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！

龙图腾网获悉江西嘉海企管信息技术有限公司申请的专利一种基于大数据的用工平台及用工方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119762029B 。

龙图腾网通过国家知识产权局官网在2025-08-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510266258.4，技术领域涉及：G06Q10/1053；该发明授权一种基于大数据的用工平台及用工方法是由罗旋;邬昌兴;朱聪颖设计研发完成，并于2025-03-07向国家知识产权局提交的专利申请。

本一种基于大数据的用工平台及用工方法在说明书摘要公布了：本发明适用于求职招聘技术领域，提出一种基于大数据的用工平台及用工方法，包括：上传求职信息；上传招聘信息；将所有的求职信息和所有的招聘信息进行匹配，生成求职者‑招聘方推荐列表；接收求职账号上传的不良信用雇主信息，对不良信用雇主信息添加标签信息，并构建雇主评论区，将不良信用雇主事由添加至雇主评论区进行展示；根据不良信用雇主信息确定每个雇主身份的信用评分，根据信用评分对求职者‑招聘方推荐列表进行调整，确定招聘信息的推送顺序。通过构建雇主评论区，并根据不良信用雇主信息确定每个雇主身份的信用评分，为求职者提供了全面的雇主评价和信用信息，有助于求职者规避不良信用雇主，增强求职安全性。

本发明授权一种基于大数据的用工平台及用工方法在权利要求书中公布了：1.一种基于大数据的用工方法，其特征在于，所述方法包括以下步骤： 通过求职账号上传求职信息，所述求职信息包括求职人身份、工种、可操作机器类型、操作惯用手、年龄和求职地点； 通过招聘账号上传招聘信息，所述招聘信息包括雇主身份、工种、需求机器类型、操作惯用手、年龄和工作地点； 将所有的求职信息和所有的招聘信息进行匹配，根据工种、操作惯用手进行初步筛选，得到筛选结果； 根据筛选结果中双方的距离、机器类型的稀有度以及年龄的要求进行动态评分计算，并在动态评分计算过程中考虑当前劳动力市场供需状态，生成匹配评分，并根据匹配评分生成求职者-招聘方推荐列表； 接收求职账号上传的不良信用雇主信息，所述不良信用雇主信息包括雇主身份和不良信用雇主事由； 对不良信用雇主信息添加标签信息，并构建雇主评论区，将不良信用雇主事由添加至雇主评论区，并将标签信息和不良信用雇主事由对求职者进行展示； 根据不良信用雇主信息确定每个雇主身份的信用评分，根据信用评分对求职者-招聘方推荐列表进行调整，确定招聘信息的推送顺序； 对所有的求职信息和招聘信息进行综合分析，确定用工趋势信息； 其中，将所有的求职信息和所有的招聘信息进行匹配，根据工种、操作惯用手进行初步筛选，得到筛选结果；根据筛选结果中双方的距离、机器类型的稀有度以及年龄的要求进行动态评分计算，并在动态评分计算过程中考虑当前劳动力市场供需状态，生成匹配评分，并根据匹配评分生成求职者-招聘方推荐列表的步骤，具体包括： 获取工种分类代码，将求职者的工种分类代码与招聘方发布的工种分类代码进行配对，获取工种分类代码完成一致的第一配对结果； 将第一配对结果中求职者声明的操作惯用手，与招聘方中岗位对操作手的要求进行筛选，得到筛选结果； 根据筛选结果中求职者的求职地点与招聘方的工作地点的经纬度坐标，计算两地间的实际物理距离，并对实际物理距离应用指数衰减函数以计算得到指数衰减系数； 获取求职地点与工作地点的行政层级，根据行政层级赋予不同权重，得到隶属度权重： 将指数衰减系数与隶属度权重加权融合，生成空间匹配评分； 计算筛选结果中求职者可操作机器类型与招聘方需求机器类型的交集与并集； 统计招聘市场中各类机器类型的出现频率，根据各类机器类型的稀有度，赋予每个机器类型相应的稀缺性权重； 根据交集机器类型的稀缺性权重和并集机器类型的稀缺性权重计算加权相似度，进而得到设备匹配评分； 获取招聘方的年龄招聘要求，构建S型曲线函数，并将招聘方的年龄招聘要求作为S型曲线函数的中心过渡区，将求职者实际年龄代入S型曲线函数，根据S型曲线函数的斜率，确定对应的年龄匹配评分； 根据当前劳动力市场供需状态，对空间匹配评分、设备匹配评分以及年龄匹配评分分别进行动态权重分配以分别得到空间匹配综合评分、设备匹配综合评分与年龄匹配综合评分，将空间匹配综合评分、设备匹配综合评分以及年龄匹配综合评分按照动态权重进行加权融合，得到最终的匹配评分； 对同一招聘岗位的所有求职者按最终的匹配评分降序排列，生成招聘岗位匹配列表，统计所有岗位的招聘岗位匹配列表，生成求职者-招聘方推荐列表； 其中，所述对不良信用雇主信息添加标签信息，并构建雇主评论区，将不良信用雇主事由添加至雇主评论区，并将标签信息和不良信用雇主事由对求职者进行展示的步骤，具体包括： 根据雇主身份对所有的不良信用雇主信息进行分类，每一类别中的雇主身份相同； 提取每一类别中不良信用雇主事由的高频关键词，根据高频关键词为每个雇主身份添加标签信息； 构建雇主评论区，将不良信用雇主事由添加至对应的雇主评论区中； 将不良信用雇主标签信息和不良信用雇主事由进行展示，以作为求职者的求职过程中对雇主的鉴别信息； 所述根据雇主身份对所有的不良信用雇主信息进行分类，每一类别中的雇主身份相同的步骤，具体包括： 导入企业信用信息公示系统的标准工商注册词典，标准工商注册词典包括行业分类标准词表以及企业经营范围规范表述词库； 雇主身份包括雇主名称、工商注册号以及统一社会信用代码，采用双向LSTM-CRF神经网络模型对雇主名称进行细粒度切分，得到分词结果； 将分词结果与标准工商注册词典进行匹配，以进行核心词提取，得到字号和行业特征词； 建立同义词映射表，利用同义词映射表对行业特征词进行标准化转换，得到标准化行业特征词； 利用所有雇主的字号构建全局语料库，采用TF-IDF权重分析计算字号在全局语料库中的TF-IDF词频，得到TF-IDF权重； 使用预训练的行业专用词向量模型，计算标准化行业特征词与标准工商注册词典的语义相似度，得到词性标记； 对工商注册号进行Luhn算法校验，验证编码的合法性并生成二进制校验位特征，根据二进制校验位特征对工商注册号进行解析，得到注册地区编码； 对统一社会信用代码进行SHA-256哈希运算，生成固定长度的密码学特征摘要； 将二进制校验位特征与密码学特征摘要进行合并，得到编码校验特征向量； 根据行业特征词在标准工商注册词典中出现的频率给定相应的行业分类权重，将TF-IDF权重、词性标记和行业分类权重作为文本特征向量，将文本特征向量与编码校验特征向量进行正交拼接，形成多维混合特征表示； 为每个雇主创建独立聚类簇，每个聚类簇包含单条雇主的多维混合特征表示； 根据聚类时间周期，采用递增的方式设定动态阈值； 根据设定的动态阈值，采用Jaccard-Wasserstein复合度量计算两个聚类簇之间的特征向量相似度； 当两个聚类簇之间的特征向量相似度超过动态阈值时，将两个聚类簇进行合并，得到聚类结果，聚类结果中每个聚类簇表示一个类别的雇主身份； 其中，所述提取每一类别中不良信用雇主事由的高频关键词，根据高频关键词为每个雇主身份添加标签信息的步骤，具体包括： 将不良信用雇主事由文本翻译为英文，构建双语平行语料库； 对比中英文本的语义差异，提取不受语言影响的跨语言向量； 使用预训练的中文BERT模型对不良信用雇主事由文本进行深度语义捕捉，得到包含上下文信息的语义向量； 采用预训练的BiLSTM模型分析不良信用雇主事由文本的词序关系，以进行词序特征提取，再将词序特征采用注意力机制进行加权计算，得到带时序权重的特征向量； 将上下文信息的语义向量、带时序权重的特征向量以及跨语言向量通过全连接层进行维度对齐； 对维度对齐后的上下文信息的语义向量、带时序权重的特征向量以及跨语言向量进行加权融合，并在加权融合过程中，根据不良信用雇主事由文本的文本长度对上下文信息的语义向量以及带时序权重的特征向量对应的权重进行调整，得到多模态融合向量； 对多模态融合向量以及不良信用雇主事由文本进行多维分析以及聚类操作，获取雇主身份的标签信息； 对多模态融合向量以及不良信用雇主事由文本进行多维分析以及聚类操作，获取雇主身份的标签信息的步骤，具体包括： 获取劳动违规词库，检索不良信用雇主事由文本中包含劳动违规词的数量和频率，并根据数量和频率获取相应的风险权重； 对不良信用雇主事由文本进行TF-IDF分析，获取TF-IDF值，对TF-IDF值采用风险权重进行加权，得到改进值； 采用LDA对多模态融合向量进行主题挖掘，生成主题-词汇分布矩阵； 根据改进值，筛选前若干个高频词作为网络节点构建图结构；并结合主题-词汇分布矩阵形成语义网络图； 根据主题-词汇分布矩阵词的共现强度，采用图卷积网络分析图结构中节点间关联强度，构建带权重的语义网络图；其中，节点为关键词，边权为关联度； 采用基于密度峰值算法识别带权重的语义网络图中的核心节点； 根据核心节点进行语义聚类，并在聚类过程中，根据带权重的语义网络图中边权大小动态调整聚类半径，得到语义簇； 根据改进值以及带权重的语义网络图的中心度计算得到离心率，根据离心率，从语义簇中选取前若干个词作为雇主身份的标签信息。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人江西嘉海企管信息技术有限公司，其通讯地址为：330000 江西省南昌市南昌经济技术开发区双港西大街528号北大资源智汇苑8、9#楼213室-21；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。