摘要：當(dāng)前隨著每年求職的人數(shù)日益增多及網(wǎng)絡(luò)招聘的普及，投職簡歷的數(shù)量呈幾何級(jí)數(shù)增長。企業(yè)的人力資源部門工作量急劇增多，需要從海量的簡歷中找出企業(yè)所需人才。為解決這一難題，文章設(shè)計(jì)實(shí)現(xiàn)了一款基于語言大模型LLM（ Large Language Model） 的人崗匹配系統(tǒng)，實(shí)驗(yàn)結(jié)果表明該方法可以顯著減少人力資源部門的工作量，原來由人工耗費(fèi)幾天才能完成的人崗匹配工作被人工智能所取代，縮減為只需幾分鐘就能完成，大大提高了工作效率。

關(guān)鍵詞：人崗匹配；LLM；人工智能；文心一言；語義搜索

中圖分類號(hào)：TP309.2 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）05-0024-03 開放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID） ：

0 引言

當(dāng)前，每年畢業(yè)的大學(xué)生人數(shù)逐年遞增，僅2024 年的畢業(yè)生數(shù)量達(dá)到了1 084.6萬人，每到招聘季都會(huì)有數(shù)以百萬計(jì)的大學(xué)生投遞簡歷，同時(shí)許多公司也會(huì)公布自己的招聘啟事，招募滿足應(yīng)聘條件的學(xué)生。隨著網(wǎng)絡(luò)的普及，基于網(wǎng)絡(luò)的數(shù)字化招聘逐漸成為主流，數(shù)字化招聘一方面極大地提高了求職人員投遞簡歷的便捷性，另一方面也讓招聘方的人力資源部門面臨極大挑戰(zhàn)[1]。由于網(wǎng)絡(luò)投遞簡歷十分便捷，求職者為了增加被錄用的概率，通常會(huì)大量海投，而不管自己是否匹配招聘崗位，求職者簡歷編寫的質(zhì)量也參差不齊，這就需要企業(yè)人力資源部門的人員投入更多的精力去審核海量的簡歷，工作量相對以前有了數(shù)倍的增加，如何快速準(zhǔn)確地從大量求職者中為企業(yè)篩選出合適的人才，是當(dāng)前很多企業(yè)的人力資源部門面臨的一大挑戰(zhàn)[2]。

為解決人工篩選簡歷耗時(shí)長、效率低下的問題，本文將人工智能技術(shù)引入人才招聘中。人崗匹配是簡歷篩選時(shí)的一個(gè)重要環(huán)節(jié)，目的是要高效準(zhǔn)確地識(shí)別人才能力是否和工作要求的崗位相匹配。2022年ChatGPT 大語言模型的橫空出世，讓自然語言處理NLP（Natural Language Processing） 技術(shù)實(shí)現(xiàn)質(zhì)的飛躍，隨后國內(nèi)的百度、字節(jié)跳動(dòng)、華為也都紛紛推出了自己的大語言模型，人工智能已經(jīng)具備了較為成熟的理解人類語言并和人類進(jìn)行交流的能力。本文提出了利用基于人工智能語言大模型技術(shù)對簡歷文本的語義進(jìn)行自動(dòng)識(shí)別，概括出用戶畫像，判斷求職者的能力是否滿足崗位要求，并為招聘方推薦最適合招聘崗位的候選人。

1 基于大語言模型LLM（Large Language Model）的人崗匹配系統(tǒng)的構(gòu)建

以往國內(nèi)外很多專家學(xué)者嘗試用深度學(xué)習(xí)的方法來解決人崗匹配的問題，但是有一個(gè)不可避免的問題是深度學(xué)習(xí)的模型非常依賴于訓(xùn)練數(shù)據(jù)，按照特定的人工標(biāo)注的訓(xùn)練數(shù)據(jù)產(chǎn)生的模型僅在與訓(xùn)練數(shù)據(jù)集相仿的領(lǐng)域中表現(xiàn)出較好的準(zhǔn)確性，而對于冷門或新型領(lǐng)域，由于缺少標(biāo)注過的訓(xùn)練數(shù)據(jù)而表現(xiàn)較差[3]。加之求職簡歷涉及個(gè)人隱私，很難獲得全行業(yè)的求職簡歷來進(jìn)行標(biāo)注和訓(xùn)練，使得此類模型不具備良好的通用性，因此影響到了它的實(shí)際應(yīng)用和推廣[4]。本文設(shè)計(jì)的人崗匹配系統(tǒng)要克服這些缺陷，采用近年來炙手可熱的基于大語言模型LLM的方法，通過小樣本甚至零樣本學(xué)習(xí)實(shí)現(xiàn)簡歷文本的實(shí)體抽取，關(guān)鍵詞匹配和語義檢索，即依據(jù)招聘崗位的實(shí)際需求，形成檢索條件，對簡歷庫進(jìn)行遴選，智能化地找出與工作崗位最匹配的n個(gè)候選人簡歷，屏蔽其他匹配度不高的簡歷，從而顯著降低人力資源部門的工作量，提高工作效率。

本文設(shè)計(jì)的人崗匹配系統(tǒng)的框架如圖1所示，在這個(gè)系統(tǒng)中選用的大語言模型是百度的文心一言，之所以選擇百度而不是ChatGPT，是因?yàn)槊绹腛penAI 公司在2024年7月9日以后就終止了ChatGPT在中國的API服務(wù)。根據(jù)全球增長咨詢公司發(fā)布的《2024年中國大模型能力評測》，百度文心一言在國內(nèi)的15個(gè)大模型中綜合表現(xiàn)位居首位，而且為用戶提供了免費(fèi)調(diào)用文心一言大模型的API接口。因此選用了文心一言來處理簡歷和招聘的文本語言語義，并將數(shù)據(jù)實(shí)現(xiàn)結(jié)構(gòu)化。由于不同形式的文本簡歷會(huì)被處理成結(jié)構(gòu)化的數(shù)據(jù)格式，包括時(shí)間、地理等特定格式的信息，還有像薪酬、工齡這樣的數(shù)值信息以及工作崗位、專業(yè)之類的分類信息，所以選用了Elasticsearch數(shù)據(jù)庫，主要該數(shù)據(jù)庫支持多樣查詢，支持對時(shí)間格式的排序，按時(shí)間區(qū)間的統(tǒng)計(jì)；對地理支持位置搜索；對數(shù)值數(shù)據(jù)支持范圍查詢。對于文本數(shù)據(jù)，需要處理成向量，按照向量距離來判斷語義的匹配程度，而Milvus 是一款專門用于存儲(chǔ)和檢索向量數(shù)據(jù)的數(shù)據(jù)庫，支持多種先進(jìn)的高性能向量檢索算法，因此選用它作為語義檢索的數(shù)據(jù)庫。文本的向量化采用的是業(yè)內(nèi)使用廣泛且成熟的BGE（BAAI General Embedding） 編碼。

如圖1所示，所有的簡歷文檔都會(huì)被預(yù)處理，系統(tǒng)調(diào)用LLM，這里采用的是文心一言的大模型作為語義分析和實(shí)體提取的工具，經(jīng)過LLM的處理后將非結(jié)構(gòu)化的文檔變成了結(jié)構(gòu)化的特征屬性集合[5]。簡歷中的內(nèi)容分為兩類，一類是基礎(chǔ)數(shù)據(jù)可以用數(shù)值或分類表示的屬性，例如年齡、期望薪酬、工作年限、城市的郵編、學(xué)歷等可以用數(shù)值來表示，應(yīng)聘崗位和工作類型可以用分類來表示。將這些字段和用戶ID組成一個(gè)記錄存入Elasticsearch數(shù)據(jù)庫。另外還有很多文字描述的內(nèi)容，例如個(gè)人愛好、特長、曾獲得的獎(jiǎng)項(xiàng)、團(tuán)隊(duì)協(xié)作精神、獨(dú)立科研能力、寫作能力等文本數(shù)據(jù)。設(shè)計(jì)好一個(gè)描述應(yīng)聘者的固定句式，樣例如下：

“ 我今年{age}歲，學(xué)歷是{degree}，工作年限是{work_time}年，希望獲得的工作類型如 下：{type}，期望薪資范圍為{minimum}～{maximum}，我的其他特點(diǎn)如下： {talent}?！?/p>

其中age，degree，work_time， type， minimum， maxi?mum這些字段可以用該用戶在Elasticsearch數(shù)據(jù)庫中的值直接填充，talent填充的是文字描述的個(gè)人愛好、特長等內(nèi)容。對一個(gè)特定應(yīng)聘者填充完成該句子后再采用BGE模型編碼成1024維的向量，加上用戶ID 后存入Milvus數(shù)據(jù)庫，可見一個(gè)用戶簡歷在預(yù)處理后會(huì)用用戶ID做關(guān)聯(lián)，分別將基礎(chǔ)數(shù)據(jù)和專用于描述該應(yīng)聘者的詞向量存入Elasticsearch數(shù)據(jù)庫和Milvus數(shù)據(jù)庫。

招聘方發(fā)出的招聘啟事是一個(gè)普通文本，包含了對招聘人員的要求，人力資源的工作人員將招聘啟事上傳給系統(tǒng)后，也可以類似簡歷那樣處理，調(diào)用大語言模型LLM將非結(jié)構(gòu)化的招聘啟事轉(zhuǎn)化成一個(gè)結(jié)構(gòu)化的屬性集合，根據(jù)這些屬性的取值形成一個(gè)搜索條件發(fā)送給Elasticseaech數(shù)據(jù)庫進(jìn)行查詢，按照招聘的硬性條件進(jìn)行must的匹配，例如薪資范圍、學(xué)歷要求、年齡要求、工作城市、工作或?qū)嵙?xí)經(jīng)歷等，對于其他的一些特點(diǎn)可以進(jìn)行should 匹配，例如招聘的工作崗位、工作類型等，因?yàn)檎衅竼挝惶峁┑膷徫缓凸ぷ黝愋秃芏鄷r(shí)候不止一個(gè)，因此滿足其一即可。存入Elas?ticsearch數(shù)據(jù)庫的屬性大多是用具體數(shù)值來表示的，例如學(xué)歷就可以根據(jù)初中到博士用數(shù)值1～5來代替，故要求本科以上的搜索條件就是學(xué)歷≥3，對于招聘啟事中的其他文字描述，例如熟練掌握何種工具、獲得何等獎(jiǎng)項(xiàng)或證書、與人的溝通能力、團(tuán)隊(duì)協(xié)作精神、獨(dú)立工作能力、業(yè)余愛好、認(rèn)同何等的企業(yè)文化等，也采用與簡歷類似的方式進(jìn)行處理，編寫一個(gè)用于查詢的固定句式：

“招聘程序員，城市029，最低薪資10 000，最高薪資20 000，至少2年工作經(jīng)驗(yàn)，熟練掌握C++，python，UML等工具，有協(xié)作精神，有良好的客戶溝通能力，認(rèn)同一榮俱榮、一損俱損的企業(yè)文化?！?/p>

然后用BGE編碼把這些文本內(nèi)容轉(zhuǎn)換成1024維的詞向量在Milvus數(shù)據(jù)庫中進(jìn)行查找。Milvus 是一個(gè)開源的數(shù)據(jù)庫，其主要特點(diǎn)是具有一個(gè)向量相似度搜索引擎，可以為大規(guī)模向量數(shù)據(jù)提供高效的存儲(chǔ)、 索引和檢索功能。Milvus提供的高效方法來處理和查詢高維向量數(shù)據(jù)，正好滿足了本系統(tǒng)中文本相似度匹配的需求。

在Elasticsearch數(shù)據(jù)庫中進(jìn)行條件搜索的偽碼如圖2所示。

對于每個(gè)搜索的條目還要給出一個(gè)得分score，可以根據(jù)實(shí)際需求調(diào)整score的取值來劃定招聘候選人的范圍。score的具體得分由must部分的搜索比對結(jié)果base score 和should 部分的搜索比對結(jié)果optionalscore兩部分組成，在must比對部分不僅有文本的精確匹配得分text_score，還要有各個(gè)數(shù)值字段取值范圍的比對得分numeric_score，因此must部分的得分計(jì)算公式為：

base_score = 0.6 * text_score + 0.4 * （numeric_score1 + numeric_score2）;

should部分的得分optional score的初值為0，每找到一個(gè)完全匹配項(xiàng)就加0.2，部分匹配項(xiàng)就加0.1，搜索完所有optional field 字段后累加的數(shù)值即為optionalscore的結(jié)果。最終的final score得分計(jì)算公式為：

final_score = 0.7 * base_score + 0.3 * optional_score

計(jì)算匹配結(jié)果得分score的偽碼如圖3所示。

召回策略的流程圖如圖4所示。

服務(wù)器后端通過查詢模塊query會(huì)收到前端發(fā)送的信息，進(jìn)行多次召回。第一次在Elasticsearch數(shù)據(jù)庫中通過范圍匹配篩選滿足各項(xiàng)數(shù)值的簡歷id，例如薪資要求范圍，工作年限范圍等字段采用must方式，即必須全部匹配；對于工作類型、工作崗位等分類，這里采用should方式，因?yàn)閼?yīng)聘者只要滿足一個(gè)崗位的要求即可。在進(jìn)行Milvus 檢索前，首先將招聘啟事中識(shí)別的實(shí)體字段組合成完整句子，再調(diào)用BGE進(jìn)行詞嵌入后編碼，獲得查詢條件的向量表示，最后調(diào)用Milvus的 search（）函數(shù)進(jìn)行語義搜索。兩個(gè)數(shù)據(jù)庫的搜索結(jié)果分別返回，將Elasticsearch數(shù)據(jù)庫的匹配分?jǐn)?shù)閾值設(shè)定為1.3、 Milvus 的匹配分?jǐn)?shù)閾值定為0.6。若搜索結(jié)果滿足條件數(shù)量為0，則進(jìn)行第二輪召回。第二輪召回將 Elasticsearch 和Milvus的匹配閾值改小一些，再重復(fù)操作，若得到結(jié)果數(shù)量令人滿意即可終止，輸出查詢結(jié)果。若還是沒有獲得足夠多的簡歷，則修改閾值進(jìn)行第三輪召回，如此循環(huán)，直到找出足夠數(shù)量的搜索結(jié)果。

2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)的軟硬件配置如表1所示。

從智聯(lián)招聘上收集了200份不同樣式的個(gè)人簡歷和10份招聘啟事，采用基于LLM的方法進(jìn)行人崗匹配，并將搜索結(jié)果和人工檢索的結(jié)果進(jìn)行匹配，發(fā)現(xiàn)匹配的準(zhǔn)確率在70%左右。對于人崗匹配的正確程度，有不同的等級(jí)劃分，例如完全匹配、不同程度的部分匹配等，并賦予了不同的權(quán)重。設(shè)完全匹配權(quán)重為w1，不同程度的部分匹配權(quán)重為w2，w3，...，wm 等。完全匹配數(shù)量為n1，部分匹配數(shù)量為n2，n3，...，nm，總樣本數(shù)量為N。則準(zhǔn)確率公式為：

Accurracy = w1*n1 + w2*n2 + ...+wm*nm／N *100%

經(jīng)分析發(fā)現(xiàn)，影響準(zhǔn)確率的原因主要是簡歷的樣式比較多，大語言模型處理的時(shí)候，有些簡歷不能百分百理解準(zhǔn)確，在預(yù)處理中有信息遺漏；自然語言描述的文本內(nèi)容采用BGE編碼，BGE編碼是基于trans?former網(wǎng)絡(luò)的，由于人員不足，提供的訓(xùn)練數(shù)據(jù)樣本量偏小是造成影響準(zhǔn)確度的一個(gè)主要原因，以后在繼續(xù)擴(kuò)充樣本量持續(xù)改進(jìn)之后，準(zhǔn)確率會(huì)有相應(yīng)提高。

3 結(jié)束語

本文設(shè)計(jì)并實(shí)現(xiàn)了基于大語言模型方法的人崗匹配系統(tǒng)，雖然當(dāng)前準(zhǔn)確率還不能達(dá)到人工匹配的水準(zhǔn)，但以后還可以通過大量標(biāo)注數(shù)據(jù)來增強(qiáng)訓(xùn)練，實(shí)現(xiàn)對模型的改進(jìn)和優(yōu)化，從而不斷提升準(zhǔn)確率和命中率?？梢灶A(yù)見，在人工智能爆發(fā)的時(shí)代，傳統(tǒng)人工翻閱簡歷匹配工作崗位的方式在不遠(yuǎn)的將來就會(huì)被新技術(shù)取代，從而大大提高企業(yè)人力資源部門的工作效率。

參考文獻(xiàn)：

[1] 賀偉，汪林，吳小玥.人工智能技術(shù)對人力資源管理研究的影響述評[J].中國科學(xué)基金，2024，38（5）：831-840.

[2] 陳春鳳，李榮遠(yuǎn).大數(shù)據(jù)和人工智能技術(shù)背景下文科生數(shù)據(jù)思維培養(yǎng)研究[J].電腦知識(shí)與技術(shù)，2024，20（18）：111-113，120.

[3] 劉瓊雯，林川.面向小樣本的崗位模糊匹配推薦算法[J].電子設(shè)計(jì)工程，2023，31（14）：51-56，61.

[4] 張如靜，高圣國.基于前景理論下不確定語言評價(jià)的人崗雙邊匹配決策研究[J].計(jì)算機(jī)與數(shù)字工程，2024，52（2）：492-495.

[5] 代必芳，陳貴平.人工智能問答系統(tǒng)的對話與改進(jìn)策略研究：以文心一言為例[J].電腦知識(shí)與技術(shù)，2024，20（8）：14-16，38.

【通聯(lián)編輯：梁書】