(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211040668.X (22)申请日 2022.08.29 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 郭茁宁　张乐　刘浩　秦川　 祝恒书　熊辉　 (74)专利代理 机构 北京市汉坤律师事务所 11602 专利代理师 姜浩然　吴丽丽 (51)Int.Cl. G06Q 10/10(2012.01) G06K 9/62(2022.01) G06F 16/23(2019.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于神经网络的信息处理方法、 神经网络及 其训练方法 (57)摘要 本公开提供了一种基于神经网络的信息处 理方法、 神经网络及其训练方法， 涉及人工智能 领域， 具体涉及机器学习技术和深度学习技术。 该方法包括： 确定目标 公司的公司特征和目标职 位的职位特征； 对与目标时间序列所包括的至少 一个时间戳对应的至少一个需求值进行处理， 以 得到需求时序特征， 每一个需求值指示目标公司 在对应的时间戳对目标职位的人才需求程度； 对 与至少一个时间戳对应的至少一个供应值进行 处理， 以得到供应时序特征， 每一个供应值指示 目标公司在对应的时间戳对目标职位的人才供 应程度； 以及对公司特征、 职位特征、 需求时序特 征、 以及供应时序特征进行处理， 以得到与目标 公司和目标职位两者对应的需求预测结果和供 应预测结果。 权利要求书6页 说明书17页 附图8页 CN 115409479 A 2022.11.29 CN 115409479 A 1.一种基于神经网络的信息处理方法， 所述神经网络包括第一特征提取子网络、 第二 特征提取子网络、 第三特 征提取子网络、 以及预测子网络， 所述方法包括： 利用第一特 征提取子网络确定目标公司的公司特 征和目标职位的职位特 征； 利用第二特征提取子网络对与目标时间序列所包括的至少一个时间戳对应的至少一 个需求值进 行处理， 以得到需求时序特征， 其中， 所述至少一个需求值中的每一个需求值指 示所述目标公司在对应的时间戳对所述目标职位的人才需求 程度； 利用第三特征提取子网络对与所述至少一个时间戳对应的至少一个供应值进行处理， 以得到供应时序特征， 其中， 所述至少一个供应值中的每一个供应值指示所述目标公司 在 对应的时间戳对所述目标职位的人才供应程度； 以及 利用预测子网络对所述公司特征、 所述职位特征、 所述需求时序 特征、 以及所述供应时 序特征进行处 理， 以得到所述目标公司对所述目标职位的需求预测结果和供应预测结果。 2.根据权利要求1所述的方法， 其中， 所述第一特征提取子网络包括嵌入子网络、 公司 时序特征提取子网络、 以及职 位时序特征提取子网络， 其中， 利用第一特征提取子网络确定 目标公司的公司特 征和目标职位的职位特 征包括： 利用所述嵌入子网络确定所述目标公司的与所述至少一个时间戳中的每一个时间戳 对应的公司嵌入特 征以及所述目标职位的与每一个时间戳对应的职位嵌入特 征； 利用所述公司时序特征提取子网络将所述目标公司的与所述至少一个时间戳对应的 至少一个公司嵌入特征进 行融合， 以得到与所述目标时间序列对应的所述目标公司的公司 特征； 以及 利用所述职位时序特征提取子网络将所述目标职位的与所述至少一个时间戳对应的 至少一个职 位嵌入特征进 行融合， 以得到与所述目标时间序列对应的针对 所述目标职位的 职位特征。 3.根据权利要求2所述的方法， 其中， 所述嵌入子网络为基于公司 ‑职位图的图神经网 络， 其中， 所述 公司‑职位图表征包括所述目标公司的多个公司之 间的关系以及 包括所述目 标职位的多个职 位之间的关系， 和/或所述 公司‑职位图表征所述多个公司和所述多个职 位 之间的关系， 其中， 利用所述嵌入子网络确定所述目标公司的与所述至少一个时间戳中的每一个时 间戳对应的公司嵌入特 征以及所述目标职位的与每一个时间戳对应的职位嵌入特 征包括： 针对所述至少一个时间戳中的每一个时间戳， 利用所述嵌入子网络基于所述公司 ‑职 位图对与所述多个公司对应的关于上一个时间戳的多个公司嵌入特征和与所述多个职位 对应的关于上一个时间戳的多个职 位嵌入特征进 行处理， 以得到所述多个公司各自的关于 该时间戳的公司嵌入特 征和所述多个职位各自的关于该时间戳的职位嵌入特 征。 4.根据权利要求3所述的方法， 其中， 所述公司 ‑职位图包括表征所述多个公司之间的 关系的第一子图、 表征所述多个职位之间的关系的第二子图、 以及表征所述多个公司和所 述多个职位之 间的关系的第三子图， 所述嵌入子网络包括基于所述第一子图的第一图神经 网络、 基于所述第二子图的第二图神经网络、 以及基于所述第三子图的第三图神经网络， 其中， 针对所述至少一个时间戳中的每一个时间戳， 利用所述嵌入子网络对与所述多 个公司对应的上一个时间戳的多个公司嵌入特征和与所述多个职位对应的多个职位嵌入 特征进行处 理包括：权　利　要　求　书 1/6 页 2 CN 115409479 A 2针对所述至少一个时间戳中的每一个时间戳， 利用所述第一图神经网络对所述第一子图中与所述目标公司相邻的至少一个第一相 关公司对应的关于上一个时间戳的至少一个第一相关公司嵌入特征进 行处理， 以得到与所 述目标公司对应的关于该时间戳的公司嵌入特 征第一分量； 利用所述第二图神经网络对所述第二子图中与所述目标职位相邻的至少一个第一相 关职位对应的关于上一个时间戳的至少一个第一相关职 位嵌入特征进 行处理， 以得到与所 述目标职位对应的关于该时间戳的职位嵌入特 征第一分量； 利用所述第三图神经网络对所述第三子图中与所述目标公司相邻的至少一个第二相 关职位对应的关于上一个时间戳的至少一个第二相关职 位嵌入特征进 行处理， 以得到与所 述目标公司对应的关于该时间戳的公司嵌入特 征第二分量； 利用所述第三图神经网络对所述第三子图中与所述目标职位相邻的至少一个第二相 关公司对应的关于上一个时间戳的至少一个第二相关公司嵌入特征进 行处理， 以得到与所 述目标职位对应的关于该时间戳的职位嵌入特 征第二分量； 基于所述公司嵌入特征第 一分量和所述公司嵌入特征第 二分量， 得到与所述目标公司 对应的关于该时间戳的公司嵌入特 征； 以及 基于所述职位嵌入特征第 一分量和所述职位嵌入特征第 二分量， 得到与所述目标职位 对应的关于该时间戳的职位嵌入特 征。 5.根据权利要求3或4所述的方法， 其中， 与所述多个公司对应的关于初始时间戳的多 个公司嵌入特征和与所述多个职位对应的关于所述初始 时间戳的多个职位嵌入特征是通 过随机初始化得到的， 所述初始时间戳 为所述目标时间序列的前一时间戳。 6.根据权利要求1所述的方法， 其中， 所述第 二特征提取子网络包括需求 时间戳特征提 取子网络和需求时序特征提取子网络， 其中， 利用第二特征提取子网络对与目标时间序列 所包括的至少一个时间戳对应的至少一个需求 值进行处 理包括： 针对所述至少一个时间戳中的每一个时间戳， 利用所述需求 时间戳特征提取子网络基 于与该时间戳对应的需求值、 所述目标公司的公司特征、 以及所述目标职位的职 位特征， 确 定与该时间戳对应的需求时间戳特 征； 以及 利用所述需求时序特征提取子网络对与所述至少一个时间戳对应的至少一个需求时 间戳特征进行处 理， 以得到所述需求时序特 征。 7.根据权利要求6所述的方法， 其中， 所述第 三特征提取子网络包括供应时间戳特征提 取子网络和供应时序特征提取子网络， 其中， 利用第三特征提取子网络对与所述至少一个 时间戳对应的至少一个供应值进行处 理包括： 针对所述至少一个时间戳中的每一个时间戳， 利用所述供应时间戳特征提取子网络基 于与该时间戳对应的供应值、 所述目标公司的公司特征、 以及所述目标职位的职 位特征， 确 定与该时间戳对应的供应时间戳特 征； 以及 利用所述供应时序特征提取子网络对与所述至少一个时间戳对应的至少一个供应时 间戳特征进行处 理， 以得到所述供应时序特 征。 8.根据权利要求1所述的方法， 其中， 所述预测子网络包括综合特征计算子网络、 需求 预测子网络、 以及供应预测子网络， 其中， 利用预测子网络对 所述公司特征、 所述职 位特征、 所述需求时序特 征、 以及所述供应时序特 征进行处 理包括：权　利　要　求　书 2/6 页 3 CN 115409479 A 3