大數(shù)據(jù)時(shí)代的人才推薦系統(tǒng)

大數(shù)據(jù)時(shí)代的人才推薦系統(tǒng)

Talent recommendation system in big data era

洪文興（1980-），男，廈門大學(xué)自動(dòng)化系副教授，廈門信息產(chǎn)業(yè)與信息化研究院執(zhí)行院長。2010年獲得工學(xué)博士學(xué)位，為國家公派（廈門大學(xué)與新加坡南洋理工大學(xué)）聯(lián)合培養(yǎng)博士。2013年先后任廈門大學(xué)信息科學(xué)與技術(shù)學(xué)院院長助理、廈門市信息化局軟件園服務(wù)處副處長、廈門大學(xué)發(fā)展規(guī)劃辦公室副主任，是中國系統(tǒng)工程學(xué)會(huì)監(jiān)事、福建省系統(tǒng)工程學(xué)會(huì)秘書長、中國計(jì)算機(jī)學(xué)會(huì) YOCSEF 廈門分論壇副主席（2015―2016年）。主要研究方向?yàn)閿?shù)據(jù)挖掘、大數(shù)據(jù)分析、推薦系統(tǒng)、軟件和信息服務(wù)業(yè)產(chǎn)業(yè)研究、系統(tǒng)工程。

王寧（1979-），男，廈門華廈學(xué)院副教授、高級工程師。2001年起從事信息管理系統(tǒng)及其數(shù)學(xué)模型分析等領(lǐng)域的研究工作，主要研究方向?yàn)閿?shù)據(jù)挖掘及其在人才、教育、商務(wù)等領(lǐng)域的應(yīng)用。

陳毅偉（1990-），男，就職于廈門航空有限公司信息部軟件研發(fā)中心，主要研究方向?yàn)槿瞬磐扑]系統(tǒng)、數(shù)據(jù)處理。

周綺鳳（1976-），女，博士，廈門大學(xué)自動(dòng)化系副教授。2002年起從事數(shù)據(jù)挖掘及智能系統(tǒng)方面的研究工作，2014―2015年在美國佛羅里達(dá)國際大學(xué)訪學(xué)，主要研究方向?yàn)闄C(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘及其在可持續(xù)發(fā)展等領(lǐng)域的應(yīng)用。

李濤（1975-），男，博士，南京郵電大學(xué)計(jì)算機(jī)學(xué)院院長，南京郵電大學(xué)大數(shù)據(jù)研究院院長，美國佛羅里達(dá)國際大學(xué)正教授。由于在數(shù)據(jù)挖掘及應(yīng)用領(lǐng)域成效顯著的研究工作，曾多次獲得各種榮譽(yù)和獎(jiǎng)勵(lì)，其中包括2006年美國國家自然科學(xué)基金委頒發(fā)的杰出青年教授獎(jiǎng)，2010年IBM大規(guī)模數(shù)據(jù)分析創(chuàng)新獎(jiǎng)，并于2009年獲得佛羅里達(dá)國際大學(xué)最高學(xué)術(shù)研究獎(jiǎng)。

1 人才推薦系統(tǒng)的應(yīng)用背景

隨著Web 2.0技術(shù)的發(fā)展，越來越多的求職者在互聯(lián)網(wǎng)上尋找就業(yè)機(jī)會(huì)，企業(yè)選擇在招聘網(wǎng)站發(fā)布職位網(wǎng)羅人才。目前流行的招聘網(wǎng)站按照其應(yīng)用的技術(shù)大致可以劃分為5類（如圖1所示）：傳統(tǒng)信息門戶類、職業(yè)社交類、推薦類、垂直行業(yè)類以及人工輔助類。傳統(tǒng)信息門戶類又可以劃分為專業(yè)型門戶和綜合型門戶，該類網(wǎng)站以靜態(tài)信息展示、發(fā)布為主，典型的代表是51JOB和58同城，前者專注于全行業(yè)全國各地的求職招聘，而后者則作為一個(gè)綜合的生活分類信息網(wǎng)站，以兼職和短期工作招聘為主。傳統(tǒng)信息門戶類招聘網(wǎng)站由于缺乏個(gè)性化服務(wù)，面臨著技術(shù)轉(zhuǎn)型難題。LinkedIn則是職業(yè)社交類招聘網(wǎng)站的典型代表，它為每一個(gè)用戶構(gòu)建專屬的職業(yè)人脈，然后利用這些人脈接觸有意向的崗位或者求職候選人。Monster是一個(gè)以推薦技術(shù)為核心的求職招聘網(wǎng)站，通過為每一個(gè)求職者和企業(yè)招聘人員提供個(gè)性化推薦，實(shí)現(xiàn)信息對接。與前三者不同，拉勾網(wǎng)定位于專業(yè)的互聯(lián)網(wǎng)招聘平臺(tái)，專注互聯(lián)網(wǎng)職位機(jī)會(huì)，充分利用行業(yè)領(lǐng)域特點(diǎn)和知識(shí)。此外還有內(nèi)推網(wǎng)等配合人工運(yùn)作的信息網(wǎng)站。在上述各類網(wǎng)站中，推薦功能是眾人關(guān)注的熱點(diǎn)[1,2]。

圖1 求職招聘網(wǎng)站分類

2 大數(shù)據(jù)時(shí)代的人才招聘問題

各類求職招聘網(wǎng)站的普遍應(yīng)用為人才招聘的研究提供了數(shù)據(jù)基礎(chǔ)。與此同時(shí)，在大數(shù)據(jù)環(huán)境下，新一代人才推薦系統(tǒng)對服務(wù)個(gè)性化、精準(zhǔn)化要求越來越強(qiáng)烈，其研究面臨著新的機(jī)遇和挑戰(zhàn)[3]。

從求職者（job seeker）的角度看，更加智能化、個(gè)性化的簡歷系統(tǒng)可以引導(dǎo)他們更快速、更準(zhǔn)確地完成一份充分表現(xiàn)自身優(yōu)勢的簡歷。更重要的是，求職者希望應(yīng)用系統(tǒng)可以根據(jù)求職者自身個(gè)性化的特點(diǎn)與偏好，從冗長的職位列表中更加精準(zhǔn)地鎖定、推薦感興趣的職位。此外，系統(tǒng)應(yīng)提供更簡便的人性化服務(wù)。

從企業(yè)人力資源（HR）經(jīng)理的角度出發(fā)，希望應(yīng)用系統(tǒng)能夠從海量的簡歷中快速篩選出最合適的候選人集合，并提供求職者盡可能詳細(xì)的信息，以便全方位地了解求職者。與此同時(shí)，利用招聘網(wǎng)站的人才評價(jià)體系，可以更好地對接企業(yè)內(nèi)部人力資源管理系統(tǒng)[4]，為企業(yè)制定切合單位發(fā)展需求的人才儲(chǔ)備、培養(yǎng)以及考核等相關(guān)制度提供決策參考。

對于應(yīng)用系統(tǒng)的經(jīng)營者而言，有效地協(xié)助用戶完成對接，提高系統(tǒng)求職與招聘對接的成功率，加強(qiáng)系統(tǒng)人性化服務(wù)、增強(qiáng)用戶體驗(yàn)感，吸引各類用戶、聚合用戶是其基本訴求。此外，發(fā)布人才年度統(tǒng)計(jì)報(bào)告、人才預(yù)測報(bào)告等，從行業(yè)、地域、時(shí)間等維度進(jìn)行勞動(dòng)力市場供求關(guān)系分析，為企業(yè)、政府經(jīng)濟(jì)規(guī)劃提供參考，為系統(tǒng)運(yùn)營贏得聲譽(yù)，產(chǎn)生更多的社會(huì)經(jīng)濟(jì)效益。

經(jīng)過多年的行業(yè)觀察和實(shí)踐分析，筆者發(fā)現(xiàn)大數(shù)據(jù)時(shí)代的人才推薦系統(tǒng)需要解決如下關(guān)鍵問題：

● 不同行業(yè)領(lǐng)域下個(gè)性化簡歷模板和職位模板的構(gòu)建方法；

● 基于用戶簡歷、系統(tǒng)內(nèi)操作行為、用戶間交互等多維異構(gòu)數(shù)據(jù)的用戶特征提取與用戶建模方法；

● 基于求職用戶職位偏好與企業(yè)用戶招聘偏好相互匹配的雙向推薦算法；

● 個(gè)性化、人性化的信息收集策略，數(shù)據(jù)統(tǒng)計(jì)、發(fā)布的多元數(shù)據(jù)可視化展示問題。

3 智能人才推薦系統(tǒng)實(shí)例：iHR+

3.1 iHR+簡介

自2010年以來，廈門大學(xué)與廈門人才網(wǎng)聯(lián)合開展人才推薦研究。廈門人才網(wǎng)服務(wù)廈門本地及其周邊城市的7萬家企業(yè)，每天在線有效職位儲(chǔ)量超過23萬個(gè)，人才庫擁有170多萬份人才簡歷，日均訪問量達(dá)70萬頁面瀏覽量（page view，PV）。在廈門人才網(wǎng)多年數(shù)據(jù)積累的基礎(chǔ)上，研究分為3期完成[5,6]，具體內(nèi)容如圖2所示。

項(xiàng)目通過對用戶求職意向的分析，結(jié)合個(gè)性化表單收集結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)，實(shí)現(xiàn)人才簡歷自動(dòng)創(chuàng)建的電子簡歷系統(tǒng)。結(jié)合用戶的系統(tǒng)操作行為等特征完成用戶建模。在此基礎(chǔ)上，對企業(yè)職位需求進(jìn)行分析，設(shè)計(jì)推薦指數(shù)、推薦熱度[7]等指標(biāo)，采用信息融合模型初步實(shí)現(xiàn)雙向混合推薦算法[8]。此外，對用戶搜索各類信息需求的分析、整合，實(shí)現(xiàn)了智能搜索以及地圖搜索、信息訂閱與推送、界面自適應(yīng)（iHRHD）與美化等人性化服務(wù)，方便用戶使用。

在理解用戶需求的基礎(chǔ)上，筆者提出若干關(guān)鍵問題，進(jìn)行算法研究、論證評估與改進(jìn)，形成了針對人才推薦的智慧解決方案——iHR+。圖3為方案的整體架構(gòu)。

3.2 iHR+人才推薦系統(tǒng)關(guān)鍵問題的解決

在人才推薦系統(tǒng)中，求職者與職位提供方之間的關(guān)系是一種二元關(guān)系，即只存在二者之間的交互，而不存在求職者之間或者職位提供方之間的交互。這種強(qiáng)二元關(guān)系也是互惠推薦的一大特性。為此，采用二部圖的方式建立人才推薦模型，如圖4所示。

（1）基于多維特征空間的用戶建模方法

用戶特征是推薦系統(tǒng)的數(shù)據(jù)基礎(chǔ)，傳遞著求職用戶的信息和興趣偏好[9]。筆者根據(jù)用戶的特征來源，將用戶特征分為用戶自然人信息的基本特征、個(gè)性化簡歷中提取的提取特征、用戶在系統(tǒng)中各類操作的操作特征以及用戶間互動(dòng)的標(biāo)簽特征四大類。依據(jù)每項(xiàng)特征的特點(diǎn)進(jìn)行特征表示與存儲(chǔ)，創(chuàng)建了多維用戶特征空間。

圖3 iHR+總體架構(gòu)

圖4 二部圖人才推薦模型

（2）面向求職招聘領(lǐng)域的雙向推薦模式

2010年P(guān)izzato L等人[10]首次提出雙向推薦，雙向推薦是個(gè)性化推薦系統(tǒng)中的一個(gè)獨(dú)特的分支，該推薦算法適用于推薦雙方用戶之間有偏好的系統(tǒng)，如在線約會(huì)系統(tǒng)[11]、人才推薦系統(tǒng)等，它考慮了推薦雙方用戶之間的相互偏好關(guān)系，使用戶雙方達(dá)到雙贏的效果，也提高了推薦系統(tǒng)的準(zhǔn)確性。在人才推薦系統(tǒng)中，Malinowski J等人[12]根據(jù)雙方用戶的偏好信息分別構(gòu)建面向個(gè)人用戶和企業(yè)用戶的推薦系統(tǒng)，綜合考慮雙方的推薦結(jié)果。Yu H等人[13]提出一種融合了雙方用戶的顯性與隱性偏好信息的相似度計(jì)算方法，進(jìn)一步探討雙方用戶偏好程度之間彼此的關(guān)聯(lián)度對于推薦結(jié)果的影響，即人才推薦中的雙向推薦問題。

（3）基于上下文信息的推薦模式

除了求職者與企業(yè)單位雙方的特征信息，潛在的上下文信息也是推薦系統(tǒng)可以考慮的重要信息來源。例如，分析某求職者的工作經(jīng)歷，如果發(fā)現(xiàn)其頻繁地更換工作且每份工作的時(shí)間不長，可推測他缺乏自身定位、能力評價(jià)或職位所需品質(zhì)等可能性，這就是潛在的上下文信息。因此，在系統(tǒng)推薦中，需以恰當(dāng)?shù)男问竭M(jìn)行判定，并調(diào)整向企業(yè)單位推薦該求職者的推薦度。

（4）基于領(lǐng)域?qū)＜抑R(shí)的推薦模式

在人才推薦領(lǐng)域中，常見的專家知識(shí)有專業(yè)的分類、職位部門的分類以及技能的分類等。專家知識(shí)具有很高的可信度與參考價(jià)值，構(gòu)建一個(gè)完整的專家知識(shí)體系有利于為企業(yè)單位推薦相關(guān)專業(yè)的人才，或者為求職者推薦相關(guān)職位甚至更高一級的職位等[14,15]。例如，某求職者熟練掌握C++，通過專家知識(shí)體系中計(jì)算機(jī)方面技能分類的分析[16]，可知Java、C等語言與C++的相關(guān)性很高，則可以向該求職者推薦Java、C方面的職位。

（5）基于動(dòng)態(tài)時(shí)間效應(yīng)的推薦模式

人才市場職位的招聘具有時(shí)效性。招聘職位在一定的時(shí)間段內(nèi)有效，超過該時(shí)間段后則失效，因此在職位推薦中應(yīng)考慮職位的有效期，防止將已失效的職位推薦給求職者，同理，對于求職者也應(yīng)考慮活躍性[17]，將注冊并使用推薦系統(tǒng)已順利找到當(dāng)前滿意的工作，從此不再登錄推薦系統(tǒng)的不活躍求職者推薦給企業(yè)單位是沒有實(shí)際意義的。綜上，職位的時(shí)間有效性、求職者的時(shí)間動(dòng)態(tài)性（活躍度）都是推薦系統(tǒng)應(yīng)該考慮的因素，都會(huì)影響推薦結(jié)果的質(zhì)量和用戶滿意度。

3.3 人才推薦研究應(yīng)用的成功拓展

基于在人才推薦領(lǐng)域的工作成果，筆者拓展了問題研究領(lǐng)域，針對專家型人才不主動(dòng)提供信息且隱性信息明顯的特點(diǎn)，設(shè)計(jì)并實(shí)現(xiàn)了專家信息搜尋、專家推薦等功能平臺(tái)，取名“科技驛棧”。起始頁如圖5所示。

“科技驛?！笔且粋€(gè)面向中小企業(yè)科技創(chuàng)新的服務(wù)平臺(tái)，旨在為廣大產(chǎn)業(yè)技術(shù)工作者提供一站式創(chuàng)新服務(wù)，為產(chǎn)業(yè)研發(fā)人員之間、科研院所研究人員之間、產(chǎn)—學(xué)—研之間的大規(guī)模協(xié)作提供協(xié)同創(chuàng)新平臺(tái)。它收集分布在全國各高校、科研機(jī)構(gòu)的各領(lǐng)域?qū)＜屹Y料信息，包括專家論文、專利、活動(dòng)、企業(yè)新聞等文獻(xiàn)以及專家活動(dòng)、項(xiàng)目、成果等，通過建立搜索引擎，開展數(shù)據(jù)挖掘、系統(tǒng)推薦，提供領(lǐng)域?qū)＜壹跋嚓P(guān)信息的智能搜索與在線推薦，方便企業(yè)尋找所需領(lǐng)域的專家。

圖5 大規(guī)模專家協(xié)作創(chuàng)新平臺(tái)（科技驛棧）

[1]洪文興. 基于互聯(lián)網(wǎng)的決策理論與方法的若干問題研究[D]. 廈門： 廈門大學(xué), 2010.

HONG W X. Research on web-based decision-making theory and method[D]. Xiamen： Xiamen University, 2010.

[2]ADOMAVICIUS G, TUZHILIN A. Toward the next generation of recommender systems： a survey of the state-of-theart and possible extensions[J]. IEEE Transactions on Knowledge and Data Engineering, 2005, 17(6)： 734-749.

[3]曾春, 刑春曉, 周立柱. 個(gè)性化服務(wù)技術(shù)綜述[J].軟件學(xué)報(bào), 2002(10)： 1952-1961.

ZENG C, XING C X, ZHOU L Z. A survey of personalization technology[J]. Journal of Software, 2002(10)： 1952-1961.

[4]GONZALEZ T, SANTOS P, OROZCO F, et al. Adaptive employee profile classification for resource planning tool [C]// 2012 Annual SRII Global Conference, July 24-27, 2012, San Jose, CA, USA. New Jersey： IEEE Press, 2012： 544-553.

[5]HONG W X, LI L, LI T, et al. iHR： an online recruiting system for xiamen talent service center[C]//The 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, August 11-14, 2013, Chicago, IL, USA. New York： ACM Press, 2013： 1177-1185.

[6]李濤. 數(shù)據(jù)挖掘的應(yīng)用與實(shí)踐——大數(shù)據(jù)時(shí)代的案例分析[M]. 廈門： 廈門大學(xué)出版社, 2013： 123-162.

LI T. Data mining： where theory meets practice[M]. Xiamen： Xiamen University Press, 2013： 123-162.

[7]MELVILLE P, MOONEY R J, NAGARAJAN R. Content-boosted collaborative filtering for improved recommendations [C]//The 18th National Conference on Artificial Intelligence, July 28 - August 1, 2002, Edmonton, Canada. New York： ACM Press, 2002： 187-192.

[8]LI L, LI T. MEET： a generalized framework for reciprocal recommender systems [C]//The 21st ACM International Conference on Information and Knowledge Management (CIKM 2012), October 29 -November 2, 2012, Maui, Hawaii, USA. New York： ACM Press, 2012： 35-44.

[9]G A U C H S, S P E R E T T A M, CHANDRAMOULI A, et al. User profiles for personalized information access [M]. Berlin：Springer Berlin Heidelberg, 2007： 54-89.

[10]PIZZATO L, REJ T, CHUNG T, et al. Reciprocal recommenders[C]//The 8th Workshop on Intelligent Techniques for Web Personalization and Recommender Systems(UMAP’2010), June 20-24, 2010, Hawaii, USA. [S.l.：s.n.], 2010： 1-12.

[11]PIZZATO L, REJ T, CHUNG T, et al. Recon： a reciprocal recommender for online dating[C]//The 4th ACM Conference on Recommender Systems, September 26-30, 2010, Barcelona, Spain. New York： ACM Press, 2010： 207-214.

[12]MALINOWSKI J, KEIM T, WENDT O, et al. Matching people and jobs： a bilateral recommendation approach[C]//The 39th Annual Hawaii International Conference on System Sciences, January 4-7, 2006, Kauai, Hawaii, USA. New Jersey： IEEE Press, 2006： 137c.

[13]YU H, LIU C, ZHANG F. Reciprocal recommendation algorithm for the filed of recruitment[J]. Journal of Information & Computational Science, 2011, 8(16)：4061-4068.

[14]B U R K E R. K n o w l e d g e-b a s e d recommender systems[J]. Encyclopedia of Library and Information Science, 2000, 69(Supplement)： 32.

[15]VELASQUEZ J D, PALADE V. Building a knowledge base for implementing a webbased computerized recommendation system[J]. International Journal on Artificial Intelligence Tools, 2007, 16(5)： 793-828.

[16]CHEN C F, CHEN L F. Data mining to improve personnel selection and enhance human capital： a case study in hightechnology industry [J]. Expert Systems with Applications, 2008, 34(1)： 280-290.

[17]LI L, ZHENG L, LI T. LOGO： a long-short user interest integration in personalized news recommendation [C]//The 5th ACM Conference on Recommender Systems (RecSys 2011), October 23 - 27, 2011, Chicago, Illinois, USA. New York： ACM Press, 2011： 317-320

TP391

A

10.11959/j.issn.2096-0271.2017024