知识图谱在招聘推荐匹配的应用.pdf

知识图谱在招聘推荐中的应用周超 58同城 NLP资深算法工程师|01业务背景02招聘知识图谱的构建03图谱在招聘推荐中的应用04业务展望目录 C O N T E N T| 业务背景01|介绍-行业背景|47.9669.691.2107108116.5201620172018201920202021中国网络招聘市场规模(亿)131413511361135211861269201620172018201920202021中国城镇新增就业人数(万)765 795 821 834 874 9092016 2017 2018 2019 2020 2021全国高校毕业人数(万)介绍-业务模式|女 27岁 单身 白领 本科 一线城市 时尚达人美妆达人 男 30岁上班族中产硕士 北京 军事迷 体育迷特点： 1、单边的推荐模式 2、强表达弱相关的场景面试入职Query简历行为Query职位行为特点： 1、双边的连接关系 2、弱表达，强相关的业务 3、领域属性较强双边无法追踪介绍-难点|```双边匹配弱表达，强相关领域属性强冷启动 & 稀疏性难点：新用户进入平台后，行为数据少，简历、职位信息简单粗糙找工作或者找人是一个短时间连续的稀疏行为图谱： 作为一种富信息知识体系，额外引入一些辅助信息，这些辅助信息可以有效地弥补交互信息的稀疏或缺失。难点：有许多的用户对诉求的表达不清楚或者对职位的认知深度不够难点：招聘推荐是一个双边匹配的模式，需要同时契合BC双边的诉求难点：招聘具有很强的领域属性，不同的领域对于求职者的素质、企业的诉求或许天差地别，而这些差异正是推荐效果提升的关键介绍-主要的业务应用场景|推荐内容： 职位推荐 简历推荐 标签推荐 。。。推荐场景： app主页为你推荐场景 搜索推荐场景 用户最近关注推荐场景 。。。 招聘知识图谱的构建02|招聘知识图谱全貌|岗位spu.005enterpriseuser货运司机9495C1本10000-15000长途绿通油补五险一金包吃住双休labelid薪资做休驾照保险吃住运输货物运输距离补贴is_subinstance_of岗位spu.001司机9490labelid补贴986756649495交通/运输/物流50-99北京市房山区闫村镇小十三里村南2幢1田晓500w北京道北运输有限公司存续labelID行业规模法人资本地址状态招聘30岁12000C1本男547857437834五险一金北京期望薪资idsexage驾照期望职位驾驶证保险期望工作地保险薪资求职者企业职位三大任务： 标签体系的构建 标签的挖掘 关系构建标签体系的构建|目的：标签体系作为底层的基础数据，要为上层的双边连接提供更多层次更多维度的信息匹配满足： 多维度 对BC双边流量全方面的的刻画 通用维度-薪资、福利、年龄等 领域特有的属性-证书、技能、经验等 多层级 不同的应用方，不同的场景，对流量的组织粒度要求不一样 层次化可以使流量的组织更灵活标签挖掘:认知不统一、专业性强，导致标注成本高|认知不统一： 汽车零部件管理科长汽车零部件管理科长？？？？？？专业性强： {“五险一金DBA”}DBA-数据库管理员-职位{“新款春秋季服装试衣可新”}服装试衣-试衣模特-职位标签挖掘-数据增广|bootstrapEDADAGA18岁以上本次招聘只 招收/v 18/m 岁/q 以上/f ，身体健康。。质检员富士康 /nt 直招/prefix_jbn 质检员/n同类型标签同义词替换 上下文关键词同义词替换 短句子随机替换 。。。。 eg: 未来影视城急聘查票员 未来影视城急聘检票员 eg: 美团直招黄骑士骑手，不收取任何押金费用 饿了么急聘黄骑士骑手，不收取任何押金费用 eg: 年龄18-45周岁，男女不限，学历不限 学历不限，男女不限，年龄18-45周岁 eg: 。。。。。 高 薪 诚 聘 服 务 员 ， 性 别 不 限O O O O B-JBN I-JBN E-JBN O B-SEX I-SEX I-SEX E-SEX 高薪诚聘 B-JBN服I-JBN务E-JBN员，B-SEX性I-SEX别I-SEX不E-SEX限sentence 【BOS】 。。。。 B-JBN 服 I-JBN ...predictions 。。。。 B-JBN 服 I-JBN 务 。。。多样性： 会生成新的实体 会生成更丰富的实体上下文可以有效利用未标注数据 标签挖掘-数据增广|data3k5k7kallraw73.1179.5683.4587.23raw+bootstrap76.8782.3384.1588.05raw+eda75.2380.3684.2588.68raw+daga76.7781.7984.0288.12raw+bootstrap+eda77.0182.7884.6388.9raw+bootstrap+daga75.8782.8584.2988.76raw+eda+daga75.4681.0584.3788.79raw+bootstrap+eda+daga77.5982.9185.1289.23标签挖掘关键技术|token embeddingtopic embeddingposition embedding�1�2�. .��CRFB-JBN I-JBN E-JBN O B-LOC ...B-JBN I-LOC O I-LOC B-LOC ...I-JBN E-LOC O I-LOC B-LOC ...1.50.90.050.210.20.40.10.330.090.10.240.251.50.90.050.21B-JBN I-JBN E-JBN O O ...DEEP LEARNINGcombin_embeddingLR * 100LR 不同的数据块有不同的标签偏好，如年龄，大概率会出现在岗位要求中每个职位都有一个层次体系，每个层次体系都是一个topic标签挖掘关键技术token1[cls]token2....tokenTtoken embeddingBERTTopic attention & Position attentionCRFTag1Tag0Tag2....TagTTEh1h2h3hna11a12a1na13PEh1h2h3hna11a12a1na13SOFTMAXSOFTMAX标题职责要求描述岗位福利品牌要求行业1行业2行业3行业3司机会计证电焊技术五险为了保证线上耗时： 利用公司平台，使用TensorRT加速深度学习推理 算法层面的优化，知识蒸馏|关系抽取|示例： {"text":"[美团]急聘[送餐员]，[]，[提供住宿]"}输出："predicate":"品牌", "predicate":"保险", "predicate":"吃住", "subject":"送餐员", "subject":"送餐员", "subject":"送餐员", "object":"美团" "object":"五险一金" "object":"提供住宿" 品牌 保险 吃住infoid_id:4384787538470483厨师:9644华阳酒店北京五险一金月休4天包吃住12000-15000川菜月薪属性：品牌属性：地址属性：保险属性：作休属性：薪资属性：技能关系抽取-pipline路线|将实体抽取与关系抽取分为两个独立的过程，关系抽取依赖实体抽取的结果softmax+l2Soft-Attention 层输入层： 传统的输入-token Embedding+Position Embedding 领域的先验知识：实体所属的域及层级关系关系抽取-pipline路线|缺点： 特别依赖实体抽取的结果，若是实体抽取错误，易造成误差累积 无法处理复杂语境下的关系抽取“送餐员”这个实体出现在了多个关系中要解决复杂语境下的关系抽取，不能再将关系抽取任务当作一个每个关系互斥的多分类任务，而是看作每个关系独立的多个二分类任务关系抽取-joint路线| spo主框架：CNN+Attention思路：借鉴了 seq2seq 的概率图思路，对于三 元组 (s, o, p),其抽取过程可以建模为 �(�, �, �) = �(�)�(�|�)�(�|�, �)缓解重叠情况带来的问题 采用了 MRC 中常用的指针网络的抽取方法，即仅抽取答案的开始和结束位置 把预测开始和结束位置的任务转化为了预测每一个位置是否为开始位置或结束位置(将softmx换成sigmoid)pipline路线 VS joint路线|METHOD优点缺点F1pipline路线简单累积实体识别的误差不能处理复杂语境下的关系抽取88.37joint路线没有误差累积可以处理复杂语境下的关系抽取模型复杂，预测耗时长90.04 图谱在推荐中的应用03|知识图谱重新定义了招聘推荐流量的组织方式| 场景： 针对用户不同的求职、人才偏好，为了提升双边匹配的效率，灵活的组织满足该用户的流量 对于招聘高峰季，以个性化的专题去组织流量 流量组织 -传统的推荐模式下，是以单个标签或者割裂式多标签堆叠的方式组织流量 -基于知识图谱的推荐模式下，从关系的角度去串联标签，组织流量-维度多、精准、可解释性高骑手配送时间灵活收入高快人一步来聊骑手配送时间灵活收入高具体的某个场景如企业多维度个性化专题组织承载流量cvr面邀率 15% +4% +2.5%知识图谱赋能推荐中供求关系的平衡|平台求职者招聘方NO 求职行为是一个短时间连续行为，满足了就不存在了 B端职位是有限的资源，尤其是特定领域的岗位 求职者也是一个有限的资源，尤其是特定领域的人才 供求关系不平衡时怎么处理？ -传统的推荐方式会基于热门的职位、简历去做补充 -基于知识图谱推荐的方式： 利用图计算技术，发现一些相似的职位 利用知识图谱中属性相关，发现一些相关职位 利用用户的背景职位关系、行为序列关系发现一些同背景的职位供求不匹配的场景日新增点击双边连接率75%2000++1.6%推荐中基于知识图谱的智能引导| 通过相关实体逐步引导用户更明确自己的需求，提高双边连接率关注职位相似职位、相关标签引导点击“商场保安”继续引导通过多次引导完成求职智能标签的引导为后续的双边连接率带来+5%的相对提升知识图谱辅助认知推荐| 多元化、口语化的诉求表达 外贸、网约车、宝妈工作、没学历送外卖宝妈工作女性时间自由双休。。知识认知智能推荐+创意标题没学历送外卖外卖员学历不限送餐员。。query检索承载了平台1/2的流量，知识图谱辅助的认知推荐占比达到1/5，后续的双边连接率相对提升+2.5%左右 未来展望04|未来展望|12持续沉淀招聘领域的知识，将知识图谱打造的更完善优化知识图谱的工程能力，更灵活的适应业务的变化赋能平台生态建设，依靠知识图谱促进简历和职位发布的智能化和提高其发布的信息质量结合知识图谱的个性化推荐的持续优化和模式迭代基于知识图谱的生态平台，赋能更多业务应用，如智能面试、QA、信质等非常感谢您的观看|