李堂軍，戴昕淼

（山東科技大學(xué)經(jīng)濟(jì)管理學(xué)院，山東青島 266590）

0 引言

就業(yè)是民生之本，穩(wěn)就業(yè)是“六穩(wěn)”之首。當(dāng)前，經(jīng)濟(jì)下行壓力與疫情疊加，國家圍繞穩(wěn)就業(yè)原則，多項(xiàng)措施推進(jìn)人才資源有效配置。隨著互聯(lián)網(wǎng)普及，越來越多的招聘廠商和應(yīng)聘者選擇互聯(lián)網(wǎng)進(jìn)行招聘及求職工作。網(wǎng)絡(luò)招聘指通過互聯(lián)網(wǎng)進(jìn)行招聘活動(dòng)，主要過程有發(fā)布崗位信息、收集簡(jiǎn)歷、在線面試等［1］。據(jù)統(tǒng)計(jì)，2019 年使用網(wǎng)絡(luò)招聘的廠商數(shù)量已達(dá)486.6 萬家，網(wǎng)絡(luò)求職用戶規(guī)模超2 億人次。相較于傳統(tǒng)招聘，網(wǎng)絡(luò)招聘不僅覆蓋面廣、時(shí)效性強(qiáng)，而且具有成本低的優(yōu)勢(shì)，但招聘廠商與求職者之間的匹配效率問題始終有待解決。如招聘廠商在招聘過程中對(duì)職位描述不清晰、定位不準(zhǔn)確，雖寫有崗位職責(zé)或任職資格，卻缺乏對(duì)崗位技能的重點(diǎn)描述，求職者難以有針對(duì)性地應(yīng)聘。

本文通過對(duì)招聘文本信息進(jìn)行分析，提出一種基于LDA（Latent Dirichlet Allocation）模型的技能標(biāo)簽生成算法。首先通過招聘詞庫提取關(guān)鍵詞生成候選標(biāo)簽，然后將文本挖掘獲得的文本信息進(jìn)行LDA 主題挖掘，對(duì)獲得的主題、關(guān)鍵詞與獲取的候選標(biāo)簽進(jìn)行相似度計(jì)算，最后對(duì)候選標(biāo)簽進(jìn)行加權(quán)計(jì)算得出各主題下的技能標(biāo)簽。實(shí)驗(yàn)表明該方法能夠準(zhǔn)確挖掘出技能標(biāo)簽，為招聘廠商篩選應(yīng)聘者提供借鑒與參考。

1 相關(guān)研究

網(wǎng)絡(luò)招聘源于美國，現(xiàn)已成為許多國家和地區(qū)主要的人才招聘渠道。為提高網(wǎng)絡(luò)招聘效率，國外相關(guān)學(xué)者進(jìn)行了大量研究。Evanthia 等［2］提出一種基于網(wǎng)絡(luò)招聘系統(tǒng)的個(gè)性挖掘與排名方法，實(shí)現(xiàn)應(yīng)聘者的自動(dòng)預(yù)篩選；Malik等［3］提出基于上下文信息和知識(shí)信息的崗位描述領(lǐng)域本體，對(duì)崗位上下文信息進(jìn)行擴(kuò)展。該方法旨在使用特定領(lǐng)域的字典從工作描述中提取實(shí)體，適當(dāng)?shù)仄ヅ溆脩舻臋n案/查詢和工作描述，實(shí)驗(yàn)證明該方法可豐富從職位描述中提取的數(shù)據(jù)，進(jìn)而幫助用戶找到更多合適的工作；Luis 等［4］提出基于“簡(jiǎn)歷間鄰近性”（即求職者對(duì)同一份工作發(fā)出的簡(jiǎn)歷之間的詞匯相似性）的簡(jiǎn)歷排名方法，該方法采用基于相似系數(shù)和詞匯評(píng)分的相關(guān)反饋技術(shù)，提出在詞匯層面使用相關(guān)性反饋來提高簡(jiǎn)歷排名的建議；Mohammed 等［5］通過整合自然語言處理工具和基于語義的方法，對(duì)給定職位使用傳統(tǒng)的關(guān)鍵字模型，通過額外的職業(yè)類別和基于語義的技術(shù)匹配/篩選申請(qǐng)人簡(jiǎn)歷，系統(tǒng)解決傳統(tǒng)招聘程序的局限性；Fabiano 等［6］提出一種基于標(biāo)簽的信息檢索方法，提高如搜索、內(nèi)容推薦和分類等信息檢索服務(wù)的有效性；Ralf等［7］基于資源和用戶標(biāo)簽概率模型，通過研究語言模型以及潛在的Dirichlet 分布，提出個(gè)性化標(biāo)簽推薦方法。

國內(nèi)網(wǎng)絡(luò)招聘行業(yè)與國外相比起步較晚，但我國網(wǎng)絡(luò)招聘行業(yè)前景廣闊、市場(chǎng)潛力巨大，所以發(fā)展速度較快。為提高網(wǎng)絡(luò)招聘效率，充分挖掘市場(chǎng)潛力，國內(nèi)學(xué)者也開展了大量研究。張俊峰等［8］通過對(duì)獲取的網(wǎng)站招聘信息進(jìn)行中文分詞、人工篩選、分類等，獲取數(shù)據(jù)類崗位招聘需求特征，為人才培養(yǎng)及求職者知識(shí)與能力構(gòu)建提供參考；湯洋等［9］通過對(duì)網(wǎng)絡(luò)招聘信息進(jìn)行中文分詞和權(quán)重轉(zhuǎn)換，建立文本數(shù)據(jù)向量空間模型，進(jìn)而分析得出目前市場(chǎng)所需人才的職業(yè)類型和專業(yè)領(lǐng)域，最后采用聚類方法對(duì)結(jié)果進(jìn)行檢驗(yàn)；王成城等［10］通過對(duì)招聘文本信息進(jìn)行分類匯總與文本分析，發(fā)現(xiàn)NGO 組織人力資源市場(chǎng)發(fā)展4 個(gè)方面的問題，通過對(duì)問題的分析與剖析，探討優(yōu)化NGO 組織人力資源管理的新路徑；俞琰等［11］提出基于大數(shù)據(jù)量網(wǎng)絡(luò)招聘文本挖掘的課程知識(shí)模型及自動(dòng)構(gòu)建方法，利用自然語言文本挖掘技術(shù)實(shí)現(xiàn)課程知識(shí)點(diǎn)模型的自動(dòng)構(gòu)建，并通過實(shí)驗(yàn)對(duì)其構(gòu)建過程進(jìn)行驗(yàn)證與分析；朱劍［12］通過對(duì)招聘啟事的任職資歷進(jìn)行文本分析，研究并發(fā)現(xiàn)任職資歷中重要維度的共性與個(gè)性。

目前國外對(duì)招聘信息的分析主要從招聘信息中提取數(shù)據(jù)，為用戶提供推薦以及通過對(duì)獲取信息的研究幫助預(yù)篩選、檢索和匹配等，國外基于標(biāo)簽生成的研究大多通過提高標(biāo)簽的檢索、內(nèi)容推薦和分類效果滿足信息檢索服務(wù)和用戶推薦需求。國內(nèi)對(duì)招聘信息的分析大多是通過對(duì)招聘文本的研究獲得招聘的需求特征，為人才培養(yǎng)與能力構(gòu)建提供參考。從現(xiàn)有研究來看，國內(nèi)外對(duì)網(wǎng)絡(luò)招聘文本信息分析方面技能標(biāo)簽的生成研究鮮有提及，多數(shù)研究是通過對(duì)招聘信息的分析獲取技能需求，便于改進(jìn)人才培養(yǎng)計(jì)劃和幫助應(yīng)聘者找到工作，沒有考慮到挖掘深層次招聘信息的研究需求，并且缺乏一定的判斷標(biāo)準(zhǔn)。因此，本文針對(duì)挖掘網(wǎng)絡(luò)招聘文本信息背后隱藏價(jià)值的需求，提出基于LDA 主題挖掘的技能標(biāo)簽生成算法，通過該機(jī)制生成的技能標(biāo)簽反映出不同崗位的技能傾向，為招聘廠商合理高效地篩選應(yīng)聘者提供參考依據(jù)。

為深入挖掘這些文本信息背后隱藏的價(jià)值，需要使用相應(yīng)的技術(shù)手段獲取與處理這些信息。隨著互聯(lián)網(wǎng)的迅猛發(fā)展，Web 文本逐漸成為信息的主要載體和必不可少的信息來源，通過使用Web 文本挖掘技術(shù)進(jìn)行相關(guān)研究的價(jià)值及意義也日漸凸顯。學(xué)者Oren［13］認(rèn)為，通過數(shù)據(jù)挖掘技術(shù)從Web 文檔和服務(wù)中自動(dòng)發(fā)現(xiàn)和提取信息的技術(shù)稱Web 挖掘，這種定義側(cè)重于挖掘的技術(shù)和目的研究；學(xué)者王繼成等［14］認(rèn)為，Web 挖掘是一個(gè)從輸入到輸出的映射ζ：C→p，其中將C 作為輸入，p 是文檔集合C 中發(fā)現(xiàn)隱含的模式，這個(gè)定義側(cè)重于文本挖掘過程。Web 文本挖掘使人們可從浩如煙海的信息資源中獲取更深層次、更有價(jià)值的信息，這種技術(shù)逐漸演變發(fā)展成為一種能夠獲取和分析信息資源中隱藏的潛在價(jià)值的有效技術(shù)。

LDA 模型是一種將文檔表示為潛在主題的隨機(jī)混合的層次貝葉斯模型，且每個(gè)主題的特點(diǎn)由單詞的分布決定［15］。LDA 主題模型是分析提取某一主題所提供的文本數(shù)據(jù)中所表達(dá)的觀點(diǎn)、感受和情感特征的方法［16］，可用來識(shí)別大規(guī)模文檔集或語料庫中潛在的主題信息，是近年來特別熱門的文本挖掘研究方法，它有助于人們深入理解海量文本背后隱藏的含義。因此，可通過LDA 模型將海量的招聘文本信息進(jìn)行主題挖掘，再從中提取技能主題，為進(jìn)一步的篩選和匹配提供借鑒和依據(jù)。

2 網(wǎng)絡(luò)招聘信息主題挖掘方法

LDA 主題模型能有效提取大規(guī)模文本隱含主題［17］。網(wǎng)絡(luò)招聘作為一種主流的招聘渠道，產(chǎn)生了大量的網(wǎng)絡(luò)招聘文本信息，且大量文本信息背后的隱藏價(jià)值沒有被深入挖掘，將LDA 主題模型引入網(wǎng)絡(luò)招聘文本分析領(lǐng)域，有助于挖掘隱藏主題，解決網(wǎng)絡(luò)招聘分類不明確、缺乏標(biāo)準(zhǔn)、針對(duì)性不強(qiáng)等問題，為科學(xué)合理地進(jìn)行招聘工作提供借鑒與指導(dǎo)。通過對(duì)大量的招聘信息進(jìn)行觀察可以發(fā)現(xiàn)，招聘信息具有多層次結(jié)構(gòu)，其結(jié)構(gòu)一般分為招聘公司—招聘職位—崗位職責(zé)與任職資格。招聘網(wǎng)站上有大量的招聘公司，這些招聘公司會(huì)存在對(duì)幾個(gè)不同崗位同時(shí)招聘的情況，而不同崗位有不同的職位要求與任職資格，這些崗位職責(zé)要求與任職資格就是對(duì)應(yīng)聘者進(jìn)行合理篩選的主體和主要依據(jù)。崗位信息中的工作職責(zé)與任職資格包含學(xué)歷專業(yè)、工作經(jīng)驗(yàn)、個(gè)人素質(zhì)、能力要求、工作介紹等。

不同崗位的工作職責(zé)和任職資格會(huì)有差異，通過對(duì)大量招聘文本進(jìn)行分析，可發(fā)現(xiàn)這些不同崗位之間的差異，即技能特征的區(qū)別，這些技能特征成為廠商篩選合適應(yīng)聘者的科學(xué)依據(jù)。

2.1 主題挖掘模型設(shè)計(jì)

本文提出基于Web 文本挖掘和LDA 主題模型相結(jié)合生成招聘信息技能標(biāo)簽，即基于LDA 進(jìn)行主題挖掘的技能標(biāo)簽生成模型。該模型主要進(jìn)行文本聚類和主題挖掘，包括招聘信息抓取、預(yù)處理，進(jìn)行LDA 主題挖掘并提取與技能相關(guān)的關(guān)鍵詞，對(duì)提取的候選標(biāo)簽與關(guān)鍵詞進(jìn)行相似度計(jì)算，最終生成與技能相關(guān)的標(biāo)簽—技能標(biāo)簽，如圖1 所示。

2.2 基于LDA 模型的潛在主題挖掘

2.2.1 LDA 模型基本原理

LDA 模型是一種文檔主題生成模型，它包含詞、主題、文檔三層結(jié)構(gòu)，是一個(gè)層次貝葉斯模型。所謂的生成模型即以一定概率選擇某個(gè)主題，并從這個(gè)主題中以一定概率選擇某個(gè)詞語的過程。文檔—主題服從狄利克雷分布，主題—詞服從多項(xiàng)式分布［18］。LDA 模型如圖2 所示。

Fig.2 LDA model圖2 LDA 模型

圖2 中空心圓代表隱含變量，實(shí)心圓代表可觀察變量。圖中字母α是文檔的主題分布超參數(shù)，β是文檔的詞語分布超參數(shù)，θ為文檔—主題的概率分布，φ是主題—詞語的概率分布；W 是文檔的基本單元，唯一性詞匯；M 是語料集，文檔集合指包含M 個(gè)文檔的集合，記為C=｛D1，D2，…，DM｝；文檔D 由N 個(gè)詞項(xiàng)組成，記為D=（w1，w2，…，wN）；同一類語義集合記為Z，主題數(shù)為K。

一篇文檔生成過程：首先采樣θD -Dir(α)，然后對(duì)文檔D 中的每一個(gè)詞項(xiàng)Wi采樣一個(gè)主題Z-Multinomial(θD)，從P(Wi|Zi,β) 中采樣一個(gè)詞項(xiàng)Wi，生成一個(gè)主題Zi條件下的多項(xiàng)式概率Wi-Multinomial(φZ)［19］。通過LDA模型對(duì)語料集進(jìn)行建模，得到文檔—主題分布和主題—詞項(xiàng)分布兩種概率分布。

2.2.2 數(shù)據(jù)采集與預(yù)處理

據(jù)統(tǒng)計(jì)，“前程無憂51job”的月活躍用戶數(shù)量超過1 000 萬，是線上活躍用戶數(shù)量居首位的招聘平臺(tái)，其次是智聯(lián)招聘的681.5 萬和BOSS 直聘的370.5 萬?！扒俺虩o憂51job”于1999 年成立，現(xiàn)已成為一個(gè)大型綜合性的網(wǎng)絡(luò)招聘服務(wù)平臺(tái)，擁有大量的用戶和招聘文本信息數(shù)據(jù)，故選取“前程無憂51job”招聘網(wǎng)站作為本文分析的數(shù)據(jù)采集平臺(tái)。通過集搜客網(wǎng)絡(luò)爬蟲軟件對(duì)前程無憂51job 網(wǎng)站里的招聘信息進(jìn)行爬取，爬取的篩選條件為北京地區(qū)的財(cái)務(wù)/審計(jì)/稅務(wù)崗位，符合條件的招聘網(wǎng)頁共270 頁，得到公司名稱、崗位名稱、薪資待遇、公司性質(zhì)、崗位職責(zé)和任職資格等內(nèi)容的招聘文本信息共計(jì)5 388 條。在對(duì)招聘信息進(jìn)行處理過程中，存在薪資、工作職責(zé)等指標(biāo)信息缺失情況，通過手工篩選空白、無效信息之后，得到有效數(shù)據(jù)5 036 條。

從前程無憂51job 招聘網(wǎng)站爬取的招聘信息保存在語料集中，但是這部分招聘信息可能不完全符合LDA 模型的輸入要求，例如有些招聘信息是英文，有些信息中存在符號(hào)表情等，難以直接進(jìn)行分析，所以要對(duì)其進(jìn)行一定的處理。預(yù)處理過程通過對(duì)原始招聘文本信息進(jìn)行格式轉(zhuǎn)換、句子劃分、分詞與去除停用詞、修正等，使信息符合LDA 模型的輸入格式要求。

2.3 招聘詞庫構(gòu)建

本文招聘信息爬取的是財(cái)務(wù)/審計(jì)/稅務(wù)類崗位，這些崗位招聘信息中存在大量包含崗位職責(zé)特點(diǎn)和技能特征的專業(yè)詞匯，這部分詞匯無法在jieba 詞庫中被識(shí)別到。因此，在候選標(biāo)簽生成過程中，可進(jìn)行關(guān)鍵詞提取獲取專業(yè)詞匯，以此作為候選標(biāo)簽，使招聘信息在分詞時(shí)能很好地識(shí)別。對(duì)標(biāo)簽進(jìn)行控制時(shí)需要?jiǎng)?chuàng)建招聘詞庫［20］，本文通過使用“愛站網(wǎng)”中的招聘詞庫對(duì)其進(jìn)行手工刪除無關(guān)詞匯、去重、整理，生成本次研究所需的崗位招聘詞庫，如表1 所示。

Table 1 Recruitment Thesaurus表1 招聘詞庫

通過獲得的招聘詞庫，結(jié)合收集的崗位職責(zé)/任職資格句子，使用Python 中安裝的jieba 進(jìn)行分析。由于崗位技能需求一般是名詞和動(dòng)詞，因此排除掉一些無實(shí)質(zhì)意義的詞語如以上、各項(xiàng)、各類、根據(jù)等，最終保留排名前20 的詞語。這些候選標(biāo)簽詞語頻數(shù)較高，可以很好地涵蓋相應(yīng)招聘崗位技能特征，候選標(biāo)簽如表2 所示。

Table 2 Ranking of candidate tags表2 候選標(biāo)簽排名

3 實(shí)驗(yàn)結(jié)果與分析

3.1 LDA 主題挖掘結(jié)果與分析

為了解各主題下的技能特征，將從前程無憂獲取的招聘信息進(jìn)行預(yù)處理，并將預(yù)處理后的信息作為本次實(shí)驗(yàn)的語料集。對(duì)其去除停用詞和中文分詞，再使用JGibbsLDA作為L(zhǎng)DA 模型，將LDA 模型的參數(shù)設(shè)置為：K=4，迭代次數(shù)1 000 次，超參數(shù)α=50/K，β=0.01。對(duì)本次主題挖掘結(jié)果進(jìn)行整理，得到各主題中的主題詞列表，主題詞按照重要程度排列，得到如表3 所示的主題—詞語概率分布。

Table 3 Topic word probability distribution表3 主題—詞語概率分布

挖掘主題概率可以發(fā)現(xiàn)各主題下的高頻關(guān)鍵詞情況，進(jìn)而大致了解該主題下的代表性信息，這些代表信息更能體現(xiàn)主題特征，因此可作為對(duì)技能標(biāo)簽進(jìn)行控制的詞表。高概率詞語具有較高的代表性，低概率詞語代表性較弱，因此最終的控制詞表由概率較高的前20 個(gè)關(guān)鍵詞決定。同時(shí)將控制詞表里的詞語概率等比放大，使其和為1，最終結(jié)果如表4 所示。

3.2 Word2vec 及相似度計(jì)算

Google 公司在2013 年開發(fā)了一款用于訓(xùn)練詞向量的工具Word2vec，它提供一種使用分布式向量對(duì)文本進(jìn)行表示的方法［21］。該方法也是用來產(chǎn)生詞向量的相關(guān)模型，其中每一維詞向量值體現(xiàn)相應(yīng)的語義和語法的潛在特征，而不同的語義和語法特征的維度分布決定特點(diǎn)的不同。一般來說，詞向量是一種低維實(shí)數(shù)向量，這讓語義上相似或相關(guān)的詞表現(xiàn)出更為接近的距離，所以兩個(gè)詞向量的相似度可以通過它們的余弦值來衡量。

Table 4 Control words based on topic keyword表4 基于主題—關(guān)鍵詞的控制詞

余弦相似度方法用來計(jì)算向量相似度，是一種行之有效的方法，通過使用余弦相似度可以計(jì)算兩者之間的距離。兩個(gè)向量的權(quán)重由分子表示，向量模的乘積由分母表示。余弦相似度取值范圍在［0，1］之間，相似度數(shù)值越大說明兩個(gè)詞語的語義越接近，反之亦然。如Da、Db的相似度計(jì)算公式為［22］：

根據(jù)獲取的控制詞表，將候選標(biāo)簽和控制詞表中的關(guān)鍵詞進(jìn)行相似度計(jì)算得到兩者的相似度，結(jié)果如表5 所示。

Table 5 Similarity calculation of recruitment candidate tags and control words表5 招聘候選標(biāo)簽與控制詞語相似度計(jì)算

4 技能標(biāo)簽生成

對(duì)各主題下候選標(biāo)簽相似度進(jìn)行加權(quán)求和，將候選標(biāo)簽與主題—關(guān)鍵詞控制詞表中的每一個(gè)控制詞語相似度乘以該控制詞語在其主題中的權(quán)重并進(jìn)行累加，經(jīng)過控制詞表所控之后最終得到標(biāo)簽權(quán)重，結(jié)果如表6 所示。

Table 6 Skill weight表6 技能權(quán)重

通過對(duì)獲得的技能標(biāo)簽進(jìn)行分析，選取權(quán)重較高的前8 個(gè)作為本次招聘文本主題下的技能標(biāo)簽。每個(gè)主題的推薦標(biāo)簽如表7 所示。

Table 7 Skill labels表7 技能標(biāo)簽

5 結(jié)論與建議

本文通過對(duì)網(wǎng)絡(luò)招聘信息的爬取與分析，進(jìn)行LDA 模型主題挖掘，對(duì)候選標(biāo)簽與主題詞、詞頻分析，結(jié)合候選標(biāo)簽與不同主題下的控制詞語相似度計(jì)算結(jié)果，得到不同主題下的技能權(quán)重表，最后選出不同主題下的技能標(biāo)簽。通過對(duì)招聘信息研究發(fā)現(xiàn)，不同主題下的技能權(quán)重有所不同，即不同崗位的技能側(cè)重點(diǎn)有所不同，通過對(duì)招聘信息研究得出不同崗位技能的側(cè)重點(diǎn)及招聘廠商在進(jìn)行人才招聘時(shí)的重點(diǎn)篩選條件。然而隨著科技及社會(huì)的發(fā)展，對(duì)人力資源技能的需求也會(huì)動(dòng)態(tài)變化。本文研究結(jié)論如下：

（1）Topic1 財(cái)務(wù)職位高管和人才儲(chǔ)備需求量較大，因此有經(jīng)驗(yàn)的人才可以選擇應(yīng)聘高管職位，一些經(jīng)驗(yàn)不太充足的大學(xué)生或初涉領(lǐng)域的新人，可選擇一些儲(chǔ)備崗位，不僅可以積累經(jīng)驗(yàn)，還可為之后的職業(yè)晉升打下良好基礎(chǔ)。該職位不僅需要具有較高的抗壓能力和豐富的經(jīng)驗(yàn)，而且需要熟練掌握軟件操作，進(jìn)行一些核算和審核工作，專業(yè)性強(qiáng)，需要一定的專業(yè)基礎(chǔ)。

（2）Topic2 會(huì)計(jì)職位側(cè)重熟練性，該職位實(shí)踐性強(qiáng)。相比于財(cái)務(wù)管理，會(huì)計(jì)職位更需要熟練的操作技能及一定的經(jīng)驗(yàn)。應(yīng)聘該職位要有一定的專業(yè)基礎(chǔ)，不僅需要一定的工作經(jīng)驗(yàn)或?qū)嵙?xí)經(jīng)歷，而且要有自主分析數(shù)據(jù)的能力。

（3）Topic3 審計(jì)職位相比于其它3 個(gè)職位，對(duì)經(jīng)驗(yàn)需求最高，排在技能標(biāo)簽首位，而且一般對(duì)人才的需求也更傾向于高管。該職位需要審核一些財(cái)務(wù)計(jì)劃工作，具有獨(dú)立核算或核對(duì)能力，應(yīng)聘者在選擇時(shí)應(yīng)特別關(guān)注工作經(jīng)驗(yàn)要求。

（4）Topic4 稅務(wù)職位專業(yè)需求排名更加靠前，說明該職位的專業(yè)需求意向更加明顯，需要熟悉涉稅的法律法規(guī)等，對(duì)有能力有經(jīng)驗(yàn)的高管需求量較大。該職位不僅需要熟悉涉稅的法律知識(shí)，還需要熟悉管理方面知識(shí)，有能力審核和處理涉稅工作。

6 結(jié)語

根據(jù)大數(shù)據(jù)時(shí)代網(wǎng)絡(luò)招聘特點(diǎn)可以發(fā)現(xiàn)，不同崗位之間招聘信息技能要求的側(cè)重點(diǎn)會(huì)有差異。通過對(duì)招聘信息的研究，設(shè)計(jì)了技能標(biāo)簽生成算法，該算法可得出不同崗位技能的側(cè)重點(diǎn)，將此作為廠商進(jìn)行人才招聘時(shí)的重點(diǎn)篩選條件。通過該算法可以較好地解決招聘廠商對(duì)應(yīng)聘者檢索、分類和管理問題，提高招聘效率和匹配度。