摘  要
目前，越来越多不同特点的应聘者和越来越细化的岗位之间，存在巨大的信息不对称。因此高效、准确的将合适的人推荐到合适的岗位，有很大的实际意义。本文针对这一工程实践问题，提出“简历智能推荐算法”：将求职简历和工作表述进行匹配。
本文采用自然语言处理的多种方法解决简历匹配的问题。首先，利用正则表达式基于规则的提取了求职简历中结构化字段的信息。这部分工作为之后按规则筛选简历提供接口。之后，对于求职简历和工作描述的非结构化字段，提取了关键词信息：利用6000多句带标注的数据，有监督的训练了条件随机场模型（CRF）和改进的bi-LSTM-CRF模型。分析了这两种不同模型，在技术关键词提取方面的效果。随后，分析了提取关键词的“长尾效应”，并利用自编码器无监督的学习了文本的关键词向量的表示。再通过主成分分析，可视化关键词向量。结果表明匹配相同工作描述的文本的关键词向量，有聚类的现象。这一结果表明：通过自编码器确实学到了有含义的关键词向量。之后，利用多层感知机模型，对提取到的求职简历和工作描述进行分类。利用51job上提供的172封匹配的数据训练了模型。
最后本文分析了模型训练的结果：在测试数据集上，画出了模型预测结果的ROC曲线，并计算了AUC。模型最终的AUC达到0.95，实现了比较好的分类效果。
关键词：自然语言处理，长尾效应，简历匹配，机器学习
Abstract
Information asymmetry is a popular problem in Talent Resource Market. Therefore, matching CV (Curriculum Vita) to its fitted job description is a important task. In this paper, I develop an algorithm to do this task. This will largely reduce the pains-taking task for people to look through CV and choose the fitted one.
The Algorithm is largely based on classical methods in Natural Language Procession (NLP). I first using Regular Expression to extract information from the structural text. This information will be used to filter the CV in the future. Then, I focus on extracting keywords from nonstructural test. Based on supervised Machine Learning algorithms, I trained an keywords extraction model. I compared two models here: Conditional Random Field (CRF) and bi-LSTM-CRF in this task. I further analyzed the keywords extracted and discovered the “long tail phenomenon”. In response to this challenge, I build an auto-encoder model to compact and extract further information from the keyword vectors of CV. Then I found that the encoded keyword vectors have rich semantics meaning: by visualizing it using Principal Component Analysis (PCA) and finding the CV’s keyword vectors clustering according to the matched job description. Finally, I build a Muti-Layer Perception (MLP) model to classify and matching CV to corresponding job description.
Then analyzed the model’s performance on test set by drawing ROC curve and calculated AUC. The model achieves 0.95 in AUC, which indicated it’s capability to matching CV to job descriptions.
Key words: NLP, Long tail, Resume matching, Machine Learning
目录
摘  要 I
Abstract II
1  绪论 2
1.1  课题背景及目的 2
1.1.1 现实意义 2
1.1.2 理论意义 2
1.2  国内外研究状况 3
1.3  研究方法与研究内容 3
1.4  论文构成 4
2  相关技术 5
2.1 命名实体识别 5
2.2 利用条件随机场的命名实体识别 6
2.3  基于bi-LSTM-CRF的命名实体识别 7
2.4  自编码器的原理和应用 9
2.5 多层感知机的原理 11
2.6 梯度下降算法 12
3 算法设计与实现 14
3.1  数据准备 14
3.1.1  数据说明 14
3.1.2  数据的结构和字段分析 15
3.1.3  数据的预处理 18
3.2  特征提取 19
3.2.1  基于正则表达式的格式化信息提取 19
3.2.2  技术关键词的提取 19
3.2.3  自编码器提取one-hot编码的关键词特征 23
3.3  预测模型的设计 24
3.3.1  模型的输入输出 24
3.3.2 模型架构 25
3.3.3  模型训练 25
4  算法评估 26
4.1  技术关键词提取结果分析 26
4.1.1  关键词提取评价指标 26
4.1.2  技术关键词提取结果对比 27
4.2  自编码器的实现与结果分析 28
4.3  推荐算法在测试数据集上的结果 29
4.3.1  评价指标 29
4.3.2 结果与分析 29
结  论 31
致  谢 33
参考文献 34