本技术涉及招聘，尤其涉及一种基于大语言模型开发的b端ai招聘方法。
背景技术：
1、随着互联网的快速发展和人工智能技术的成熟应用，招聘行业也在不断探索利用新技术提升招聘发布的效率和准确性。但是，很多企业招聘的职位都不止一个，并且发布职位的渠道也都不止一个，可能会在猎聘、智联、拉勾、boss、前程无忧等渠道都需要发布招聘信息。
2、现有的招聘助手在使用时，其招聘流程较为复杂，耗费招聘人员大量的时间和精力，使得整个招聘的效率下降，并且招聘效果不佳，无法有效的为用人招聘到合适人才。
3、因此，如何解决目前招聘人员招聘时耗费大量时间和精力，无法有效为用人单位招聘到合适人才成为亟待解决的技术问题。
技术实现思路
1、本技术提供了一种基于大语言模型开发的b端ai招聘方法，旨在解决招聘人员招聘时耗费大量时间和精力，无法有效为用人单位招聘到合适人才的问题。
2、本技术提供一种基于大语言模型开发的b端ai招聘方法，一种基于大语言模型开发的b端ai招聘方法，其特征在于，所述方法包括：
3、获取招聘方招聘信息关键字；
4、基于transformer架构的大语言模型技术，对所述招聘方信息关键字进行关键语句识别和分析，生成详尽准确的职位描述内容；
5、基于所述招聘信息关键字，将所述招聘信息关键字添加到对应的职位描述栏中，生成完整职位发布页面并进行发布；
6、获取用户发布信息内容关键字；
7、基于用户发布信息内容关键字与招聘方招聘信息关键字进行比对，大模型利用能够有效分析和筛选简历，根据用人方设定的标准和要求，自动挑选出最合适的候选人；
8、基于ai招聘助手可以进行深度学习，通过自然语言理解技术，获得并理解每份简历的信息，并根据要求对其进行评分和排名；
9、获取与用户建立连接；
10、基于ai招聘助手将自动建立联系，发送个性化的招呼语。
11、进一步地，所述基于招聘方招聘信息关键字，通过与智联copilot-ai助手的多轮对话，以自然语言表达并获取其招聘需求；
12、ai招聘助手会协助招聘方判断内容描述完整性，针对缺失的核心信息，智联copilot-ai助手通过对话引导招聘方补充完善。
13、进一步地，基于所述招聘需求；
14、获取招聘方岗位问题；针对岗位的需求、不同岗位的关注点，生成合适的问题列表，也可以预置问题模版；
15、其中，问题列表包括：
16、必备问题：必备问题包含城市、职位、行业、年龄/工龄、学历、薪酬、工作职责、技能要求、全职/兼职、工作经验；
17、补充问题：一部分是行业相关的补充问题，必备和补充问题的比例可有招聘方根据需求来确定；
18、基于基于ai招聘助手与用户自动建立联系；
19、获取多轮对话中，客户回答上下文，查漏补缺引导客户补充未提供必备的信息；
20、其中，必备信息：完整的职位描述需要城市、职位、行业、年龄/工龄、学历、薪酬、工作职责、技能要求、全职/兼职、工作经验，ai招聘助手能判断当前多轮对话沟通内容所包含的维度是否完备，如果不完备，ai招聘助手提一个问题让招聘方补全必要信息；
21、基于基于ai招聘助手与用户自动建立联系；
22、获取多轮对话中，根据客户回答上下文，引导客户描述补充信息；
23、其中，补充信息：岗位描述还需要某某信息，判断当前多轮对话沟通内容是否包含这部分信息；
24、如果不包含，ai招聘助手会提一个问题让招聘方补充这部分额外信息；
25、基于基于ai招聘助手与用户自动建立联系；
26、获取召回记录不足时，需要引导客户进行条件泛化。
27、进一步地，字典值匹配选择、jd结果输出、候选人画像输出；
28、基于字典值匹配选择，获取根据对话信息，从智联的字典值中选出用户表达内容的匹配值，包括但不限于行业、职类、城市、企业类型、薪资区间等；
29、基于jd结果输出，获取多轮对话信息，进行岗位职责、岗位要求内容输出；
30、基于候选人画像输出，获取根据多轮对话，总候选人画像，用于最终确认候选人要求。
31、进一步地，简历信息摘要、维度提取/搜索条件生成、维度提取/搜索条件生成；
32、基于简历信息摘要，获取从简历的工作经历、教育经历、求职意向中抽取核心信息，喂给大模型用来做匹配和排序；
33、基于维度提取/搜索条件生成，获取根据表达环节的多轮对话，生成搜索简历的条件，包括关键词、行业/专业/学历/工作经验要求等；
34、基于维度提取/搜索条件生成，获取现有jd，生成搜索简历条件。
35、进一步地，校正-根据客户行为反馈调整简历排序、校正-根据客户行为反馈引导客户补充信息；
36、基于校正-根据客户行为反馈调整简历排序；
37、获取客户交互上选择/没选择某些简历，挖掘客户意图，如果上下文不缺信息，则更改当前简历的排序；
38、基于校正-根据客户行为反馈引导客户补充信息；
39、获取客户交互上选择/没选择某些简历，挖掘客户意图，如果上下文缺少信息则引导客户更改或者补充信息。
40、进一步地，简历排序及推荐理由；
41、基于简历排序及推荐理由；
42、获取整体的多轮对话信息，从候选简历中挑选匹配的top结果进行返回；
43、进一步地，cv推荐理由生成；
44、基于cv推荐理由生成；
45、获取表达环节的多轮对话，以及简历各维度信息，挖掘候选人适合该岗位的特点，生成推荐理由。
46、进一步地，对c个性化招呼语生成；
47、基于对c个性化招呼语生成；
48、获取简历信息中c的关注点，以及多轮对话中各维度信息，生成适合c的个性化招呼语。
49、进一步地，简历核心词提炼、c端问题识别及回答；
50、基于简历核心词提炼；
51、获取提取简历可卡片外露的技能词、行业词，帮助客户选择决策；
52、基于c端问题识别及回答；
53、获取在会话中识别求职者的问题进行识别并回答。
54、本技术提供一种基于大语言模型开发的b端ai招聘方法，本技术具备如下有益效果：系统基于b端用户行为自动进行分析，发现b端收获不足、不满意，会触发ai助手来协助b端进行招聘，ai助手基于用户的职位、公司等信息进行用户画像，如果此过程发现信息不足，会触发与用户的对话，引导用户回答所需要的必要信息，如:行业细分领域、工作方向等，基于职位、会话等信息明确用户招聘对象的画像，并调用现有的简历搜索能力，查询匹配的简历，之后把职位、会话、搜索到的简历摘要信息，提供给大模型进行更全面、精准的判断和决策，最终把符合用户期望的简历推荐给用户进行撮合，当用户对推荐的简历表达出负向反馈时，继续此前的过程，和用户展开新一轮的对话，收集更多的用户表达，便于修正用户画像，重复此过程，为用户推荐出高质量的符合用户诉求的简历，从而能够使得招聘流程更加简单，避免了耗费招聘人员大量时间和精力，提高了招聘的效率和招聘效果，能够有效的为用人招聘到合适的人才。
1.一种基于大语言模型开发的b端ai招聘方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于大语言模型开发的b端ai招聘方法，其特征在于，
3.根据权利要求2所述的一种基于大语言模型开发的b端ai招聘方法，其特征在于，
4.根据权利要求3所述的一种基于大语言模型开发的b端ai招聘方法，其特征在于，还包括以下步骤：
5.根据权利要求4所述的一种基于大语言模型开发的b端ai招聘方法，其特征在于，还包括以下步骤：
6.根据权利要求5所述的一种基于大语言模型开发的b端ai招聘方法，其特征在于，还包括以下步骤：
7.根据权利要求6所述的一种基于大语言模型开发的b端ai招聘方法，其特征在于，包括：
8.根据权利要求7所述的一种基于大语言模型开发的b端ai招聘方法，其特征在于，包括：
9.根据权利要求8所述的一种基于大语言模型开发的b端ai招聘方法，其特征在于，包括：
10.根据权利要求9所述的一种基于大语言模型开发的b端ai招聘方法，其特征在于，还包括以下步骤：
