人才类型画像的实现方法及系统与流程

1.本发明属于数据处理技术领域，特别涉及一种人才类型画像的实现方法及系统。


背景技术：

2.现有部分地区的科技创新人才数据库还只停留在人头数量、自然情况记录统计的初级层面，对于人才个人及人才群体，一是没有积累到足够有效可供分析的人才数据信息；二是目前部分地区的科技创新人才没有建立可供人才分析的有效模型，不仅无法形成对高层次科技创新人才群体的精准“画像”，而且初始的数据收集没有重点方向。
3.现有技术中的科技创新人才数据库数据量庞大繁杂，导致开发人员工作量大，重复性工作较多；并且，没有全方位的统计科技创新人才全要素信息，无法实现精细化管理和全过程监控。
4.针对上述问题，提出本发明的人才类型画像的实现方法及系统。


技术实现要素：

5.为了解决所述现有技术的不足，本发明提供了一种人才类型画像的实现方法及系统，以解决现有技术中对于人才数据无法实现精细化管理的问题。
6.本发明所要达到的技术效果通过以下方案实现：第一方面，本发明实施例提供一种人才类型画像的实现方法，包括：获取与人才信息相关的原始数据，其中，所述原始数据包括结构化数据和非结构化数据；对所述原始数据进行数据处理，得到目标数据，其中，所述数据处理包括：数据清洗，数据整合以及数据标注；基于所述目标数据构建本体，依据所述本体并结合所述目标数据构建出人才知识图谱，其中，所述人才知识图谱包括各个人才的社会关系、家庭关系以及潜在关系；基于所述人才知识图谱，利用机器学习模型和深度学习模型构建高层次人才能力模型，将待测评人才输入所述高层次人才能力模型中，获得高层次人才评估结果；基于所述人才知识图谱和所述高层次人才评估结果，采用多维度评估构建人才画像及人物关系，其中，所述多维度评估包括：动机能量、思维决策、情感成熟度、人际互动以及任务执行。
7.在一些实施例中，所述结构化数据指的是人才基础数据，所述非结构化数据指的是人才业务数据。
8.在一些实施例中，所述依据所述本体并结合所述目标数据构建出人才知识图谱包括：将所述目标数据依据所述本体存储至图数据库中，获得所述人才知识图谱；其中，所述人才知识图谱消除了多源人才的数据格式以及数据类型的鸿沟，便于相关数据的共享使用。
9.在一些实施例中，所述将待测评人才输入所述高层次人才能力模型中，获得高层次人才评估结果，包括：将多个待测评人才输入所述高层次人才能力模型中，计算各个所述待测评人才的评分，将大于设定阈值的所述评分对应的各个所述待测评人才定义为高层次人才，将统计的各个所述高层次人才作为高层次人才评估结果，并将所述高层次人才评估结果推荐给用户。
10.在一些实施例中，所述机器学习模型包括聚类算法或者协同过滤算法，所述深度学习模型包括图神经网络。
11.第二方面，本发明实施例提供一种人才类型画像的实现系统，包括：采集模块，用于获取与人才信息相关的原始数据，其中，所述原始数据包括结构化数据和非结构化数据；处理模块，用于对所述原始数据进行数据处理，得到目标数据，其中，所述数据处理包括：数据清洗，数据整合以及数据标注；生成模块，用于基于所述目标数据构建本体，依据所述本体并结合所述目标数据构建出人才知识图谱，其中，所述人才知识图谱包括各个人才的社会关系、家庭关系以及潜在关系；评估模块，用于基于所述人才知识图谱，利用机器学习模型和深度学习模型构建高层次人才能力模型，将待测评人才输入所述高层次人才能力模型中，获得高层次人才评估结果；构建模块，用于基于所述人才知识图谱和所述高层次人才评估结果，采用多维度评估构建人才画像及人物关系，其中，所述多维度评估包括：动机能量、思维决策、情感成熟度、人际互动以及任务执行。
12.在一些实施例中，所述结构化数据指的是人才基础数据，所述非结构化数据指的是人才业务数据。
13.在一些实施例中，所述依据所述本体并结合所述目标数据构建出人才知识图谱包括：将所述目标数据依据所述本体存储至图数据库中，获得所述人才知识图谱；其中，所述人才知识图谱消除了多源人才的数据格式以及数据类型的鸿沟，便于相关数据的共享使用。
14.在一些实施例中，所述将待测评人才输入所述高层次人才能力模型中，获得高层次人才评估结果，包括：将多个待测评人才输入所述高层次人才能力模型中，计算各个所述待测评人才的评分，将大于设定阈值的所述评分对应的各个所述待测评人才定义为高层次人才，将统计的各个所述高层次人才作为高层次人才评估结果，并将所述高层次人才评估结果推荐给用户。
15.在一些实施例中，所述机器学习模型包括聚类算法或者协同过滤算法，所述深度学习模型包括图神经网络。
16.第三方面，本发明实施例提供一种电子设备，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器
执行所述计算机程序时实现前述任意一项所述的方法。
17.第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述任一项所述的方法。
18.本发明实施例提供的人才类型画像的实现方法及系统，将人才知识信息的非结构化与结构化人才数据图谱化，能够最大化的挖掘数据结构信息，支撑更加精准的高层次人才画像；能够对结构化、半结构、非结构化数据进行处理，人才知识图谱构建工具支持建立关系网络，进而实现信息检索的便利化、数据关联化和最大化挖掘信息，更加精准进行人才匹配，提供数据决策支撑，提供可视化图谱展示，支持人员、关系、属性等可视化调整。
附图说明
19.为了更清楚地说明本发明实施例或现有的技术方案，下面将对实施例或现有技术描述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中记载的一些实施例，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他的附图。
20.图1为本发明一实施例中的人才类型画像的实现方法的流程图；图2为本发明一实施例中的人才类型画像的实现系统的结构示意图；图3为本发明一实施例中的电子设备的示意框图。
具体实施方式
21.为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
22.需要说明的是，除非另外定义，本发明一个或多个实施例使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
23.相关技术中，现有部分地区的科技创新人才数据库还只停留在人头数量、自然情况记录统计的初级层面，没有全方位的统计科技创新人才全要素信息，无法实现精细化管理和全过程监控。
24.因此，需要采用本发明提供的人才类型画像的实现方法及系统。
25.下面结合附图，详细说明本发明的各种非限制性实施方式。
26.首先，参照图1，对本发明的人才类型画像的实现方法进行详细说明。
27.本发明实施例提供一种人才类型画像的实现方法，包括：
s101：获取与人才信息相关的原始数据，其中，所述原始数据包括结构化数据和非结构化数据；s102：对所述原始数据进行数据处理，得到目标数据，其中，所述数据处理包括：数据清洗，数据整合以及数据标注；s103：基于所述目标数据构建本体，依据所述本体并结合所述目标数据构建出人才知识图谱，其中，所述人才知识图谱包括各个人才的社会关系、家庭关系以及潜在关系；s104：基于所述人才知识图谱，利用机器学习模型和深度学习模型构建高层次人才能力模型，将待测评人才输入所述高层次人才能力模型中，获得高层次人才评估结果；s105：基于所述人才知识图谱和所述高层次人才评估结果，采用多维度评估构建人才画像及人物关系，其中，所述多维度评估包括：动机能量、思维决策、情感成熟度、人际互动以及任务执行。
28.上述实施例中的人才类型画像的实现方法，能够将信息系统中的业务数据转化成知识，能够对结构化、半结构、非结构化数据进行处理，人才知识图谱的构建工具支持建立关系网络，进而实现信息检索的便利化、数据关联化和最大化挖掘信息，更加精准进行人才匹配，提供数据决策支撑，提供可视化图谱展示，支持人员、关系、属性等可视化调整。
29.在一些实施例中，所述结构化数据指的是人才基础数据，所述非结构化数据指的是人才业务数据。
30.具体地，构建人才知识图谱的前提是需要把数据从不同的数据源中抽取出来（例如，结构化数据与非结构化数据）。
31.示例性地，对于人才画像来说，它们的数据源主要来自两种渠道。一种是业务运行依靠的基础数据，如人才的基本信息，这部分数据通常包含在系统内的数据库表并以结构化的方式存储；另一种是人才系统业务上获取的数据，这些数据通常是以文本的形式存在所以是非结构化的数据。
32.结构化数据一般只需要简单预处理即可以作为后续ai系统的输入，但非结构化数据一般需要借助于自然语言处理等技术来提取出结构化信息。
33.在一些实施例中，所述依据所述本体并结合所述目标数据构建出人才知识图谱包括：将所述目标数据依据所述本体存储至图数据库中，获得所述人才知识图谱；其中，所述人才知识图谱消除了多源人才的数据格式以及数据类型的鸿沟，便于相关数据的共享使用。
34.本发明中可以基于本体构建人才的领域关系模型，其中领域关系模型定义了对象名称、定义和个关系。通过公理、声明、属性、概念给予对象和对象的合适的定义，将多个人才信息汇总成交织成一张巨大的语义网络，从而全面地、规范地展示各个人才之间存在的深层次联系、更加规范的展示出人才的社会关系、家庭关系、潜在关系等概念特征，进一步深度刻画了人才画像。此外，消除了多源人员数据格式、数据类型鸿沟，便于人才数据的共享使用；构建业务数据的语义相似查询框架，重点针对业务数据的多模态智能查询方式，包括时空一体化查询、目标一体化查询、面向语义相关性的查询、基于推理的查询、top-k智能排序等，实现覆盖多个来源、多种格式、多样目的的检索需求，达到一体化、智能化的人员数据查询。
35.在一些实施例中，所述将待测评人才输入所述高层次人才能力模型中，获得高层次人才评估结果，包括：将多个待测评人才输入所述高层次人才能力模型中，计算各个所述待测评人才的评分，将大于设定阈值的所述评分对应的各个所述待测评人才定义为高层次人才，将统计的各个所述高层次人才作为高层次人才评估结果，并将所述高层次人才评估结果推荐给用户。
36.具体地，可以设定人才智能匹配装置以提供对人才特征标准体系，在模型参数的设计上，采取人工智能专家系统技术，将采集数据经过数据清洗、数据整合、数据标注后形成特征向量基于机器学习、聚类算法、协同过滤等算法模型，经过海量人才数据训练出一套成熟的构建高层次人才能力模型；将待评测人才输入模型后计算出各个人才的评分并按评分高低（topn）推荐给用户，并定义是否为高层次人才。
37.在一些实施例中，所述机器学习模型包括聚类算法或者协同过滤算法，所述深度学习模型包括图神经网络。
38.在一些实施例中，人才画像的构建模块中，数据样本来自于人才资源池中的训练数据；在测试数据编目方面选择长期稳定的基础数据，剔除短期可变的实际不稳定数据，从而尽可能科学精准地评估测试者的知识属性。通过动机能量、思维决策、情感成熟度、人际互动、任务执行等5个维度，构建人才画像及人物关系。
39.本发明通过数据挖掘技术分析人才数据，使用分词算法、k-means聚类、多元线性回归及多元回归模型，分析研究建立用于科技创新人才工程人才群体精准“画像”技术模型，对业务工作在系统中所产生的人才相关数据资料进行梳理得到分析因子量表，提取其中的核心要素因子表，以此刻画出人才的“个人画像”，比如“人才成长画像”等，然后对“个人画像”进行整合分析，最终形成“个人画像”集聚散点图，进一步根据散点图形成“群体画像”。
40.下面根据图2来对本发明的另一实施例提供的一种人才类型画像的实现系统进行描述。
41.所述人才类型画像的实现系统，包括:采集模块，用于获取与人才信息相关的原始数据，其中，所述原始数据包括结构化数据和非结构化数据；处理模块，用于对所述原始数据进行数据处理，得到目标数据，其中，所述数据处理包括：数据清洗，数据整合以及数据标注；生成模块，用于基于所述目标数据构建本体，依据所述本体并结合所述目标数据构建出人才知识图谱，其中，所述人才知识图谱包括各个人才的社会关系、家庭关系以及潜在关系；评估模块，用于基于所述人才知识图谱，利用机器学习模型和深度学习模型构建高层次人才能力模型，将待测评人才输入所述高层次人才能力模型中，获得高层次人才评估结果；构建模块，用于基于所述人才知识图谱和所述高层次人才评估结果，采用多维度评估构建人才画像及人物关系，其中，所述多维度评估包括：动机能量、思维决策、情感成熟度、人际互动以及任务执行。
42.在一些实施例中，所述结构化数据指的是人才基础数据，所述非结构化数据指的是人才业务数据。
43.在一些实施例中，所述依据所述本体并结合所述目标数据构建出人才知识图谱包括：将所述目标数据依据所述本体存储至图数据库中，获得所述人才知识图谱；其中，所述人才知识图谱消除了多源人才的数据格式以及数据类型的鸿沟，便于相关数据的共享使用。
44.在一些实施例中，所述将待测评人才输入所述高层次人才能力模型中，获得高层次人才评估结果，包括：将多个待测评人才输入所述高层次人才能力模型中，计算各个所述待测评人才的评分，将大于设定阈值的所述评分对应的各个所述待测评人才定义为高层次人才，将统计的各个所述高层次人才作为高层次人才评估结果，并将所述高层次人才评估结果推荐给用户。
45.在一些实施例中，所述机器学习模型包括聚类算法或者协同过滤算法，所述深度学习模型包括图神经网络。
46.上述的人才类型画像的实现系统能够实现人才类型画像的实现方法所实现的所有技术效果，对此不再赘述。
47.需要说明的是，本发明一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本发明一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
48.需要说明的是，上述对本发明特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
49.基于同一发明构思，与上述任意实施例方法相对应的，本发明还公开一种电子设备；具体地，图3示出了本实施例所提供的一种人才类型画像的实现方法的电子设备的硬件结构示意图， 该设备可以包括：处理器410、存储器420、输入/输出接口430、通信接口440和总线 450。其中，处理器410、存储器420、输入/输出接口430和通信接口440通过总线450实现彼此之间在设备内部的通信连接。
50.处理器410可以采用通用的cpu（central processing unit，中央处理器）、微处理器、应用专用集成电路（application specific integrated circuit，asic）、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本发明实施例所提供的技术方案。
51.存储器420可以采用rom（read only memory，只读存储器）、ram（random access memory，随机存取存储器）、静态存储设备，动态存储设备等形式实现。存储器420可以存储操作系统和其他应用程序，在通过软件或者固件来实现本发明实施例所提供的技术方案
时，相关的程序代码保存在存储器420中，并由处理器410来调用执行。
52.输入/输出接口430用于连接输入/输出模块，以实现信息输入及输出。输入/输出模块可以作为组件配置在设备中（图中未示出），也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
53.通信接口440用于连接通信模块（图中未示出），以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式（例如，usb、网线等）实现通信，也可以通过无线方式 （例如，移动网络、wifi、蓝牙等）实现通信。
54.总线450包括一通路，在设备的各个组件（例如，处理器410、存储器420、输入/输出接口430和通信接口440）之间传输信息。
55.需要说明的是，尽管上述设备仅示出了处理器410、存储器420、输入/输出接口430、通信接口440以及总线450，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本发明实施例方案所必需的组件，而不必包含图中所示的全部组件。
56.上述实施例的电子设备用于实现前述任一实施例中相应的人才类型画像的实现方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
57.基于同一发明构思，与上述任意实施例方法相对应的，本发明一个或多个实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的人才类型画像的实现方法。
58.本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存（pram）、静态随机存取存储器（sram）、动态随机存取存储器（dram）、其他类型的随机存取存储器（ram）、只读存储器（rom）、电可擦除可编程只读存储器（eeprom）、快闪记忆体或其他内存技术、只读光盘只读存储器（cd-rom）、数字多功能光盘（dvd）或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
59.上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的人才类型画像的实现方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
60.所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围（包括权利要求）被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
61.另外，为简化说明和讨论，并且为了不会使本发明一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路（ic）芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以避免使本发明一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施
本发明一个或多个实施例的平台的（即，这些细节应当完全处于本领域技术人员的理解范围内）。在阐述了具体细节（例如，电路）以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
62.尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构（例如，动态ram（dram））可以使用所讨论的实施例。
63.本发明一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种人才类型画像的实现方法，其特征在于，所述方法包括：获取与人才信息相关的原始数据，其中，所述原始数据包括结构化数据和非结构化数据；对所述原始数据进行数据处理，得到目标数据，其中，所述数据处理包括：数据清洗，数据整合以及数据标注；基于所述目标数据构建本体，依据所述本体并结合所述目标数据构建出人才知识图谱，其中，所述人才知识图谱包括各个人才的社会关系、家庭关系以及潜在关系；基于所述人才知识图谱，利用机器学习模型和深度学习模型构建高层次人才能力模型，将待测评人才输入所述高层次人才能力模型中，获得高层次人才评估结果；基于所述人才知识图谱和所述高层次人才评估结果，采用多维度评估构建人才画像及人物关系，其中，所述多维度评估包括：动机能量、思维决策、情感成熟度、人际互动以及任务执行。2.如权利要求1所述的人才类型画像的实现方法，其特征在于，所述结构化数据指的是人才基础数据，所述非结构化数据指的是人才业务数据。3.如权利要求1或2所述的人才类型画像的实现方法，其特征在于，所述依据所述本体并结合所述目标数据构建出人才知识图谱包括：将所述目标数据依据所述本体存储至图数据库中，获得所述人才知识图谱；其中，所述人才知识图谱消除了多源人才的数据格式以及数据类型的鸿沟，便于相关数据的共享使用。4.如权利要求3所述的人才类型画像的实现方法，其特征在于，所述将待测评人才输入所述高层次人才能力模型中，获得高层次人才评估结果，包括：将多个待测评人才输入所述高层次人才能力模型中，计算各个所述待测评人才的评分，将大于设定阈值的所述评分对应的各个所述待测评人才定义为高层次人才，将统计的各个所述高层次人才作为高层次人才评估结果，并将所述高层次人才评估结果推荐给用户。5.如权利要求1所述的人才类型画像的实现方法，其特征在于, 所述机器学习模型包括聚类算法或者协同过滤算法，所述深度学习模型包括图神经网络。6.一种人才类型画像的实现系统，其特征在于，所述系统包括：采集模块，用于获取与人才信息相关的原始数据，其中，所述原始数据包括结构化数据和非结构化数据；处理模块，用于对所述原始数据进行数据处理，得到目标数据，其中，所述数据处理包括：数据清洗，数据整合以及数据标注；生成模块，用于基于所述目标数据构建本体，依据所述本体并结合所述目标数据构建出人才知识图谱，其中，所述人才知识图谱包括各个人才的社会关系、家庭关系以及潜在关系；评估模块，用于基于所述人才知识图谱，利用机器学习模型和深度学习模型构建高层次人才能力模型，将待测评人才输入所述高层次人才能力模型中，获得高层次人才评估结果；构建模块，用于基于所述人才知识图谱和所述高层次人才评估结果，采用多维度评估
构建人才画像及人物关系，其中，所述多维度评估包括：动机能量、思维决策、情感成熟度、人际互动以及任务执行。7.如权利要求6所述的人才类型画像的实现系统，其特征在于，所述结构化数据指的是人才基础数据，所述非结构化数据指的是人才业务数据。8.如权利要求6或7所述的人才类型画像的实现系统，其特征在于，所述依据所述本体并结合所述目标数据构建出人才知识图谱包括：将所述目标数据依据所述本体存储至图数据库中，获得所述人才知识图谱；其中，所述人才知识图谱消除了多源人才的数据格式以及数据类型的鸿沟，便于相关数据的共享使用。9.如权利要求6所述的人才类型画像的实现系统，其特征在于，所述将待测评人才输入所述高层次人才能力模型中，获得高层次人才评估结果，包括：将多个待测评人才输入所述高层次人才能力模型中，计算各个所述待测评人才的评分，将大于设定阈值的所述评分对应的各个所述待测评人才定义为高层次人才，将统计的各个所述高层次人才作为高层次人才评估结果，并将所述高层次人才评估结果推荐给用户。10.如权利要求6所述的人才类型画像的实现系统，其特征在于, 所述机器学习模型包括聚类算法或者协同过滤算法，所述深度学习模型包括图神经网络。

技术总结
本发明公开了人才类型画像的实现方法及系统，包括：获取与人才信息相关的原始数据，对原始数据进行数据处理，得到目标数据，数据处理包括：数据清洗，数据整合以及数据标注；基于目标数据构建本体，依据本体并结合目标数据构建出人才知识图谱；基于人才知识图谱，利用机器学习模型和深度学习模型构建高层次人才能力模型，将待测评人才输入所述高层次人才能力模型中，获得高层次人才评估结果；基于所述人才知识图谱和所述高层次人才评估结果，采用多维度评估构建人才画像及人物关系。本发明能够对结构化、非结构化数据进行处理，人才知识图谱构建工具支持建立关系网络，更加精准进行人才匹配，提供数据决策支撑，提供可视化图谱展示。示。示。


技术研发人员：单丁丁
受保护的技术使用者：中国电子科技集团公司第十五研究所
技术研发日：2023.07.19
技术公布日：2023/8/16