目前基于用户画像的标签体系在各行各业开始得到应用，对于涉及范围广，专业知识深的互联网招聘领域来说，建立标签体系的难点是什么呢？应该如何建立标签体系？怎么验证标签体系的准确性？文章对这三个问题展开了分析探讨，与大家分享。

一、招聘领域建立标签体系的难点

电商行业客观来说属于比较简单的toC领域，知识网络是比较容易理解的通用知识，可通过用户的购买习惯、偏好、商品品类等建立标签体系。医疗行业属于专业性强的领域，建立标签体系必须要懂医疗技术的专家团队才可以，但是易于操作的是，只需要医疗一个领域专家就可以完成专业的标签体系建设。

但对于招聘行业来说，行业、职位涉及范围广，且专业性强，因为各行各业的公司和求职者都会通过招聘平台建立联系，而且有很多高精专的职位和候选人，怎么评估B/C端之间专业技能、工种、行业之间的匹配度，确是一大难点，而且理论上来说需要集齐各个行业、各种职位的专家人员才能建立起招聘行业的标签体系，但这在现实中要怎么操作呢？

那么机器是否可以自动完成招聘领域的标签体系建设呢？用NLP抽取职位JD中的描述并将其聚类，比如抽取Java、spring、Unix、Visio、Excel等工具技能，原型设计、交互设计、需求分析等工作内容技能，用户运营、产品运营、数据运营等工作方向技能，这是互联网从业者最熟悉的开发、产品、运营的工作内容和技能，如果机器可以识别这些类别标签就很完美了。

但现实却是看似的完美与和谐，万一Java是出现在了招聘专员的职位描述中呢？用户写的是“负责招聘Java工程师”，假如Visio出现在Java工程师的描述中呢？假如Excel出现在运营专员的职位描述中呢？这些技能还是不是这个岗位的核心能力？

首先，Java出现在招聘专员出其实是可以用硬规则过滤掉的，比如限制职位和技能的关系，也就是说不是所有技能都满足所有职位，有的技能只适用于某些职位，在其他职位内就是无效信息。

其次，需求分析是不是产品经理的技能标签呢？有的人说肯定是了，这个回答可以说对也可以说不对，对是因为需求分析确实是产品的必备能力和工作内容，不对是因为所有的产品经理都需要需求分析，那这个能力还是该产品经理区别于其他产品经理的能力吗？

最后Excel会出现在运营专员内、也会出现在招聘专员内，也会出现在统计专员内，那么它还是个核心的技能标签吗？

通过以上分析可得到以下归纳性的总结：

不是所有技能都适用于所有的职位，应该定义每个职位的核心技能标签体系，因为非核心的技能有时候不仅无效还会起到反作用； 不是所有该职位需要的技能或者做的工作内容都是该职位的技能标签，因为它是该岗位的通用能力没有区别度，技能标签应该是该职位工种的核心技能且是可以区别不同职位或简历的。

所以通过以上分析可知，纯NLP机器识别的方式不能完成招聘领域的标签体系建设，因为机器没办法在一个岗位的众多技能中筛选出哪些是重要的知识技能，哪些是不重要的知识技能。

二、如何建立招聘领域的标签体系 1. 基于静态信息的通用标准化标签

招聘领域的标签大家首先可以想到的就是学历、工作年限、薪资范围等比较通用的职位/简历端匹配维度，当然这些显性通用的标签早已被各招聘平台做成了结构化的筛选项。

其次还有一些比较小众的维度要求，比如有的职位要求海外经历、党员、国企工作经历、籍贯、年龄等，有些平台也把其中的某些维度做成了平台上的结构化标签。

不过这些不是我们研究的重点，我们主要研究的是每个职位专业的知识方向的技能。

2. 基于静态信息的专业知识精细化标签

建立专业知识标签体系的重点就是建立专业的岗位研究专家团队，想要做某个岗位的专业知识标签研究，肯定需要熟悉该岗位的人员，是选择从事该岗位工作的人员呢，还是对这类岗位有所了解的HR人员呢？

因此就这两类人员进行了调研与分析，最终发现从事该岗位的人虽然对所从事的岗位了解比较深入，但对其他相关的岗位未必了解，也不太了解招聘过程中用户的感知与思维；

HR人员虽然在专业深度上对岗位的了解不是很深入，但所了解的岗位范围广，只要从事过某个行业的HR工作，基本都熟悉该行业所有的岗位与关注的重点技能，且HR经常使用招聘平台，有用户感知，对用户行为与逻辑都非常了解，所以HR更适合做岗位专业知识研究，而且该专家团队最好是来自各个不同行业的HR人员。

团队建好了，大概的研究思路也有了，接下来就可以好好研究标签体系具体的生产流程与规则了，对此进行了如下图的总结：

体系建立的目的肯定是运用在算法的推荐与搜索中，初期可以通过离线的漏斗数据转化对比（命中标签与未命中标签的转化对比）来验证该标签体系的离线匹配效果，再者可通过灰度实验，小流量上线实验来验证实际线上的匹配效果。

专业知识标签关注的只是匹配度的准，最终线上使用肯定还要考虑用户是否活跃，B端HR是否着急要人，C端求职者是否在找工作，如何平衡专业知识的准与用户行为的活之间的权重也一大难点，要找到那个准与活平衡的比例区间，在这个区间内线上能实现最大的用户达成，这方面在此不多做分析，需要算法同学多次调整模型才能达成。

3. 基于动态信息的用户行为标签

基于用户行为的用户画像标签体系在电商领域中运用广泛，在招聘领域此类标签体系同样适用，只不过电商领域中的“查看-联系卖家-购买”行为在招聘领域变成了“查看-开聊-达成约面”行为。

电商平台中的协同过滤理论在招聘平台也同样适用，只是变成了基于相似职位的过滤和基于相似候选人的过滤。有的企业以往达成的多数是名校候选人，那么我们就知道该企业偏好有名校教育经历的；有的企业招聘销售岗更倾向于在专业知识体系中的有软件销售经验的候选人，那么我们就知道该企业偏好软件行业的销售候选人。

通过用户画像体系我们可以评估用户的偏好，以期在该用户以后的推荐中使用其偏好，达到更好的效果。

三、招聘领域静动态标签体系的综合运用

静态通用标签是所有职类共用的标签特征，属于大批量标准化的生产与运营，通用标签生产完善了，可以实现粗矿式大步快跑节奏的匹配达成；

而专业知识标签是每类职位专业的标签特征，是小批量精细化的生产与运营，在前面大步快跑达到一定匹配度之后，再结合精细化的小步快跑方式，逐步将每个职类的颗粒度划分为更精细化的颗粒度，达到更高匹配程度；

在前面标准化、精细化两轮分类之后数据已经被分成了一个个小类，但却没有衡量单个用户偏好的特征标签，而动态的用户行为标签就是单个用户个性化的偏好特征标签，用户的偏好有可能是通用的学历、年限特征，也可能是专业知识中某个技术框架、某种产品品类特征。

最终，静态标准化通用标签、专业知识精细化标签、动态行为个性化偏好标签，三者相互作用、相辅相成，提升招聘领域线上效果的匹配准确度。