基于深度学习的简历推荐算法研究.pdfVIP

摘要

摘要

近年来，解决就业问题迫在眉睫，企业在招聘人才时必须花费大量时间和精

力来应对庞大的简历数据库，以期找到符合要求的候选人。对于多样的岗位需求，

招聘人员不仅要判断应聘者的基本信息等是否满足招聘条件，还需深入分析其

工作经历和职业技能是否与职位的要求相契合，这一筛选过程耗时且任务量较

大，研究简历推荐算法有助于加快招聘人员的简历筛选效率。传统的基于规则和

关键词匹配的方法已经难以满足日益多样化的招聘需求。深度学习作为一种强

大的机器学习方法，为处理大规模、高维度的简历数据提供了新的可能性。所以，

本篇文章分别针对只有简历文本数据与岗位标签场景的数据集、又有简历文本

数据又有岗位描述文本数据与两者之间的匹配标签场景的数据集，设计了不同

的简历推荐算法，这样做的目的是为了减少招聘筛选的复杂性并提高整体筛选

效率。

本文通过简历自身，以及简历文本与岗位信息之间的关系，研究不同场景下

简历与岗位之间的匹配，分别实现了适用于简历数据集的单向文本的简历推荐

算法和适用于岗位-简历数据集的双向文本的简历推荐算法，本文的具体研究工

作如下：

第一，本文根据已有数据构建了两个不同招聘场景下的数据集。首先，我们

使用了云南省某大型国有企业的真实招聘数据，构建了一个反映国有企业招聘

场景的数据集，其中包含了详实的简历数据以及相应的岗位名称标签，并将该数

据集转化为可用于后续实验的结构化数据。接着，我们构建了另一个数据集，代

表新兴网络招聘中常见的招聘场景，为了生成这个数据集，我们从专业招聘网站

上对12个岗位类别分别抓取了400条岗位的文本描述，并运用文本摘要技术生

成可供使用的岗位文本描述数据集。通过将岗位描述数据集与已有的简历集合

进行笛卡尔乘积操作，生成了一个包含了简历-岗位对及其对应匹配标签的数据

集，同样生成为结构化数据集进行储存。

第二，提出了适用于简历数据集的单向文本的简历推荐方法。我们使用云南

省某大型国有企业的线下真实招聘数据作为实证数据，使用构建的简历及对应

的岗位标签数据集，对深度学习算法BERT在此数据上的简历推荐进行了研究。

首先，从结构化简历中汇总出本文所需的文本特征。再依据机器学习与深度学习

I

摘要

所需的数据输入格式，分别对所提取的文本特征进行了特征工程和构建词向量

处理。然后利用经过处理的数据来分别对BERT模型以及其余用于对比的算法

模型进行训练。在简历推荐的对比算法方面，分别试验了机器学习算法中的随机

森林、xgboost模型、GBDT模型、LightGBM等四种机器学习模型，以及深度学

习中的卷积神经网络模型。本部分的BERT模型以及其余对比模型结果中，BERT

模型在简历推荐过程中的表现最佳，推荐准确率可达88.12%，F1得分为87.47%。

第三，提出了适用于岗位-简历数据集双向文本的简历推荐方法。对孪生

BiLSTM模型在构建的岗位-简历数据集上的简历推荐方法进行了研究。首先从

各类简历中提取出实体簇，并分别拼接到各类岗位描述文本中，可认为在模型的

共享层中嵌入额外信息。接着利用现有的结构化岗位-简历数据集进行词向量字

典的生成，根据生成的词字典构建两个文本输入的词向量，用以嵌入深度学习模

型。再对两个输入文本经过BiLSTM模型的训练结果作差，判断两个文本的相

似情况，最后通过激活函数得出匹配与否的结果，使用该模型的推荐准确率可达

93.50%。另外，我们还选取了孪生CNN、孪生LSTM、孪生RNN等算法，与孪

生BiLSTM模型的推荐结果进行了对比分析。其中，孪生BiLSTM模型在简历

推荐过程中的表现最佳，推荐准确率可达94.17%，F1得分为94.04%。

综上，本文将深度学习技术应用到简历推荐研究中，针对不同场景下的招聘

数据构建合适的简历推荐方法，以提高简历推荐准确率，降低招聘筛选的难度，

提升整体筛选效率。

关键词：简历推荐；数据构建；文本摘要；BERT；孪生BiLSTM

II

Abstract