知识图谱在AI招聘领域的应用实例（多图预警）

本文我们将结合探也AI招聘系统来给大家展示一下知识图谱在招聘各个环节的应用实例。

探也的招聘知识图谱涵盖了我们在招聘中常用的实体信息，如行业（包括目标客户行业）、细分领域、公司、产品/品牌、职位、项目、技能（包括硬技能和软技能）、学校、专业、学历等，此外还有一些如地域、民族、政治面貌等实体信息。

这些知识图谱首先作为背景信息和先验知识，记录的主要是它们本身的详细信息和相互之间的关系，再通过深度学习技术，优化已有的知识体系中不准、不全和不够灵活的地方，并从大规模的JD和简历中学到这些信息的隐性表示，建立实体间的关联关系，形成一个庞大的图数据库。

下面我们一起来看一看探也的知识图谱在招聘中是如何发挥作用的，多图预警。

01 实体信息增强

知识图谱作为一种语义网络，是一个具有图结构的知识库，实体信息的增强解释和说明是知识图谱最基本的功能。

在招聘过程中，我们经常需要了解某个学校是否985/211，是公立还是民办，了解候选人简历中提到的公司是做什么的，规模怎样，是否与本公司所处同一行业或相关领域，探也系统均对这些信息做了处理和呈现。

探也的知识图谱能够将公司所在的行业和细分领域、企业特性、品牌和产品、项目、职位、公司常用到的技能等与公司关联起来，例如循环智能这个品牌属于北京睿科伦智能科技有限公司，北京三快科技有限公司就是美团；还能将职位和项目、职位与技能等建立关联关系，并应用在人岗匹配环节，如前端工程师主要的技能为Html、Css、Javascript、React、Vue、Angular等，大数据开发工程师最重要的技能为 Hadoop，Hive，Hbase、Spark、Kafka等。

02 JD文本自动解析成职位画像

探也支持直接在系统中发布职位并自动解析成职位画像，此外，还支持粘贴招聘网站上的职位详情页链接，或者直接从招聘网站一键激活职位，同步职位JD并进行自动解析。

常见的JD信息一般包括岗位职责和任职资格要求，探也AI可基于知识图谱进行知识推理，判断哪些是基本属性要求（如地点、学历、工作经验等），哪些是硬技能，哪些是行业或项目要求，哪些是对曾任企业的要求，智能解构成职位画像。

03 人岗智能匹配

在人岗匹配过程中，知识图谱让AI具有了类似资深猎头的知识推理能力，最简单的例子就是AI知道k8s其实是kubernetes的简称，angular和angular.js和angularJS其实是一个东西，es在技术简历中通常是Elasticsearch的简称，BUT，es6、es7、es8这些指的就不是Elasticsearch而是ECMAScript的各种版本了。

此外，探也基于词共现的文本分类算法，通过计算词间共现率，利用TextRank算法构建共现图得到共现词组，建立文本向量表示模型，如Java工程师中常见的技能spring MVC和MyBatis经常一块出现，一个人简历中提到掌握了spring MVC，那他很大概率也是会MyBatis的。

一份简历进入到探也系统后，AI首先会针对简历进行智能推理和分析，并提示出简历中的存疑点和风险点，如时间重叠，工作空档期，学历存疑、工作年限虚标、简历造假等。

在人岗多维度匹配过程中，AI能分析简历的亮点和不足，判断其能力匹配度和意愿匹配度，并智能提示有哪些需要具备但简历中没有体现的技能点，要和候选人去沟通确认；人选意愿度不高时应该采取什么措施以提高人选意愿度。

04 人才搜索

探也通过引入知识图谱中的实体以及实体的描述信息丰富语义，优化信息检索模型，可灵活支持各类实体搜索，让人才搜索更便捷，更智能。

05 职位人才洞察

基于庞大的知识图谱和数据支持，探也可针对职位的市场人才数据情况进行洞察，让你在招聘前先掌握人才市场分布情况，薪资情况，知己知彼，百战不殆。

此外，还能针对该职位关联的人选进行洞察分析，判断职位市场竞争力，根据洞察结果思考应该如何调整招聘策略。

06 定向挖掘人才

在探也平台，你可以根据行业、细分领域，项目、融资轮次、行业地位、公司特性（如乙方、ToB）等来定向挖掘目标公司和对应的人才。

此外，针对ToB行业比较难招的销售商务类人才，探也还可以根据目标客户行业来精准挖掘，如需要有能源电力、石油化工、机械制造等行业销售背景的人才，那可以选择目标客户行业为能源、石油石化、机械制造的标签进行定向挖掘。

定向精准挖掘的背后，是探也针对这些实体进行了关系建构，如针对行业、细分领域、项目、技能等，建立了父子关系层级结构，使某些属性具有可继承性，某些具有单向性，如你要找有金融客户资源的销售，那么目标客户行业为保险、证券、银行等的公司出来的销售也都是符合要求的，但反过来就不成立了，如你要找有保险公司客户资源的KA，有金融客户资源的销售就不一定合适了。