技术提升人岗匹配效果，我们做了这些探索 解锁这项 AI 黑科技，马上实现人岗匹配自由 AI 黑科技： Embedding、知识图谱（KG）方法、自然语言处理（NLP）、非线性树模型、deep 模型、 BERT、 Word2Vec 模型等 本期和大家讨论下 “人岗匹配排序的探索与实践”。从人力资源管理的发展来看，人岗匹配大致 经历了三个阶段，“三历对照法”、“冰山挖掘法”、“全人匹配法”，而 AI 技术的引用将为企业迎 就是解决如何将自然语言表示为向量的，Google 推出了 Word2Vec 模型， 可以将语义相近的词映射到向量空间中相近的位置，之后 Google 又提出了 BERT，BERT 可以 考虑到相同词在不同位置有不同含义等信息，利用这个新的语言模型刷新了问答、文本情感分 析等多个语言任务的表现。同时，Embedding 也可以作为深度学习模型的隐藏层，可以极大提 高模型的表现。 自从 word2vec 横空出世，似乎各行各业的一切东西都在被 绍几种商业上比较常用的几种方法： 1) DeepWalk DeepWalk [3] 是 KDD 2014 的一篇文章，我们常用的 word2vec 是根据词的共现关系利用 skip gram 和 COBW 将词映射到低维向量。DeepWalk 算法思路其实是利用了 word2vec 生 成 embedding 的一种方法 skipgram，对于已经建立的 Graph 来说每个节点可以是不同的实

的行业洞 察 是否有数字 化工具，支 持快速地获 取 行 业 数 据，分析行 业 发 展 趋 势，支持业 态规划？ （1）通过业务调 研或者购买的方 式获取数据 （2）通过 EXCEL、 WORD等方式收集、 整理和分析数据 （1）建立清晰的 业态分析规划框 架 （2）确定各类数 据来源和定义 （3）具有简单的 系统数据收集工 具和分析能力 （1）通过系统工 具监控竞争者活 动，以及消费者行 基于数据 的商业模 式设计 是否有数字 化工具，支 持行业数据 分析，对商 业模式设计 和财务模型 构建进行支 持？ （1）基于管理者 经验和商业直觉 分析决策 （2）通过 EXCEL、 WORD等方式收集、 整理和分析数据 （1）建立清晰的 商业模型分析框 架 （2）确定各类数 据来源和定义 （3）具有简单的 系统数据收集工 具和分析能力 （1）通过系统工 具监控商业模型 的变化 L6 基于数据 和技术的 商业模拟 及训练 是否有数字 化工具，支 持模拟数据 对业务模型 进行测试和 训练？ （1）基于设定的 模型公式或沙盘 进行演练测试 （2）通过 EXCEL、 WORD等方式收集、 整理和分析数据 （1）建立清晰的 商业模型模拟框 架 （2）确定各类数 据来源和定义 （3）具有简单的 系统数据收集工 具，分析和业务监 控的能力 （1）选取特定的 真实客户样本进

及业务系统智能化水平的局限，提出了基于大语言 模型技术重构智慧应急的知识管理模式以及应急大 脑的概念框架，为应急管理信息化建设提供了新的 视角和技术路径。 1 大语言模型原理 大 语 言 模 型 通 过 词 嵌 入（word embedding）[3]、 Transformer 架构和注意力机制[1，4]、端对端神经网络 训练等方法和技术学习文本数据中的语义和语法规 律，从而具有理解文本并生成语法正确、语义连贯 的文 org/10.48550/arXi v.2303.10420. [3] MIKOLOV T, CHEN K, CORRADO G, et al. Efficient esti⁃ mation of word representations in vector space[EB/OL]. （2013-09-07）[2024-05-08]. https: //doi.org/10.48550/arXi v intelligence[J]. Nature, 2023, 620: 47-60. [14] TSHITOYAN V, DAGDELEN J, WESTON L, et al. Unsuper⁃ vised word embeddings capture latent knowledge from mate⁃ rials science literature[J]. Nature, 2019, 571: 95-98

提供网页版、APP、微信小程序、电脑版四大入口，满足不同场景需求： ①网页版（零门槛即用） 访问方式：浏览器输入`https://chat.deepseek.com` 特点： ⚫ 无需下载，支持文件上传（PDF/Word/图片） ⚫ 功能齐全，包含普通模式（V3）、深度思考（R1）、联网搜索 操作提示：登录后点击输入框下方按钮切换功能模式，例如开启 R1 模式处理复杂数学 题 ②手机 APP（移动办公神器） 注册方式：手机号/微信/邮箱三选一，接收验证码完成认证 ⚫ 安全提示：建议设置“字母+数字+符号”组合密码，定期更换 ②核心功能切换 ③文件交互技巧 支持格式：PDF（需文字可复制）、Word、Excel、图片（JPG/PNG） 高阶用法： ⚫ 文档对比：上传 A/B 两份文件，输入“分析市场策略差异” ⚫ 数据提取：从实验报告 PDF 中自动整理温度数据表格 避坑指南：超过

示；变电室高低压电网线路支路关系的模拟图展示和实时支路数据、指标对比展示； 为任意对象（企业、分厂、部门、班组、个人）任意时段（日月年）的电耗提供饼图、 柱形图、曲线图展示、管理和报表汇总、打印功能，并支持 word、pdf、excel 格式的 9 园区能源管理解决方案V3.0 导出；提供对标定位管理功能，实现按建筑、按部门、按类别的总量、人均、面积均 的综合排名对比;通过 能耗趋势、指标对比展示；给水管网支路关系的仿真模拟图展示和 实时支路数据、指 标对比展示；为任意对象（企业、分厂、部门、班组、个人）任意 时段（日月年）的 水耗提供饼图、柱形图、曲线图和报表汇总、打印功能，并支持 word、pdf、excel 格 式的导出；提供对标定位管理功能，实现按建筑、按部门、按 类别的总量、人均、面 积均的综合排名对比;通过 web 可联动智能管控设备,实现远 程控制,实现集体控制、单 趋势、指标对比展示； 给供暖管网支路关系的仿真模拟图展示和实时支路数据、指标 对比展示；为任意对象（企业、分厂、部门、班组、个人）任意时段（日月年）的水 耗提供饼图、柱形图、 曲线图和报表汇总、打印功能，并支持 word、pdf、excel 格 式的导出；提供对标定位 管理功能，实现按建筑、按部门、按类别的总量、人均、面 积均的综合排名对比;显示 供热分时分温控制的各区域的供热的状态。 10

有原始节点的边权重之和。重复以上两步，多轮迭代直至算法收敛，则可以发现 图上的多个社区。Graph Embedding 是图表达的一种方法，其大概思想是将图 数据转化为序列数据，进而利用 word2vec 等处理序列数据的方法得到图中结点 的向量化表示，而这样的转化通常可以通过图上的随机游走来完成，Node2Vec 就是结合了深度优先和广度优先的图游走方法。 DataFunTalk 成就百万数据科学家！ 的权重作为特征，来标识反面特性的程度。 DataFunTalk 成就百万数据科学家！ 292 1.3 word2vec word2vec 主要应用于 NLP 领域，在风控领域中的运用鲜少。目前 该方法应用于页面埋点动作的特征提取，将点击和浏览动作看作词，用 户完整周期内的所有动作行为组成了段落和文章，再使用 word2vec 方法，将用户的点击浏览行为隐含表征为一定维度的向量，再将向量作 为用户的特征输入 优化目标函数，因为它跟大名鼎鼎的 word2vec 是一样。 DataFunTalk 成就百万数据科学家！ 316 我们最初是用一个 Python 写的包，跑一遍算法需要一周。后来想，既然优化目标 是一样的，那能不能用 word2vec 包，因为 word2vec 用 c 写的，而且还采用了 Hierarchical Softmax，negative sampling 加速。 然后在网上找到了一个套用 word2vec

������������� 循��������IT ���HR��秒���������������������� ������������ � ����������������� PDF�Word�PPT�Excel �������� ���������������������������������� � ��������������������循�����������������

1. Go to Account management Website … 信息解析 Embedding Model 0.1 0.7 0.6 0.8 0.9 0.5 Each word is converted to a vector 选择合适的级别特征 Q1 Q1 Article 2 CV2 QV1 QV1 QV1 CV2 CV1 CV3 .98 Content

execution to build on proven value as it emerges. Momentum matters. Spread the word beyond the impacted group to build and maintain excitement for what’s possible. Protect sustained

词汇表中编号为 i 的词语就会转化为一个第 i 维取 1，其它维取 0 的向量。那么，对于两个不同的词语 i ̸= j， 两者是完全正交的。 为了更好地捕捉词语之间的语义关系，语言模型通常会使用词嵌入（Word Embedding）技术。它的想法 是词嵌入将每个词元映射到一个相对低维的向量空间中，使得语义相近的词语在向量空间中距离较近。例如， LLaMA3 模型将每个词元嵌入到一个 4096 维的向 Taddy, and J. A. Evans (2019). “The Geometry of Culture: Analyzing the Meanings of Class through Word Embeddings”. In: American Sociological Review 84.5, pp. 905–949. issn: 00031224, 19398271. Le, Q Locating and Editing Factual Associations in GPT. Mikolov, T. et al. (2013). Efficient Estimation of Word Representations in Vector Space. Mills, C. W. (2000). The Sociological Imagination. Oxford: Oxford