信息的档位-B端分量工作经验信息表示的档位＝-1时，y5＝a；
[0138] 当上述条件均不满足时，y5＝0.5a；
[0139] 当C端分量工作经验信息为1挡时，具体见表2：
[0140] 表2
[0141]
[0142] y6max＝a，计算y6的取值时，由高往低逐级计算，包括以下步骤：
[0143] 当B端分量主要行业与C端分量期望从事行业之一和行业类别均相同时，y6＝a；
[0144] 当B端分量主要行业与C端分量期望从事行业之一和行业类别中一个相同时，y6＝0.8a；
[0145] 当B端分量次要行业之一与C端分量期望从事行业之一和行业类别均相同时，y6＝0.6a；
[0146] 当B端分量次要行业之一与C端分量期望从事行业之一和行业类别中一个相同时，y6＝0.4a；
[0147] 当上述条件均不满足时，y6＝0；
[0148] 当y2≥a、y3≥1.7a、y5≥1.5a、且y6≥0.8a时，c＝5a；当y2≥a、y3≥1.7a、且y5≥1.5a时，c＝4a；当y2≥a、且y5≥1.5a时，c＝3a。
[0149] 尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
