如何用机器学习手段提高HR甄别简历的效率

低区分度的简历——隐藏的招聘雷区

搜索和阅读简历占据了招聘的大部分时间。在HR搜索或阅读简历时，需要根据简历名称或工作内容对简历类别进行判断，简历类别的“区分度”越高，HR越容易通过搜索定位到对应的简历，也越容易甄别出简历与空缺岗位的匹配度。

例如，HR在招聘一名“Android工程师”时，非常喜欢那些在职位名称为“Android工程师”的简历，因为可以很方便地搜索和识别。这部分简历可以定义为高区分度简历。

可令人头疼的是，许多候选人的简历并未照顾到招聘者的使用体验。

例如一名软件工程师在他的简历中提到了多项编程技能，并将简历名称定为“软件工程师”，给系统搜索定位到这份简历造成了极大的难度。

这就意味着：由于JD的编写方式与候选人编写简历方式的天然差异，大量履历匹配的简历在搜索时被遗漏，许多工作内容里包含这些关键字的简历（比如招聘专员）实际却又毫不相关。

大量的低区分度简历增加了甄别难度

我们从简历库中抽样了1479818份互联网行业中包含“工程师”的简历数据，按简历名称进行统计，从高到低排序后截取Top15展示如下：

由统计数据可以看出，类别区分度低的简历在整体简历数据中占比较大。

‍ 互联网行业中包含大量“软件工程师”、“高级软件工程师”、“软件研发工程师”、“研发工程师”简历，占抽样总数的25.7%， 但这部分简历却无法轻易判断候选人对应的技术方向。

实际上，Java工程师、PHP工程师、后端开发工程师等均可称为软件工程师。 有众多Title为“软件工程师”的简历，需要根据职位或工作描述进一步判断具体类别。

例如：进行搜索时，输入“Python工程师”，简历名称中含Python的简历可能较少，导致搜索结果数量丰富度不高。

但如果通过模型可以判断简历名称为软件工程的具体角色，增强简历的区分度，则可在软件工程师的简历中筛选出属于Python工程师的简历，进一步提高搜索的丰富度。

通过机器学习方法提高角色识别的准确度

1

增强简历的区分度，可以理解为“如何更准确地理解职位，包括职位的不同表达方式，以及与该职位相关的技能模型”——这件事可以基于一张专业词表完成。

例如我们定义一个简单的词表：

“软件工程师”为一级类别，其下属二级技能类别分为Java、C++、PHP、.NET、Python、Delphi、Perl等。

这张词表定义了明确的职位/技能关系，当词表在“阅读”一份名为“软件工程师”的简历时，它实际阅读的是上述技能。

聘宝的知识图谱更为复杂，除技能分支外，还包含行业、公司等众多维度。

2

深度学习方法近期在文本处理领域大受欢迎，但需要注意的是它们的训练以及测试过程十分缓慢，以至于工程应用时门槛颇高。

在进行了一系列的技术方案调研与比较后，我们尝试对比分析了三种机器学习的文本分类算法： TextGrocery，fastText，Naive Bayes。

TextGrocery ——是一个基于LibShortText和结巴分词的短文本分类工具，基于线性核SVM分类器，使用二元分词（Bigram），不去停顿词，不做词性过滤同时支持中文和英文语料，让文本分类变得简单。

fastText ——由FAIR（Facebook AI）开发的一款快速文本分类器，提供简单而高效的文本分类和表征学习的方法，出自Word2Vec作者Mikolov的论文《Bag of Tricks for Efficient Text Classification》

fastText适合大型数据+高效的训练速度，能够训练模型“在使用标准多核CPU的情况下10分钟内处理超过10亿个词汇”，与深度模型对比，fastText能将训练时间由数天缩短到几秒钟。

fastText的性能要比时下流行的word2vec工具明显好上不少，也比其他目前最先进的词态词汇表征要好。

Naive Bayes ——由贝叶斯定理延伸而来的概率模型，它根据每个特征的概率确定一个对象属于某一类别的概率。该方法假设所有特征需要相互独立，即任一特征的值和其他特征的值没有关联关系。

在自然语言处理领域，处理的的数据可以看做是在文本文档中标注数据，这些数据可以作为训练数据集来使用机器学习算法进行训练。

在训练样本时，构建可以表征文本的特征向量(词汇表)，并根据这个特征向量将训练集表征出来，计算各个类别的频率作为该类的先验概率，和在每个类别条件下各个特征属性的条件概率，分类时，根据贝叶斯公式计算待分类句子在每一类别的后验概率，取最大值作为其分类。

一个简单的分类识别实验

为更好地分析不同技术手段在增强简历区分度上的效果，我们进行了一项简单的比较实验，来展现算法是如何把低区分度的简历如“软件工程师”进行具体的技能方向分类的。

1

选取680731份根据职位名称判断属于二级类别的工程师简历数据，随机抽样取80%的数据做训练数据，剩余20%份作测试数据。

2

对比上面模型结果， fastText模型基于词袋的针对英文的文本分类方法，组成英文句子的单词是有间隔的，而中文文本是连续的。因此对中文文本，则需分词去标点转化为模型所需要的数据格式，但分类效果一般，尤其是类别间区分度不是很大的情况下。 另外参数调优对模型结果影响较大，但模型优势在于训练时间很短。

所以fastText模型更适合做类别区分度更大且讲究分类效率的应用场景，比如将一则新闻自动划归到财经、军事、社会、娱乐等板块。

TextGrocery模型是专门针对短文本的分类模型，直接输入文本，无需做特征向量化的预处理，不去停顿词，不做词性过滤，优雅的API接口，但模型准确率和模型训练时间在此角色预测模型中不是太突出。

Naive Bayes为传统的文本分类模型，特征向量化的预处理相对繁琐、训练时间较长，但在分类类别多文本区分度不大的情况下，分类效果相比其他两种算法更为优秀。

这个实验结果侧面说明，在产品实现时切勿过度追求“时髦”的技术。对某一项特定业务来说，有助于业务实现更优效果的技术就是最好的技术。

聘宝在面对低区分度简历时的角色识别算法，吸收结合了上述各类算法的特点，面对不同场景条件时搭配应用，实现了更优的分类效果，在TMT行业主要职位类型上的识别准确率高于75%。

以“软件工程师”为例子，在聘宝中输入属于软件工程师的职位描述，预测出可能的角色，效果如下图：

对于其他行业低区分度的简历，同样可以训练出对应的模型。如果单个行业预测类别不用过细的话，可以将众多行业数据混合一起训练模型进行预测。

基于该实验的样本数据，假设简历库中有10000份名为“软件工程师”的简历。 一位HR在搜索“Android工程师”时仅关注简历名称为“Android工程师”的简历，她将遗漏912份有可能匹配的简历——这些简历均被冠以“软件工程师”的职位名称；

如果这位HR愿意花时间从头到尾通读每一份“软件工程师”的简历，将其中真正从事Android研发工作的简历筛选出来，那么她需要多阅读9088份无效的软件工程师简历，假设阅览一份简历需要15秒，这项工作将占据她38小时。

角色识别除了在简历检索方面的应用，在其他方面也有广泛的应用空间。 如薪资预测 ，根据工作描述预测角色作为特征变量，将有助于提高预测薪资的准确性。