人岗匹配新时代

2018年4月13日

 

人岗匹配新时代

 

在人力资源行业,HR每天都要面对大量的非结构化数据,如各式各样的简历,用人单位的招聘需求,面试的反馈报告等,如何高效并充分利用大量的信息成为了各公司人力资源部门的主战场,近年来,由于互联网与信息科技的高速发展,减轻了许多HR重复的流程化工作,如ATS(自动候选人管理系统)大大加速了面试的进程和方便了候选人的管理。又如薪资管理系统,使得员工的人事薪酬,社保等管理变得简单清晰,但这些都主要是流程上的自动化,在非流程化的任务,比如筛选候选人的工作,并没有变得简单,仍然需要招聘人员花大量时间去进行搜索和人为判断简历和招聘岗位的符合程度。

近年来,人工智能技术已经在语音识别,图像处理,语义理解等领域取得到了巨大成绩,为什么不能用来帮助HR进行初步的候选人筛选呢?

 

一. 人岗匹配的应用场景

考虑如下几个场景:

  1. 如果您是大公司的HR

    同一个岗位会收到成千上万份简历,假设HR通过学历,工作经验等,筛选了其中的500份,每份进行30秒的阅读来决定是否通过,那一个岗位就要用上4.16个小时来对简历进行初步筛选,然后移交给用人部门进行面试,这样大量的工作会导致HR的工作异常繁重,甚至由于大量的审阅,错过一些实力强劲但简历写得不太详细的候选人。

    这时候,如果有一个系统,能够利用先进的人工智能技术读懂您的招聘需求,针对这个招聘岗位,输入所有申请的简历,然后按匹配度排好序,然后您按照匹配度得分审阅,岂不乐哉。

  1. 如果您是中小企业的HR

    同一个岗位可能未必会接收到太多的简历,所以有时候需要主动出击觅食,面对各大主流招聘网站,您通常会花不少的时间去进行关键词提炼,然后进行搜索,如要招一个Java工程师就直接搜索Java,然后加上地点,学历等各种筛选条件,最后出来可能有上千页的简历,然后看看头几页,选几个看着合适的,就去联系了,这样会产生两个问题,首先,由于搜索的关键词比较简单,如java,c++等,导致每个HR搜索出来的结果都比较类似,甚至可能数十个HR都去联系同一个候选人,降低了联系的成功率, 其次,人力有限,只能够看几页或十几页的搜索结果,可能会错过一些更合适的候选人,毕竟您没有输入个性化招聘要求(例如您要求java工程师要懂hadoop, 要求产品经理会写sql)

    这时候,如果有一个系统,能够读懂您输入岗位名称和整段的岗位描述,并根据您的要求区别对待您家和别家的产品经理,快速搜索大量的简历,并给您返回最个性化匹配的结果,不亦乐乎?

  2. 如果您是猎头

    很可能您有自己的简历数据库,对于客户的招聘岗位,您花不少时间去提炼出最关键的技能关键词,然后进行简单的搜索,然后阅读大量的简历来决定去与谁联系,这样会和上面出现类似的问题,对于一般的搜索引擎,只能坚持少量的关键词搜索,对于搜索得到的简历量可能非常大(亲测搜索java会得到数万个结果),但并没有任何排序,因此您需要花费大量时间去阅读这些简历。

    这时候,如果有一个系统,能够针对您提供的招聘岗位,对您整个简历库进行匹配度分析,然后给您个性化初步推送匹配度较高的简历,然后结合您的专业眼光再对其进行筛选,岂不事半功倍?

 

二. 小析人岗匹配系统是什么?

根据多年人力资源经历,小析智能针对招聘行业筛选难,搜索难的痛点进行了总结,并设计了一个人岗匹配系统,能够对任何输入的岗位名称和岗位描述,使用了最前沿的自然语言理解技术,结合深度神经网络来对岗位描述进行语义理解,充分明白用户的招聘需求,然后对给定的简历库进行匹配度计算,并对简历按匹配度进行排序。

客观地说,当今的人工智能在对岗位的判断,技能的匹配上可能不差于人类,但无法进行一些太深层的推断,如某个求职者硬实力很强,但每份工作做的时间都不长,HR能够很容易感觉到猫腻,但机器无法进行此类推断,因此我们的系统目标并不是完全代替招聘人员的工作,而是帮助招聘人员更好的表达自己的需求,并对海量的简历进行匹配度计算,帮助用户迅速完成初筛(如从数万份简历筛选出最适合的100份),最后的决策部分仍然需要经验丰富的你们来进行。

 

三. 小析人岗匹配有什么特点?

  • 理解句意,而不是关键词匹配

    市面很多招聘网站对于简历搜索,更多的是搜索,而不是匹配。比如搜索大数据工程师,典型的搜索引擎会直接对大数据,或数据工程师进行字段匹配,这样就会错过了使用其他表达的候选人,如:

     

    图一

     

    但是小析做的并不是简单的关键词匹配,而是更深层次的语义分析,我们使用海量的岗位数据和招聘数据来训练我们的深度学习模型,教会机器理解您的真实意图,在小析人工匹配搜索大数据工程师会是图2的结果,排名前列的候选人并不是直接有大数据工程师的岗位名称的,而是我们的机器学习算法,读懂了Spark, Hadoop等技能就是大数据工程师日程的工作,所以他们也有很高的得分。同理,我们的模型也知道oracle sql和mysql可能是类似的东西,office软件 和 Excel 可能是类似的东西。因此能够更好地对您的不同表达进行理解。如:

     

    图二

     

  • 不依赖于岗位名称,更忠于您的描述

    搜索引擎大部分只会对简历每段经历的岗位名称进行匹配,经研究,由于各种原因( 例如有些公司所以技术人员都叫软件工程师,但工作技术范围大相径庭),超过30%的简历并没有写上正确的工作经历岗位名称导致简历沉没于箱底,了解到这点,我们的算法不会太过依赖于岗位名称,而是在意的是他的描述,来决定这段经历到底在说什么,举个例子,在小析人岗匹配系统搜索机器学习工程师,并加上机器视觉的工作描述,会得出如下图3结果,排在第三名的人选的岗位写的是运营部,但是由于工作描述写的是具体的机器视觉相关的工作,因此得到了很高的评分。如果是目前的搜索引擎,这样的优秀候选人可能会被直接忽略。如:

     

    图三

     

  • 多维度评价候选人

    比起传统搜索引擎,我们尝试模仿有经验招聘人员的思维,对候选人进行更好的排序,理解用户的潜台词,例如我们对每段工作经历的长度,对该候选人的职业路径都做了深入的分析,一段两年的工作当然要比一段3个月的工作有代表性,如果要招一个java软件开发,有一个候选人如果已经从java开发跳到另一个公司做CTO做了五年,即使他对java再精通也不应该推荐,再如对互联网公司,即使岗位描述没有写明,但很多HR多有大公司或海外工作经验的有偏好,我们也充分把各种”偏好“加入到模型当中,是我们的AI模型更好地落地,而不是空谈一些没人理解的“专业名词”。

  • 根据用户反馈,进一步优化模型

    对于算法和模型,并不是一成不变的,而是会通过用户的反馈来优化我们的模型,打个比方,如果用户输入某个岗位进行匹配,匹配的结果如有您有哪个非常喜欢或者不满意,可以像社交网站一样点赞或点踩,根据这些反馈,我们能够更好地明白到模型的不足,根据大量的反馈不断进行优化迭代,这部分功能目前我们的算法工程师仍在努力研发中,敬请期待。

 

真诚感谢您愿意花几分钟的时间阅读我们的产品介绍,感兴趣的话希望能够到我们人岗匹配的demo页面进行测试,有什么问题可以随时和我们联系,我们的产品如果能够帮忙减轻您的工作,是我们最大的荣幸!