博客
小析博客
招聘 AI 的技术、产品与行业洞察——来自小析数据科学团队的一线实践。
人才搜索向量搜索如何找到关键词之外的候选人
从 Sentence-BERT、DPR、ColBERT 与 SPLADE 出发，拆解人才搜索中的稠密召回、稀疏检索、混合排序和可解释证据。
阅读 →
行业洞察生成式 AI 进入招聘：哪些工作能做，哪些不能交给它
结合 GPT-4 技术报告、系统卡与 NIST AI RMF，区分招聘生成式 AI 的低风险辅助任务、高影响决策边界和上线评估方法。
阅读 →
简历解析NER 在简历解析系统中的应用及方法
命名实体识别（NER）能识别文本中的人名、机构名、职位名等实体。在简历解析中，NER 帮助提取姓名、工作经验、教育背景、公司与学校等关键信息，为分类与匹配做准备。
阅读 →
数据工程模型问题还是数据问题？招聘 AI 的数据质量工程
从 Data Cascades、Datasheets、ML Test Score 与技术债研究出发，建立招聘 AI 的数据合同、质量门、切片监控和问题追溯体系。
阅读 →
人岗匹配人岗匹配为什么需要解释，而不只是一个分数
比较特征贡献、原文证据和反事实解释，说明招聘匹配解释应该服务于核验、纠错与责任，而不是给黑盒分数加一段漂亮文案。
阅读 →
人岗匹配利用图嵌入提升人岗匹配的效果
为提升人岗匹配与知识图谱产品的效果，我们与时俱进地将图嵌入（Graph Embedding）应用到模型中，不断迭代完善效能。
阅读 →
文档智能不先做 OCR，也能理解文档吗？OCR-free 路线解析
从 Donut、TrOCR、TILT 与 LayoutLMv3 出发，比较 OCR 管线和 OCR-free 文档理解的能力边界，以及简历解析该如何选择与评估。
阅读 →
AI 治理《个人信息保护法》实施后，简历数据应该怎样处理
围绕目的限定、最小必要、告知同意、敏感个人信息、自动化决策与删除链路，给出招聘系统处理简历数据的工程检查框架。
阅读 →
知识图谱招聘知识图谱不是画关系图：实体、关系与质量约束
以 RDF、SKOS、SHACL 与 PROV 为基础，说明岗位、技能和经历如何建模成可治理的招聘知识图谱，而不是一张好看的节点网络图。
阅读 →