AI招聘技术解密

人工智能AI的应用现在似乎逐步大众化了，从应用最广泛的人脸识别到金融风控，智能呼叫、精准农业、AI医疗等等，各行各业都可以用到AI。可是有一个领域却鲜为人知，因为可能存在着极度不舒适感。那就是AI招聘。

从万千履历中挑选最佳的人选，是以前HR最繁重的工作，以前的HR一天要看几百上千封简历，可就是这样勤勤恳恳也会漏掉很多真正的好的人才。找出最符合职位的人选，就像从沙滩上挑选最美丽的贝壳一样，这样的难题，一直困扰着无数企业。

有些应聘者发现去某些公司面试的时候会静坐在等候室相当长一段时间，有的甚至遇到了人形机器人的面试，这将会是什么样的情况呢？

AI能通过过往职业大数据，个人社交信息等来进行初步筛选，在现场面试中通过脸部表情，语言表达等信息，透视应征者的符合程度和发展潜力，这就是AI招聘。AI招聘技术，开始成为各大企业寻找人才的新利器。

面对AI机器面试，你准备好了吗？本文首先对AI招聘的状况、趋势和技术概要进行了简述，后面用领英的底层招聘技术给大家解密AI招聘技术和原理。

AI招聘状况

我们百度一下AI招聘，发现AI招聘已经很火热了：

这些AI招聘中，既有输出平台技术的，称可以节省招聘费用30%，有直接提供招聘系统为企业服务的，也有提供云招聘的，还有是结合自己招聘平台直接开发AI技术的，这方面典型的代表是拥有6.9亿用户的领英。

AI招聘趋势：人工智能开始掌管招聘

根据美国企业的统计数据，一个新员工的平均招聘成本是4,000美元，同时还需要24天的计划和准备，不仅仅财务成本高，时间成本也很高。因此，很多中国企业或者在中国的外企，宁愿内部推荐人才给予奖励4000+以上，也不愿意通过HR或者外部平台去招聘人才，那样会不仅会付出更多的金钱，还会需要更多的时间。

随着AI（人工智能）浪潮的袭来，超过63％的HR部门，已经在应用或者正在考虑这项人工智能招聘技术，尤其是求职者人满为患的大型企业。

譬如百事可乐在俄罗斯地区曾运用AI招聘寻找人才，应用Robot Vera技术，能够在9小时内，面试、筛选1,500位应聘人员。

连锁餐饮巨头麦当劳在全球每年的职位需求有200万个，需要处理2000多万份简历。为了减轻HR的工作任务，提高效率，降低HR成本，麦当劳与亚马逊、谷歌等进行合作，分别Alexa或者谷歌的语音助理进行第一阶段的筛选。

全球酒店管理集团希尔顿的面试过程是首先经过三轮AI招聘：AI简历筛选、AI机器人访谈，AI面试，通过这三个AI的筛选后的求职者才有接受真人面试的机会。

希尔顿利用这种AI招聘技术，把约4.3万名求职者筛选了其中约2／3的人，最后进入真人面试的只有1/3，大大减轻了HR的工作量，也减少了HR成本。。

依据在新加坡的使用经验，新加坡星展银行建立的AI招聘系统JIM，能够节省80％的履历筛选时间，大大减少HR工作量和成本，提高招聘速度。

在AI招聘后：“售后”「用人」的环节，交互式AI招聘系统开发商Mya的平台，能够通过自动聊天机器人为员工调整职务，追踪员工申请过程，自动化安排工作岗位。

AI招聘后的优缺点

优点：

1、AI培训人才

IBM利用AI招聘“售后”系统，帮助员工培训和进修，针对员工需要提升的技能，针对个人进行针对性的建议，并整理、提供最有效的学习资源，让使用者搞笑学习。

2、AI挽留人才

通过考勤、工作质量、绩效成果、个人能力等风险因素的分析，AI可以判断员工离职的几率，提前给HR预警哪些员工可能离职。

通过AI招聘后系统，可以分析人才流失率，并判断哪些是高风险离职员工，准确率超过70％。

综合下来，AI能够通过学历、工时、考勤（迟到、请假等）、部门换岗、年龄、绩效等60项内部因素，以及交通、房价等社会外部因素，定期找出高风险离职员工。

缺点：

即使AI能优化岗位结构，预测离职风险，但是企业人才管理是一件非常复杂的事情，目前AI仍然只能是辅助工具，还不能取代主管，特别是直属主管做决定，无论是自动筛选、聊天、面试人才等方面，最终还需要真人主管来面试决策者；与以往不同的是，主管能够通过AI分析大大提高效率做到过去做不到的事，创造更多的专业价值。

天才缺陷

AI招聘的另一个重要的缺点是：AI并不能理解、分析那种异于常人的天才的思维，因此，AI招聘有可能真正错失顶尖人才。

AI招聘算法概要

面向招聘者（企业），AI招聘需要提供多种「人才搜索与推荐」方面的产品。

比如领英的LinkedIn Recruiter，它会根据使用者的反馈，更主动、有针对性地为招聘的职位推荐候选人。传统的搜索和推荐系统一般只关注搜索内容和查询关键词的相关性，但这里的人才搜索功能还需要满足一点，就是招聘人员和候选人在相关领域互相对彼此感兴趣。经过此类筛选后，不仅应聘者需要与招聘者的工作需求相契合，并且招聘者联系的求职者也必定对岗位机会感兴趣，从而提高双方的匹配成功率。

面向求职者的「职位推荐」，用户在平台上传个人简历，平台会推荐适合求职者的工作。目前很多求职招聘平台都会提供这种功能，但如何做出精准高效的个性化推荐，至关重要。

比较好的做法是，第一步建立知识图谱和研发针对自然语言的标准化技术，并针对每位用户的简历，使用基于深度学习模型的标准化技术来实现信息抓取，比如 LSTM、CNN 等等。为了实现个性化服务，可以采用能够从多角度理解内容的机器学习算法，通过将机器学习与会员意图信号、档案数据和会员人脉网络信息结合起来，实现会员推荐和搜索结果的高度个性化。

AI招聘技术解密

我们以领英的招聘底层技术为例来对AI招聘进行解密。

在线学习算法（Online learning）

用来训练算法的技术称为「Online Learning」，这也是一种在工业界应用十分广泛的机器学习算法。

基于招聘者与候选人的互动方式，算法会在招聘过程中持续学习招聘者的偏好，并提供与需求更加贴合的候选人。这种在线学习驱动的推荐系统利用工作描述、招聘者接触过的或存档的候选人，以及对这份工作感兴趣的求职者等多维信息，综合计算，主要应用于为公开招聘职位匹配最佳候选人。

举个例子，如果招聘者一直对「具有领导技能的会计师」或「擅长社交媒体的项目经理」等类别的候选人感兴趣，系统就会推荐更多类似的候选人，潜移默化地学习和推测对招聘者当前人才需求和意图。所有过程实时在网络上计算进行，求职市场的反馈变化一旦发生，就会被立即学习。

还有一项功能 Recommended Matches ，基于用户的隐身求职状态（Open Candidate）和其他潜在的求职指标（例如，技能、头衔、行业和资历），在系统中按照竞争力的强弱展示出这些求职者。算法会根据候选人是否符合求职标准、是否表现出求职意向以及是否对招聘者的工作感兴趣，计算出最有可能接受工作的候选人。

代表性结果（Representative result）

当然，在候选人筛查方面还存在一个「公平问题」。由机器学习模型计算出的求职者排序可能无意中产生偏见，进一步减少弱势群体的竞争力。

从算法模型来看，合格的候选人和人才搜索功能中排名靠前的候选人，他们对工作的兴趣的类型分布应该大致相同。这意味着，在搜索中排名靠前的人才在更广泛多样化的能力层面上需要更具“代表性”（Representative）。

因此，系统采取具有代表性的人才搜索系统的技术架构，通过机器学习模型检索的候选集进行重新排序，向招聘人员展示一组与工作需求相符合的潜在候选人，以确保减轻偏见，获得多样化的人才。

人才搜索与推荐系统底层架构设计

对于招聘方来说，人才搜索与推荐系统的设计非常重要。在 Lucene 上建立一个名为 Galene 的搜索堆栈，并搭建了各种插件，包括实时更新搜索索引的功能。搜索索引由两种类型的字段组成：

反向字段：从搜索词到包含搜索词的实体 (领英用户) 列表的映射。

正向字段：从实体 (领英用户) 到关于它们的元数据的映射。

这些搜索索引字段有助于在搜索排名中评估机器学习的特征价值（Feature Values）。搜索索引字段中数据的新鲜度（Freshness）对于机器学习特征也非常重要。

人才搜索架构和流程。

Recruiter Search 功能中有一个分层的排名架构:

L1：挖掘人才库并对候选人进行评分 / 排名。候选人的检索和排名在这一层是以分布式方式进行的。

L2：通过使用外部缓存优化入围人才，以适应更多动态特性。

检索和排名架构。

Galene Broker 系统将搜索查询请求分发给多个搜索索引分区。每个分区检索匹配的文档，并将机器学习模型应用于检索到的候选人。每个分区（即单一的能力指标）对候选人的子集进行排序，然后代理系统收集排序后的候选人，并将它们返回给 Search Federator，这是 L1 层架构。在 L2 层，Search Federator 会进一步根据额外的动态或从缓存信息中引用的排名特征，对检索到的候选人进行排名。

但如何根据招聘人员所寻找应聘者的类型，来模拟其意图和偏好，一直是人工智能在招聘领域应用中的挑战。此前，领英尝试过两种方法：通过领英所存储的招聘人员使用数据，进行离线学习个性化模型来实现；或者通过收集了解招聘人员在线使用时的偏好来实现。

离线学习模型的一个不足是，招聘人员在线实时检查推荐的候选人并提供反馈时，其最新偏好和意图不能在正在进行的搜索会话中得到实时的反应和反馈。因此，LinkedIn Recruiter 团队根据用户反馈建立了更加贴合需求的系统，并根据各种条件（如，每一次应聘中给候选人提供的即时反馈）进行多步骤运算后，推荐该职位的最佳候选人。

下面是这种系统的架构，它首先将潜在的候选人按照技能分成几组。然后，基于招聘人员的当前意图，利用 Multi-Armed Bandit 模型来分析出哪个组别更理想的适应工作需求，并且基于招聘者的反馈来更新每个技能组内的候选人排名。

Multi-Armed Bandit 在线个性化系统的架构。

下面是这种推荐算法的初步实验的一些结果。图表显示，随着更多的反馈被结合添加到推荐模型中，推荐候选人的质量得到了优化提高，系统也得到了越来越多的正面反馈。

匹配到良好的候选人的百分比。

职位推荐系统

最后介绍一下「职位推荐」背后的技术。这种方式在当前的招聘领域是很常见的，用户们也会发现如今收到的职位推荐精准度已经到达了一个比较高的水平。这种从「线性推荐」到「深度个性化」的变化背后，经历了技术的多番改进。

一般职位推荐是一个线性模型，也就是说，如果求职者是一个软件工程师，系统就会推荐一个软件工程师的职位。但这种推荐模式的不足也很明显，在职业种类和领域交叉越来越丰富的今天，对于很多用户来说并不太个性化。

为了实现「深度的个性化」，研发 Generalized Linear Mixed Model（GLMix），针对每个用户和每个职位建立一个单独为他们服务的模型，根据用户之前的职位申请，为他推荐更多类似的职位，这使得系统模型的参数量可以达到上百亿的规模。后来，系统建立了一个 Deep&Wide 的模型，整合了深度学习、树状结构模型以及 GLMix，实现了比较好的模型效果和用户体验。

为了实时更新上百亿的模型参数以及在毫秒级别内满足用户的职位推荐需求，系统搭建了大规模运算平台来实现人工智能模型的技术。这个平台包括线下和线上两个模块：线下模块自动收集用户的反馈、基于 Spark 自动训练，之后把模型结果和参数上传到线上。在线上，领英使用自己的实时数据传输和搜索引擎技术来实现低延迟的模型运算。

结语：

了解了AI招聘的趋势，企业家们，多快好省的HR来了，知道怎么做了吧；小伙伴们，AI招聘势不可挡，了解了基本原理和内在算法，是不是要准备点啥来呢？实现百万年薪的飞跃，首先就要看你能否与机器沟通了。

参考资料：

https://engineering.linkedin.com/blog/2019/02/learning-hiring-preferences--the-ai-behind-linkedin-jobs

https://engineering.linkedin.com/blog/2018/10/building-representative-talent-search-at-linkedin

https://engineering.linkedin.com/blog/2019/04/ai-behind-linkedin-recruiter-search-and-recommendation-systems

https://www.linkedin.com/pulse/人工智能在大规模招聘求职上的应用-liang-zhang/