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！

龙图腾网获悉深圳今日人才信息科技有限公司;复旦大学申请的专利基于大规模预训练语言模型和对比学习的简历推荐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：CN116450800B 。

龙图腾网通过国家知识产权局官网在2025-11-18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：202310034610.2，技术领域涉及：G06F16/335；该发明授权基于大规模预训练语言模型和对比学习的简历推荐方法是由罗子钦;谢志辉;梁家卿;鹿大宽;肖仰华;吴显仁;徐伟招设计研发完成，并于2023-01-10向国家知识产权局提交的专利申请。

本基于大规模预训练语言模型和对比学习的简历推荐方法在说明书摘要公布了：本发明公开了一种基于大规模预训练语言模型和对比学习的简历推荐方法，本发明通过预训练语言模型，利用自监督学习方式在大量无标注语料上学习文本表示，相对传统的词向量模型可以更好地理解语言，获得更好的文本特征向量。通过充分利用预训练语言模型的这一优势，将简历和岗位描述文本分别使用预训练语言模型进行表示，得到文本特征向量后再进行基于对比学习的微调训练，优化特征向量所在的隐式特征空间内的分布情况，进而增强文本表示，可以在相同或较小的标注数据集大小上取得远胜于传统模型的表示效果与匹配准确度。

本发明授权基于大规模预训练语言模型和对比学习的简历推荐方法在权利要求书中公布了：1.一种基于大规模预训练语言模型和对比学习的简历推荐方法，其特征在于，包括： 步骤S1：使用预训练语言模型RoBERTa来获得简历文本和岗位描述的特征表示向量，分别对应输出简历向量和岗位向量；基于大规模简历-岗位描述语料对模型进行自监督预训练，以使模型熟悉语料； 步骤S2：基于简历向量和岗位向量，对预训练后的语言模型进行使用带权重的对比学习训练； 步骤S3：将简历库中的简历分别输入到所述语言模型，得到简历向量库，并将需进行简历推荐的岗位描述输入到所述语言模型，得到岗位向量，取特征空间内与该岗位向量最相邻的前k的简历向量作为推荐，并返回结果； 步骤S1中，在使用预训练语言模型RoBERTa来获得简历文本和岗位描述的特征表示向量时，输入的是纯文本的简历和岗位描述； 步骤S1中，在进行自监督预训练时，使用遮蔽语言模型对语言模型的简历-岗位描述语料库进行自监督预训练； 其中，遮蔽语言模型任务的输入表示为一个标记序列X＝{x1,x2，...，xn}，随机地采样指标集I∈{1,2，...，n}，并把所有属于集合{xi|i∈I}的标记替换为标记[MASK]，得到新的标记序列X′＝{x1，[MASK]，...xi-1，[MASK]，xi+1，...，xn}；模型接收X’并将其表征成隐式状态向量序列H＝{h1，h2，...，hi-1，hi，hi+1，...，hn}；所有属于集合{hi|i∈I}的向量将会进行投影指数归一化以得到其预测标记[MASK]所对应的真实标记{xi|i∈I}在整个模型词汇表上的概率分布； 步骤S1中，自监督预训练中，基于交叉熵损失来优化模型所预测的概率分布； 步骤S2中，在进行使用带权重的对比学习训练时，正样本对为猎头公司人才推荐记录中人工标注的处于不同推荐阶段的简历-岗位描述特征向量对，负样本对为随机组合的训练批次中其他的样本；并且，在进行对比学习训练时，语言模型是在隐式特征空间中聚合正样本对，疏远负样本对； 步骤S2中，每个简历-岗位描述特征向量对的正样本对都对应一个推荐流程状态，并且，不同的推荐流程状态给予对应的正样本对在对比学习损失计算中以不同的权重； 步骤S2中，采用的对比学习目标函数为：其中，B为进行一个批次对比学习目标函数的简历-岗位描述特征向量对的数量，为B中任意数i的简历向量的带权对比学习损失，为B中任意数i的岗位向量的带权对比学习损失。

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深圳今日人才信息科技有限公司;复旦大学，其通讯地址为：518048 广东省深圳市福田区沙头街道新华社区新洲十一街139号中央西谷大厦1508A；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”。

以上内容由龙图腾AI智能生成。