謝寧寧 楊新凱

（上海師范大學(xué) 上海 200000）

1 引言

近年來，網(wǎng)絡(luò)招聘已逐步成為企業(yè)招聘人才的首選方式。然而，網(wǎng)絡(luò)招聘平臺(tái)由于其開放性以及相關(guān)制度不健全等原因，使得一些不法企業(yè)可以利用其功能發(fā)布虛假招聘信息，吸引求職者上鉤，謀取不正當(dāng)利益。虛假的招聘信息可能使求職者陷入就業(yè)詐騙，造成經(jīng)濟(jì)、精神損失。更有甚者，部分求職者被騙入傳銷組織，危害人身安全。虛假招聘信息是指不以招聘人才為目的或招聘內(nèi)容具有煽動(dòng)性且缺乏真實(shí)性的招聘信息。將虛假招聘信息檢測(cè)抽象為二分類問題，通過算法區(qū)分出招聘信息的真假，可以有效降低就業(yè)詐騙的發(fā)生率。

2 相關(guān)工作

目前常用的虛假信息檢測(cè)方法有基于統(tǒng)計(jì)特征的機(jī)器學(xué)習(xí)方法和基于語義特征的深度學(xué)習(xí)的方法［1］。Vidros 等基于文本挖掘的方法，對(duì)招聘信息中特殊短語、HTML 元素等進(jìn)行分析，提出了21個(gè)基本特征表示招聘信息，使用隨機(jī)森林進(jìn)行分類［2～3］。Mahbub 等對(duì)公司介紹進(jìn)一步挖掘，將公司介紹中是否提供網(wǎng)址、網(wǎng)站成立是否大1 年等統(tǒng)計(jì)特征加入到基本特征集中，提升了模型性能［4］。lal等沿用了Vidros 提出的21 個(gè)基本特征，使用集成方法構(gòu)建虛假招聘信息檢測(cè)模型［5］。Alghamdi 等使用SVM 進(jìn)行特征選擇，提升了隨機(jī)森林的預(yù)測(cè)效果［6］。Mehboob 等首先基于企業(yè)特征、職位特征和薪資特征構(gòu)建了24 個(gè)統(tǒng)計(jì)特征表示招聘信息，然后使用互信息和相關(guān)系數(shù)選擇了13 個(gè)重要特征，輸入XGBoost 進(jìn)行分類［7］。李力釗［8］、李?yuàn)W［9］等將謠言檢測(cè)問題抽象為基于語義特征的文本分類問題。馬鳴將語義特征和統(tǒng)計(jì)特征結(jié)合，識(shí)別謠言信息［10］。黃學(xué)堅(jiān)等將謠言內(nèi)容的語義特征、統(tǒng)計(jì)特征和用戶特征融合，提升了謠言檢測(cè)的準(zhǔn)確率［11］。研究表明，在語義特征中，引入輔助特征能夠有效提升模型的準(zhǔn)確率?？紤]到職位描述語義對(duì)于區(qū)分招聘信息的重要作用和級(jí)聯(lián)森林優(yōu)秀的分類性能［12～13］，本文提出一種融合語義特征和統(tǒng)計(jì)特征的卷積級(jí)聯(lián)森林檢測(cè)模型。

3 卷積級(jí)聯(lián)森林檢測(cè)模型

Word2Vec-CNN 是一種提取文本語義特征的基準(zhǔn)模型，常用于情感分析領(lǐng)域［14］。本文的研究是在Word2Vec-CNN 的基礎(chǔ)上進(jìn)行的。本文提出的模型一共包含四個(gè)部分，首先，基于招聘行為分析構(gòu)建招聘信息的統(tǒng)計(jì)特征。其次，使用Word2Vec-CNN 提取職位描述的語義特征。然后，將招聘信息的統(tǒng)計(jì)特征通過全連接神經(jīng)網(wǎng)絡(luò)映射成和語義特征相同的維度，進(jìn)行融合特征。最后，將融合后的特征向量輸入級(jí)聯(lián)森林分類器檢測(cè)虛假招聘信息。

圖1 檢測(cè)模型框架

3.1 統(tǒng)計(jì)特征提取

基于文獻(xiàn)研究［15］，從企業(yè)信息、職位信息和薪資信息三個(gè)方面分析招聘行為的差異，提取統(tǒng)計(jì)特征。

基于企業(yè)信息的統(tǒng)計(jì)特征描述了企業(yè)的可信度?？尚哦仍礁叩钠髽I(yè)，越重視企業(yè)形象的維護(hù)，發(fā)布虛假招聘信息的可能性越低。從招聘信息庫中抽取基于企業(yè)信息的統(tǒng)計(jì)特征為企業(yè)名稱（FE1）、企業(yè)性質(zhì)（FE2）、企業(yè)介紹（FE3）、實(shí)名未認(rèn)證（FE4）、企業(yè)規(guī)模（FE5）。

基于職位信息的統(tǒng)計(jì)特征描述了求職者需要完成的工作、應(yīng)當(dāng)承擔(dān)的責(zé)任和勝任職位的基本要求。真實(shí)職位的職位描述一般是客觀的，沒有明顯的感情傾向。虛假的招聘職位通常使用感嘆號(hào)、問號(hào)加強(qiáng)語氣或在子標(biāo)題處標(biāo)注薪資，誘導(dǎo)求職者投遞簡(jiǎn)歷。從招聘信息庫中抽取基于職位信息的統(tǒng)計(jì)特征為職位標(biāo)題（FP1）、招聘人數(shù)（FP2）、學(xué)歷要求（FP3）、經(jīng)驗(yàn)要求（FP4）、工作地點(diǎn)（FP5）、子標(biāo)題包含薪資信息（FP6）、職位描述中包含感嘆號(hào)的數(shù)量（FP7）、職位描述中包含問號(hào)的數(shù)量（FP8）。

王春鴿的研究表明招聘職位的薪資明顯高于同類職位的薪資水平時(shí)，求職者需要警惕職位的真實(shí)性［16］。從招聘信息庫中抽取基于薪資信息的統(tǒng)計(jì)特征為職位工資（FC1）、福利（FC2）。

將特征離散化處理，使用式（1）計(jì)算招聘信息的統(tǒng)計(jì)特征FSta。

式中，F(xiàn)Sta 表示招聘信息的統(tǒng)計(jì)特征，⊕表示特征級(jí)聯(lián)操作。

3.2 語義特征提取

卷積神經(jīng)網(wǎng)絡(luò)包含卷積、池化、全連接等操作，具有卓越的特征提取能力，使用CNN 提取特征可以降低人工提取特征難度。將職位描述文本信息表示成計(jì)算機(jī)可以識(shí)別的詞向量輸入卷積神經(jīng)網(wǎng)絡(luò)。首先，經(jīng)過卷積層，使用大小不同的滑動(dòng)窗口進(jìn)行卷積，提取語義特征。然后，經(jīng)過池化層進(jìn)行降維，篩選關(guān)鍵特征。池化層后加入Dropout，設(shè)置Dropout 率為0.25，防止過擬合。最后，經(jīng)過全連接層轉(zhuǎn)化為一維向量?；诰矸e神經(jīng)網(wǎng)絡(luò)的語義特征提取算法如下。

Step1：去除招聘信息中的非文本部分和停用詞，使用jieba 中文分詞庫將招聘信息進(jìn)行中文分詞。

Step2：利用Word2Vec 將分詞處理后的招聘信息表示成詞向量T=[w1,w2,…，wn]，其中wi表示招聘信息的第i 個(gè)詞的向量表示。每個(gè)詞向量wi=[v1,v2,…,vm]，m表示招聘信息詞向量的維度。

Step3：將招聘信息的將詞向量表示輸入卷積層，提取高層語義特征FSemk，卷積層的計(jì)算公式為

式中，filterk表示卷積核，Tij表示招聘信息的詞向量，F(xiàn)k表示k層的輸出特征，f表示Relu激活函數(shù)。

Step4：將卷積層的輸出，輸入池化層，進(jìn)行池化運(yùn)算，計(jì)算公式為

Step5：最后經(jīng)過全連接層，得到語義特征向量FSem=[f1,f2,…，fn]。

3.3 特征融合

為了使招聘信息的語義特征和統(tǒng)計(jì)特征攜帶等量的信息。首先，將統(tǒng)計(jì)特征向量通過全連接神經(jīng)網(wǎng)絡(luò)映射成和語義特征向量同等的維度。映射公式如下：

式中，F(xiàn)Sta' 表示映射后的統(tǒng)計(jì)特征向量，f 表示激活函數(shù)，W為權(quán)重矩陣，b為偏置項(xiàng)。

將映射后的統(tǒng)計(jì)特征和語義特征進(jìn)行級(jí)聯(lián)操作，通過式（5）計(jì)算招聘信息的融合特征向量FMulti。

3.4 級(jí)聯(lián)森林結(jié)構(gòu)

定義級(jí)聯(lián)森林有d 層，每一層包含R 個(gè)隨機(jī)森林和R 個(gè)完全的隨機(jī)森林，每個(gè)森林包含t 棵決策樹。完全隨機(jī)森林中的決策樹會(huì)隨機(jī)選擇一個(gè)信息增益最大的特征做節(jié)點(diǎn)分裂，至葉子節(jié)點(diǎn)純凈。而隨機(jī)森林中的決策樹則隨機(jī)選擇個(gè)特征子集（k 表示輸入特征的維度），然后再選擇信息增益最大的特征做節(jié)點(diǎn)分裂。對(duì)于特征f，其信息增益使用招聘樣本的信息熵與條件信息熵的差表示，計(jì)算公式如下：

式中，S 表示招聘樣本，v表示特征f有v個(gè)可能的取值，特征f 將招聘樣本劃分為v 個(gè)招聘子樣本，Si表示i個(gè)招聘子樣本，Pij表示Si中類別為j的招聘職位所占比例，j 表示招聘信息的類別，pj表示招聘樣本S中類別為j的招聘職位所占的比例。

將融合特征FMulti 輸入級(jí)聯(lián)森林d 層，每顆決策樹會(huì)計(jì)算落入葉節(jié)點(diǎn)處的真實(shí)招聘信息和虛假招聘信息的概率，然后對(duì)同一個(gè)森林中所有決策樹輸出的類概率通過式（10）計(jì)算平均值，生成招聘信息的類概率向量PVect。每個(gè)隨機(jī)森林生成一個(gè)二維類概率向量，每一層輸出4R 個(gè)增強(qiáng)特征，將增強(qiáng)特征與輸入的特征向量FMuti 級(jí)聯(lián)，輸入d+1 層訓(xùn)練，表示為式（10）。

式中，公式中，pjt表示標(biāo)簽為j 的招聘樣本落入t 棵決策樹的概率，F(xiàn)Multid+1表示級(jí)聯(lián)森林d+1 層的輸入向量，表示級(jí)聯(lián)森林d 層的第i 個(gè)隨機(jī)森林輸出的類概率向量。

每層訓(xùn)練結(jié)束后，都會(huì)對(duì)分類器的性能進(jìn)行評(píng)價(jià)，若沒有顯著的性能提升，則終止級(jí)聯(lián)過程，自動(dòng)確定級(jí)聯(lián)森林的深度。然后，對(duì)最后一層產(chǎn)生的類概率向量求平均值，選擇最大概率值對(duì)應(yīng)的類別作為最終檢測(cè)結(jié)果輸出。

4 實(shí)驗(yàn)結(jié)果與分析

本文采用Anaconda 4.9 和Jupyter Notebook 6.0作為實(shí)驗(yàn)平臺(tái)。實(shí)驗(yàn)環(huán)境為Windows10 操作系統(tǒng)、Core i7處理器（2.6GHz）、8GB內(nèi)存。

4.1 實(shí)驗(yàn)數(shù)據(jù)

針對(duì)本文研究的問題，爬取了企業(yè)在北京、上海、深圳、廣州四所一線城市的發(fā)布的招聘職位信息。標(biāo)注了一份17880 的招聘樣本，其中5%的招聘職位為虛假職位。將招聘樣本的80%作為訓(xùn)練集，20%作為測(cè)試集，則實(shí)驗(yàn)使用的訓(xùn)練集14304條，用于模型的訓(xùn)練，測(cè)試集3576 條用于評(píng)估模型的性能。

4.2 評(píng)價(jià)指標(biāo)

二分類實(shí)驗(yàn)中常用的查準(zhǔn)率、查全率作為評(píng)價(jià)指標(biāo)。但查準(zhǔn)率和查全率為一對(duì)相互矛盾的指標(biāo)，一個(gè)指標(biāo)高會(huì)導(dǎo)致另一個(gè)指標(biāo)低。研究中，通常使用F 分?jǐn)?shù)衡量模型的綜合性能。在虛假招聘信息檢測(cè)中，由于虛假招聘職位僅占5%，我們希望檢測(cè)出更多的虛假招聘信息，需要模型對(duì)查全率更敏感。因此，本文使用F2 值和查全率評(píng)估模型的性能，計(jì)算公式如下：

式中，PreFakeSet表示預(yù)測(cè)結(jié)果為虛假的招聘數(shù)據(jù)集合，TrueFakeSet表示實(shí)際為虛假的招聘數(shù)據(jù)集合，PreAccSet表示預(yù)測(cè)正確的招聘數(shù)據(jù)集合。β取值為2表示F2值。

4.3 對(duì)比實(shí)驗(yàn)

模型1：從招聘信息中抽取統(tǒng)計(jì)特征，然后使用統(tǒng)計(jì)特征輸入級(jí)聯(lián)森林進(jìn)行分類。

模型2：使用Word2Vec-CNN 模型提取語義特征，然后使用softmax進(jìn)行分類。

模型3：融合語義特征和統(tǒng)計(jì)特征，然后使用Softmax進(jìn)行分類。

模型4：融合語義特征和統(tǒng)計(jì)特征，使用級(jí)聯(lián)森林結(jié)構(gòu)取代softmax層進(jìn)行分類。

表1 實(shí)驗(yàn)結(jié)果對(duì)比

1）模型2 相較于模型1，查全率和F2 值有明顯提升，說明職位描述的語義可以有效區(qū)分虛假招聘信息和真實(shí)招聘職位。

2）模型3 較模型2，查全率和F2 值均有明顯提升，說明在語義特征中，加入統(tǒng)計(jì)特征可以進(jìn)一步提升模型的性能。

3）模型4 較模型3，查全率和F2 值均有明顯提升，說明使用級(jí)聯(lián)森林結(jié)構(gòu)取代Softmax層，可以提升模型的分類性能。

4）本文提出的模型，較其他模型性能更優(yōu)。

5 結(jié)語

基于統(tǒng)計(jì)特征的虛假招聘信息檢測(cè)方法被廣泛使用，但是這類方法忽略了職位描述語義的重要性。本文使用卷積神經(jīng)網(wǎng)絡(luò)提取招聘信息的語義特征，結(jié)合統(tǒng)計(jì)特征，使用級(jí)聯(lián)森林對(duì)虛假招聘信息進(jìn)行檢測(cè)，提升了檢測(cè)的準(zhǔn)確率。虛假招聘信息檢測(cè)是一個(gè)新的研究領(lǐng)域，目前學(xué)術(shù)界提出的方法和本文提出的方法都只考慮了招聘網(wǎng)站上招聘職位的靜態(tài)特征，沒有將招聘信息發(fā)布者的行為特征考慮在內(nèi)。