mybatis-plus 两个字段拼接成一个条件去匹配_解锁这项AI黑科技，马上实现人岗匹配自由...

Hi，本期是院长第五次和大家见面啦~ 今天， 院长又化身‘技术咖’， 跟大家聊聊前沿AI技术， 在人力资本场景的应用。 人岗匹配， 是企业人力资源管理的核心之一， 更是HR招聘工作的精髓。 传统工作方式下， 简历搜索和人岗匹配往往消耗HR大量时间和精力， 结果却往往不精准， 随着人工智能和NLP技术的发展， 一些招聘网站纷纷推出自动化推荐功能， 但却同质化严重，准确率不高。 现在，“graph embedding”给人岗匹配带来新突破！ 在e成科技AI团队的实践和研究下， “graph embedding”在人力资本领域落地 且取得不俗效果， 助力人岗匹配更加高效， 这样的AI技术， 作为HR的你值得拥有！ 下面就随院长一起看看这项神奇的AI技术， 如何化身人岗匹配“神助攻”的吧~ — 院长笔记第005篇 —

一切皆可Embedding

在NLP(自然语言处理)中,自然语言无法直接应用到数学模型的建立中，需要将其映射到欧式空间。Embedding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Embedding，Embedding在数学上表示一个映射F: X -> Y，也就是一个函数，其中该函数是一一对应的而且保持空间同构性 (即在X空间是近邻的，则被映射到Y空间也是近邻的)。Embedding技术被应用在了多种业务场景中：

1) 在 Airbnb 中实现实时个性化搜索，利用用户近几周或者近几个月点击过的房源行为数据实时对用户的搜索目标房源进行相似度比较和排序，这样既极大的提高了效率而且也保证的搜索房源的准确性提高了用户体验。

2) 在电子商务领域，根据用户的浏览和购买行为数据，通过深度学习模型可以将用户和物品同时嵌入(embedding)到相同的低维空间，然后利用Embedding计算用户和物品之间的相似度(匹配度)直接给用户推荐感兴趣的物品。

在人力资本领域，求职者、公司、职位、专业、技能等不同的实体间存在着多种类型的关系，构成了一个知识图谱(Knowledge Graph)