-
公开(公告)号：CN116401372A
公开(公告)日：2023-07-07
申请号：CN202211657135.6
申请日：2022-12-22
Applicant: 百度在线网络技术(北京)有限公司
Abstract: 本公开提供了知识图谱表示学习方法、装置、电子设备及可读存储介质，涉及人工智能领域，尤其涉及深度学习、知识图谱或者智能推荐领域。具体实现方案为：获取招聘知识图谱，招聘知识图谱中的节点用于表征至少两种类型的招聘相关实体，招聘知识图谱中的边用于表征招聘相关实体之间的关系，节点具有至少一种类型的属性信息，属性信息用于描述招聘相关实体；确定节点所具有的属性信息对应的属性特征；基于属性特征确定节点的初始节点特征；基于各初始节点特征进行表示学习，得到节点的目标节点特征。基于本方案学习出的目标特征中能够包含属性信息，为更好地进行智能招聘任务的分析处理提供了基础，有助于提升智能招聘任务的处理效果。
-
公开(公告)号：CN113722368A
公开(公告)日：2021-11-30
申请号：CN202010443539.X
申请日：2020-05-22
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06F16/2457 , G06F16/2458 , G06N3/04 , G06N3/08
Abstract: 本申请公开了一种用于确定技能价值的数据处理方法、装置、设备及存储介质，涉及人工智能技术领域。具体实现方案为：获取结构化表示的目标技能的目标技能数据，以及目标场景的目标场景数据；其中，目标场景具有对目标技能的使用需求；确定目标技能数据与目标场景数据之间的需求紧密度数据；根据需求紧密度数据，确定目标技能在目标场景下的技能价值。本申请实施例通过引入目标技能数据和目标场景数据的需求紧密度数据作为技能价值确定的参照依据，从而实现对目标技能的技能价值的定量计算，实现了对单一技能的价值量化，进而为用户个人能力测评或职业规划，以及为技能需求方针对技能需求进行薪资结构的优化，提供了数据支撑。
-
公开(公告)号：CN110555576A
公开(公告)日：2019-12-10
申请号：CN201810549216.1
申请日：2018-05-31
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06Q10/06
Abstract: 本发明实施例提出一种工作饱和度分析方法和装置。其中，该方法包括：从各员工的工作内容数据和公司的组织架构数据中，提取各员工的局部特征和全局特征，所述局部特征用于表示员工在部门内部的特征，所述全局特征用于表示员工在公司范围内的特征；从工作时间数据中，提取各员工的实际工作时长；根据各员工的局部特征和全局特征构建相似度矩阵；根据所述相似度矩阵和所述实际工作时长构建工作饱和度分析模型；以及根据所述工作饱和度分析模型，确定各员工的工作状态是否饱和。本发明实施例通过建立工作饱和度分析模型，能够自动分析员工的工作状态是否饱和，有利于节约人力成本，提高管理效率，分析结果更加合理、准确。
-
公开(公告)号：CN105808744A
公开(公告)日：2016-07-27
申请号：CN201610141577.3
申请日：2016-03-11
Applicant: 百度在线网络技术(北京)有限公司
CPC classification number: G06F16/958 , G06K9/6268
Abstract: 本申请公开了一种信息预测的方法和装置。所述方法的一具体实施方式包括：获取多条条件描述信息；按照预设时间段对所述条件描述信息进行分组，将发布时间属于同一预设时间段的条件描述信息划分为一组；对各组条件描述信息分别提取特征向量；通过机器学习方法对所述特征向量进行分析，获取相邻预设时间段内的条件描述信息之间的关联关系；基于所述关联关系预测下一个预设时间段的条件情形信息。该实施方式可以实现有效的信息预测。
-
公开(公告)号：CN117131963A
公开(公告)日：2023-11-28
申请号：CN202210531538.X
申请日：2022-05-16
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06Q10/04 , G06Q50/26 , G06N3/045 , G06N3/0442 , G06N3/042 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/0985 , G06N3/0895 , G06F18/214 , G06F18/243 , G06V20/13 , G06V20/10 , G06V20/70 , G06V10/764 , G06V10/774 , G06V10/82 , G06F16/29
Abstract: 本公开提供了一种任务处理方法、神经网络及其训练方法、设备和介质，涉及人工智能领域，具体涉及图像处理技术、电子地图技术、和深度学习技术。该方法包括：确定多个城市区域的第一特征向量；基于第一特征向量确定城市区域和多个预设语义簇的从属关系；基于预设语义簇包括的城市区域的第一特征向量确定语义簇特征向量；基于语义簇特征向量预测伪标签，伪标签指示是否包括目标类别的城市区域；基于伪标签预测结果以及目标城市区域和预设语义簇的从属关系确定与目标城市区域对应的参数过滤矩阵；利用对应的参数过滤矩阵修正预测网络以得到用于目标城市区域的预测网络，以基于对应的第一特征向量预测目标城市区域是否为所述目标类别的城市区域。
-
Patent Agency Ranking
公开(公告)号：CN117131223A
公开(公告)日：2023-11-28
申请号：CN202210529869.X
申请日：2022-05-16
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06F16/587 , G06F16/583 , G06F16/9537 , G06V10/40 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/042 , G06N3/045 , G06N3/048 , G06N3/084
Abstract: 本公开提供了信息处理方法、装置、电子设备及存储介质，涉及人工智能技术领域。具体实现方案为：基于N个区域分别对应的兴趣点POI数据以及图像数据，生成所述N个区域分别对应的POI特征和图像特征；N为正整数；基于所述N个区域的相邻关系、以及所述N个区域分别对应的所述POI特征和所述图像特征，生成所述N个区域分别对应的多模态特征。本公开实施例能够保证最终得到的各个区域的多模态特征更加准确，为下游处理提供更加准确的输入数据，从而可以使得后续下游处理也得到更加准确的结果。
-
公开(公告)号：CN113627135B
公开(公告)日：2023-09-29
申请号：CN202010381686.9
申请日：2020-05-08
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06F40/166 , G06N3/04 , G06N3/08
Abstract: 本申请公开了一种招聘岗位描述文本的生成方法、装置、设备及介质，涉及人工智能技术领域。具体实现方案为：获取目标岗位的原始相关文本；基于所述原始相关文本和预先训练出的深度神经网络模型，生成所述目标岗位对应的目标招聘岗位描述文本。实现了通过深度神经网络自动生成目标招聘岗位描述文本，使人员与岗位精准匹配，减少招聘过程的人力和时间，提高招聘效率。
-
公开(公告)号：CN112084320B
公开(公告)日：2023-09-15
申请号：CN201910518161.2
申请日：2019-06-14
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06F16/335 , G06F16/9535
Abstract: 本发明实施例提供一种试题推荐方法、装置和智能设备，该方法包括：获取岗位的多个技能实体；依据所述岗位的数据，计算所述多个技能实体中每个技能实体的权重值；依据每个技能实体的权重值，从试题库获取所述岗位的推荐试题。本发明实施例可以提高提供试题的效率。
-
公开(公告)号：CN116340370A
公开(公告)日：2023-06-27
申请号：CN202211536466.4
申请日：2022-12-01
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06F16/2457 , G06Q50/20 , G06F18/214
Abstract: 本公开提供了一种认知模型训练、习题推荐方法、装置、设备以及介质，涉及数据处理技术领域，尤其涉及人工智能、深度学习技术领域。具体实现方案如下。认知模型训练方法：从每个样本习题的历史作答交互记录中，提取每个样本习题与测试者之间的多个交互表征向量，每个样本习题的训练集和验证集分别包括每个样本习题对应的部分交互表征向量；基于每个样本习题的训练集，对预设认知模型进行内层训练；基于多个样本习题的验证集，对内层训练后的预设认知模型进行外层训练。习题推荐方法：将根据上述方法训练预设认知模型后得到的每个样本习题的表征参数初始化习题库中每个样本习题的表征参数；根据习题库中每个习题的表征参数，向目标用户推荐习题。
-
公开(公告)号：CN113627135A
公开(公告)日：2021-11-09
申请号：CN202010381686.9
申请日：2020-05-08
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06F40/166 , G06N3/04 , G06N3/08
Abstract: 本申请公开了一种招聘岗位描述文本的生成方法、装置、设备及介质，涉及人工智能技术领域。具体实现方案为：获取目标岗位的原始相关文本；基于所述原始相关文本和预先训练出的深度神经网络模型，生成所述目标岗位对应的目标招聘岗位描述文本。实现了通过深度神经网络自动生成目标招聘岗位描述文本，使人员与岗位精准匹配，减少招聘过程的人力和时间，提高招聘效率。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.042 seconds)
