Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

Rui Yan等论文作者

学习偏好,北大&BOSS直聘的这个AI模型能更好的为你找工作

针对互联网求职招聘场景的人岗匹配推荐问题,北大联合 BOSS 直聘的研究者们提出了一种建模求职者与招聘者双方偏好的新型深度文本匹配模型。该模型通过引入记忆模块,利用简历文档和岗位描述文档之间的信息交互来学习潜在偏好表示,并将偏好结合到匹配框架中构建端到端的深度神经网络模型。基于在线招聘平台 BOSS 直聘数据集的实验结果表明,本文提出的模型效果超过 state-of-the-art 的人岗匹配推荐方法,各评价指标均有显著提升。实验证明,互联网招聘场景中的求职者与招聘者双方确实存在历史行为偏好,并且该偏好可以用来改善人岗匹配推荐系统。目前,该论文已被数据挖掘领域顶会 KDD2019 接收。

背景介绍

在线招聘服务的产生与发展不断冲击着就业市场上的传统招聘模式。如今,互联网上存在着数亿规模的求职者简历以及岗位招聘信息。如此大规模的数据给互联网招聘带来了新的挑战:如何能够自动并准确地将合适的岗位描述文档与简历文档相匹配,以便高效地将合适的人才配置到与之相应的岗位上。因此,学习并构建完善的人岗自动匹配推荐系统显得十分重要,这既有助于招聘人员找到合适的候选人,也有助于求职者能够找到合适的岗位。

现有针对人岗匹配推荐问题的研究通常集中在学习简历文档以及岗位描述文档自身的表示后计算双方的匹配度。然而,在互联网求职招聘场景下,除了求职者与招聘者双方的文本信息之外,还存在大量的历史交互行为信息可以应用于人岗匹配推荐任务。

问题定义 

在本文定义的人岗匹配推荐任务中,每个岗位文档由多句岗位职责与任职要求组成,每个简历文档由多句相关工作经验组成。在实际应用场景下,求职招聘数据中的招聘者与求职者双方天然带有历史行为记录信息。例如,一个求职者曾经面试过哪些岗位会被记录,同时一个岗位曾经面试过哪些求职者也会被记录。这些面试沟通记录可以作为标注数据供模型学习双方的偏好。本文的目标是给定一个求职者及其历史面试记录,以及一个招聘岗位及其历史面试记录作为输入,去预测求职者与招聘岗位之间的匹配分数,从而判断将求职者推荐给该岗位是否合适。

方法描述 

如图所示,文本提出的模型由招聘者与求职者双边对称的表示学习网络,以及匹配网络三部分组成。

在岗位描述表示学习网络中,模型利用岗位描述文档以及该岗位历史上曾经面试过的求职者的简历文档,通过引入记忆模块来计算带有偏好的岗位向量表示。

1)初始化

初始阶段,模型首先对岗位描述文档里的各个句子,以及该岗位历史面试过的求职者的简历文档内的各个句子经过层级 GRU 网络进行编码,得到各个带有上下文信息的句子表示。

同时,模型将岗位文档中的各个带有上下文信息的句子表示作为记忆模块的初始化。

2)记忆模块迭代

给定一个岗位描述文档J,按照时间顺序遍历与该岗位发生过面试的简历文档,对记忆模块M进行更新与读取的迭代操作:

a.)利用 J 和各个 R 对 M 进行更新(记忆模块更新)。

b.)J 从 M 中读取偏好信息(记忆模块读取)。

记忆模块更新:每步迭代的更新操作中,模型利用历史面试记录中的一个简历文档对岗位文档的记忆模块进行更新。模型引入『注意力机制』计算更新到当前状态下的记忆模块里各个向量表示与岗位文档及简历文档各个句子表示的相似度,并以此来计算用来更新记忆模块的偏好信息向量。

更新计算中,模型利用记忆模块中当前状态下的各个向量表示,以及每个向量表示对应的当前步骤的偏好信息向量,通过 『门控机制』 对记忆模块中各个向量表示进行更新。

记忆模块读取:在每轮迭代的记忆模块更新操作后,岗位描述文档的各个带上下文信息的句子向量表示从记忆模块中读取偏好信息。读取操作采用与更新操作中相似的『注意力机制』来计算偏好信息向量。 

并且利用『门控机制』来完成信息读取。

通过对记忆模块的更新与读取的迭代操作,得到最终带有偏好信息的岗位描述表示。

采用对称的方式,在求职者的简历文档的表示学习中,模型遍历该求职者历史曾经面试过的岗位描述文档,得到最终的简历表示。

3)匹配

对记忆模块的更新读取迭代操作完成后,模型对求职者的简历文档中各个带有上下文信息的句子表示通过 max-pooling 得到简历的文档向量表示。采用同样的方式可以得到带有偏好信息的岗位描述文档表示。以上述两个文档表示为输入,模型利用 MLP 网络计算匹配分数。优化的目标是极大化发生面试的岗位描述与简历文档之间的得分,极小化不匹配样本对之间的得分。

实验效果

本文基于在线招聘平台 BOSS 直聘的数据集对所提出的模型进行实验验证,比较的方法包括:

1)LR:逻辑回归模型

2)DT:决策树模型

3)NB:朴素贝叶斯模型

4)RF:随机森林模型

5)GBDT:梯度提升决策树模型

上述模型是基于传统机器学习的方法,此外我们还引入了基于深度匹配模型的方法 PJFNN[1] 和 AAPJF[2] 进行实验比较。

6)HRNNM:基于层级 GRU 编码的文档匹配模型

7)PJFNN:[1] 中提出的基于卷积神经网络的匹配模型

8)AAPJF:[2] 中提出的基于层级注意力机制的匹配模型

实验结果显示本文提出的模型在各个指标上均优于 state-of-the-art 的模型,并且指标的提升通过了显著性检验。此外,对记忆模块的消融实验进一步验证了对求职者与招聘者的历史行为偏好建模均有助于提升人岗匹配推荐系统的效果。

参考文献

[1] Zhu C, Zhu H, Xiong H, et al. Person-Job Fit: Adapting the Right Talent for the Right Job with Joint Representation Learning[J]. ACM Transactions on Management Information Systems (TMIS), 2018, 9(3): 12.[2] Qin C, Zhu H, Xu T, et al. Enhancing person-job fit for talent recruitment: An ability-aware neural network approach[C]//The 41st International ACM SIGIR Conference on Research & Development in Information Retrieval. ACM, 2018: 25-34.

理论KDD 2019招聘北大Boss直聘
相关数据
逻辑回归技术

逻辑回归(英语:Logistic regression 或logit regression),即逻辑模型(英语:Logit model,也译作“评定模型”、“分类评定模型”)是离散选择法模型之一,属于多重变量分析范畴,是社会学、生物统计学、临床、数量心理学、计量经济学、市场营销等统计实证分析的常用方法。

注意力机制技术

我们可以粗略地把神经注意机制类比成一个可以专注于输入内容的某一子集(或特征)的神经网络. 注意力机制最早是由 DeepMind 为图像分类提出的,这让「神经网络在执行预测任务时可以更多关注输入中的相关部分,更少关注不相关的部分」。当解码器生成一个用于构成目标句子的词时,源句子中仅有少部分是相关的;因此,可以应用一个基于内容的注意力机制来根据源句子动态地生成一个(加权的)语境向量(context vector), 然后网络会根据这个语境向量而不是某个固定长度的向量来预测词。

推荐系统技术

推荐系统(RS)主要是指应用协同智能(collaborative intelligence)做推荐的技术。推荐系统的两大主流类型是基于内容的推荐系统和协同过滤(Collaborative Filtering)。另外还有基于知识的推荐系统(包括基于本体和基于案例的推荐系统)是一类特殊的推荐系统,这类系统更加注重知识表征和推理。

随机森林技术

在机器学习中,随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。 Leo Breiman和Adele Cutler发展出推论出随机森林的算法。而"Random Forests"是他们的商标。这个术语是1995年由贝尔实验室的Tin Kam Ho所提出的随机决策森林(random decision forests)而来的。这个方法则是结合Breimans的"Bootstrap aggregating"想法和Ho的"random subspace method" 以建造决策树的集合。

推荐文章
暂无评论
暂无评论~