买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京位来小猎科技有限公司

摘要：本发明公开了一种基于微信社交关系的智能岗位推荐系统，本发明涉及岗位管理系统技术领域。该基于微信社交关系的智能岗位推荐系统，包括：用户端、企业端、信息处理单元、隐私保护单元、云数据库；所述用户端包括：用户访问平台、用户编辑模块、岗位推荐模块；该系统整合了微信社交信息与智能岗位推荐，为用户提供了更加个性化和精准的岗位匹配服务。通过深度分析用户的微信社交信息，系统能够更准确地理解用户需求与偏好，从而推荐更符合用户期望的职位。同时，隐私保护单元和云数据库的应用，确保了用户信息的安全与隐私。此外，用户还能根据个人需求调整推荐的岗位类型，提高了系统的灵活性和用户满意度。

主权项：1.一种基于微信社交关系的智能岗位推荐系统，其特征在于，包括：用户端，为供用户登录查询岗位的客户端，并为用户推荐岗位；企业端，为供企业上传招聘信息的客户端；信息处理单元，用于从用户端获取用户个人登记信息，并通过授权后获取用户的微信社交信息，通过对微信社交信息分析以提取适合用户的岗位信息，并在提取所需的岗位信息后删除获取的微信社交信息；隐私保护单元，用于对从用户端获取的信息进行隐私保护；云数据库，用于直接储存企业端信息和储存通过隐私保护单元加密后的用户端的信息；所述用户端包括：用户访问平台，为用户提供注册登录、填报信息、查询岗位、编辑投递简历、与企业沟通的基础功能；用户编辑模块，供用户对推荐的岗位类型进行调整；岗位推荐模块，用于为用户推荐经过信息处理单元分析后的适合用户的岗位；所述信息处理单元包括：信息获取模块，从用户端获取用户的注册信息以及填写的简历信息，并在获取权限后从用户微信账户中获取用户的微信聊天信息、朋友圈信息和好友信息；信息分析模块，用于对信息获取模块获取的用户信息分析适合的岗位进行后续的推荐；所述信息分析模块的信息分析过程包括：步骤A1，通过用户在用户端登记的个人信息，智能分析有关联的岗位，并对初步获取的岗位信息提取关键词；步骤A2，遍历获取的微信聊天信息，提取出与关联关键词集合Ai一致的词汇，并获取词汇对应的聊天记录至聊天结束为止；步骤A3，使用基于PAD的三维情感模型，对截取的聊天记录分析词汇，判断对岗位的情绪状态，进而判断是否对聊天记录中涉及的岗位有意向；步骤A4，通过聊天记录获取与好友聊天的对话频率和对话次数，对话频率按照对话的天数记录确定，对话次数按照对话语句的数量确定；综合考虑两项参数，评判好友亲密度并列表排序；步骤A5，分析与亲密好友列表中的好友聊天记录中提到的岗位，以及获取亲密好友朋友圈信息涉及的岗位信息，分析亲密好友可能所处的岗位；步骤A6，结合步骤A3和步骤A5，总结提取出的为用户推荐的岗位信息；所述步骤A1中，建立岗位关键词集合A（A1，A2，...，An），并对每个岗位关键词Ai列举若干个关联关键词建立关联关键词集合Ai（Ai1，Ai2，...，Aim）；所述步骤A2中，记录出现关联关键词的聊天记录出现的时间戳T，并持续获取后续聊天记录的时间，对聊天记录间隔时间求取差值，设相邻两条聊天记录的时间戳分别为TS和TS+1，聊天中断时间阈值为TZ，在聊天中断的时长达到设定的聊天中断时间阈值，即FTS+1-TS≥TZ时，停止获取聊天记录，其中F（）为将时间差转换为分钟的函数；所述步骤A4中，好友亲密度计算包括：好友亲密度基于对话频率和对话次数，并结合各自的权重来计算，设好友亲密度为I，具体公式如下：I=Df×Wf+DC×WC；其中，Df表示对话频率，直接统计与好友进行对话的天数；DC表示对话次数，统计与好友进行对话的语句总数；Wf和WC是根据实际需求设定的权重值，并以百分比形式表示，且Wf+WC=100%，Wf和WC的具体比值默认由系统设置，或设置供用户调整的选项；列表排序包括：根据计算出的好友亲密度I的大小顺序，对好友进行排序，建立亲密好友列表，亲密度高的好友排在前面，且亲密好友列表设定N行，仅保留前N个好友进行记录；所述步骤A5包括：步骤B1：收集与整理信息B1.1收集聊天记录：导出与亲密好友的聊天记录，获取与岗位相关的对话；B1.2收集朋友圈信息：浏览并收集亲密好友的朋友圈动态；B1.3信息整理：将收集到的信息整理成文本格式，便于后续分析；步骤B2：关键词提取与分析B2.1关键词提取：使用文本挖掘技术从聊天记录和朋友圈文本中提取与岗位相关的关键词；B2.2关键词频率分析：统计每个关键词出现的频率，频率越高的关键词越能代表好友所处的岗位或行业；步骤B3：如果有多条聊天记录或朋友圈信息，使用朴素贝叶斯分类器来预测好友所处的岗位；这需要一些已标记的岗位数据作为训练集；所述步骤B3中的具体计算步骤为：B3.1数据准备：收集已标记的岗位数据作为训练集；B3.2文本预处理：对文本进行清洗、分词、词干提取或词形还原；B3.3特征提取：从文本中提取特征，使用词袋模型或TF-IDF方法；B3.4训练朴素贝叶斯分类器：使用训练数据和对应的岗位标签来训练分类器；B3.5预测：对于新的文本，使用朴素贝叶斯分类器进行岗位预测；具体地，对于一个新的、未被标记的样本判断其最可能属于哪个类别，通过朴素贝叶斯分类器计算每个类别的后验概率P（CK∣X）来实现这一点，并选择后验概率最大的类别作为预测结果；朴素贝叶斯分类器中的后验概率P（CK∣X）的计算公式为： ；其中：CK是某个岗位类别；X是某个文本样本的特征向量；P（CK）是岗位类别CK的先验概率；P（X∣CK）是给定类别CK时，观察到特征向量X的概率；PX是特征向量X的概率；由于朴素贝叶斯假设特征条件独立，则： ；设共有M个特征，其中Xt是特征向量X的第t个特征。

全文数据：

权利要求：

百度查询： 北京位来小猎科技有限公司 一种基于微信社交关系的智能岗位推荐系统