何晶 龙坡

(长沙民政职业技术学院 湖南长沙 410004)

求职者和企业供需双方匹配是实现供需对接的有效方式。供需匹配让企业利益和毕业生个体价值得到统一，实现“岗得其人”“人适其岗”的目标[1]，根据人员的素质和个性，将其安排在最适合的岗位上，以实现“人尽其才，物尽其用”的理想。使人才发挥最大价值，同时激活企业组织。网络招聘是就业市场中实现供需对接的方式之一，在新冠疫情的影响下，近年来网络招聘越来越成为一种主流的就业供需双方的交流平台。随着网络招聘的发展，网络招聘渠道拥有大量的个人简历和企业招聘信息，数量达到了上千万份甚至数亿份，形成了海量的文本数据。海量数据是网络招聘时代突出的“数字化”特征。如何利用好这些海量文本数据，在简历上多方位客观评价和描述人才真实信息，并将这些简历和岗位进行精准匹配，是值得探讨研究的。

深度学习是一种机器学习技术，它可以实现从大量的数据中自动特征提取和分类[2]。基于深度学习的就业供需精准智能匹配研究旨在利用深度学习技术来提高就业供需匹配的准确性和效率。现有研究表明：基于深度学习的就业供需精准智能匹配可有效地提高就业供需匹配的准确性和效率[3]，从而提高就业效率，改善就业环境，促进就业市场的健康发展。

1 深度学习方法与基本流程

深度学习方法是一种机器学习技术，它使用多层神经网络来模拟人类大脑的学习过程，以解决复杂的问题，其基本流程包括数据准备、模型构建、训练和评估[3]。数据准备阶段，需要准备训练数据集，并将其转换为可用于深度学习的格式；模型构建阶段，需要构建深度学习模型，并设置超参数；训练阶段，需要使用训练数据集训练模型，以获得最佳参数；评估阶段，需要使用测试数据集评估模型的性能。

2 深度学习在人岗匹配中的应用

2.1 深度学习在就业供需精准匹配中的应用

2.1.1 基于深度学习的职位分类

这是一种使用深度学习技术来对职位进行分类的方法[4]。可以帮助企业快速、准确地将职位分类为不同的类别，从而更好地管理和搜索职位。深度学习技术可以从大量的文本数据中提取特征，并使用这些特征来识别不同的职位类别。

目前，相关研究者正在努力改进深度学习技术，以提高职位分类的准确性和效率。其中，研究重点包括：（1）改进深度学习模型的结构，以提高职位分类的准确性；（2）开发新的深度学习技术，以提高职位分类的效率；（3）开发新的职位分类模型，以提高职位分类的准确性和效率。

2.1.2 基于深度学习的求职者推荐

一种利用深度学习技术来推荐合适的求职者的方法，可以利用深度学习技术来分析求职者的简历，以及他们的背景和技能，从而更好地推荐合适的求职者。

（1）基于内容的推荐。基于内容的求职者推荐研究是一种基于求职者的个人信息，如简历、技能、经验等，来推荐合适的职位的研究。基于内容的求职者推荐研究受到了很多学者和研究者的关注，相继被提出了许多有效的方法来提高求职者推荐的准确性和召回率。这些方法主要包括基于深度学习模型、基于社交网络的模型、基于聚类模型、基于排序模型，以及基于推荐系统模型等。随着技术的发展，基于内容的求职者推荐研究将会变得更加复杂。未来的研究将会更加注重求职者的个性化需求，以及更加精准的推荐算法。此外，未来的研究还将更加注重求职者的职业发展，以及更加精准的职业推荐。

（2）基于协同过滤的推荐。它利用协同过滤技术来推荐合适的求职者给招聘者。相关研究者提出了许多有效的推荐算法，如基于用户的协同过滤、基于物品的协同过滤、基于混合协同过滤等。基于协同过滤的求职者推荐有望成为未来求职者推荐的主流方式，它可以更有效地帮助求职者找到合适的职位，并且可以更快地匹配求职者和雇主。此外，协同过滤还可以提供更多的精确性，以便更好地满足求职者和雇主的需求。

（3）基于深度学习的推荐。近年来，基于深度学习的求职者推荐研究取得了一定的进展，主要包括构建求职者推荐模型、提高求职者推荐准确性和效率等方面[5]。随着深度学习技术的发展，求职者推荐将变得更加精准和高效。深度学习可以帮助招聘者更好地理解求职者的背景和技能，从而更准确地匹配求职者和职位。此外，深度学习还可以帮助招聘者更好地了解求职者的个性特征，从而更好地评估求职者的适合性。未来，深度学习将继续改善求职者推荐，使其更加准确和高效。

2.1.3 基于深度学习的职位（岗位）推荐

基于深度学习的职位推荐是一种基于机器学习技术的职位推荐系统，它可以根据用户的个人信息、工作经历、技能和兴趣爱好等，通过深度学习技术，将求职者的简历文本和职位描述文本转换为可计算的特征，从而实现为用户推荐最合适的职位，它可以帮助用户快速找到最适合的职位，提高求职效率，减少求职时间，从而更好地实现就业供需精准匹配。

相关研究者提出了许多基于深度学习的岗位推荐方法，其中包括基多层感知机、卷积神经网络、循环神经网络、深度语义相似性模型以及限制性玻尔兹曼机等。随着深度学习技术的发展，深度学习技术可以更好地分析和理解用户的行为，从而更准确地推荐适合用户的岗位。此外，深度学习技术还可以更好地处理大量的数据，从而更好地推荐岗位。未来，基于深度学习的岗位推荐将会变得更加准确和可靠，从而更好地满足用户的需求。

2.1.4 基于深度学习的求职者与企业（人岗）匹配

基于深度学习的人岗匹配研究是一种基于机器学习技术的应用，它可以帮助企业快速匹配合适的求职者，从而提高招聘效率。研究者通过构建深度学习模型，利用大量的历史招聘数据，来模拟人力资源管理中的人岗匹配过程，从而提高招聘效率。研究者还可以利用深度学习技术，对求职者的简历进行分析，将求职者的简历文本和企业的招聘要求文本转换为可计算的特征，从而更好地识别候选人的技能和能力，更好地匹配求职者和职位，得以实现就业供需精准匹配。

现有研究成果表明：基于协同过滤的人岗匹配推荐技术已经取得了一定的成果[6]。相关研究者正在努力改进和完善这一技术，以提高推荐精度和准确性。主要的研究方向包括：改进协同过滤算法，提高推荐精度；开发新的推荐算法，提高推荐效率；开发新的推荐系统，提高推荐的可用性；开发新的推荐模型，提高推荐的准确性。

2.2 深度学习在就业供需精准匹配中的研究方向

2.2.1 基于规则的算法

这类算法基于规则，通过规则来匹配人岗位，如基于职位要求的规则、基于工作经验的规则等[7]。基于规则的方法是所有人工智能（Artificial Intelligence，AI）算法的最早类型。实际上，在研究人员考虑使用机器学习实现一切自动化之前，其已经统一了计算机科学。基于规则的算法的原理很简单：定义一组规则，描述任务的所有不同方面；指定这些规则的某种顺序或权重组合以做出最终决定；以相同的方式将由该固定规则组成的公式应用于每个输入。基于规则的算法通常具有非常高的精度，因为规则是用户定义的。其缺点是这种算法具有非常低的召回率，如无法定义世界上每一个城市，如果忘记将长沙放在城市数据库中，那么根本不会被规则算法检测到。

2.2.2 基于机器学习的算法

这类算法基于机器学习，通过机器学习模型来匹配人岗位，如基于随机森林的模型、基于聚类分析的模型等。机器学习算法可以分析大量的数据，从而更好地了解求职者的技能和能力，更好地匹配求职者。此外，机器学习算法还可以帮助企业更好地了解求职者，从而更好地满足企业招聘需求。经典的机器学习算法可以具有高精度并且相对容易实现，但需要特征工程是其主要的缺点[8]。

2.2.3 基于自然语言处理的算法

基于自然语言处理的算法可以用来帮助企业快速匹配合适的人才，例如：可以分析求职者的简历，从中提取出关键词，然后与企业的招聘要求进行比较，从而快速筛选出合适的人才。此外，还可以利用自然语言处理的算法来分析求职者的聊天记录，从而更好地了解求职者的性格特点，更好地匹配合适的岗位[9]。企业的HR 工作常常会产生大量非结构化的文本数据，而这些数据往往是不够完整，或者并非精确明晰，但并不代表这些数据就没有挖掘分析的价值。涉及文本数据的处理，自然语言处理就是让机器能像人一样理解文字的含义，达到辅助人类工作的目的。例如：快速匹配简历，且排序在检索结果靠前的人才简历有较高的面试可能；实时更新的简历可被立刻搜索到；更了解自己的搜索意图，相同语义不同表达方式均能搜索到同一简历。以上功能都是HR在搜索简历时希望能够用上的，不仅要搜得到，搜得准才是王道。

深度学习是一种机器学习技术，它使用神经网络模型来解决自然语言处理问题。近年来，许多研究者利用深度学习技术，如自然语言处理、深度神经网络和卷积神经网络，来研究人岗位匹配。深度学习不是使用工程特征来进行计算，而是让神经网络自己学习特征数据。在训练期间，输入是文本的特征向量，输出是一些高级语义信息，如求职者的简历、招聘者的职位要求提取。相对于基于规则和经典的机器学习方法，使用NLP 的深度学习几乎总能获得更高的准确性，但缺点是往往要慢得多，它们可能需要几秒钟才能运行，并且需要一些GPU计算。

2.3 深度学习在就业供需精准匹配中的研究现状

目前，AI 技术在人才招聘方面的应用，可以比传统招聘更快地完成人才匹配，并且在确定条件下搜索匹配的准确度也更高，大数据和深度学习算法的应用将成为未来人才招聘的主流趋势。AI技术将助力HR实现智能就业岗匹配、大大提升就业匹配效率与准确率。LAZARIDOU A 等人[10]提出的深度结构语义匹配模型DSSM，这种语义匹配技术期望能够在语义层面匹配岗位和简历关键字之间的相似性。QIN C等人[11]提出的基于层级注意力机制的匹配模型APJFNN。ZHU C 等人[12]提出了一种基于卷积神经网络（CNN）的新型端到端数据驱动模型（Person-Job Fit Neural Network，PJFNN），可以有效地将职位需求和人才资格进行匹配，从而提高人才招聘的效率。在大规模真实世界数据集上的广泛实验清楚地验证了PJFNN 在Person-Job Fit 预测方面的性能。LAZARIDOU A 等人[10]提出的基于循环神经网络的匹配模型和ZHU C等人[12]提出的基于卷积神经网络的匹配模型，将神经网络引入就业岗位推荐中，取得了不错的效果。戈弋和张磊[13]提出DSSM在大多数情况下表现不佳，因为它无法捕获文本信息中的时序信息；BPJFNN、PJFNN、APJFNN、JRMPM和DGMN 之间的性能差异很小，并且针对不同指标或不同领域会有微小差别。陈罗武[14]提出基于优选算分模型的人岗匹配模型，通过选择多维度标签和自定义标签权重，进行动态分值计算与候选人排名，进而提高人岗匹配度，但是，此人岗匹配模型的构建还需考虑模型应用的场景需求。BIAN S等人[15]提出的多视图协作学习网络能够解决人岗匹配系统的负样本噪声问题，但是该文聚焦于宏观的交互行为，如接受或拒绝面试邀请这样的行为，一些微观交互也会对匹配产生一定的影响，如单击或停留时间。该研究还需将此类信息融入进来以设计一个更加全面的匹配模型。ZHU C等人[12]提出了一种基于递归神经网络（RNN）的工作要求和求职者体验的词级语义表示。沿着这条线，设计了4种分层的能力感知注意策略来衡量工作要求对语义表示的不同重要性，以及衡量每种工作经验对特定能力要求的不同贡献，并在大规模真实世界数据集上的广泛实验清楚地验证了APJFNN框架与几个基线相比的有效性。QIN C 等人[11]提出了一种基于深度学习的多语义特征交互的文本匹配方法。该方法不仅可以捕获文本多粒度语义特征，还可以深入挖掘多粒度间语义特征表示的交互可以进一步缓解语义特征缺失现象，有效提升文本匹配的性能。实验结果表明：该方法能够取得与BERT 可比的效果，但相应的模型参数量远远少于BERT。张旭[16]提出了多信息交叉融合的文本语义匹配模型（MICF），该模型通过依此构建多信息交叉融合的嵌入层、语义交叉层和特征提取层来提取文本的词重要性、前后文信息、字粒度、词匹配重要性和词位置等多个维度的特征信息。通过实验发现相较于其他语义匹配模型，MICF模型在两个中文语义匹配数据集上的语义匹配效果更好。熊招辉[17]提出了最优权重模型融合算法（OWBlending），通过一种“基于神经网络的加权学习法”的组合策略去组合集成算法中各个基学习器的输出结果。OWBlending 集成算法在两个中文语义匹配数据集上的语义匹配效果均优于Bagging、Stacking、Blending等其他集成学习算法。

除了相关的学术探讨，国内外工业界针对就业岗位匹配的数据挖掘竞赛也得到了广泛关注。例如：第二届阿里大数据天池大赛赛题“智联招聘人岗智能匹配”参与人数达到1 261 支队伍，奖金高达30 万，参赛团队针对就业岗位智能匹配提出了各种解决方案，也取得了不错的效果。

3 结语

根据目前的研究结果，基于深度学习的人岗匹配算法可以有效地提高人岗匹配的准确性和效率，并且可以有效地改善传统的人岗匹配算法的缺陷。此外，基于深度学习的人岗匹配算法还可以更好地满足企业的实际需求，从而提高企业的效率和效益。总体来说，对于就业岗位匹配的研究，国内外学术界和工业界都已经有一定的积累，但也存在一些不足。随着深度学习技术的不断发展，深度学习技术在人岗匹配领域将会有更加广阔的应用前景。