李利杰，何頌頌

（1.寧波城市職業(yè)技術(shù)學院，浙江 寧波 315100；2.寧波職業(yè)技術(shù)學院，浙江 寧波 315100）

0 引言

校園招聘作為社會企業(yè)招聘人才的重要途徑，連接企業(yè)與高職院校的主要橋梁，吸引著企業(yè)雇主的積極關(guān)注和參與。但傳統(tǒng)校園招聘中伴隨的各種弊端也日漸凸顯。高職畢業(yè)生因各種原因缺乏對雇主信息的完整清晰掌握，導致高職院校、畢業(yè)生、企業(yè)之間的信息不對稱，制約畢業(yè)生就業(yè)意向與雇主需求之間的不匹配；高職院校在校園招聘過程中缺乏對畢業(yè)生的精準推薦，也無法給企業(yè)雇主實現(xiàn)個性化推薦服務(wù)。大數(shù)據(jù)時代各種海量的就業(yè)和招聘數(shù)據(jù)到處可見，將大數(shù)據(jù)技術(shù)與用戶畫像技術(shù)應(yīng)用到高職院校畢業(yè)生就業(yè)領(lǐng)域，利用大數(shù)據(jù)和畫像技術(shù)精準構(gòu)建面向高職畢業(yè)生的雇主畫像，提升畢業(yè)生和企業(yè)之間的匹配度和滿意度。

1 研究現(xiàn)狀

互聯(lián)網(wǎng)的發(fā)展導致用戶信息和行為數(shù)據(jù)的急劇膨脹，給互聯(lián)網(wǎng)時代的數(shù)據(jù)處理帶來了深刻的變革，用戶畫像技術(shù)隨之產(chǎn)生。用戶畫像技術(shù)是指通過對用戶信息和行為數(shù)據(jù)采用數(shù)據(jù)分析挖掘等技術(shù)手段，對用戶性質(zhì)和特征做出抽象和概括，勾畫用戶的信息全貌，其核心是對用戶潛在的意圖和興趣進行表示和存儲，利用機器學習等算法構(gòu)建出可讀取、可計算的用戶模型，為后續(xù)的推薦算法提供精確的語義信息。Rachsuda等學者通過對樸素貝葉斯方法、支持向量機和神經(jīng)網(wǎng)絡(luò)等技術(shù)構(gòu)建的用戶畫像模型精度進行對比分析，提出不同用戶畫像模型建模的適應(yīng)場景[1]。張宇等學者綜合運用協(xié)同過濾、形式概念建模等技術(shù)手段，提出了基于多維特征標簽體系的面向情景感知推薦領(lǐng)域的用戶畫像模型和普適推薦系統(tǒng)設(shè)計方法[2]。岳怡然等學者從數(shù)據(jù)挖掘和標簽體系映射開展了面向知識服務(wù)的針對農(nóng)業(yè)用戶特定群體用戶畫像研究并開展了實踐[3]。Wen研究團隊開展了多源異構(gòu)大數(shù)據(jù)的學者畫像的關(guān)鍵技術(shù)研究，提出了基于雙向長短期記憶網(wǎng)絡(luò)和條件隨機場信息抽取模型，構(gòu)建了融合學術(shù)網(wǎng)絡(luò)和文本語意的標簽多分類模型，并設(shè)計了學者未來影響力預(yù)測模型，實驗結(jié)果表明所提出的針對多源異構(gòu)大數(shù)據(jù)的針對學者的用戶畫像技術(shù)有效提升信息抽取精度、標簽發(fā)現(xiàn)能力和預(yù)測能力[4]。

雖然國內(nèi)外學者已對用戶畫像技術(shù)開展了系列研究，但將用戶畫像技術(shù)應(yīng)用到畢業(yè)生就業(yè)招聘領(lǐng)域的相關(guān)研究較少。截止到目前，知網(wǎng)只有兩篇相關(guān)文獻。張建東訊等學者探討了將用戶畫像應(yīng)用到校園招聘領(lǐng)域的可行性，開展了雇主畫像維度和標簽體系的設(shè)計，提出了雇主畫像構(gòu)建和設(shè)計流程，最后根據(jù)仿真結(jié)果優(yōu)化標簽提取模型。郭歡歡等學者將大數(shù)據(jù)方法融入精準招聘，利用文本挖掘等技術(shù)手段實現(xiàn)了雇主畫像、雇主字典和技能詞典的構(gòu)建，一定程度上實現(xiàn)了求職者技能和雇主招聘需求之間的匹配。

綜上所述，大數(shù)據(jù)時代豐富的數(shù)據(jù)來源為構(gòu)建高度精準的雇主畫像提供了可能，與此同時也提出了挑戰(zhàn)。首先是雇主信息的異構(gòu)性及不確定性，即便經(jīng)過數(shù)據(jù)清洗依舊無可避免數(shù)據(jù)錯誤和缺失。其次如何處理爆炸式增長規(guī)模的數(shù)據(jù)也是亟須解決的問題。用戶畫像具有較高的時效性，這對如何設(shè)計、構(gòu)建海量的用戶畫像數(shù)據(jù)處理和分析體系和核心算法提出了挑戰(zhàn)。

2 雇主畫像指標和標簽體系構(gòu)建

雇主畫像數(shù)據(jù)來源于高職院校招生就業(yè)部門提供的2016-2020的畢業(yè)生就業(yè)數(shù)據(jù)，采用爬蟲技術(shù)獲取畢業(yè)生就職雇主的社會信息，從不同的雇主屬性維度描述雇主，據(jù)此生成對應(yīng)的標簽描繪雇主不同維度的特征，主要的雇主標簽包括基礎(chǔ)屬性標簽、招聘屬性標簽、社交屬性標簽、運營屬性標簽和價值屬性標簽等五個屬性標簽。

基礎(chǔ)屬性標簽描述雇主的基本信息，包括名稱、地址、注冊類型、批準設(shè)立機關(guān)、組織機構(gòu)代碼、證照號碼、開業(yè)時間、郵政編碼、電話、經(jīng)營范圍、所處行業(yè)、法定代表人、股東名稱、稅務(wù)登記證號、核算方式、從業(yè)人數(shù)等。招聘屬性標簽描述雇主招聘偏好，包括年齡區(qū)間、專業(yè)傾向、學歷要求、畢業(yè)生離職率等。社交屬性標簽描述雇主在就業(yè)媒體平臺的行為信息，包括發(fā)布招聘次數(shù)、發(fā)布招聘信息頻率、發(fā)布招聘信息間隔、社交平臺參與討論帖數(shù)量等。運營屬性標簽描述企業(yè)的運營狀況，包括市盈率、市凈率、資產(chǎn)規(guī)模、經(jīng)營風險、司法風險等。價值屬性標簽涵蓋季度招聘人數(shù)、年度招聘人數(shù)、價值評定級別等。

3 雇主畫像信息抽取與多源融合

多元完整的雇主數(shù)據(jù)是構(gòu)建雇主畫像的基礎(chǔ)，本文的雇主數(shù)據(jù)來源于本校招生就業(yè)中心提供的近五年的畢業(yè)生就業(yè)統(tǒng)計結(jié)構(gòu)化數(shù)據(jù)（2017-2021）和網(wǎng)絡(luò)爬蟲獲取的非結(jié)構(gòu)化雇主數(shù)據(jù)。招生就業(yè)中心提供的近五年的畢業(yè)生就業(yè)統(tǒng)計數(shù)據(jù)涵蓋雇主名稱、地址、注冊類型、批準設(shè)立機關(guān)、組織機構(gòu)代碼等。其他雇主數(shù)據(jù)采用Scrapy-Redis分布式網(wǎng)絡(luò)爬蟲從天眼查、財報網(wǎng)、就業(yè)網(wǎng)等抓取和解析，采用Scrapy-Redis分布式采集系統(tǒng)增量爬取和采集雇主信息。采集流程主要如下：

（1）根據(jù)招生就業(yè)中心提供的近五年的畢業(yè)生雇主名稱、組織機構(gòu)代碼建立關(guān)鍵詞庫。

（2）配置爬取域并載入Redis隊列，并初始化請求隊列；

（3）Scrapy主程序從配置的天眼查、財報網(wǎng)、就業(yè)網(wǎng)等域中爬取雇主的非結(jié)構(gòu)數(shù)據(jù)，使用Duplicate Filter組件實現(xiàn)去重。Duplicate Filter組件利用Redis中的集合不重復特性判定請求是否重復，并把不重復的請求加入到Redis請求隊列。

（4）返回的Reponses數(shù)據(jù)采用BeautifulSoap組件解析數(shù)據(jù)，并采用Flume組件將采集解析后的數(shù)據(jù)直接存儲到Hadoop文件系統(tǒng)。

采集到的雇主大數(shù)據(jù)多源異構(gòu)，不可避免地存在雇主信息存在差異、沖突和冗余。采集后的多源異構(gòu)就業(yè)大數(shù)據(jù)通過數(shù)據(jù)清洗、集成、規(guī)約以及融合等系列處理將多個雇主信源提供的局部信息加以融合，消除多信源異構(gòu)數(shù)據(jù)所產(chǎn)生的沖突，獲得一致性描述。

4 基于機器學習的雇主畫像價值評級標簽提取

機器學習根據(jù)學習模式的不同分為監(jiān)督學習和無監(jiān)督學習。監(jiān)督學習首先將數(shù)據(jù)集劃分為訓練數(shù)據(jù)集和測試數(shù)據(jù)集，在樣本數(shù)據(jù)集開展模型訓練和構(gòu)建，進而在測試數(shù)據(jù)集上驗證模型有效性。無監(jiān)督學習求解樣本數(shù)據(jù)組間組內(nèi)距離最大最小化問題從而進行樣本聚類?；跈C器學習的標簽提取是根據(jù)采集清洗后的多維雇主信息，在數(shù)據(jù)集上使用機器學習算法訓練構(gòu)造模型，進一步采用訓練而成的模型進行預(yù)測分析，從而確定雇主的相關(guān)標簽值。

雇主畫像價值評級定義源自企業(yè)的信用評級，是雇主畫像的核心標簽，集中體現(xiàn)雇主在畢業(yè)生求職中的招聘能力，雇主受畢業(yè)生喜好的歡迎程度，雇主的招聘信用等方面信息。機器學習因其魯棒性在用戶畫像領(lǐng)域得到較為廣泛的應(yīng)用實踐，展現(xiàn)出其優(yōu)勢：能夠直接從內(nèi)容中提取特征，表征能力強；便于應(yīng)用循環(huán)神經(jīng)網(wǎng)絡(luò)對動態(tài)或者序列數(shù)據(jù)進行建模等。為精準刻畫雇主畫像，提出基于機器學習的多源異構(gòu)雇主畫像價值評級標簽提取模型。

本文采用句向量的分布詞袋（PV-DBOW: Distributed Bag of Words version of Paragraph Vector）來表示價值評級數(shù)據(jù)的特征標識。句向量的分布詞帶通過句向量和詞向量的首尾相援來預(yù)測下一個詞，在每一個隨機梯度下降的循環(huán)中，抽取一個文本窗口，然后從這個文本窗口中抽取一個詞，然后通過一個分類任務(wù)得到句向量。依托句向量的分布詞袋模型構(gòu)建多源數(shù)據(jù)的特征向量表述，以串聯(lián)的方式生成雇主畫像的融合特征。在此基礎(chǔ)上采用支持向量機實現(xiàn)用戶畫像價值標簽分類預(yù)測。支持向量機是一種二類分類模型，其基本模型定義為特征空間上的間隔最大的線性分類器，即支持向量機的學習策略便是間隔最大化，最終可轉(zhuǎn)化為一個凸二次規(guī)劃問題的求解。SVM算法最初是為二值分類問題設(shè)計的，處理多類問題時，就需要構(gòu)造合適的多類分類器[5]。

多分類問題和二分類問題之間存在一定的對應(yīng)關(guān)系：如果一個分類問題N類可分，則這N類中的任何兩類間一定可分；反之，在一個N分類問題中，如果已知其任意兩兩可分，則通過一定的組合法則，可由兩兩可分來最終實現(xiàn)N類可分。本文構(gòu)建決策樹支持向量機多分類器實現(xiàn)用戶畫像價值評級預(yù)測，基本算法及流程如下：

（1）計算特征樣本集中的每兩類的類間區(qū)分度dij，搜索最小區(qū)分度對應(yīng)的類別編碼；

（2）在樣本子集Si與Sj上進行支持向量機訓練，得到實現(xiàn)類i,j的支持向量機分類器，將其生成為決策樹中的一個節(jié)點；

（3）將樣本子集Si與Sj合并為一個新的子集，并跟前序的k-2個樣本子集構(gòu)成新的含有k-1樣本子集；

（4）若分類數(shù)量達到2，則直接對樣本數(shù)據(jù)集執(zhí)行支持向量機訓練，得到分類器決策樹的根節(jié)點。

5 結(jié)語

本文系浙江省高等教育學會2021年度高等教育研究課題研究成果（基于高職院校學生就業(yè)大數(shù)據(jù)的雇主畫像關(guān)鍵技術(shù)研究），開展了Scrapy-Redis在雇主信息采集中的應(yīng)用研究、探索了句向量的分布詞帶異構(gòu)數(shù)據(jù)融合模型，開展了決策樹支持向量機在雇主畫像價值評級標簽提取中的應(yīng)用研究，為多源異構(gòu)就業(yè)大數(shù)據(jù)的雇主用戶畫像關(guān)鍵技術(shù)研究提供了參考價值。后續(xù)將對基于機器學習的標簽提取算法在其他標簽上的應(yīng)用實踐開展討論和研究。