基于Bert架构的精准知识表征模型

                           

                                                                            画像是什么？

 

“画像”的出现，得益于大数据、云计算、人工智能等新技术的飞速发展。用户画像（persona）的概念最早由交互设计之父Alan Cooper提出:“Personas are a concrete representation of target users.” 是指真实用户的虚拟代表，是建立在一系列属性数据之上的目标用户模型。

 

如今，为了提高客户体验和运营效率，画像早已被应用在各行各业。金融企业是最早开始使用用户画像的行业，在人力资本领域，人才/岗位画像的应用大大提升了HR的工作效率和质量，是人力资本数字化的重要入口和核心要素。所谓人才/岗位画像，即是基于企业招聘的显性的职位描述和隐形的内在潜质共同组成的用户画像（以下简称“画像”）。

 

△一张画像，没有读不懂的人才

 

构建画像的核心工作，主要是利用存储在服务器上的海量日志和数据库里的大量数据进行分析和挖掘，给用户贴“标签”，而“标签”是能表示用户某一维度特征的标识。

 

业界有一套较为成熟的画像构建方法，为了让画像成为可普遍使用的基础服务，需要对画像的字段进行数值化处理。其中结构化数据比较容易进行数值编码（例如：性别/年龄/工作年限等），而非结构化数据（例如工作经历/职能/技能等）多数为文本类型处理难度较高。对于非结构化数据，生成具备语义含义的Embedding是业界较为广泛使用的方案。

 

职能/技能可以统称为用户的知识体系，即使每一个职能/技能生成了具备语义含义的Embedding，如何通过聚合生成用户整个知识体系的数值表达并尽可能保留文本自身的信息，依旧是亟待解决的问题。

 

在画像构建过程中，对于结构化数据业界已经积累了大量的成熟有效