基于深度學習的就業供需精準智能匹配應用研究

何晶 龍坡

(長沙民政職業技術學院 湖南長沙 410004)

求職者和企業供需雙方匹配是實現供需對接的有效方式。供需匹配讓企業利益和畢業生個體價值得到統一，實現“崗得其人”“人適其崗”的目標[1]，根據人員的素質和個性，將其安排在最適合的崗位上，以實現“人盡其才，物盡其用”的理想。使人才發揮最大價值，同時激活企業組織。網絡招聘是就業市場中實現供需對接的方式之一，在新冠疫情的影響下，近年來網絡招聘越來越成為一種主流的就業供需雙方的交流平臺。隨著網絡招聘的發展，網絡招聘渠道擁有大量的個人簡歷和企業招聘信息，數量達到了上千萬份甚至數億份，形成了海量的文本數據。海量數據是網絡招聘時代突出的“數字化”特征。如何利用好這些海量文本數據，在簡歷上多方位客觀評價和描述人才真實信息，并將這些簡歷和崗位進行精準匹配，是值得探討研究的。

深度學習是一種機器學習技術，它可以實現從大量的數據中自動特征提取和分類[2]。基于深度學習的就業供需精準智能匹配研究旨在利用深度學習技術來提高就業供需匹配的準確性和效率。現有研究表明：基于深度學習的就業供需精準智能匹配可有效地提高就業供需匹配的準確性和效率[3]，從而提高就業效率，改善就業環境，促進就業市場的健康發展。

1 深度學習方法與基本流程

深度學習方法是一種機器學習技術，它使用多層神經網絡來模擬人類大腦的學習過程，以解決復雜的問題，其基本流程包括數據準備、模型構建、訓練和評估[3]。數據準備階段，需要準備訓練數據集，并將其轉換為可用于深度學習的格式；模型構建階段，需要構建深度學習模型，并設置超參數；訓練階段，需要使用訓練數據集訓練模型，以獲得最佳參數；評估階段，需要使用測試數據集評估模型的性能。

2 深度學習在人崗匹配中的應用

2.1 深度學習在就業供需精準匹配中的應用

2.1.1 基于深度學習的職位分類

這是一種使用深度學習技術來對職位進行分類的方法[4]。可以幫助企業快速、準確地將職位分類為不同的類別，從而更好地管理和搜索職位。深度學習技術可以從大量的文本數據中提取特征，并使用這些特征來識別不同的職位類別。

目前，相關研究者正在努力改進深度學習技術，以提高職位分類的準確性和效率。其中，研究重點包括：（1）改進深度學習模型的結構，以提高職位分類的準確性；（2）開發新的深度學習技術，以提高職位分類的效率；（3）開發新的職位分類模型，以提高職位分類的準確性和效率。

2.1.2 基于深度學習的求職者推薦

一種利用深度學習技術來推薦合適的求職者的方法，可以利用深度學習技術來分析求職者的簡歷，以及他們的背景和技能，從而更好地推薦合適的求職者。

（1）基于內容的推薦。基于內容的求職者推薦研究是一種基于求職者的個人信息，如簡歷、技能、經驗等，來推薦合適的職位的研究。基于內容的求職者推薦研究受到了很多學者和研究者的關注，相繼被提出了許多有效的方法來提高求職者推薦的準確性和召回率。這些方法主要包括基于深度學習模型、基于社交網絡的模型、基于聚類模型、基于排序模型，以及基于推薦系統模型等。隨著技術的發展，基于內容的求職者推薦研究將會變得更加復雜。未來的研究將會更加注重求職者的個性化需求，以及更加精準的推薦算法。此外，未來的研究還將更加注重求職者的職業發展，以及更加精準的職業推薦。

（2）基于協同過濾的推薦。它利用協同過濾技術來推薦合適的求職者給招聘者。相關研究者提出了許多有效的推薦算法，如基于用戶的協同過濾、基于物品的協同過濾、基于混合協同過濾等。基于協同過濾的求職者推薦有望成為未來求職者推薦的主流方式，它可以更有效地幫助求職者找到合適的職位，并且可以更快地匹配求職者和雇主。此外，協同過濾還可以提供更多的精確性，以便更好地滿足求職者和雇主的需求。

（3）基于深度學習的推薦。近年來，基于深度學習的求職者推薦研究取得了一定的進展，主要包括構建求職者推薦模型、提高求職者推薦準確性和效率等方面[5]。隨著深度學習技術的發展，求職者推薦將變得更加精準和高效。深度學習可以幫助招聘者更好地理解求職者的背景和技能，從而更準確地匹配求職者和職位。此外，深度學習還可以幫助招聘者更好地了解求職者的個性特征，從而更好地評估求職者的適合性。未來，深度學習將繼續改善求職者推薦，使其更加準確和高效。

2.1.3 基于深度學習的職位（崗位）推薦

基于深度學習的職位推薦是一種基于機器學習技術的職位推薦系統，它可以根據用戶的個人信息、工作經歷、技能和興趣愛好等，通過深度學習技術，將求職者的簡歷文本和職位描述文本轉換為可計算的特征，從而實現為用戶推薦最合適的職位，它可以幫助用戶快速找到最適合的職位，提高求職效率，減少求職時間，從而更好地實現就業供需精準匹配。

相關研究者提出了許多基于深度學習的崗位推薦方法，其中包括基多層感知機、卷積神經網絡、循環神經網絡、深度語義相似性模型以及限制性玻爾茲曼機等。隨著深度學習技術的發展，深度學習技術可以更好地分析和理解用戶的行為，從而更準確地推薦適合用戶的崗位。此外，深度學習技術還可以更好地處理大量的數據，從而更好地推薦崗位。未來，基于深度學習的崗位推薦將會變得更加準確和可靠，從而更好地滿足用戶的需求。

2.1.4 基于深度學習的求職者與企業（人崗）匹配

基于深度學習的人崗匹配研究是一種基于機器學習技術的應用，它可以幫助企業快速匹配合適的求職者，從而提高招聘效率。研究者通過構建深度學習模型，利用大量的歷史招聘數據，來模擬人力資源管理中的人崗匹配過程，從而提高招聘效率。研究者還可以利用深度學習技術，對求職者的簡歷進行分析，將求職者的簡歷文本和企業的招聘要求文本轉換為可計算的特征，從而更好地識別候選人的技能和能力，更好地匹配求職者和職位，得以實現就業供需精準匹配。

現有研究成果表明：基于協同過濾的人崗匹配推薦技術已經取得了一定的成果[6]。相關研究者正在努力改進和完善這一技術，以提高推薦精度和準確性。主要的研究方向包括：改進協同過濾算法，提高推薦精度；開發新的推薦算法，提高推薦效率；開發新的推薦系統，提高推薦的可用性；開發新的推薦模型，提高推薦的準確性。

2.2 深度學習在就業供需精準匹配中的研究方向

2.2.1 基于規則的算法

這類算法基于規則，通過規則來匹配人崗位，如基于職位要求的規則、基于工作經驗的規則等[7]。基于規則的方法是所有人工智能（Artificial Intelligence，AI）算法的最早類型。實際上，在研究人員考慮使用機器學習實現一切自動化之前，其已經統一了計算機科學。基于規則的算法的原理很簡單：定義一組規則，描述任務的所有不同方面；指定這些規則的某種順序或權重組合以做出最終決定；以相同的方式將由該固定規則組成的公式應用于每個輸入。基于規則的算法通常具有非常高的精度，因為規則是用戶定義的。其缺點是這種算法具有非常低的召回率，如無法定義世界上每一個城市，如果忘記將長沙放在城市數據庫中，那么根本不會被規則算法檢測到。

2.2.2 基于機器學習的算法

這類算法基于機器學習，通過機器學習模型來匹配人崗位，如基于隨機森林的模型、基于聚類分析的模型等。機器學習算法可以分析大量的數據，從而更好地了解求職者的技能和能力，更好地匹配求職者。此外，機器學習算法還可以幫助企業更好地了解求職者，從而更好地滿足企業招聘需求。經典的機器學習算法可以具有高精度并且相對容易實現，但需要特征工程是其主要的缺點[8]。

2.2.3 基于自然語言處理的算法

基于自然語言處理的算法可以用來幫助企業快速匹配合適的人才，例如：可以分析求職者的簡歷，從中提取出關鍵詞，然后與企業的招聘要求進行比較，從而快速篩選出合適的人才。此外，還可以利用自然語言處理的算法來分析求職者的聊天記錄，從而更好地了解求職者的性格特點，更好地匹配合適的崗位[9]。企業的HR 工作常常會產生大量非結構化的文本數據，而這些數據往往是不夠完整，或者并非精確明晰，但并不代表這些數據就沒有挖掘分析的價值。涉及文本數據的處理，自然語言處理就是讓機器能像人一樣理解文字的含義，達到輔助人類工作的目的。例如：快速匹配簡歷，且排序在檢索結果靠前的人才簡歷有較高的面試可能；實時更新的簡歷可被立刻搜索到；更了解自己的搜索意圖，相同語義不同表達方式均能搜索到同一簡歷。以上功能都是HR在搜索簡歷時希望能夠用上的，不僅要搜得到，搜得準才是王道。

深度學習是一種機器學習技術，它使用神經網絡模型來解決自然語言處理問題。近年來，許多研究者利用深度學習技術，如自然語言處理、深度神經網絡和卷積神經網絡，來研究人崗位匹配。深度學習不是使用工程特征來進行計算，而是讓神經網絡自己學習特征數據。在訓練期間，輸入是文本的特征向量，輸出是一些高級語義信息，如求職者的簡歷、招聘者的職位要求提取。相對于基于規則和經典的機器學習方法，使用NLP 的深度學習幾乎總能獲得更高的準確性，但缺點是往往要慢得多，它們可能需要幾秒鐘才能運行，并且需要一些GPU計算。

2.3 深度學習在就業供需精準匹配中的研究現狀

目前，AI 技術在人才招聘方面的應用，可以比傳統招聘更快地完成人才匹配，并且在確定條件下搜索匹配的準確度也更高，大數據和深度學習算法的應用將成為未來人才招聘的主流趨勢。AI技術將助力HR實現智能就業崗匹配、大大提升就業匹配效率與準確率。LAZARIDOU A 等人[10]提出的深度結構語義匹配模型DSSM，這種語義匹配技術期望能夠在語義層面匹配崗位和簡歷關鍵字之間的相似性。QIN C等人[11]提出的基于層級注意力機制的匹配模型APJFNN。ZHU C 等人[12]提出了一種基于卷積神經網絡（CNN）的新型端到端數據驅動模型（Person-Job Fit Neural Network，PJFNN），可以有效地將職位需求和人才資格進行匹配，從而提高人才招聘的效率。在大規模真實世界數據集上的廣泛實驗清楚地驗證了PJFNN 在Person-Job Fit 預測方面的性能。LAZARIDOU A 等人[10]提出的基于循環神經網絡的匹配模型和ZHU C等人[12]提出的基于卷積神經網絡的匹配模型，將神經網絡引入就業崗位推薦中，取得了不錯的效果。戈弋和張磊[13]提出DSSM在大多數情況下表現不佳，因為它無法捕獲文本信息中的時序信息；BPJFNN、PJFNN、APJFNN、JRMPM和DGMN 之間的性能差異很小，并且針對不同指標或不同領域會有微小差別。陳羅武[14]提出基于優選算分模型的人崗匹配模型，通過選擇多維度標簽和自定義標簽權重，進行動態分值計算與候選人排名，進而提高人崗匹配度，但是，此人崗匹配模型的構建還需考慮模型應用的場景需求。BIAN S等人[15]提出的多視圖協作學習網絡能夠解決人崗匹配系統的負樣本噪聲問題，但是該文聚焦于宏觀的交互行為，如接受或拒絕面試邀請這樣的行為，一些微觀交互也會對匹配產生一定的影響，如單擊或停留時間。該研究還需將此類信息融入進來以設計一個更加全面的匹配模型。ZHU C等人[12]提出了一種基于遞歸神經網絡（RNN）的工作要求和求職者體驗的詞級語義表示。沿著這條線，設計了4種分層的能力感知注意策略來衡量工作要求對語義表示的不同重要性，以及衡量每種工作經驗對特定能力要求的不同貢獻，并在大規模真實世界數據集上的廣泛實驗清楚地驗證了APJFNN框架與幾個基線相比的有效性。QIN C 等人[11]提出了一種基于深度學習的多語義特征交互的文本匹配方法。該方法不僅可以捕獲文本多粒度語義特征，還可以深入挖掘多粒度間語義特征表示的交互可以進一步緩解語義特征缺失現象，有效提升文本匹配的性能。實驗結果表明：該方法能夠取得與BERT 可比的效果，但相應的模型參數量遠遠少于BERT。張旭[16]提出了多信息交叉融合的文本語義匹配模型（MICF），該模型通過依此構建多信息交叉融合的嵌入層、語義交叉層和特征提取層來提取文本的詞重要性、前后文信息、字粒度、詞匹配重要性和詞位置等多個維度的特征信息。通過實驗發現相較于其他語義匹配模型，MICF模型在兩個中文語義匹配數據集上的語義匹配效果更好。熊招輝[17]提出了最優權重模型融合算法（OWBlending），通過一種“基于神經網絡的加權學習法”的組合策略去組合集成算法中各個基學習器的輸出結果。OWBlending 集成算法在兩個中文語義匹配數據集上的語義匹配效果均優于Bagging、Stacking、Blending等其他集成學習算法。

除了相關的學術探討，國內外工業界針對就業崗位匹配的數據挖掘競賽也得到了廣泛關注。例如：第二屆阿里大數據天池大賽賽題“智聯招聘人崗智能匹配”參與人數達到1 261 支隊伍，獎金高達30 萬，參賽團隊針對就業崗位智能匹配提出了各種解決方案，也取得了不錯的效果。

3 結語

根據目前的研究結果，基于深度學習的人崗匹配算法可以有效地提高人崗匹配的準確性和效率，并且可以有效地改善傳統的人崗匹配算法的缺陷。此外，基于深度學習的人崗匹配算法還可以更好地滿足企業的實際需求，從而提高企業的效率和效益。總體來說，對于就業崗位匹配的研究，國內外學術界和工業界都已經有一定的積累，但也存在一些不足。隨著深度學習技術的不斷發展，深度學習技術在人崗匹配領域將會有更加廣闊的應用前景。