導(dǎo)讀：知識(shí)圖譜作為一種富信息工程，已經(jīng)深入到各行各業(yè)中，也為產(chǎn)業(yè)效率的提升做出了很大的貢獻(xiàn)。將知識(shí)圖譜賦能到招聘這個(gè)垂直的領(lǐng)域中，提升招聘整個(gè)鏈路的轉(zhuǎn)化效率和人崗匹配的能力是我們一直探索的方向。本文將講述58同城在這個(gè)方向上的工作和成果，主要圍繞以下四個(gè)方面展開(kāi)：

• 業(yè)務(wù)背景：包括中國(guó)招聘行業(yè)的大背景、58所處的行業(yè)背景、58在業(yè)務(wù)中遇到的問(wèn)題和對(duì)應(yīng)的解決方案；
• 招聘知識(shí)圖譜的構(gòu)建：標(biāo)簽體系的建立、標(biāo)簽挖掘和關(guān)系抽取；
• 圖譜在招聘推薦中的應(yīng)用：解決如何將圖譜運(yùn)用于招聘推薦，探索如何使用圖譜組織推薦流量，賦能招聘流程的提效；
• 業(yè)務(wù)展望。

01

業(yè)務(wù)背景

首先和大家分享下全國(guó)招聘行業(yè)的大背景以及58招聘的業(yè)務(wù)背景。

據(jù)人社部數(shù)據(jù)統(tǒng)計(jì)顯示，截止到2020年末，全國(guó)就業(yè)人員達(dá)到7.5億左右，其中城鎮(zhèn)就業(yè)人員約4.6億。2021全年全國(guó)城鎮(zhèn)調(diào)查失業(yè)率平均值為5.1%，同比下降0.5個(gè)百分點(diǎn)。從上圖右側(cè)可以看出，我國(guó)這幾年新增就業(yè)人數(shù)均在千萬(wàn)級(jí)別，同時(shí)全國(guó)高校畢業(yè)人數(shù)呈現(xiàn)出逐年增長(zhǎng)的態(tài)勢(shì)。由此可見(jiàn)，我國(guó)的招聘市場(chǎng)十分龐大。此外，為緩解我國(guó)勞動(dòng)力結(jié)構(gòu)性矛盾突出與就業(yè)形式不確定的現(xiàn)象，尤其是疫情期間，為了配合國(guó)家相關(guān)部門(mén)開(kāi)展招聘活動(dòng)，中國(guó)網(wǎng)絡(luò)招聘平臺(tái)的規(guī)模持續(xù)增長(zhǎng)。我們可以看到，我國(guó)在2021年的招聘市場(chǎng)規(guī)模相較于2016年已經(jīng)翻了三番，所以持續(xù)優(yōu)化針對(duì)招聘領(lǐng)域的雙邊匹配的效率成為行業(yè)的大趨勢(shì)。其中，將AI賦能招聘成為了達(dá)成這一目標(biāo)的必備技術(shù)。

58招聘作為58同城最核心的業(yè)務(wù)之一，又是互聯(lián)網(wǎng)招聘中的龍頭平臺(tái)，立足服務(wù)于大規(guī)模求職者及大中小型企業(yè)。平臺(tái)上每天都有海量的連接，促成大量的就業(yè)。在這個(gè)背景下，58一直致力于提升匹配效率，將知識(shí)圖譜賦能于推薦，助力于優(yōu)化匹配效果和推薦效率。

傳統(tǒng)推薦如新聞推薦和電商推薦，是單邊的推薦模式。推薦系統(tǒng)基于用戶(hù)標(biāo)簽和隱藏的興趣推薦相應(yīng)的內(nèi)容，僅需要滿(mǎn)足用戶(hù)單邊的要求即可。相比之下，招聘推薦是一個(gè)雙邊的匹配任務(wù)，因?yàn)槲覀冃枰瑫r(shí)滿(mǎn)足求職者和企業(yè)雙邊的一個(gè)訴求。所以，我們需要考慮雙邊的CTR/CVR的效果。此外，在招聘的后續(xù)流程，如面試等，平臺(tái)無(wú)法追蹤最后的結(jié)果，無(wú)法如傳統(tǒng)推薦系統(tǒng)一樣形成閉環(huán)。

另外，招聘推薦是一個(gè)弱表達(dá)強(qiáng)相關(guān)的業(yè)務(wù)。在目前這種集團(tuán)化招聘或者小作坊招聘中，很多情況下職位發(fā)布者對(duì)jd的描述過(guò)于寬泛，對(duì)具體需求的描述不夠清晰，從而導(dǎo)致招聘推薦的“弱表達(dá)”?！皬?qiáng)相關(guān)”則意味著某個(gè)職位是需要求職者具備對(duì)應(yīng)的能力與素質(zhì)才能去勝任的，并不是所有人都合適。最后，招聘推薦的領(lǐng)域?qū)傩暂^強(qiáng)，職位與應(yīng)聘者擅長(zhǎng)的領(lǐng)域需要相互匹配。

招聘匹配的特點(diǎn)，帶來(lái)了以下四個(gè)難點(diǎn)：

• 招聘推薦是一個(gè)雙邊匹配的模式，需要同時(shí)契合BC雙邊的訴求。知識(shí)圖譜可以作為BC兩端的中間橋梁，打通雙邊的訴求。根據(jù)知識(shí)圖譜中節(jié)點(diǎn)的關(guān)系數(shù)據(jù)，我們可以知道某個(gè)崗位所必備的人才素質(zhì)要求，從而依據(jù)這個(gè)關(guān)系去推薦相應(yīng)的人才；同時(shí)，我們也可以通過(guò)知識(shí)圖譜挖掘求職者的一些訴求，從而去推薦合適的企業(yè)。
• 有許多用戶(hù)訴求的表達(dá)不清楚或者對(duì)職位的認(rèn)知度不夠，即“弱表達(dá)強(qiáng)相關(guān)”的特點(diǎn)。職位可以被很多更加精細(xì)的信息來(lái)刻畫(huà)，而這些信息正是尋找合適的求職者的關(guān)鍵，但它們往往不會(huì)被明確地通過(guò)文字描述出來(lái)。
• 招聘具有很強(qiáng)的領(lǐng)域?qū)傩?，不同的領(lǐng)域?qū)τ谇舐氄叩乃刭|(zhì)、企業(yè)的訴求或許天差地別，而這些差異正是推薦效果提升的關(guān)鍵。知識(shí)圖譜可以提取出領(lǐng)域的關(guān)鍵特征作為推薦時(shí)主要考慮的因素。
• 冷啟動(dòng)&稀疏性問(wèn)題：新用戶(hù)流入平臺(tái)后，行為數(shù)量少，簡(jiǎn)歷、職位信息簡(jiǎn)單粗糙。此外，找工作或者尋找求職者是一個(gè)短時(shí)且連續(xù)的稀疏行為。知識(shí)圖譜作為一種富信息的知識(shí)體系，可以額外引入一些輔助信息。這些輔助信息可以有效地彌補(bǔ)交互信息的稀疏或損失。

58招聘主要關(guān)注雙邊連接場(chǎng)景，即同時(shí)考慮to B和to C的推薦。在普通推薦場(chǎng)景，我們會(huì)根據(jù)用戶(hù)過(guò)往的交互行為與歷史信息來(lái)預(yù)測(cè)用戶(hù)下一步的行為；在搜索推薦場(chǎng)景，用戶(hù)會(huì)擁有明確的搜索意圖。當(dāng)用戶(hù)的意圖比較模糊時(shí)，我們會(huì)引入標(biāo)簽推薦來(lái)引導(dǎo)用戶(hù)完善意圖，完成智能化引導(dǎo)推薦。

--

02

招聘知識(shí)圖譜的構(gòu)建

上圖展現(xiàn)了招聘知識(shí)圖譜的全貌，它由求職者、企業(yè)和職位組成。職位作為中間橋梁串聯(lián)了求職者和企業(yè)。求職者具有自身的特性和素質(zhì)，如性別、身高、駕照、所擁有的技能等，還有他所期望的職位以及福利。與此同時(shí)，企業(yè)也有豐富的基礎(chǔ)信息，例如所處行業(yè)、規(guī)模、地理位置，并且它會(huì)發(fā)布一系列待招聘的職位。職位作為中間實(shí)體將BC兩端連接，它也有很多基本屬性，比如職位所需技能和崗位能提供給求職者的收益等。職位之間還有上下位關(guān)系，例如“司機(jī)”囊括了“客運(yùn)司機(jī)”、“貨運(yùn)司機(jī)”等。從全貌圖可以看到，求職者、企業(yè)、職位是知識(shí)圖譜中最重要的三大節(jié)點(diǎn)，知識(shí)圖譜圍繞它們生成了大量節(jié)點(diǎn)屬性以及節(jié)點(diǎn)之間的關(guān)系。

基于上述特點(diǎn)，我們將構(gòu)建知識(shí)圖譜分成三大任務(wù)：標(biāo)簽體系的構(gòu)建、標(biāo)簽的挖掘和關(guān)系構(gòu)建。

1. 標(biāo)簽體系的構(gòu)建

現(xiàn)在介紹一下標(biāo)簽體系的構(gòu)建。在構(gòu)建之前，我們需要弄明白標(biāo)簽體系的作用與定位。在58招聘中，標(biāo)簽體系作為底層的基礎(chǔ)數(shù)據(jù)，要為上層的雙邊連接提供更多層次更多維度的信息匹配?；谶@一定位，我們要求標(biāo)簽體系滿(mǎn)足以下兩方面：

• 多維度：因?yàn)槲覀冎铝τ贐C雙邊匹配，所以標(biāo)簽體系需要對(duì)BC雙邊流量全方面地進(jìn)行刻畫(huà)。其中，我們使用的維度有如薪資、福利、年齡等通用維度以及如證書(shū)、技能、經(jīng)驗(yàn)等領(lǐng)域特有屬性；
• 多層級(jí)：不同的應(yīng)用方，不同的場(chǎng)景，對(duì)流量的組織粒度要求不一樣，層次化可以使流量的組織更靈活。

上圖展示了我們標(biāo)簽體系的兩個(gè)案例。左圖是職位信息，右圖是簡(jiǎn)歷信息。我們會(huì)將這些信息做層次化的歸納，結(jié)合BC兩端的訴求，最終形成我們的標(biāo)簽體系。

舉個(gè)例子，職位體系不僅僅包含崗位名稱(chēng)，還包含了行業(yè)、場(chǎng)所、企業(yè)等，經(jīng)驗(yàn)包含了工作年限、技能、證書(shū)等多維度信息。歸納之后的信息構(gòu)成了一系列層次化信息，如“銷(xiāo)售”這一職位，它可以進(jìn)一步分為“汽車(chē)銷(xiāo)售”、“醫(yī)藥銷(xiāo)售”、“房產(chǎn)銷(xiāo)售”等，而“房產(chǎn)銷(xiāo)售”之下還包含了“一手房銷(xiāo)售”、“二手房銷(xiāo)售”、“文案地產(chǎn)銷(xiāo)售”等。

2. 標(biāo)簽挖掘

構(gòu)建了標(biāo)簽體系之后，接下來(lái)就進(jìn)入標(biāo)簽挖掘模塊。在探索過(guò)程中，我們遇到最大的兩個(gè)挑戰(zhàn)是認(rèn)知不統(tǒng)一和專(zhuān)業(yè)性強(qiáng)，導(dǎo)致標(biāo)注成本很高。例如，“中醫(yī)針灸推拿師”的職位標(biāo)簽可能是“推拿師”或者“針灸推拿師”，亦或是“中醫(yī)針灸推拿師”，這一例子展示了認(rèn)知不統(tǒng)一帶來(lái)的標(biāo)注混淆。專(zhuān)業(yè)性強(qiáng)的典型例子是“五險(xiǎn)一金DBA”,“DBA”在計(jì)算機(jī)專(zhuān)業(yè)領(lǐng)域人員來(lái)說(shuō)很容易知道是“數(shù)據(jù)庫(kù)管理員”這一職位，但是大多數(shù)其他領(lǐng)域的人，對(duì)它的認(rèn)知僅僅是一個(gè)字符串。

為了更高質(zhì)量地進(jìn)行標(biāo)簽挖掘，我們采用了數(shù)據(jù)增廣的方法，它可以被分成三大類(lèi)：bootstrap, EDA和DAGA。

• Bootstrap基于專(zhuān)家制定的規(guī)則，例如“動(dòng)詞+數(shù)字+方位詞”等，抽取出想要的標(biāo)簽。這一方法較為簡(jiǎn)單，且可以保證一定的準(zhǔn)確率。
• EDA是在NLP領(lǐng)域的傳統(tǒng)方法，它通過(guò)事先訓(xùn)練好的實(shí)體embedding和句子embedding，使用同類(lèi)型標(biāo)簽同義詞替換、上下文關(guān)鍵詞同義詞替換、短句子隨機(jī)替換等完成數(shù)據(jù)增廣。
• DAGA是使用深度學(xué)習(xí)模型的方法，它在輸入層對(duì)句子進(jìn)行“線性化”的處理，即將原始序列標(biāo)注標(biāo)簽與句子token混合（其中“O”標(biāo)簽不參與混合），插入標(biāo)簽對(duì)應(yīng)的token之前。之后，將處理完畢的句子輸入一個(gè)語(yǔ)言模型進(jìn)行訓(xùn)練。這個(gè)做法的好處在于多樣性好，因?yàn)镈AGA有能力生成新的實(shí)體以及更豐富的實(shí)體上下文。更重要的是，DAGA可以有效地利用未標(biāo)注數(shù)據(jù)，將它們和標(biāo)注數(shù)據(jù)一塊兒對(duì)模型進(jìn)行訓(xùn)練。

實(shí)驗(yàn)結(jié)果表明，我們的樣本量在數(shù)據(jù)增廣操作后翻了約三倍，標(biāo)簽量增加了近五倍。而且，在標(biāo)注樣本數(shù)量不大的情況下，我們使用這三種數(shù)據(jù)增廣的方法對(duì)模型線上效果提升非常顯著。

有了數(shù)據(jù)之后，接下來(lái)就是標(biāo)簽挖掘模塊。其實(shí)每一家企業(yè)的標(biāo)簽挖掘技術(shù)相差并不會(huì)很大，通常僅僅會(huì)根據(jù)自己所處領(lǐng)域的特性對(duì)模型進(jìn)行優(yōu)化。我們的模型由輸入層+深度學(xué)習(xí)模型層+CRF組成，輸出最終的標(biāo)簽。

根據(jù)58所處領(lǐng)域的特點(diǎn)，我們?cè)谳斎雽舆M(jìn)行了知識(shí)信息的融合。具體地，我們加入了position embedding和topic embedding，其中，position embedding考慮了不同的數(shù)據(jù)塊有不同的標(biāo)簽偏好，如年齡大概率會(huì)出現(xiàn)在崗位要求中。Topic embedding考慮到每個(gè)職位都有一個(gè)層次體系，其對(duì)應(yīng)了一個(gè)topic。這些外部信息可以有效地融入模型中，提高標(biāo)簽挖掘的準(zhǔn)召率。

我們也一直在探索標(biāo)簽抽取模型的優(yōu)化，上圖就是我們目前主要應(yīng)用的模型。其中深度學(xué)習(xí)部分我們采用了BERT，并且選取了不一樣的知識(shí)融合方式。我們對(duì)BERT中的attention模塊進(jìn)行了改造，加入了topic attention和position attention，以此來(lái)替代輸入端的知識(shí)簡(jiǎn)單拼接的操作。從左上角的可視化圖可以看出，“職責(zé)”對(duì)“崗位”、“品牌”等的關(guān)注度很高，這也符合我們的基本認(rèn)知。此外，為了保證線上的耗時(shí)，我們利用公司平臺(tái)，使用TensorRT加速深度學(xué)習(xí)推理，并使用知識(shí)蒸餾等方法在算法層面進(jìn)行優(yōu)化。

3. 關(guān)系抽取

下面介紹關(guān)系抽取相關(guān)工作。以上圖的例子來(lái)說(shuō)，“送餐員”與“美團(tuán)”之間是“品牌”的關(guān)系，“送餐員”和“五險(xiǎn)一金”是“保險(xiǎn)”的關(guān)系，“送餐員”和“提供住宿”是“吃住”的關(guān)系。

在關(guān)系抽取的研究中，我們采用了兩條技術(shù)路線：pipeline路線和joint路線。其中，pipeline路線將實(shí)體抽取與關(guān)系抽取分為兩個(gè)獨(dú)立的過(guò)程，關(guān)系抽取依賴(lài)于實(shí)體抽取的結(jié)果。我們的模型采用了lstm+attention，輸出層使用softmax+l2，最終得到實(shí)體關(guān)系。我們?cè)陉P(guān)系抽取輸入層引入了領(lǐng)域先驗(yàn)知識(shí)，不同于傳統(tǒng)的輸入由token embedding與position embedding組成，我們還加入了實(shí)體所述域以及層級(jí)關(guān)系信息。

但是，pipeline路線存在天然的兩個(gè)缺點(diǎn)。

• 首先，關(guān)系抽取特別依賴(lài)實(shí)體抽取的結(jié)果，若實(shí)體抽取錯(cuò)誤則會(huì)造成誤差累積。
• 此外，pipeline路線無(wú)法處理復(fù)雜語(yǔ)境下的關(guān)系抽取。例如“美團(tuán)急聘送餐員，五險(xiǎn)一金，提供住宿”這一例子，“送餐員”這個(gè)實(shí)體出現(xiàn)在多個(gè)關(guān)系中，但是pipeline路線只能識(shí)別其中一種關(guān)系。要解決復(fù)雜語(yǔ)境下的關(guān)系抽取，我們不能將關(guān)系抽取任務(wù)當(dāng)作一個(gè)關(guān)系互斥的多分類(lèi)任務(wù)，而是看作每個(gè)關(guān)系獨(dú)立的多個(gè)二分類(lèi)任務(wù)。

基于上述思想，我們探索出了joint路線。具體地，我們采用識(shí)別“SPO”的方式，即利用指針網(wǎng)絡(luò)先識(shí)別“s”實(shí)體，然后再去識(shí)別對(duì)應(yīng)的“p”和“o”，緩解重疊情況帶來(lái)的問(wèn)題。我們的模型主框架是CNN+Attention，借鑒了seq2seq的概率圖思路，對(duì)于三元組(s,o,p)建模為：想抽取“s”實(shí)體，再在已知“s”的條件下抽取“o”，最后在知道“s”和“o”的條件下抽取“p”。這一方法采用了MRC中常用的指針網(wǎng)絡(luò)的抽取方法，即僅抽取答案的開(kāi)始和結(jié)束位置，而不是預(yù)測(cè)詞的類(lèi)別。另外，這一方法把預(yù)測(cè)開(kāi)始和結(jié)束位置的任務(wù)轉(zhuǎn)化為了預(yù)測(cè)每一個(gè)位置是否為開(kāi)始位置或結(jié)束位置，從多分類(lèi)任務(wù)轉(zhuǎn)變?yōu)槎鄠€(gè)二分類(lèi)任務(wù)。通過(guò)joint路線，我們有效地緩解了重疊情況帶來(lái)的問(wèn)題。

pipeline路線與joint路線各有優(yōu)缺點(diǎn)。Pipeline路線的優(yōu)點(diǎn)是簡(jiǎn)單，但是它會(huì)累積實(shí)體識(shí)別部分的誤差，且不能處理復(fù)雜語(yǔ)境下的關(guān)系抽取。Joint路線的優(yōu)點(diǎn)是解決了pipeline路線誤差累積以及復(fù)雜語(yǔ)境關(guān)系抽取的問(wèn)題，但是它的模型復(fù)雜，預(yù)測(cè)耗時(shí)長(zhǎng)，需要我們后續(xù)進(jìn)行如知識(shí)蒸餾等算法上的優(yōu)化。從測(cè)試中的F1值來(lái)看，joint路線的得分高于pipeline路線約兩個(gè)點(diǎn)。在工業(yè)實(shí)際落地時(shí)，我們需要判斷自己的領(lǐng)域是否包含復(fù)雜關(guān)系語(yǔ)境下的關(guān)系抽取，若沒(méi)有復(fù)雜關(guān)系則完全可以使用pipeline路線。58招聘落地時(shí)采用的模型是joint路線的。

--

03

圖譜在推薦中的應(yīng)用

下面我選取推薦中幾個(gè)常見(jiàn)的場(chǎng)景來(lái)展示圖譜在推薦中的應(yīng)用。

• 知識(shí)圖譜重新定義了招聘推薦流量的組織方式

58經(jīng)常遇到針對(duì)用戶(hù)不同的求職偏好、人才偏好的場(chǎng)景。為了提升雙邊匹配的效率，我們可以利用知識(shí)圖譜靈活地組織，滿(mǎn)足該用戶(hù)的流量。對(duì)于招聘高峰期，我們還可以以個(gè)性化的專(zhuān)題去組織流量。例如，我們可以組織“老鄉(xiāng)”專(zhuān)題，或者在某些節(jié)日上組織與節(jié)日相關(guān)的專(zhuān)題。

傳統(tǒng)的推薦模式下是以單個(gè)標(biāo)簽或者割裂式多標(biāo)簽堆疊的方式組織流量。相對(duì)地，使用基于知識(shí)圖譜的推薦模式就從關(guān)系的角度串聯(lián)標(biāo)簽、組織流量，擁有多維度、精準(zhǔn)、可解釋性高的優(yōu)點(diǎn)。比如，我們可以根據(jù)用戶(hù)對(duì)場(chǎng)所、對(duì)企業(yè)的偏好來(lái)推薦對(duì)應(yīng)企業(yè)的職位。又如對(duì)于一個(gè)職位如“送餐外賣(mài)員”，多維度匹配會(huì)考慮如“高收入”、“時(shí)間自由”等標(biāo)簽，通過(guò)簡(jiǎn)歷庫(kù)與職位庫(kù)的個(gè)性化標(biāo)簽匹配，使得推薦時(shí)更精準(zhǔn)地組織流量?；谥R(shí)圖譜的招聘流量組織在上線后占總流量的15%左右，對(duì)CVR的提升約4%，面邀率上升了2.5%。

• 知識(shí)圖譜可以賦能推薦中供求關(guān)系的平衡

求職者、平臺(tái)和招聘方不可能永遠(yuǎn)保持平衡。這是因?yàn)榍舐毿袨槭且粋€(gè)短時(shí)間連續(xù)行為，滿(mǎn)足之后便不復(fù)存在；此外，B端職位是有限的資源，尤其是特定領(lǐng)域的崗位更為搶手；對(duì)于特定領(lǐng)域的人才，求職者也是一個(gè)十分有限的資源。

面對(duì)供求關(guān)系不平衡的情況，傳統(tǒng)的推薦方式會(huì)基于熱門(mén)的職位、簡(jiǎn)歷做補(bǔ)充?；谥R(shí)圖譜的推薦會(huì)利用圖計(jì)算技術(shù)與圖譜中屬性相關(guān)的實(shí)體，發(fā)現(xiàn)一些相似、相關(guān)的職位。此外，它還可以利用用戶(hù)的背景職位關(guān)系、行為序列關(guān)系發(fā)現(xiàn)一些同背景的職位。在58招聘推薦中，利用知識(shí)圖譜進(jìn)行推薦的方法覆蓋了75%的供求不匹配的流量，日新增點(diǎn)擊達(dá)到了超過(guò)2000的提升，雙邊連接效率上升了約1.6%。

• 知識(shí)圖譜可以在推薦中做智能引導(dǎo)，它通過(guò)相關(guān)試題逐步引導(dǎo)用戶(hù)更明確自己的需求，提高雙邊連接率

比如一個(gè)用戶(hù)點(diǎn)擊了“保安”這一職位，若用戶(hù)下刷了很久都沒(méi)有找到合適的崗位，那么我們就通過(guò)知識(shí)圖譜推薦一些相似職位或者進(jìn)行相關(guān)標(biāo)簽的引導(dǎo)，讓用戶(hù)更加明確自己的意圖。例如用戶(hù)在第一次引導(dǎo)以后點(diǎn)擊了“商場(chǎng)保安”，那么我們會(huì)為他推薦“商場(chǎng)保安”這一專(zhuān)題的職位，同時(shí)更精細(xì)化地為他進(jìn)行標(biāo)簽引導(dǎo)。值得注意的是，后續(xù)的標(biāo)簽引導(dǎo)不能與前期的標(biāo)簽有重合，而應(yīng)從職位的另外一些角度進(jìn)行標(biāo)簽推薦。通過(guò)這一過(guò)程，用戶(hù)逐漸從各個(gè)維度明確自己的意圖。經(jīng)過(guò)實(shí)驗(yàn)，智能標(biāo)簽的引導(dǎo)為后續(xù)的雙邊連接率的提升非常明顯，達(dá)到了5%。

• 知識(shí)圖譜可以輔助認(rèn)知推薦

在搜索場(chǎng)景下，多元化、口語(yǔ)化的訴求表達(dá)較多，例如“外貿(mào)”、“網(wǎng)約車(chē)”、“寶媽工作”、“沒(méi)學(xué)歷送外賣(mài)”等。對(duì)于“寶媽工作”，我們會(huì)利用知識(shí)圖譜對(duì)query進(jìn)行分析，形成圖譜中標(biāo)準(zhǔn)的知識(shí)節(jié)點(diǎn)，如“女性”、“時(shí)間自由”、“雙休”等，最后基于這些知識(shí)對(duì)用戶(hù)生成推薦。此外，我們還會(huì)將解析出的知識(shí)加入創(chuàng)意標(biāo)題。Query檢索承載了平臺(tái)約一半的流量，知識(shí)圖譜輔助的認(rèn)知推薦占比達(dá)到1/5，后續(xù)的雙邊連接率相對(duì)提升了約2.5%。

--

04

未來(lái)展望

首先，58招聘的未來(lái)核心目標(biāo)是持續(xù)沉淀招聘領(lǐng)域的知識(shí)，將知識(shí)圖譜打造得更完善。另外，由于疫情的關(guān)系，招聘這一垂直領(lǐng)域的產(chǎn)業(yè)格局發(fā)生了很大的變化。

所以，我們需要繼續(xù)優(yōu)化知識(shí)圖譜的工程能力，更靈活地適應(yīng)業(yè)務(wù)的變化。對(duì)于知識(shí)圖譜在業(yè)務(wù)中的應(yīng)用，后續(xù)我們會(huì)賦能平臺(tái)生態(tài)建設(shè)，依靠知識(shí)圖譜促進(jìn)建立和職位發(fā)布的智能化，提升BC兩端的工作效率，提高其發(fā)布的信息質(zhì)量。另外，我們會(huì)針對(duì)結(jié)合知識(shí)圖譜的個(gè)性化推薦進(jìn)行持續(xù)優(yōu)化和模式迭代。最后，我們希望基于知識(shí)圖譜的生態(tài)平臺(tái)，賦能更多業(yè)務(wù)應(yīng)用，如智能面試、QA、信質(zhì)等。

--

05

Q&A

Q：求職者與企業(yè)的特征是如何與職業(yè)標(biāo)簽體系結(jié)合的？

A：求職者與企業(yè)對(duì)一個(gè)職位的表述角度不同。在構(gòu)建標(biāo)簽體系時(shí)，我們會(huì)使用統(tǒng)一的標(biāo)準(zhǔn)。那么求職者對(duì)職位描述的特征與企業(yè)對(duì)職位描述的特征都會(huì)被映射到標(biāo)準(zhǔn)空間中，那么此時(shí)三者就可以在同一空間下進(jìn)行建模，實(shí)現(xiàn)通過(guò)職位標(biāo)簽打通BC兩端的目的。

Q：特征的映射是人工實(shí)現(xiàn)的還是機(jī)器實(shí)現(xiàn)的？

A：映射是由人工與機(jī)器共同實(shí)現(xiàn)的。前期由于缺乏數(shù)據(jù)與標(biāo)簽基礎(chǔ)，我們需要借助專(zhuān)家知識(shí)來(lái)人工進(jìn)行映射。在標(biāo)簽體系建設(shè)至一定的完備度時(shí)，我們會(huì)使用機(jī)器學(xué)習(xí)算法輔助人工，提高效率。

今天的分享就到這里，謝謝大家。