知识图谱在招聘推荐匹配的应用 -周超 58同城

招聘知识图谱的应用

业务背景

• 行业背景：中国网络招聘市场规模持续增长，2021年达到1269亿元；城镇新增就业人数波动上升，2021年达909万人；高校毕业人数逐年增加，2021年达909万人。
• 业务模式：传统招聘推荐为单边推荐，场景为强表达弱相关；招聘推荐为双边匹配，场景为弱表达强相关，领域属性强，存在冷启动和稀疏性问题。
• 难点：新用户行为数据少、信息粗糙；用户诉求表达不清；招聘推荐需同时契合BC双边诉求；招聘领域属性强，差异是提升效果关键。
• 主要业务应用场景：职位推荐、简历推荐、标签推荐等，覆盖app主页推荐、搜索推荐、用户关注推荐等场景。

招聘知识图谱的构建

• 全貌：包括岗位（SPU）、企业、用户、标签等，通过标签体系构建、标签挖掘、关系构建三大任务实现。
• 标签体系构建：目的为底层基础数据，提供多维度、多层级信息匹配，满足通用和领域特有属性需求。
• 标签挖掘：面临认知不统一、专业性强导致标注成本高问题，采用数据增广技术（bootstrap、EDA、DAGA）提升效果，增广后模型F1值提升至77.59%。
• 标签挖掘关键技术：使用token embedding、topic embedding、position embedding，结合BERT、CRF、Attention等技术，实现高效标签识别。
• 关系抽取：采用pipeline和joint路线，pipeline简单但易累积误差，joint可处理复杂语境但模型复杂，joint路线F1值达90.04%。

图谱在推荐中的应用

• 重新定义流量组织：基于知识图谱从关系角度串联标签组织流量，维度多、精准、可解释性高，cvr面邀率提升15%+。
• 平衡供求关系：利用图计算技术发现相似职位、相关职位、同背景职位，解决求职者和职位资源不平衡问题，双边连接率提升1.6%。
• 智能引导：通过相关实体逐步引导用户明确需求，提高双边连接率，智能标签引导使双边连接率相对提升+5%。
• 认知推荐：针对多元化、口语化诉求表达，知识图谱辅助认知推荐占比达1/5，双边连接率相对提升+2.5%。

未来展望

• 持续沉淀招聘领域知识，完善知识图谱；优化工程能力，适应业务变化；赋能平台生态建设，提高简历和职位发布智能化；结合个性化推荐持续优化模式；基于知识图谱赋能更多业务应用，如智能面试、QA、信质等。