一种智能简历推送系统及方法

摘要

本发明提出了一种智能简历推送系统及方法，通过监测互联网网页数据，识别岗位训练要素生成岗位链表，将所述岗位链表数据链发送至算法池模块根据匹配满意度预测算法进行计算获得岗位匹配结果及简历匹配结果，将结果发送至客户端程序模块进行展示。本发明还能够通过客户端程序获取用户输入岗位匹配请求和简历数据综合计算获得所需简历，使用树型数据匹配算法，提高了计算速度快和识别效率高，同时还提高了数据匹配精度，能够满足大数据技术所要求的规范化人岗数据格式。

权利要求

1.一种智能简历推送系统，其特征在于：所述系统包括：客户端程序，网络爬虫智能合约体以及云数据服务平台；

所述客户端程序包括岗位要素权重修改模块、岗位输入模块、简历输入模块、岗位需求建模模块、推荐简历模块、推荐岗位模块；所述岗位要素权重修改模块用于修改岗位需求模型权重系数，存储至数据库；所述岗位输入模块用于输入岗位匹配请求，所述简历输入模块输入简历数据，所述岗位需求建模模块用于建立岗位需求模型，生成岗位关键技能模型树，并对岗位关键技能模型树赋予权重系数；所述推荐简历模块接收返回的简历输入模块匹配结果展示；所述推荐岗位模块接收返回的简历输入模块匹配结果展示；

所述网络爬虫智能合约体部署至少一网络爬虫智能合约，所述网络爬虫智能合约监测互联网网页数据，识别岗位训练要素生成岗位链表；

所述云数据服务平台包括智能合约体调度模块、匹配满意度模块、数据库、岗位需求预测模块以及算法池模块；所述智能合约体调度模块用于接收所述修改岗位需求模型权重系数存储至数据库，接收所述岗位匹配请求发送至匹配满意度预测模块，接收所述简历数据发送至匹配满意度预测模块，接收岗位关键技能模型树数据存储至数据库，接收网络爬虫智能合约体岗位链表数据链并发送至岗位需求预测模块，以及返回岗位匹配结果及简历匹配结果至客户端程序模块；所述算法池模块封装岗位关键技能模型树和简历关键技能模型树匹配满意度预测算法以及简历关键技能模型树和岗位关键技能模型树匹配满意度预测算法；

其中，所述岗位/简历关键技能模型树和简历/岗位关键技能模型树匹配满意度预测算法用于获得与目标岗位/简历匹配的满意度排序靠前的简历/岗位，具体为：步骤一，对岗位关键技能模型树、简历关键技能模型树层数进行遍历；

步骤二，对两个模型树的每层的节点进行循环遍历；

步骤三，将岗位第一列关键技能名称赋值给第一整数参数；

步骤四，将简历第一列关键技能名称赋值给第二整数参数；

步骤五，将第一整数参数和第二整数参数对齐，并分别赋值给第三整数参数和第四整数参数，对第三整数参数和第四整数参数字符长度进行遍历；

步骤六，比较第三整数参数和第四整数参数是否相同，如果不相同距离加一，如果相同距离不变，累加总距离除以比较次数，获得相似性，所述相似性乘以权重系数获得简历加权满意度结果，返回满意度最高的简历树头节点hash地址。

2.根据权利要求1所述的系统，其特征在于：所述生成岗位链表具体包括：岗位链表头节点存储岗位名称、头节点hash、节点编号，每个节点包含节点hash地址，父节点hash地址，节点编号，关键技能名称，关键技能频次，后一节点通过前一节点hash地址组成链表。

3.根据权利要求1所述的系统，其特征在于：所述岗位匹配结果为与目标岗位匹配的满意度排序靠前的简历，所述简历匹配结果为与目标简历匹配的满意度排序靠前的岗位。

4.根据权利要求1所述的系统，其特征在于：所述岗位关键技能模型树为三层树形存储结构，所述简历关键技能模型树为三层树形存储结构。

5.一种智能简历推送方法，其特征在于：所述方法包括：步骤201，接收客户端程序模块的用户输入请求，网络爬虫智能合约监测互联网网页数据，识别岗位训练要素生成岗位链表；缩水生成岗位链表具体包括：岗位链表头节点存储岗位名称、头节点hash、节点编号，每个节点包含节点hash地址，父节点hash地址，节点编号，关键技能名称，关键技能频次，后一节点通过前一节点hash地址组成链表；

步骤202，智能合约体调度模块接收网络爬虫智能合约体岗位链表数据链并发送至岗位需求预测模块；

步骤203，所述岗位需求预测模块转发数据至算法池模块进行计算；

步骤204，所述算法池模块根据岗位关键技能模型树和简历关键技能模型树匹配满意度预测算法以及简历关键技能模型树和岗位关键技能模型树匹配满意度预测算法进行计算输出岗位匹配结果及简历匹配结果至客户端程序模块；

其中，所述简历关键技能模型树和岗位关键技能模型树匹配满意度预测算法用于获得与目标简历匹配的满意度排序靠前的岗位，具体为：步骤一，对岗位关键技能模型树、简历关键技能模型树层数进行遍历；

步骤二，对两个模型树的每层的节点进行循环遍历；

步骤三，将岗位第一列关键技能名称赋值给第一整数参数；

步骤四，将简历第一列关键技能名称赋值给第二整数参数；

步骤五，将第一整数参数和第二整数参数对齐，并分别赋值给第三整数参数和第四整数参数，对第三整数参数和第四整数参数字符长度进行遍历；

步骤六，比较第三整数参数和第四整数参数是否相同，如果不相同距离加一，如果相同距离不变，累加总距离除以比较次数，获得相似性，所述相似性乘以权重系数获得简历加权满意度结果，返回满意度最高的简历树头节点hash地址。

6.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序执行权利要求5所述的智能简历推送方法。

说明书

一种智能简历推送系统及方法

技术领域

[0001] 本发明涉及大数据的技术领域，特别涉及一种智能简历推送系统及方法。

背景技术

[0002] 随着全球经济一体化及知识创新、组织变革等国际大环境的推动，人力资源管理相关理论研究的发展提升至前所未有的战略高度，在现有技术中心，目前人力资源平台简
历与岗位数据未找到较好的结构化处理方法，推荐方法效率较低，求职者与用人单位难以
在相同平台共同处理，职位定义、岗位推送、简历推送未实现智能和自动化。

发明内容

[0003] 基于上述问题，本发明提出了一种智能简历推送系统及方法，使用树型数据匹配算法，计算速度快，识别效率高，提高了数据匹配精度，能够满足大数据技术所要求的规范
化人岗数据格式。

[0004] 本发明提供如下技术方案：

[0005] 一种智能简历推送系统，所述系统包括：客户端程序，网络爬虫智能合约体以及云数据服务平台；

[0006] 所述客户端程序包括岗位要素权重修改模块、岗位输入模块、简历输入模块、岗位需求建模模块、推荐简历模块、推荐岗位模块；

[0007] 所述岗位要素权重修改模块用于修改岗位需求模型权重系数，存储至数据库；所述岗位输入模块用于输入岗位匹配请求，所述简历输入模块输入简历数据，所述岗位需求
建模模块用于建立岗位需求模型，生成岗位关键技能模型树，并对岗位关键技能模型树赋
予权重系数；所述推荐简历模块接收返回的简历输入模块匹配结果展示；所述推荐岗位模
块接收返回的简历输入模块匹配结果展示；

[0008] 所述网络爬虫智能合约体部署至少一网络爬虫智能合约，所述网络爬虫智能合约监测互联网网页数据，识别岗位训练要素生成岗位链表；

[0009] 所述云数据服务平台包括智能合约体调度模块、匹配满意度模块、数据库以及岗位需求预测模块；所述智能合约体调度模块用于接收所述修改岗位需求模型权重系数存储
至数据库，接收所述岗位匹配请求发送至匹配满意度预测模块，接收所述简历数据发送至
匹配满意度预测模块，接收岗位关键技能模型树数据存储至数据库，接收网络爬虫智能合
约体岗位链表数据链并发送至岗位需求预测模块，以及返回岗位匹配结果及简历匹配结果
至客户端程序模块。

[0010] 其中，所述生成岗位链表具体包括：岗位链表头节点存储岗位名称、头节点hash、节点编号，每个节点包含节点hash地址，父节点hash地址，节点编号，关键技能名称，关键技
能频次，后一节点通过前一节点hash地址组成链表。

[0011] 其中，所述岗位匹配结果为与目标岗位匹配的满意度排序靠前的简历，所述简历匹配结果为与目标简历匹配的满意度排序靠前的岗位。

[0012] 其中，所述云数据服务平台还包括算法池模块，所述算法池模块封装岗位关键技能模型树和简历关键技能模型树匹配满意度预测算法以及简历关键技能模型树和岗位关
键技能模型树匹配满意度预测算法。

[0013] 其中，所述岗位关键技能模型树和简历关键技能模型树匹配满意度预测算法用于获得与目标岗位匹配的满意度排序靠前的简历，具体为：步骤一，对岗位关键技能模型树、
简历关键技能模型树层数进行遍历；步骤二，对所述两个树的每层的节点进行循环遍历；步
骤三，将岗位第一列关键技能名称赋值给第一整数参数；步骤四，将简历第一列关键技能名
称赋值给第二整数参数；步骤五，将第一整数参数和第二整数参数对齐，并分别赋值给第三
整数参数和第四整数参数，对第三整数参数和第四整数参数字符长度进行遍历；步骤六，比
较第三整数参数和第四整数参数是否相同，如果不相同距离加一，如果相同距离不变，累加
总距离除以比较次数，获得相似性，所述相似性乘以权重系数获得简历加权满意度结果。

[0014] 其中，所述简历关键技能模型树和岗位关键技能模型树匹配满意度预测算法用于获得与目标简历匹配的满意度排序靠前的岗位，具体为：步骤一，对岗位关键技能模型树、
简历关键技能模型树层数进行遍历；步骤二，对所述两个树的每层的节点进行循环遍历；步
骤三，将岗位第一列关键技能名称赋值给第一整数参数；步骤四，将简历第一列关键技能名
称赋值给第二整数参数；步骤五，将第一整数参数和第二整数参数对齐，并分别赋值给第三
整数参数和第四整数参数，对第三整数参数和第四整数参数字符长度进行遍历；步骤六，比
较第三整数参数和第四整数参数是否相同，如果不相同距离加一，如果相同距离不变，累加
总距离除以比较次数，获得相似性，所述相似性乘以权重系数获得简历加权满意度结果。

[0015] 其中，所述岗位关键技能模型树为三层树形存储结构，所述简历关键技能模型树为三层树形存储结构。

[0016] 其中，数据库模块保存所述简历关键技能模型树和岗位关键技能模型树，存储岗位链表。

[0017] 另外，本发明还提出了一种智能简历推送方法，所述方法包括：

[0018] 步骤201，接收客户端程序模块的用户输入请求，网络爬虫智能合约监测互联网网页数据，识别岗位训练要素生成岗位链表；缩水生成岗位链表具体包括：岗位链表头节点存
储岗位名称、头节点hash、节点编号，每个节点包含节点hash地址，父节点hash地址，节点编
号，关键技能名称，关键技能频次，后一节点通过前一节点hash地址组成链表；

[0019] 步骤202，智能合约体调度模块接收网络爬虫智能合约体岗位链表数据链并发送至岗位需求预测模块；

[0020] 步骤203，所述岗位需求预测模块转发数据至算法池模块进行计算；

[0021] 步骤204，所述算法池模块根据岗位关键技能模型树和简历关键技能模型树匹配满意度预测算法以及简历关键技能模型树和岗位关键技能模型树匹配满意度预测算法进
行计算输出岗位匹配结果及简历匹配结果至客户端程序模块。

[0022] 其中，所述岗位关键技能模型树和简历关键技能模型树匹配满意度预测算法用于获得与目标岗位匹配的满意度排序靠前的简历，具体为：步骤一，对岗位关键技能模型树、
简历关键技能模型树层数进行遍历；步骤二，对所述两个树的每层的节点进行循环遍历；步
骤三，将岗位第一列关键技能名称赋值给第一整数参数；步骤四，将简历第一列关键技能名
称赋值给第二整数参数；步骤五，将第一整数参数和第二整数参数对齐，并分别赋值给第三
整数参数和第四整数参数，对第三整数参数和第四整数参数字符长度进行遍历；步骤六，比
较第三整数参数和第四整数参数是否相同，如果不相同距离加一，如果相同距离不变，累加
总距离除以比较次数，获得相似性，所述相似性乘以权重系数获得简历加权满意度结果。

[0023] 其中，所述简历关键技能模型树和岗位关键技能模型树匹配满意度预测算法用于获得与目标简历匹配的满意度排序靠前的岗位，具体为：步骤一，对岗位关键技能模型树、
简历关键技能模型树层数进行遍历；步骤二，对所述两个树的每层的节点进行循环遍历；步
骤三，将岗位第一列关键技能名称赋值给第一整数参数；步骤四，将简历第一列关键技能名
称赋值给第二整数参数；步骤五，将第一整数参数和第二整数参数对齐，并分别赋值给第三
整数参数和第四整数参数，对第三整数参数和第四整数参数字符长度进行遍历；步骤六，比
较第三整数参数和第四整数参数是否相同，如果不相同距离加一，如果相同距离不变，累加
总距离除以比较次数，获得相似性，所述相似性乘以权重系数获得简历加权满意度结果。

[0024] 一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序执行上述智能简历推送方法。

[0025] 本发明提出了一种智能简历推送系统及方法，通过监测互联网网页数据，识别岗位训练要素生成岗位链表，将所述岗位链表数据链发送至算法池模块根据匹配满意度预测
算法进行计算获得岗位匹配结果及简历匹配结果，将结果发送至客户端程序模块进行展
示。本发明还能够通过客户端程序获取用户输入岗位匹配请求和简历数据综合计算获得所
需简历，使用树型数据匹配算法，提高了计算速度快和识别效率高，同时还提高了数据匹配
精度，能够满足大数据技术所要求的规范化人岗数据格式。

附图说明

[0026] 附图1为本发明的系统结构框图；

[0027] 附图2为本发明的方法流程图；

[0028] 附图3为本发明的岗位关键技能模型树为三层树形存储结构图；

[0029] 附图4为本发明的简历关键技能模型树为三层树形存储结构图。

具体实施方式

[0030] 下面结合附图与实施例对本发明作进一步详细描述。

[0031] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领
域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附
图。

[0032] 本发明提出了一种智能简历推送系统及方法，使用树型数据匹配算法，计算速度快，识别效率高，提高了数据匹配精度，能够满足大数据技术所要求的规范化人岗数据格
式。

[0033] 第一实施例：

[0034] 本发明提供了一种智能简历推送系统，系统结构框图如附图1所示，所述系统包括：客户端程序，网络爬虫智能合约体以及云数据服务平台；

[0035] 其中岗位要素权重修改模块可修改经过智能训练的岗位需求模型权重系数，修改请求经过云数据服务平台的智能合约体调度模块，存储到数据库中。

[0036] 其中，岗位输入模块可输入目标岗位名称，推荐请求发动到云数据服务平台的智能合约体调度模块，智能合约体调度模块将推荐请求发送到匹配满意度预测模块。

[0037] 其中，简历输入模块可输入简历模板，简历数据发动到云数据服务平台的智能合约体调度模块，智能合约体调度模块将简历数据发送到匹配满意度预测模块。

[0038] 其中，岗位需求建模模块用于用户自定义岗位需求模型，生成岗位关键技能模型树，并对岗位关键技能模型赋予权重，经过赋权的岗位关键技能模型树数据发送到云数据
服务平台的智能合约体调度模块，智能合约体调度模块将数据存放至数据库。

[0039] 其中，推荐简历模块接收智能合约体调度模块返回的简历输入模块匹配结果，并展示满意度最高的前20份简历。

[0040] 其中，推荐岗位模块接收智能合约体调度模块返回的简历输入模块匹配结果，并展示满意度最高的前10份岗位。

[0041] 所述网络爬虫智能合约体部署了不少于一个网络爬虫智能合约，其中每个网络爬虫智能合约可监测提取互联网网页中岗位相关词汇，对每个识别的岗位识别训练岗位相关
技能要素，建立岗位链表，并将新建，链表头节点存储岗位名称，头节点hash，节点编号，链
表中每个节点包含节点hash地址，父节点hash地址，节点编号，关键技能名称，关键技能频
次，后一节点通过前一节点hash地址组成链表.当前识别关键技能要素数量为L，u为整数，
为链表中第z节点中的y类数据关键技能名称， 为链表中第z节点中的y+1类数据关
键技能频次，PostN为新识别岗位关键技能要素，AddNewpoint为增加链表节点函数，岗位链
表 建立公式方法如下：

[0042]

[0043] 所述云数据服务平台包括智能合约体调度模块、匹配满意度模块、算法池模块、数据库模块，岗位需求预测模块。

[0044] 其中，所述智能合约体调度模块负责接收岗位需求模型权重系数修改请求，并修改数据库中相关表。接收客户端岗位匹配简历请求并发送到匹配满意度预测模块。接收客
户端简历匹配岗位请求并发送到匹配满意度预测模块。接收岗位关键技能模型树数据并存
放至数据库。接收网络爬虫智能合约体岗位链表 数据链，并发送到岗位需求预测模
块。

[0045] 其中，匹配满意度模块接收智能合约体调度模块岗位匹配简历请求，预测和目标岗位匹配的满意度前20的简历，并通过智能合约体调度模块反馈数据到客户端程序模块，
接收智能合约体调度模块简历匹配岗位请求，预测和目标简历匹配的满意度前10的岗位，
并通过智能合约体调度模块反馈数据到客户端程序模块。岗位关键技能模型树为三层树形
存储结构如附图3所示，简历关键技能模型树为三层树形存储结构如附图4所示：

[0046] 其中，算法池模块封装岗位关键技能模型树 和简历关键技能模型树匹配满意度预测算法， 为第w层第z节点的子节点数量。
h为1时代表关键技能名称，h为2时表示关键技能权重。

[0047] 具体计算步骤如下第一，对两个树型模型的层数k进行遍历。第二，对两个树的每层的节点d进行循环遍历，d小于该层的节点数 第三， 代表岗位
树第k层的第d个节点第一列关键技能名称，将其赋值给整数Para1。第四， 表
示简历树第k层的第d个节点第一列关键技能名称，将其赋值给整数Para2.第五，整数M获取
Para1和Para2字符最大长度。第六，通过Para1.PadRight(M)、Para2..PadRight(M)两个函
数，将Para1和Para2字符长度对齐，并赋值给Para3和Para4.第七，对Para3和Para4字符长
度M进行遍历。第八，比较Para3和Para4是否相同，如果不相同距离加1，如果相同距离不变，
最后累加总距离除以比较次数，获得相似性度sim。第九，相似性度sim乘以
权重，得到SImilaP相似度，SImilaP(g)为经计算的第g份简历加权满意度结果。MAXP20(∑
SImilaP(X))返回前20份满意度最高的简历树头节点hash地址。计算方式如下：

[0048]

[0049]

[0050] 其中，算法池模块封装简历关键技能模型树 和岗位关键技能模型树匹配满意度预测算法， 为第r层第t节点的子节点数量。
h为1时代表关键技能名称，h为2时表示关键技能权重。具体计算步骤如下第
一，对两个树型模型 的层数k进行遍历。第二，对两个树的每层
的节点d进行循环遍历，d小于该层的节点数len 第三， 代表岗位树
第k层的第d个节点第一列关键技能名称，将其赋值给整数Para1。第四， 表示
简历树第k层的第d个节点第一列关键技能名称，将其赋值给整数Para2.第五，整数M获取
Para1和Para2字符最大长度。第六，通过Para1.PadRight(M)、Para2..PadRight(M)两个函
数，将Para1和Para2字符长度对齐，并赋值给Para3和Para4.第七，对Para3和Para4字符长
度M进行遍历。第八，比较Para3和Para4相似性，如果不相同距离加1，如果相同距离不变，最
后累加总距离除以比较次数，获得相似性度sim。第九，相似性sim乘以 权重，
得到SImilaJ相似度，SImilaJ(g)为经计算的第g份简历加权满意度结果。MAXJ10(∑
SImilaJ(X))返回前10份满意度最高的岗位树头节点hash地址

[0051] 计算方法如下：

[0052]

[0053]

[0054] 其中，数据库模块保存简历关键技能模型树 和岗位关键技能模型树存储岗位链表等信息。

[0055] 其中，岗位需求预测模块接收岗位链表数据 将链表数据解析为岗位关键技能模型树 第二实施例：

[0056] 本发明还提出了一种智能简历推送方法，所述方法流程图如附图2所示；

[0057] 步骤201，接收客户端程序模块的用户输入请求，网络爬虫智能合约监测互联网网页数据，识别岗位训练要素生成岗位链表：

[0058] 所述网络爬虫智能合约体部署了不少于一个网络爬虫智能合约，其中每个网络爬虫智能合约可监测提取互联网网页中岗位相关词汇，对每个识别的岗位识别训练岗位相关
技能要素，建立岗位链表，并将新建，链表头节点存储岗位名称，头节点hash，节点编号，链
表中每个节点包含节点hash地址，父节点hash地址，节点编号，关键技能名称，关键技能频
次，后一节点通过前一节点hash地址组成链表.当前识别关键技能要素数量为L，u为整数，
为链表中第z节点中的y类数据关键技能名称， 为链表中第z节点中的y+1类数据关
键技能频次，PostN为新识别岗位关键技能要素，AddNewpoint为增加链表节点函数，岗位链
表 建立公式方法如下：

[0059]

[0060] 步骤202，智能合约体调度模块接收网络爬虫智能合约体岗位链表数据链并发送至岗位需求预测模块；

[0061] 步骤203，所述岗位需求预测模块转发数据至算法池模块进行计算；

[0062] 步骤204，所述算法池模块根据岗位关键技能模型树和简历关键技能模型树匹配满意度预测算法以及简历关键技能模型树和岗位关键技能模型树匹配满意度预测算法进
行计算输出岗位匹配结果及简历匹配结果至客户端程序模块。

[0063] 算法池模块封装岗位关键技能模型树 和简历关键技能模型树匹配满意度预测算法， 为第w层第z节点的子节点数量。
h为1时代表关键技能名称，h为2时表示关键技能权重。

[0064] 具体计算步骤如下第一，对两个树型模型的层数k进行遍历。第二，对两个树的每层的节点d进行循环遍历，d小于该层的节点数 第三， 代表岗
位树第k层的第d个节点第一列关键技能名称，将其赋值给整数Para1。第四，
表示简历树第k层的第d个节点第一列关键技能名称，将其赋值给整数Para2.第五，整数M获
取Para1和Para2字符最大长度。第六，通过Para1.PadRight(M)、Para2..PadRight(M)两个
函数，将Para1和Para2字符长度对齐，并赋值给Para3和Para4.第七，对Para3和Para4字符
长度M进行遍历。第八，比较Para3和Para4是否相同，如果不相同距离加1，如果相同距离不
变，最后累加总距离除以比较次数，获得相似性度sim。第九，相似性度sim乘以
权重，得到SImilaP相似度，SImilaP(g)为经计算的第g份简历加权满意度结
果。MAXP20(∑SImilaP(X))返回前20份满意度最高的简历树头节点hash地址。

[0065] 计算方式如下：

[0066]

[0067]

[0068] 其中，算法池模块封装简历关键技能模型树 和岗位关键技能模型树匹配满意度预测算法， 为第r层第t节点的子节点数量。
h为1时代表关键技能名称，h为2时表示关键技能权重。具体计算步骤如下第
一，对两个树型模型 的层数k进行遍历。第二，对两个树的每层
的节点d进行循环遍历，d小于该层的节点数len 第三， 代表岗位树
第k层的第d个节点第一列关键技能名称，将其赋值给整数Para1。第四， 表示
简历树第k层的第d个节点第一列关键技能名称，将其赋值给整数Para2.第五，整数M获取
Para1和Para2字符最大长度。第六，通过Para1.PadRight(M)、Para2..PadRight(M)两个函
数，将Para1和Para2字符长度对齐，并赋值给Para3和Para4.第七，对Para3和Para4字符长
度M进行遍历。第八，比较Para3和Para4相似性，如果不相同距离加1，如果相同距离不变，最
后累加总距离除以比较次数，获得相似性度sim。第九，相似性sim乘以 权重，
得到SImilaJ相似度，SImilaJ(g)为经计算的第g份简历加权满意度结果。MAXJ10(∑
SImilaJ(X))返回前10份满意度最高的岗位树头节点hash地址

[0069] 计算方法如下：

[0070]

[0071]

[0072] 其中，数据库模块保存简历关键技能模型树 和岗位关键技能模型树存储岗位链表等信息。

[0073] 其中，岗位需求预测模块接收岗位链表数据 将链表数据解析为岗位关键技能模型树

[0074] 本发明客户端程序模块接收用户输入，用户可输入岗位名称，由此即可通过网络爬虫智能合约体来匹配获得所需简历；本发明还能够实现通过客户端程序模块接收用户输
入，不仅输入岗位名称，还可以设置岗位需求的技能条件，此时可以通过网络爬虫智能合约
体来综合匹配获得所需简历，或者不通过网络爬虫智能合约体而直接根据输入的条件进行
匹配；此外还能够实现个人用户己输入简历，通过网络爬虫智能合约体来综合匹配获得所
需推荐工作或者不通过网络爬虫智能合约体而直接根据输入的条件进行匹配获得推荐工
作。

[0075] 此外，本发明还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序执行上述智能简历推送方法。

[0076] 本发明提出了一种智能简历推送系统及方法，通过监测互联网网页数据，识别岗位训练要素生成岗位链表，将所述岗位链表数据链发送至算法池模块根据匹配满意度预测
算法进行计算获得岗位匹配结果及简历匹配结果，将结果发送至客户端程序模块进行展
示。本发明还能够通过客户端程序获取用户输入岗位匹配请求和简历数据综合计算获得所
需简历，使用树型数据匹配算法，提高了计算速度快和识别效率高，同时还提高了数据匹配
精度，能够满足大数据技术所要求的规范化人岗数据格式。

[0077] 上述本发明的实施方式是本发明的元件和特征的组合。除非另外提及，否则所述元件或特征可被视为选择性的。各个元件或特征可在不与其它元件或特征组合的情况下实
践。另外，本发明的实施方式可通过组合部分元件和/或特征来构造。本发明的实施方式中
所描述的操作顺序可重新排列。任一实施方式的一些构造可被包括在另一实施方式中，并
且可用另一实施方式的对应构造代替。对于本领域技术人员而言明显的是，所附权利要求
中彼此没有明确引用关系的权利要求可组合成本发明的实施方式，或者可在提交本发明之
后的修改中作为新的权利要求包括。

[0078] 在固件或软件配置方式中，本发明的实施方式可以模块、过程、功能等形式实现。软件代码可存储在存储器单元中并由处理器执行。存储器单元位于处理器的内部或外部，
并可经由各种己知手段向处理器发送数据以及从处理器接收数据。

[0079] 对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可
以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限
制于本文所示的这些实施例，而是符合与本文所公开的原理和新颖特点相一致的最宽的范
围。