史舒揚(yáng)，張智鵬，郭 龍，邵鎣俠，崔 斌

1.北京大學(xué) 信息科學(xué)技術(shù)學(xué)院 高可信軟件技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，北京 100871

2.北京大學(xué) 深圳研究生院，廣東 深圳 518055

1 引言

在信息時(shí)代的背景下，大量招聘與求職的工作被放在互聯(lián)網(wǎng)上進(jìn)行，各種各樣的在線招聘平臺(tái)相繼出現(xiàn)，如58招聘、智聯(lián)招聘、拉勾網(wǎng)等。

在以58招聘為例的求職招聘網(wǎng)站上，每天有大量的簡(jiǎn)歷被求職者更新后展示在個(gè)人資料里或者投遞到對(duì)應(yīng)職位上，也有大量的職位被各招聘單位放出。通過(guò)數(shù)據(jù)統(tǒng)計(jì)發(fā)現(xiàn)，在2016年9月10日開(kāi)始的一個(gè)月間，就一共添加了超過(guò)165萬(wàn)份新簡(jiǎn)歷，放出了超過(guò)280萬(wàn)個(gè)職位，這樣的數(shù)據(jù)量暗示著平臺(tái)的重要性與潛力。在線招聘平臺(tái)中招聘者和求職者有兩種互動(dòng)模式：其一是求職者瀏覽公開(kāi)招聘的職位，選擇合適的職位投遞簡(jiǎn)歷，然后等待招聘者聯(lián)系并安排面試；其二是招聘平臺(tái)向招聘者推送可能適合于該單位的簡(jiǎn)歷，然后招聘者從中下載相應(yīng)求職者的具體聯(lián)系信息。從平臺(tái)的角度出發(fā)，這里主要關(guān)注后者，即求職者的簡(jiǎn)歷被推送給招聘者這一方式。

在這個(gè)方式中，盡管招聘平臺(tái)提供了將求職者推送給招聘者的途徑，但是也存在著一定的問(wèn)題。因?yàn)榍舐氄哒业焦ぷ髦笸ǔ２粫?huì)告知平臺(tái)，可能只是不再登錄平臺(tái)進(jìn)行瀏覽、點(diǎn)擊、投遞等，所以平臺(tái)并不知道他已經(jīng)不需要繼續(xù)求職，會(huì)繼續(xù)推送該求職者的簡(jiǎn)歷。但是由于該求職者其實(shí)已經(jīng)有了滿意的工作，此時(shí)推送的簡(jiǎn)歷就成為了“無(wú)效”簡(jiǎn)歷，即使被下載，也不會(huì)再達(dá)成新的勞動(dòng)協(xié)議。這樣的情況，一方面降低了求職者和招聘者雙方的用戶體驗(yàn)，另一方面降低了推送簡(jiǎn)歷的價(jià)值，也造成了平臺(tái)的資源浪費(fèi)。如圖1所示，在2016年的一個(gè)月中，除去僅活躍一天的用戶以后，有點(diǎn)擊、投遞行為不超過(guò)9天的用戶占了97%，并且活躍只有兩三天的用戶超過(guò)70%，這意味著大部分求職者的活躍時(shí)間都很短暫，他們?cè)谇舐毘晒σ院蟛辉倩钴S，繼續(xù)推送他們的簡(jiǎn)歷將造成平臺(tái)資源的浪費(fèi)和用戶體驗(yàn)的損失。因此對(duì)簡(jiǎn)歷活躍與否的甄別是有意義的，針對(duì)活躍簡(jiǎn)歷重點(diǎn)推送能夠很大程度上提升推送效果。

在現(xiàn)實(shí)中，求職者是否找到工作的真實(shí)情況是難以推測(cè)的，因?yàn)橛脩粽业焦ぷ髦笸ǔ２粫?huì)告知平臺(tái)。盡管如此，顯而易見(jiàn)的是，持續(xù)活躍的用戶仍然有在平臺(tái)求職的意愿。基于這一觀點(diǎn)，本文重點(diǎn)關(guān)注那些近期內(nèi)活躍的求職者，用求職者在最近一段時(shí)間內(nèi)點(diǎn)擊、瀏覽等行為定義簡(jiǎn)歷活躍度的概念，旨在通過(guò)預(yù)測(cè)簡(jiǎn)歷的活躍度，將未來(lái)近期內(nèi)可能會(huì)活躍的簡(jiǎn)歷篩選出來(lái)，在推送的時(shí)候賦予更高的優(yōu)先級(jí)和更好的展示機(jī)會(huì)，提高平臺(tái)簡(jiǎn)歷推薦的效果，提升用戶體驗(yàn)，減少平臺(tái)的資源浪費(fèi)。

Fig.1 Ratio of users that click or deliver on different numbers of days圖1 不同天數(shù)發(fā)生過(guò)點(diǎn)擊或者投遞的用戶所占比例

現(xiàn)有的活躍度預(yù)測(cè)方案，大多是基于在線社交網(wǎng)絡(luò)的方案，文獻(xiàn)[1]采用生存時(shí)間預(yù)測(cè)場(chǎng)景下的Cox比例風(fēng)險(xiǎn)統(tǒng)計(jì)模型，在招聘場(chǎng)景下由于“生存時(shí)間”相對(duì)較短而難以保證其適用性，同時(shí)也會(huì)浪費(fèi)場(chǎng)景信息資源。文獻(xiàn)[2]從社交網(wǎng)絡(luò)內(nèi)外兩方面進(jìn)行考慮，也有工作從社交網(wǎng)絡(luò)本身的特性出發(fā)，根據(jù)用戶行為的多樣性、動(dòng)態(tài)性、社交影響等特點(diǎn)，基于現(xiàn)有模型提出了更具有適應(yīng)性的預(yù)測(cè)模型[3-4]。這些模型適應(yīng)了社交網(wǎng)絡(luò)的特點(diǎn)，但是由于招聘場(chǎng)景與其的諸多不同，并不能很好地移植。例如在招聘場(chǎng)景下，用戶的個(gè)體行為風(fēng)格難以刻畫，社交關(guān)系沒(méi)有定義，多樣性、社交影響就無(wú)從談起。

為了做好簡(jiǎn)歷的活躍度預(yù)測(cè)，本文對(duì)在線招聘的場(chǎng)景特點(diǎn)進(jìn)行了探索，總結(jié)了以下4個(gè)特性：首先，數(shù)據(jù)具有高度動(dòng)態(tài)性，每天有大量的求職者在平臺(tái)上傳并投遞簡(jiǎn)歷，也有大量的招聘職位被招聘者放出。其次，用戶黏度低，求職者往往在短至幾天的活躍之后就離開(kāi)平臺(tái)，在很長(zhǎng)時(shí)間內(nèi)不再有活躍行為。對(duì)用戶連續(xù)行為的分析表明，在線招聘場(chǎng)景下用戶往往不會(huì)表現(xiàn)出像社交網(wǎng)絡(luò)那樣長(zhǎng)久的粘性，而是在一段時(shí)間內(nèi)頻繁產(chǎn)生登錄、點(diǎn)擊等行為，之后就會(huì)很長(zhǎng)時(shí)間內(nèi)不再活躍。第三，由于招聘平臺(tái)的特殊性，其中的用戶分為求職者（簡(jiǎn)歷）一方和招聘者（職位）一方，前者可以點(diǎn)擊、瀏覽、投遞，而后者可以接受求職者投遞的簡(jiǎn)歷，也可以從招聘平臺(tái)購(gòu)買所需要的簡(jiǎn)歷，這樣的行為模式是達(dá)成雇傭關(guān)系的重要過(guò)程，也是數(shù)據(jù)中應(yīng)該被考慮的內(nèi)容。除此以外，招聘場(chǎng)景下活躍度預(yù)測(cè)的目標(biāo)也有一定的特殊性，即召回優(yōu)先（參見(jiàn)2.4節(jié)），因?yàn)榕c推送一份“無(wú)效”簡(jiǎn)歷（求職結(jié)束的求職者）帶來(lái)的資源浪費(fèi)相比，損失一份活躍簡(jiǎn)歷（仍在求職的求職者）會(huì)直接影響勞動(dòng)協(xié)議的達(dá)成，有更嚴(yán)重的后果，所以在預(yù)測(cè)過(guò)程中需要保留足夠多的有效簡(jiǎn)歷。

在適應(yīng)在線招聘場(chǎng)景數(shù)據(jù)特點(diǎn)的情況下，根據(jù)高度動(dòng)態(tài)性、用戶黏度低、雙向匹配以及召回優(yōu)先特點(diǎn)，本文結(jié)合隨機(jī)森林模型（random forest，RF）和邏輯回歸模型（logistic regression，LR），提出了簡(jiǎn)歷活躍度預(yù)測(cè)模型（resume activeness prediction，RAP），并提供了可供平臺(tái)選擇的篩選參數(shù)γ，用來(lái)調(diào)節(jié)召回率和準(zhǔn)確率的相對(duì)重要程度。

本文的主要貢獻(xiàn)如下：

（1）提出在線招聘平臺(tái)中的簡(jiǎn)歷活躍度預(yù)測(cè)問(wèn)題，并基于真實(shí)數(shù)據(jù)分析，總結(jié)了在線招聘場(chǎng)景下數(shù)據(jù)具有高度動(dòng)態(tài)性、用戶黏度低、雙向匹配等特點(diǎn)，明確了場(chǎng)景要求下預(yù)測(cè)問(wèn)題的召回優(yōu)先性。

（2）結(jié)合招聘場(chǎng)景下高度動(dòng)態(tài)性、用戶黏度低、雙向匹配的特點(diǎn)，采用樹(shù)模型和線性模型的混合模型，提出了簡(jiǎn)歷活躍度預(yù)測(cè)方法RAP，并通過(guò)篩選參數(shù)γ來(lái)調(diào)節(jié)兩類預(yù)測(cè)錯(cuò)誤的損失函數(shù)比，從而適應(yīng)在線招聘場(chǎng)景下召回優(yōu)先的需求。

（3）在58招聘的真實(shí)數(shù)據(jù)上的實(shí)驗(yàn)表明，RAP可以獲得0.817的AUC（area under curve）值，并且通過(guò)篩選參數(shù)γ能夠有效地實(shí)現(xiàn)召回優(yōu)先這個(gè)需求。

本文組織結(jié)構(gòu)如下：第2章給出在線招聘場(chǎng)景下簡(jiǎn)歷活躍度預(yù)測(cè)的問(wèn)題定義；第3章總結(jié)在線招聘場(chǎng)景的特點(diǎn)；第4章根據(jù)總結(jié)的特點(diǎn)提出預(yù)測(cè)方法RAP；第5章在58招聘的真實(shí)數(shù)據(jù)上進(jìn)行實(shí)驗(yàn)，證明RAP方法的有效性；第6章介紹目前已有的相關(guān)工作和研究；最后對(duì)本文結(jié)果進(jìn)行總結(jié)。

2 問(wèn)題定義

本章首先定義簡(jiǎn)歷活躍度的概念，在此基礎(chǔ)上，給出簡(jiǎn)歷活躍度預(yù)測(cè)問(wèn)題的定義，作為進(jìn)一步研究簡(jiǎn)歷活躍度預(yù)測(cè)問(wèn)題的基礎(chǔ)。

定義1（簡(jiǎn)歷活躍度）若簡(jiǎn)歷r在第t天被投遞了Dtr次，其用戶在該天一共點(diǎn)擊了Ctr次招聘職位，則r在這一天的活躍情況為(Crt,Dtr)。為了方便進(jìn)行比較等運(yùn)算，簡(jiǎn)歷r在第t天的活躍度Atr定義為：

其中，θc、θd是兩個(gè)閾值參數(shù)。進(jìn)一步地，簡(jiǎn)歷r在第t天時(shí)，將未來(lái)一段時(shí)間（δ天）內(nèi)的活躍度定義為：

即，如果簡(jiǎn)歷r在未來(lái)δ天內(nèi)至少有一天活躍，那么它在未來(lái)δ天內(nèi)就被認(rèn)為是活躍的。

在此基礎(chǔ)上，將簡(jiǎn)歷活躍度預(yù)測(cè)問(wèn)題定義為一個(gè)傳統(tǒng)的分類問(wèn)題。

定義2（簡(jiǎn)歷活躍度預(yù)測(cè)）給定簡(jiǎn)歷集合R和每個(gè)簡(jiǎn)歷的特征信息，給定未來(lái)區(qū)間δ，對(duì)其中的每一份簡(jiǎn)歷r∈R，簡(jiǎn)歷活躍度預(yù)測(cè)問(wèn)題就是利用特征信息預(yù)測(cè)簡(jiǎn)歷r在第t天時(shí)未來(lái)δ天的活躍度∈{0,1}，記預(yù)測(cè)值為∈{0,1}，其中1代表活躍，0代表不活躍。

3 在線招聘場(chǎng)景特點(diǎn)

為了更好地了解在線招聘場(chǎng)景，更有針對(duì)性地設(shè)計(jì)模型來(lái)解決簡(jiǎn)歷活躍度預(yù)測(cè)的問(wèn)題，本章分析在線招聘場(chǎng)景的主要特點(diǎn)。通過(guò)對(duì)58招聘平臺(tái)的數(shù)據(jù)分析與探究，對(duì)比社交網(wǎng)絡(luò)等其他在線網(wǎng)絡(luò)平臺(tái)，本文總結(jié)了數(shù)據(jù)與用戶行為的特性，包括高度動(dòng)態(tài)性、用戶黏度低、雙向匹配等特點(diǎn)。同時(shí)，從場(chǎng)景動(dòng)機(jī)出發(fā)，在線招聘對(duì)簡(jiǎn)歷活躍度的預(yù)測(cè)也有召回優(yōu)先的要求。

3.1 高度動(dòng)態(tài)性

在招聘平臺(tái)上，每天有大量的求職者在平臺(tái)上傳并投遞簡(jiǎn)歷，也有大量的招聘職位被招聘者放出。如圖2所示，對(duì)58招聘平臺(tái)的數(shù)據(jù)統(tǒng)計(jì)表明，每天大約產(chǎn)生數(shù)萬(wàn)的新簡(jiǎn)歷和超過(guò)十萬(wàn)的新職位。這樣的數(shù)據(jù)量展示了招聘場(chǎng)景數(shù)據(jù)的高度動(dòng)態(tài)性，新用戶、新簡(jiǎn)歷、新職位的產(chǎn)生速度非常快，信息快速更迭。在活躍度預(yù)測(cè)問(wèn)題中，高度動(dòng)態(tài)性表示人們不僅需要處理大量的數(shù)據(jù)，還需要應(yīng)對(duì)大量新簡(jiǎn)歷的情況。

Fig.2 Number of new resumes and positions published every day on 58 Recruitment Website in Sep,2016圖2 58招聘每天添加的新簡(jiǎn)歷、新職位數(shù)目（2016年9月）

3.2 用戶黏度低

求職者在求職期間會(huì)經(jīng)常登錄求職網(wǎng)站，瀏覽各種職位，并投遞一些職位，而一旦找到了滿意的工作，就不會(huì)繼續(xù)登錄網(wǎng)站產(chǎn)生上述行為。從而招聘平臺(tái)往往有較低的用戶黏度，尤其是與社交網(wǎng)絡(luò)用戶的強(qiáng)黏度相比。在這樣的情況下，數(shù)據(jù)具有強(qiáng)時(shí)效性，判斷用戶的行為可能需要從近期的活躍度和行為情況入手，久遠(yuǎn)的信息可能只涉及完全不相關(guān)的工作狀態(tài)。

本文從58招聘平臺(tái)的真實(shí)數(shù)據(jù)中找到了相應(yīng)的依據(jù)。如圖1所示，根據(jù)用戶在一個(gè)月內(nèi)產(chǎn)生點(diǎn)擊或者投遞行為的天數(shù)分類統(tǒng)計(jì)，產(chǎn)生過(guò)點(diǎn)擊或者投遞行為的用戶中，3天以下的占71.2%，5天以下的占87.9%，大于9天的只占2.7%，因此單個(gè)用戶的行為數(shù)據(jù)量是非常有限的，經(jīng)常活躍幾天以后就不再產(chǎn)生用戶行為。除了宏觀統(tǒng)計(jì)之外，將這段時(shí)間內(nèi)有活躍行為的用戶取樣，對(duì)他們的活躍行為次數(shù)按照日期的分布繪制了統(tǒng)計(jì)圖。在圖3的個(gè)案分析中，可以看到，比較典型的用戶，例如用戶B，在一段比較短的時(shí)間內(nèi)（8天）活躍，在接下來(lái)的一段時(shí)間內(nèi)不再登錄平臺(tái)產(chǎn)生行為；用戶A在兩個(gè)活躍峰值之間有約一周的間隔，但是之后也不再繼續(xù)活躍，行為集中；用戶C活躍的日期范圍相對(duì)分散，橫跨18天，但只活躍了6天。在對(duì)數(shù)據(jù)的觀察中發(fā)現(xiàn)這3類用戶都存在，其中與用戶A、B類似的用戶尤其廣泛，大部分用戶都在一個(gè)比較短暫的區(qū)間內(nèi)產(chǎn)生活躍行為。因此，用戶黏度低，數(shù)據(jù)的時(shí)效性非常強(qiáng)，采用近段時(shí)間的數(shù)據(jù)進(jìn)行預(yù)測(cè)是非常合理的選擇。

Fig.3 Statistics of user activities of several sample users in a month on 58 Recruitment website圖3 一個(gè)月內(nèi)58招聘用戶活躍次數(shù)按天統(tǒng)計(jì)示例

3.3 雙向匹配

在現(xiàn)實(shí)職業(yè)場(chǎng)景的招聘會(huì)中，有招聘者和求職者雙方的參與，線上招聘平臺(tái)也是如此，雙方都有對(duì)應(yīng)的活動(dòng)，分別發(fā)布簡(jiǎn)歷和職位，然后求職者可以瀏覽職位，投遞簡(jiǎn)歷，而招聘者可以購(gòu)買或下載簡(jiǎn)歷。由于這是招聘場(chǎng)景的本質(zhì)特征，這樣的雙向互動(dòng)在所有線上招聘平臺(tái)中都是存在且類似的。

在簡(jiǎn)歷活躍度預(yù)測(cè)的問(wèn)題中，很重要的內(nèi)容是求職者能否通過(guò)平臺(tái)找到工作，而能達(dá)到這一點(diǎn)的最主要的就是簡(jiǎn)歷和職位在瀏覽、投遞、購(gòu)買等場(chǎng)景的交互中能否匹配得當(dāng)。簡(jiǎn)單來(lái)說(shuō)，求職者認(rèn)為匹配得當(dāng)就會(huì)投遞簡(jiǎn)歷，而招聘者覺(jué)得匹配得當(dāng)就會(huì)購(gòu)買簡(jiǎn)歷或者約求職者面試。因此，盡管沒(méi)有顯式的公式進(jìn)行衡量，這種雙向匹配的活動(dòng)是人們?cè)谂袛嗟臅r(shí)候需要關(guān)注的重要內(nèi)容。

3.4 活躍度預(yù)測(cè)的召回優(yōu)先

在線招聘場(chǎng)景下簡(jiǎn)歷活躍度預(yù)測(cè)問(wèn)題，是為了挑選出活躍簡(jiǎn)歷進(jìn)行重點(diǎn)推送，因此準(zhǔn)確率和召回率[5]的重要性有明顯的差異。當(dāng)一份不會(huì)再活躍的簡(jiǎn)歷被當(dāng)作活躍簡(jiǎn)歷重點(diǎn)推送時(shí)，最壞的結(jié)果是浪費(fèi)少量的平臺(tái)資源，降低一些求職者和招聘者的用戶體驗(yàn)；但是另一方面，如果一份活躍簡(jiǎn)歷被當(dāng)作不會(huì)再活躍的簡(jiǎn)歷，基本不被推送，則可能會(huì)導(dǎo)致一個(gè)正在求職的用戶無(wú)法獲得對(duì)應(yīng)的招聘，妨礙勞動(dòng)協(xié)議的達(dá)成，直接影響平臺(tái)核心功能，進(jìn)而影響招聘平臺(tái)對(duì)就業(yè)市場(chǎng)的貢獻(xiàn)。兩相比較，召回率比準(zhǔn)確率在此場(chǎng)景下更為重要一些，即活躍度預(yù)測(cè)具有召回優(yōu)先的特性，預(yù)測(cè)方法也需要與這樣的指標(biāo)相適應(yīng)。同時(shí)，召回率相對(duì)準(zhǔn)確率優(yōu)先的程度需要根據(jù)具體平臺(tái)的實(shí)際情況和需求來(lái)調(diào)節(jié)，理想的預(yù)測(cè)方法應(yīng)該能滿足這一要求。

3.5 小結(jié)

根據(jù)以上分析，在線招聘場(chǎng)景具有高度動(dòng)態(tài)性、用戶黏度低、雙向匹配、召回優(yōu)先等特點(diǎn)，根據(jù)這些特點(diǎn)，在預(yù)測(cè)簡(jiǎn)歷活躍度中，本文選取兩方面的特征：近期歷史活躍信息（對(duì)應(yīng)高度動(dòng)態(tài)性、低用戶黏度）和雙向匹配信息（對(duì)應(yīng)雙向匹配特點(diǎn)），而召回優(yōu)先的需求將從模型的角度控制。具體的特征參見(jiàn)5.2節(jié)。

4 活躍度預(yù)測(cè)方法RAP

根據(jù)第2章總結(jié)的在線招聘的場(chǎng)景特點(diǎn)，即高度動(dòng)態(tài)性、用戶黏度低、雙向匹配和召回優(yōu)先，本章提出對(duì)應(yīng)的簡(jiǎn)歷活躍度預(yù)測(cè)方法RAP。

如圖4所示，RAP模型的執(zhí)行流程分為特征轉(zhuǎn)換和模型訓(xùn)練兩部分。第一部分是特征轉(zhuǎn)換部分，RAP通過(guò)樹(shù)模型將數(shù)據(jù)特征中的近期歷史活躍信息部分轉(zhuǎn)化為新的向量特征；第二部分用轉(zhuǎn)換后的特征和雙向匹配特征拼接，然后訓(xùn)練模型RAP。

接下來(lái)具體介紹模型的兩部分，即如何對(duì)隨機(jī)森林特征進(jìn)行轉(zhuǎn)化，以及如何定義RAP模型。

4.1 特征轉(zhuǎn)換

通過(guò)樹(shù)模型對(duì)特征進(jìn)行一定的選擇和過(guò)濾，能夠選取一些比較重要的特征，使得模型具有一定程度的可解釋性。在線招聘場(chǎng)景中，同樣要求用于活躍度預(yù)測(cè)模型的特征具有一定的可解釋性，因?yàn)檫@樣有利于用戶和平臺(tái)結(jié)合自己的策略進(jìn)行特征的調(diào)控[6]。因此，本文采用能適應(yīng)較大數(shù)據(jù)量的樹(shù)模型隨機(jī)森林對(duì)近期歷史活躍信息進(jìn)行特征的轉(zhuǎn)換。

Fig.4 Aschematic diagram of RAP model圖4 RAP模型的結(jié)構(gòu)示意圖

利用隨機(jī)森林進(jìn)行特征轉(zhuǎn)換[6]指的是：對(duì)輸入的特征（近期歷史活躍信息），通過(guò)隨機(jī)森林模型進(jìn)行分類訓(xùn)練，然后將現(xiàn)有特征轉(zhuǎn)化為只包含0、1的新特征z()=，具體的流程如算法1所示。在用隨機(jī)森林訓(xùn)練得到樹(shù)模型之后，新特征的維數(shù)就是所有樹(shù)的葉子結(jié)點(diǎn)個(gè)數(shù)（第2～3行），而對(duì)于特征，其在z()中第k維的值由在樹(shù)模型上分類的結(jié)果決定，第k維為1當(dāng)且僅當(dāng)分類后落在第k個(gè)葉子結(jié)點(diǎn)上。計(jì)算的時(shí)候，遍歷森林中的所有樹(shù)（第4～15行），找到特征對(duì)應(yīng)的葉子結(jié)點(diǎn)（第5～12行），并標(biāo)記新特征的對(duì)應(yīng)值（第13～14行）。例如，圖5中的經(jīng)過(guò)樹(shù)模型之后，假設(shè)分類經(jīng)過(guò)的結(jié)點(diǎn)為圖中的畫“X”結(jié)點(diǎn)，并且一共有兩棵樹(shù)，5個(gè)葉子結(jié)點(diǎn)，那么得到的新特征為=(0,0,1,1,0)T。

算法1特征轉(zhuǎn)換

輸入：訓(xùn)練得到的樹(shù)模型trees，輸入的特征向量x。

輸出：轉(zhuǎn)換后的特征z。

1.leaves←包含trees中所有葉結(jié)點(diǎn)的數(shù)組；

2.z←長(zhǎng)度與leaves相同且全為0的數(shù)組；

3.forT∈treesdo

4.node←T.root；

5.while notnode.isLeafdo

6. ifx屬于node的左子樹(shù)then

7.node←node.leftChild

8. else

9.node←node.rightChild

10. end

11.end

12.找到k使得leaves[k]=node

13.z[k]←1

14.end

15.returnz

式中，y、a、b和x分別代表變量的回歸結(jié)果，時(shí)間趨勢(shì)、截距以及年份。通常地，當(dāng)a>0時(shí)，表明變量y呈增加的趨勢(shì)，反之則呈減少的趨勢(shì)。

Fig.5 An example of feature conversion圖5 特征轉(zhuǎn)換樣例

4.2 模型定義

如第1章所述，將活躍度預(yù)測(cè)問(wèn)題形式化為一個(gè)二分類問(wèn)題。這里基于邏輯回歸模型提出RAP模型。RAP定義了全新的損失函數(shù)，能夠很好地適應(yīng)在線招聘場(chǎng)景中召回優(yōu)先的需求。本文以邏輯回歸（LR）為基本模型的原因是：LR的輸出結(jié)果表征求職者是否活躍的概率，而不是簡(jiǎn)單的0、1類別。在在線招聘場(chǎng)景中，以概率作為輸出值是很重要的，因?yàn)槠脚_(tái)可以根據(jù)各個(gè)簡(jiǎn)歷的活躍情況進(jìn)行排序，進(jìn)而獲得相對(duì)活躍的簡(jiǎn)歷。接下來(lái)，介紹活躍度預(yù)測(cè)模型RAP。

定義3（RAP預(yù)測(cè)模型）假設(shè)需要在第t天預(yù)測(cè)簡(jiǎn)歷r在未來(lái)δ天內(nèi)是否活躍，用表示數(shù)據(jù)特征，表示預(yù)測(cè)值，則預(yù)測(cè)值為：

其中，σ為sigmoid函數(shù)；ω為需要學(xué)習(xí)得到的回歸系數(shù)。

對(duì)于每一天、每一份簡(jiǎn)歷，最小化它們預(yù)測(cè)值和真實(shí)值之間的誤差，因此優(yōu)化目標(biāo)J定義為：

其中，γ0是正則化項(xiàng)||ω||22的參數(shù)；T是訓(xùn)練數(shù)據(jù)的天數(shù)是損失函數(shù)。損失函數(shù)定義為：

其中，γ∈[0,1]為篩選參數(shù)。這個(gè)預(yù)測(cè)模型記為RAP模型。通過(guò)簡(jiǎn)單的求導(dǎo)可知，該模型的損失函數(shù)是凸函數(shù)，因此能夠使用梯度下降函數(shù)求解參數(shù)并獲得全局最優(yōu)解。

下面證明RAP中召回率和準(zhǔn)確率的相對(duì)重要程度由篩選參數(shù)γ決定?？紤]分類過(guò)程中出現(xiàn)的兩類錯(cuò)誤，F(xiàn)P（false positive，預(yù)測(cè)值為1而實(shí)際值為0）與FN（false negative，預(yù)測(cè)值為0而實(shí)際值為1），要判斷召回率和準(zhǔn)確率的相對(duì)重要程度，只需判斷兩者對(duì)損失函數(shù)的貢獻(xiàn)的比值即可。

命題1如果分別記FP、FN兩類錯(cuò)誤對(duì)目標(biāo)函數(shù)J的貢獻(xiàn)（即損失）為L(zhǎng)(FP)和L(FN)，則兩者之比為1-γ。

證明直接計(jì)算：

可以看到，篩選參數(shù)γ的實(shí)際意義就是兩類錯(cuò)誤對(duì)損失函數(shù)的貢獻(xiàn)相差的百分比。因此，RAP可以方便簡(jiǎn)單地通過(guò)控制參數(shù)γ達(dá)到召回優(yōu)先的需求。

5 實(shí)驗(yàn)

本章通過(guò)58招聘平臺(tái)的真實(shí)數(shù)據(jù)，分別探究、展示近期歷史活躍信息、雙向匹配信息在簡(jiǎn)歷活躍度預(yù)測(cè)問(wèn)題中的利用情況，最后結(jié)合這兩類特征，證明RAP模型在在線招聘場(chǎng)景中預(yù)測(cè)簡(jiǎn)歷活躍度的有效性。

5.1 實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)運(yùn)行在一個(gè)包含7臺(tái)機(jī)器的Spark 1.6.1集群上，每個(gè)機(jī)器配有兩個(gè)AMD Opteron 4180處理器，40 GB內(nèi)存。實(shí)驗(yàn)代碼均使用Scala語(yǔ)言編寫。本文采用的數(shù)據(jù)來(lái)自58招聘平臺(tái)（2016年9月10日至2016年10月10日），包括用戶、簡(jiǎn)歷、職位、企業(yè)等項(xiàng)目的基本信息，以及他們的行為數(shù)據(jù)，數(shù)據(jù)的特點(diǎn)參見(jiàn)表1。在實(shí)驗(yàn)中，不失一般性，采用前26天的數(shù)據(jù)作為訓(xùn)練集，后5天的數(shù)據(jù)作為測(cè)試集（其中簡(jiǎn)歷用戶都是近期L天內(nèi)有過(guò)點(diǎn)擊或者投遞行為的）。

Table 1 Basic characteristics of 58 Recruitment data表1 58招聘數(shù)據(jù)的基本特點(diǎn)

相關(guān)社交網(wǎng)絡(luò)的活躍度模型[1-4]大多從社交網(wǎng)絡(luò)本身的特性出發(fā)，根據(jù)用戶行為的多樣性、動(dòng)態(tài)性、社交影響等特點(diǎn)預(yù)測(cè)，但是由于招聘場(chǎng)景與其的諸多不同，例如在招聘場(chǎng)景下，用戶的個(gè)體行為風(fēng)格難以刻畫，社交關(guān)系沒(méi)有定義等，已有的活躍度預(yù)測(cè)方法難以移植。因此，本文只展示RAP模型在實(shí)驗(yàn)數(shù)據(jù)中的有效性。

對(duì)于RAP模型效果的衡量指標(biāo)，本文采用分類模型中通常使用的AUC（area under curve）、準(zhǔn)確率（Precision）和召回率（Recall）。其中AUC是在ROC曲線下的面積[7]，用來(lái)衡量正樣本預(yù)測(cè)結(jié)果比負(fù)樣本高的概率，而Precision和Recall的定義參見(jiàn)文獻(xiàn)[5]。

本文實(shí)驗(yàn)中所提及的AUC、Precision、Recall是測(cè)試集中每天結(jié)果的平均值。

5.2 特征選擇

根據(jù)第2章分析的在線招聘場(chǎng)景的特點(diǎn)，抽取近期歷史活躍信息和雙向匹配信息兩方面的特征。

首先，根據(jù)在線招聘場(chǎng)景數(shù)據(jù)的高度動(dòng)態(tài)性和用戶黏度低兩個(gè)特點(diǎn)，抽取用戶最近L天的近期歷史活躍信息作為一部分特征。例如L=5時(shí)，用戶A在最近L天的活躍情況為（點(diǎn)擊5次投遞3次，點(diǎn)擊2次投遞1次，不點(diǎn)擊也不投遞，點(diǎn)擊6次，不點(diǎn)擊也不投遞），那么對(duì)應(yīng)的向量為(5,3,2,1,0,0,6,0,0,0)T。

其次，根據(jù)雙向匹配特性，分別抽取簡(jiǎn)歷和職位兩方面的信息以及二者的雙向匹配信息，比如求職者用戶點(diǎn)擊/瀏覽職位，招聘者用戶下載簡(jiǎn)歷等行為。表2詳細(xì)列出了這些信息的具體內(nèi)容。

Table 2 Features extracted from 58 Recruitment data表2 58招聘數(shù)據(jù)中提取的特征具體內(nèi)容

5.3 基本參數(shù)設(shè)置

本節(jié)考慮實(shí)驗(yàn)中用到的基本參數(shù)。

在歷史活躍信息中，本文取L=5天的近期歷史活躍信息來(lái)刻畫高度動(dòng)態(tài)性和用戶粘度低等特點(diǎn)。因?yàn)楦鶕?jù)對(duì)場(chǎng)景數(shù)據(jù)的統(tǒng)計(jì)分析，近90%的用戶活躍天數(shù)不超過(guò)5天，所以5天的歷史活躍情況能對(duì)用戶近期活躍做一個(gè)表征。考慮簡(jiǎn)歷活躍的行為定義，由“活躍”的含義（參見(jiàn)第1章）可知，用戶的投遞行為可以明確表示其求職的意愿，而點(diǎn)擊行為在達(dá)到一定數(shù)量之后也能體現(xiàn)出足夠的求職意愿。不失一般性，實(shí)驗(yàn)中活躍度參數(shù)取θc=3,θd=1。

接下來(lái)確定RAP模型中的基本參數(shù)，包括模型訓(xùn)練的迭代輪數(shù)和特征轉(zhuǎn)換的隨機(jī)森林中樹(shù)的個(gè)數(shù)、深度等。通過(guò)對(duì)RAP的預(yù)實(shí)驗(yàn)來(lái)確定使用的迭代輪數(shù)。圖6展示了模型訓(xùn)練中SGD的迭代輪數(shù)與AUC之間的關(guān)系曲線，可以看到在8～10輪后AUC基本不變，因此在后續(xù)實(shí)驗(yàn)中選取迭代輪數(shù)為10輪。

Fig.6 Relation betweenAUC and the number of SGD iterations when training RAP圖6RAP模型訓(xùn)練中AUC值與SGD迭代輪數(shù)的關(guān)系

與之類似，用隨機(jī)森林模型進(jìn)行預(yù)實(shí)驗(yàn)，根據(jù)對(duì)AUC的影響，確定后續(xù)實(shí)驗(yàn)中使用的隨機(jī)森林的參數(shù)，具體為50棵樹(shù)，最大深度10層。

5.4 特征有效性評(píng)估

本節(jié)通過(guò)不同的基本模型考察近期歷史活躍信息和雙向匹配信息在簡(jiǎn)歷活躍度預(yù)測(cè)問(wèn)題中的不同作用?；灸Ｐ桶ㄟ壿嫽貧w模型（LR）、隨機(jī)森林模型（RF）和支持向量機(jī)（SVM）。

5.4.1 近期歷史活躍信息特征

針對(duì)高度動(dòng)態(tài)性、用戶黏度低的場(chǎng)景特點(diǎn)，即在只有近期歷史活躍信息的情況下，通過(guò)實(shí)驗(yàn)考察三種基本模型對(duì)信息的利用情況，探究數(shù)據(jù)和模型的特點(diǎn)，實(shí)驗(yàn)結(jié)果如表3所示。從表中可以觀察到，三者的AUC值并不高，RF相對(duì)略高一些，因?yàn)槿吣Ｐ?、特征都比較簡(jiǎn)單，無(wú)法很好地刻畫活躍簡(jiǎn)歷的特點(diǎn)，但是樹(shù)模型RF在準(zhǔn)確度上達(dá)到了0.95的水平，遠(yuǎn)遠(yuǎn)高于前兩者的準(zhǔn)確率和召回率，可能是通過(guò)對(duì)非線性特征的過(guò)濾直接地篩選出了典型的活躍簡(jiǎn)歷。因此，在RAP模型執(zhí)行流程的設(shè)計(jì)中，也希望通過(guò)樹(shù)模型對(duì)歷史信息進(jìn)行處理。

Table 3 Accuracy of models using history activeness information表3 不同模型使用近期歷史活躍信息的預(yù)測(cè)精度

5.4.2 雙向匹配信息特征

Table 4 Accuracy of models using bidirectional matching information表4 不同模型使用雙向匹配信息的預(yù)測(cè)精度

5.5 RAP模型評(píng)估

本節(jié)考察RAP模型預(yù)測(cè)簡(jiǎn)歷活躍度的效果。通過(guò)分析篩選參數(shù)γ對(duì)準(zhǔn)確率、召回率、AUC等指標(biāo)的影響，考察它的作用與靈敏性，然后通過(guò)與基線模型的比較證明RAP模型的有效性。

5.5.1 篩選參數(shù)γ

篩選參數(shù)γ的選取，依賴平臺(tái)對(duì)問(wèn)題目標(biāo)的要求，可能與平臺(tái)的運(yùn)營(yíng)目標(biāo)、用戶規(guī)模、質(zhì)量要求等相關(guān)，平臺(tái)也可以通過(guò)選取不同的γ提供不同質(zhì)量層次的簡(jiǎn)歷給招聘者。根據(jù)3.2節(jié)的理論分析可知，參數(shù)γ可以控制準(zhǔn)確率和召回率的相對(duì)重要程度。因此，這里用實(shí)驗(yàn)來(lái)衡量參數(shù)γ對(duì)預(yù)測(cè)結(jié)果指標(biāo)的影響。

從圖7中可以看到，當(dāng)篩選參數(shù)γ從零開(kāi)始逐漸增加時(shí)，AUC基本不變，模型保持了對(duì)正負(fù)樣本的區(qū)分能力，有效性得到了保持。而準(zhǔn)確率和召回率隨γ的改變往不同方向改變，召回率逐漸上升，準(zhǔn)確率逐漸下降，達(dá)到篩選參數(shù)的調(diào)節(jié)作用。從圖7來(lái)看γ在0.1至0.2左右時(shí)有一個(gè)比較不錯(cuò)的結(jié)果。

Fig.7 Influence of parameterγon prediction accuracy圖7 參數(shù)γ對(duì)預(yù)測(cè)精度的影響

5.5.2 總體實(shí)驗(yàn)效果分析

下面通過(guò)實(shí)驗(yàn)證明RAP模型在綜合利用近期歷史活躍信息、互動(dòng)匹配信息，解決預(yù)測(cè)問(wèn)題方面的有效性。這里選取的基線模型是4.4節(jié)表現(xiàn)較好的兩個(gè)模型，分別是使用互動(dòng)匹配特征的邏輯回歸（LR），以及使用近期歷史活躍信息特征的隨機(jī)森林（RF）。

如表5所示，RAP模型在AUC上達(dá)到了0.817，相比于兩個(gè)基線模型有明顯的優(yōu)勢(shì)，因?yàn)樗C合了這兩個(gè)模型對(duì)特征利用的優(yōu)勢(shì)，分別針對(duì)互動(dòng)匹配信息和近期歷史活躍信息，能更好地區(qū)分正負(fù)樣本；RAP的準(zhǔn)確率比LR高，但是比RF低，在一個(gè)可以接受的水平上，并隨著篩選參數(shù)γ的改變而變化，召回率也能通過(guò)參數(shù)進(jìn)行合理調(diào)節(jié)，滿足此處對(duì)預(yù)測(cè)模型的要求，比如隨著γ從0增長(zhǎng)到0.2，RAP的Precision在降低，Recall在升高。

Table 5 Accuracy of models on activeness prediction表5 不同模型在活躍度預(yù)測(cè)問(wèn)題上的精度

6 相關(guān)工作

本章回顧和分析兩方面的工作：一般場(chǎng)景下的用戶活躍度預(yù)測(cè)問(wèn)題和在線招聘場(chǎng)景相關(guān)的研究。

（1）關(guān)于用戶活躍度預(yù)測(cè)的研究。在用戶活躍度預(yù)測(cè)方面，社交網(wǎng)絡(luò)等平臺(tái)上有較多的研究。文獻(xiàn)[2]就用戶可能退出社交平臺(tái)的內(nèi)、外部?jī)煞矫嬉蛩剡M(jìn)行考慮，提出了社交網(wǎng)絡(luò)中用戶活躍的總體性預(yù)測(cè)方法。文獻(xiàn)[1]就免費(fèi)網(wǎng)絡(luò)服務(wù)的用戶，采用Cox比例風(fēng)險(xiǎn)模型來(lái)擬合預(yù)測(cè)活躍情況。文獻(xiàn)[4]就人人網(wǎng)實(shí)名社交平臺(tái)對(duì)社交網(wǎng)絡(luò)的用戶數(shù)據(jù)特性進(jìn)行了探索，根據(jù)多樣性、動(dòng)態(tài)性、社交影響這三方面的特點(diǎn)，提出了適應(yīng)社交網(wǎng)絡(luò)的活躍度預(yù)測(cè)方法。用戶活躍度預(yù)測(cè)還有進(jìn)一步的社會(huì)意義，文獻(xiàn)[3]根據(jù)社交網(wǎng)絡(luò)與肥胖癥傳遞的相關(guān)特性[8]，結(jié)合文獻(xiàn)[4]提出的社交網(wǎng)絡(luò)三種主要特征，提出了社交限制性玻爾茲曼機(jī)（social restricted Boltzmann machine，SRBM）的深度學(xué)習(xí)方法，以預(yù)測(cè)健康網(wǎng)絡(luò)中的用戶行為。這些利用了社交網(wǎng)絡(luò)特性的預(yù)測(cè)方法可以作為招聘場(chǎng)景的參考。另外，問(wèn)答論壇[9]、網(wǎng)絡(luò)游戲[10]、通訊行業(yè)[11-13]等場(chǎng)景中的用戶活躍預(yù)測(cè)研究也都利用了各自內(nèi)部用戶之間的黏性，這和用戶黏度低的招聘平臺(tái)大有不同。

（2）關(guān)于在線招聘場(chǎng)景的研究。隨著在線招聘的普及，關(guān)于在線招聘市場(chǎng)數(shù)據(jù)的研究也變得熱門。文獻(xiàn)[14]為了分析在線招聘市場(chǎng)中招聘的宏觀趨勢(shì)變化，提出了線性隱語(yǔ)義模型MTLVM（market trend latent variable model），該模型采用多級(jí)狄利克雷過(guò)程來(lái)捕獲宏觀過(guò)程中招聘主題的變化。文獻(xiàn)[15]研究如何在大量的招聘數(shù)據(jù)中有效地找到具有特定技能的人才。該研究通過(guò)構(gòu)建“職業(yè)變遷網(wǎng)絡(luò)”，然后在該網(wǎng)絡(luò)中進(jìn)行稠密子圖的發(fā)現(xiàn)，進(jìn)而將網(wǎng)絡(luò)劃分成聯(lián)通的“才能”網(wǎng)絡(luò)。

7 總結(jié)

本文提出了在線招聘場(chǎng)景下的簡(jiǎn)歷活躍度預(yù)測(cè)問(wèn)題，總結(jié)了該場(chǎng)景下的數(shù)據(jù)具有的高度動(dòng)態(tài)性、用戶黏度低、雙向匹配等特點(diǎn)，明確了預(yù)測(cè)目標(biāo)的召回優(yōu)先性，并在此基礎(chǔ)上，提出了一種既能適應(yīng)上述在線招聘場(chǎng)景特點(diǎn)，又能通過(guò)簡(jiǎn)單參數(shù)調(diào)節(jié)實(shí)現(xiàn)召回優(yōu)先需求的簡(jiǎn)歷活躍度預(yù)測(cè)方法RAP。通過(guò)真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)，RAP模型的有效性得到了證實(shí)。

[1]Kapoor K,Sun Mingxuan,Srivastava J,et al.A hazard based approach to user return time prediction[C]//Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,New York,Aug 24-27,2014.New York:ACM,2014:1719-1728.

[2]Zhu Yin,Zhong Erheng,Pan S J,et al.Predicting user activity level in social networks[C]//Proceedings of the 22nd ACM International Conference on Information and Knowledge Management,San Francisco,Oct 27-Nov 1,2013.New York:ACM,2013:159-168.

[3]Oentaryo R J,Lim E P,Lo D,et al.Collective churn prediction in social network[C]//Proceedings of the 2012 International Conference on Advances in Social Networks Analysis and Mining,Istanbul,Aug 26-29,2012.Washington:IEEE Computer Society,2012:210-214.

[4]Phan N H,Dou Dejing,Piniewski B,et al.Social restricted Boltzmann machine:human behavior prediction in health social networks[C]//Proceedings of the 2015 International Conference on Advances in Social Networks Analysis and Mining,Paris,Aug 25-28,2015.New York:ACM,2015:424-431.

[5]Baeza-Yates RA,Ribeiro-Neto B.Modern information retrieval[M].Boston:Addison-Wesley Longman Publishing Co,Inc,1999.

[6]He Xinran,Pan Junfeng,Jin Ou,et al.Practical lessons from predicting clicks on ads at Facebook[C]//Proceedings of the 8th International Workshop on Data Mining for Online Advertising,New York,Aug 24,2014.New York:ACM,2014:1-9.

[7]Friedman J H,Hastie T,Tibshirani R.The elements of statistical learning(Vol.1)[M].Berlin,Heidelberg:Springer,2001.

[8]Fichman R G,Kemerer C F.The illusory diffusion of innovation:an examination of assimilation gaps[J].Information Systems Research,1999,10(3):255-275.

[9]Yang Jiang,Wei Xiao,Ackerman M S,et al.Activity lifespan:an analysis of user survival patterns in online knowledge sharing communities[C]//Proceedings of the 4th International Conference on Weblogs and Social Media,Washington,May 23-26,2010.Menlo Park:AAAI,2010:186-193.

[10]Kawale J,Pal A,Srivastava J.Churn prediction in MMORPGs:a social influence based approach[C]//Proceedings of the 12th IEEE International Conference on Computational Science and Engineering,Vancouver,Aug 29-31,2009.Washington:IEEE Computer Society,2009:423-428.

[11]Dasgupta K,Singh R,Viswanathan B,et al.Social ties and their relevance to churn in mobile telecom networks[C]//Proceedings of the 11th International Conference on Extending Database Technology,Nantes,Mar 25-29,2008.New York:ACM,2008:668-677.

[12]Guyon I,Lemaire V,Boullé M,et al.Analysis of the KDD Cup 2009:fast scoring on a large orange customer database[C]//Proceedings of KDD-Cup 2009 Competition,Paris,Jun 28,2009:1-22.

[13]Richter Y,Yom-Tov E,Slonim N.Predicting customer churn in mobile networks through analysis of social groups[C]//Proceedings of the 2010 SIAM International Conference on Data Mining,Columbus,Apr 29-May 1,2010.Philadelphia:SIAM,2010:732-741.

[14]Zhu Chen,Zhu Hengshu,Xiong Hui,et al.Recruitment market trend analysis with sequential latent variable models[C]//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,San Francisco,Aug 13-17,2016.NewYork:ACM,2016:383-392.

[15]Xu Huang,Yu Zhiwen,Yang Jingyuan,et al.Talent circle detection in job transition networks[C]//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,San Francisco,Aug 13-17,2016.New York:ACM,2016:655-664.