在就業(yè)市場上，有一個永恒的定律：招聘者感覺很難找到合適的人才，同時求職者感覺很難找到符合期望的工作機(jī)會。造成這種現(xiàn)象的原因之一就是信息不對稱問題。

 

　　隨著人工智能近年來的飛速發(fā)展，這一技術(shù)正在成為招聘和求職過程中的新工具，一方面開始接管 HR 工作中簡單重復(fù)的部分，幫助企業(yè)提升招聘的效率和智能化程度；另一方面幫助求職者從成千上萬的職位中篩選出最適合自己的機(jī)會，從而更好地去規(guī)劃職業(yè)發(fā)展路徑。

 

　　目前，這方面的技術(shù)已經(jīng)在各類招聘及職業(yè)社交平臺上廣泛應(yīng)用，使得招聘與求職雙方的用戶體驗(yàn)都得到了極大的提升。

 

　　作為全球最大的職場社交網(wǎng)絡(luò)，領(lǐng)英（LinkedIn）目前的用戶總量已經(jīng)達(dá)到 6.9 億以上，在中國擁有超過 5000 萬名用戶。對于領(lǐng)英來說，人工智能技術(shù)是如何融入面向眾多招聘者和求職者的日常服務(wù)的？

 

　　招聘者與求職者，AI 牽線搭橋

 

　　我們先來了解一下人工智能在求職招聘領(lǐng)域的應(yīng)用情況。

 

　　一般來說，人工智能在尋找候選人、篩選和培養(yǎng)候選人時最有幫助。對于招聘流程中更加復(fù)雜的部分，例如與候選人者積極溝通和面試候選人，人工智能能夠幫助到的地方相對少一些。同時，人工智能技術(shù)的應(yīng)用也可以彌補(bǔ)人工招聘工作中的諸多不足，比如篩選速度、主觀成見、人才分析等。

 

　　根據(jù)領(lǐng)英發(fā)布的 2018 招聘趨勢報告顯示，在接受調(diào)查的專業(yè)人才和招聘人員中，67% 表示人工智能有助于節(jié)省時間，43% 表示人工智能有助于消除偏見，31% 表示人工智能在尋找最佳候選人方面很有助益。

 

 

　　人工智能技術(shù)能起到作用的招聘環(huán)節(jié)。

 

　　面向招聘者，領(lǐng)英提供了多種「人才搜索與推薦」方面的產(chǎn)品。

 

　　比如 LinkedIn Recruiter，它會根據(jù)使用者的反饋，更主動、有針對性地為招聘的職位推薦候選人。傳統(tǒng)的搜索和推薦系統(tǒng)一般只關(guān)注搜索內(nèi)容和查詢關(guān)鍵詞的相關(guān)性，但這里的人才搜索功能還需要滿足一點(diǎn)，就是招聘人員和候選人在相關(guān)領(lǐng)域互相對彼此感興趣。經(jīng)過此類篩選后，不僅應(yīng)聘者需要與招聘者的工作需求相契合，并且招聘者聯(lián)系的求職者也必定對崗位機(jī)會感興趣，從而提高雙方的匹配成功率。

 

 

　　LinkedIn Recruiter 產(chǎn)品截圖（模擬）。

 

　　面向求職者的「職位推薦」也是領(lǐng)英的主打產(chǎn)品之一。用戶在領(lǐng)英上傳個人簡歷，平臺會推薦適合求職者的工作。目前很多求職招聘平臺都會提供這種功能，但如何做出精準(zhǔn)高效的個性化推薦，至關(guān)重要。

 

 

　　領(lǐng)英做的第一步是建立知識圖譜和研發(fā)針對自然語言的標(biāo)準(zhǔn)化技術(shù)，并針對每位用戶的簡歷，使用基于深度學(xué)習(xí)模型的標(biāo)準(zhǔn)化技術(shù)來實(shí)現(xiàn)信息抓取，比如 LSTM、CNN 等等。為了實(shí)現(xiàn)個性化服務(wù)，領(lǐng)英采用了能夠從多角度理解內(nèi)容的機(jī)器學(xué)習(xí)算法，通過將機(jī)器學(xué)習(xí)與會員意圖信號、檔案數(shù)據(jù)和會員人脈網(wǎng)絡(luò)信息結(jié)合起來，實(shí)現(xiàn)會員推薦和搜索結(jié)果的高度個性化。

 

　　此外，為了提升應(yīng)聘者和企業(yè)的使用感受和招聘效率，在候選人溝通和面試方面，領(lǐng)英也提供了兩種新功能：

 

　　一是旨在提升應(yīng)聘者面試表現(xiàn)的「Interview Prep」，它會提供人工智能即時答案反饋的功能。這項(xiàng)功能可以根據(jù)求職者以往有記錄的回答，為他們提供其中一些比較常見面試問題的即時反饋。

 

　　二是旨在提升企業(yè)對應(yīng)聘者軟實(shí)力考察效率的「視頻介紹功能」，它能幫助招聘者邀請應(yīng)聘者，通過以短視頻或者筆試的形式回答 1-2 個問題，去展示應(yīng)聘者的交流技能和其他軟技能。這個功能目前處于測試階段。

 

　　據(jù)統(tǒng)計，自從「可能感興趣職位」的個性化人工智能服務(wù)上線后，職位申請數(shù)量增長了 30%。在領(lǐng)英中國團(tuán)隊將該模型在中國用戶后，職位申請的數(shù)量又額外提高了 11%。在人工智能驅(qū)動的產(chǎn)品優(yōu)化之后，職位申請量實(shí)現(xiàn)了 40% 的年度增長。通過利用人工智能改進(jìn)的招聘解決方案，站內(nèi)信回復(fù)率提高了 45%，同時也減少了領(lǐng)英向會員發(fā)送通知的數(shù)量。

 

　　解密技術(shù)細(xì)節(jié)

 

　　在這些面對 6 億多用戶的人工智能服務(wù)背后，領(lǐng)英是在利用哪些技術(shù)作為支撐？

 

　　在線學(xué)習(xí)算法（Online learning）

 

　　領(lǐng)英用來訓(xùn)練算法的技術(shù)稱為「Online Learning」，這也是一種在工業(yè)界應(yīng)用十分廣泛的機(jī)器學(xué)習(xí)算法。

 

　　基于招聘者與候選人的互動方式，領(lǐng)英的算法會在招聘過程中持續(xù)學(xué)習(xí)招聘者的偏好，并提供與需求更加貼合的候選人。這種在線學(xué)習(xí)驅(qū)動的推薦系統(tǒng)利用工作描述、招聘者接觸過的或存檔的候選人，以及對這份工作感興趣的求職者等多維信息，綜合計算，主要應(yīng)用于為公開招聘職位匹配最佳候選人。

 

　　舉個例子，如果招聘者一直對「具有領(lǐng)導(dǎo)技能的會計師」或「擅長社交媒體的項(xiàng)目經(jīng)理」等類別的候選人感興趣，領(lǐng)英就會推薦更多類似的候選人，潛移默化地學(xué)習(xí)和推測對招聘者當(dāng)前人才需求和意圖。所有過程實(shí)時在網(wǎng)絡(luò)上計算進(jìn)行，求職市場的反饋?zhàn)兓坏┌l(fā)生，就會被立即學(xué)習(xí)。

 

　　在新功能 Recommended Matches 中，領(lǐng)英基于用戶的隱身求職狀態(tài)（Open Candidate）和其他潛在的求職指標(biāo)（例如，技能、頭銜、行業(yè)和資歷），在系統(tǒng)中按照競爭力的強(qiáng)弱展示出這些求職者。領(lǐng)英的算法會根據(jù)候選人是否符合求職標(biāo)準(zhǔn)、是否表現(xiàn)出求職意向以及是否對招聘者的工作感興趣，計算出最有可能接受工作的候選人。

 

　　代表性結(jié)果（Representative result）

 

　　當(dāng)然，在候選人篩查方面還存在一個「公平問題」。由機(jī)器學(xué)習(xí)模型計算出的求職者排序可能無意中產(chǎn)生偏見，進(jìn)一步減少弱勢群體的競爭力。

 

　　在領(lǐng)英看來，合格的候選人和人才搜索功能中排名靠前的候選人，他們對工作的興趣的類型分布應(yīng)該大致相同。這意味著，在搜索中排名靠前的人才在更廣泛多樣化的能力層面上需要更具“代表性”（Representative）。

 

　　因此，領(lǐng)英采取了具有代表性的人才搜索系統(tǒng)的技術(shù)架構(gòu)，通過機(jī)器學(xué)習(xí)模型檢索的候選集進(jìn)行重新排序，向招聘人員展示一組與工作需求相符合的潛在候選人，以確保減輕偏見，獲得多樣化的人才。

 

　　人才搜索與推薦系統(tǒng)底層架構(gòu)設(shè)計

 

　　對于招聘方來說，人才搜索與推薦系統(tǒng)的設(shè)計非常重要。領(lǐng)英在 Lucene 上建立了一個名為 Galene 的搜索堆棧，并搭建了各種插件，包括實(shí)時更新搜索索引的功能。搜索索引由兩種類型的字段組成：

 

　　反向字段：從搜索詞到包含搜索詞的實(shí)體 (領(lǐng)英用戶) 列表的映射。

 

　　正向字段：從實(shí)體 (領(lǐng)英用戶) 到關(guān)于它們的元數(shù)據(jù)的映射。

 

　　這些搜索索引字段有助于在搜索排名中評估機(jī)器學(xué)習(xí)的特征價值（Feature Values）。搜索索引字段中數(shù)據(jù)的新鮮度（Freshness）對于機(jī)器學(xué)習(xí)特征也非常重要。

 

　　人才搜索架構(gòu)和流程。

 

　　Recruiter Search 功能中有一個分層的排名架構(gòu):

 

　　L1：挖掘人才庫并對候選人進(jìn)行評分 / 排名。候選人的檢索和排名在這一層是以分布式方式進(jìn)行的。

 

　　L2：通過使用外部緩存優(yōu)化入圍人才，以適應(yīng)更多動態(tài)特性。

 

 

　　檢索和排名架構(gòu)。

 

　　Galene Broker 系統(tǒng)將搜索查詢請求分發(fā)給多個搜索索引分區(qū)。每個分區(qū)檢索匹配的文檔，并將機(jī)器學(xué)習(xí)模型應(yīng)用于檢索到的候選人。每個分區(qū)（即單一的能力指標(biāo)）對候選人的子集進(jìn)行排序，然后代理系統(tǒng)收集排序后的候選人，并將它們返回給 Search Federator，這是 L1 層架構(gòu)。在 L2 層，Search Federator 會進(jìn)一步根據(jù)額外的動態(tài)或從緩存信息中引用的排名特征，對檢索到的候選人進(jìn)行排名。

 

 

 

　　但如何根據(jù)招聘人員所尋找應(yīng)聘者的類型，來模擬其意圖和偏好，一直是人工智能在招聘領(lǐng)域應(yīng)用中的挑戰(zhàn)。此前，領(lǐng)英嘗試過兩種方法：通過領(lǐng)英所存儲的招聘人員使用數(shù)據(jù)，進(jìn)行離線學(xué)習(xí)個性化模型來實(shí)現(xiàn)；或者通過收集了解招聘人員在線使用時的偏好來實(shí)現(xiàn)。

 

　　離線學(xué)習(xí)模型的一個不足是，招聘人員在線實(shí)時檢查推薦的候選人并提供反饋時，其最新偏好和意圖不能在正在進(jìn)行的搜索會話中得到實(shí)時的反應(yīng)和反饋。因此，LinkedIn Recruiter 團(tuán)隊根據(jù)用戶反饋建立了更加貼合需求的系統(tǒng)，并根據(jù)各種條件（如，每一次應(yīng)聘中給候選人提供的即時反饋）進(jìn)行多步驟運(yùn)算后，推薦該職位的最佳候選人。

 

　　下面是領(lǐng)英用于這種系統(tǒng)的架構(gòu)，它首先將潛在的候選人按照技能分成幾組。然后，基于招聘人員的當(dāng)前意圖，利用 Multi-Armed Bandit 模型來分析出哪個組別更理想的適應(yīng)工作需求，并且基于招聘者的反饋來更新每個技能組內(nèi)的候選人排名。

 

　　Multi-Armed Bandit 在線個性化系統(tǒng)的架構(gòu)。

 

　　下面是領(lǐng)英對這種推薦算法的初步實(shí)驗(yàn)的一些結(jié)果。圖表顯示，隨著更多的反饋被結(jié)合添加到推薦模型中，推薦候選人的質(zhì)量得到了優(yōu)化提高，領(lǐng)英也得到了越來越多的正面反饋。

 

　　匹配到良好的候選人的百分比。

 

　　職位推薦系統(tǒng)

 

　　最后需要介紹一下「職位推薦」背后的技術(shù)。這種方式在當(dāng)前的招聘領(lǐng)域是很常見的，用戶們也會發(fā)現(xiàn)如今收到的職位推薦精準(zhǔn)度已經(jīng)到達(dá)了一個比較高的水平。這種從「線性推薦」到「深度個性化」的變化背后，經(jīng)歷了技術(shù)的多番改進(jìn)。

 

　　此前，領(lǐng)英的職位推薦是一個線性模型，也就是說，如果求職者是一個軟件工程師，領(lǐng)英就會推薦一個軟件工程師的職位。但這種推薦模式的不足也很明顯，在職業(yè)種類和領(lǐng)域交叉越來越豐富的今天，對于很多用戶來說并不太個性化。

 

　　為了實(shí)現(xiàn)「深度的個性化」，領(lǐng)英研發(fā)了 Generalized Linear Mixed Model（GLMix），針對每個用戶和每個職位建立一個單獨(dú)為他們服務(wù)的模型，根據(jù)用戶之前的職位申請，為他推薦更多類似的職位，這使得領(lǐng)英模型的參數(shù)量達(dá)到了上百億的規(guī)模。后來，領(lǐng)英建立了一個 Deep&Wide 的模型，整合了深度學(xué)習(xí)、樹狀結(jié)構(gòu)模型以及 GLMix，實(shí)現(xiàn)了比較好的模型效果和用戶體驗(yàn)。

 

　　為了實(shí)時更新上百億的模型參數(shù)以及在毫秒級別內(nèi)滿足用戶的職位推薦需求，領(lǐng)英搭建了大規(guī)模運(yùn)算平臺來實(shí)現(xiàn)人工智能模型的技術(shù)。這個平臺包括線下和線上兩個模塊：線下模塊自動收集用戶的反饋、基于 Spark 自動訓(xùn)練，之后把模型結(jié)果和參數(shù)上傳到線上。在線上，領(lǐng)英使用自己的實(shí)時數(shù)據(jù)傳輸和搜索引擎技術(shù)來實(shí)現(xiàn)低延遲的模型運(yùn)算。