「Moka」 推出 AI 人岗匹配功能，提升企业简历筛选效率

36氪获悉，智能招聘管理系统 Moka 近日推出“AI 人岗匹配”及“简历智能解析”功能，推动简历筛选这一细分环节中的智能化。

在现有的简历筛选环节尤其是主动 Sourcing 的步骤中，HR 们需要花费大量时间从海量人才库中搜索简历，提取学历、工作背景、项目经验等信息，整理录入，并与在招职位需求做匹配。但信息提取工作繁琐重复，技术含量低；人才库中失效简历比例高，匹配效率低；简历初筛依赖 HR 经验，经验不足的 HR 缺乏筛选条件参考。这些痛点都导致 HR 的投入和产出不成比例，企业难以筛选出合适的人才。

Moka 的简历智能解析技术结合了概率图模型、传统机器学习模型与深度学习模型，包括 LSTM（长短期记忆网络）、CRF（条件随机场）模型、OCR（图像文字提取）等技术，提取简历中的非结构性数据，解析维度超过100个，在数据覆盖范围与精准度上实现了优于同行业解析水平10%的提升。

在简历解析的基础上，人岗匹配功能更进一步，通过人工智能将企业的在招职位与企业的人才库简历进行匹配和推荐，从而实现简历库的盘活。基于 NLP 技术、知识图谱、深度学习模型及大量的招聘行为积累数据，Moka 训练出一套人岗匹配算法，这套算法会在企业后续招聘的过程中主动学习调优。

在推出产品新功能的同时，Moka 表示将在服务端投入更多资源，帮助企业梳理、复盘、优化招聘流程，提高 HR 效率，坚持挖掘 SaaS 的价值，不做私有化部署或定制化开发。

Moka A 轮资方 GGV 纪源资本执行董事吴陈尧表示，由于一站式的解决方案更符合国内企业的需求，HR SaaS 领域内的垂直整合是趋势所向。作为投资方，GGV 看好一个由数据及 AI 驱动的团队去做整合。

针对两项新功能，36氪与 Moka CTO 李国兴探讨了技术实现上的挑战与 Moka 的应对方案：

36氪：匹配算法的形式是跨公司的普适匹配算法还是每个公司的专属算法？如果是后者，单家公司是否有足够的语料库支持算法的训练？

李国兴：我们采用的是普适匹配算法，但我们的算法会结合单家公司的历史行为数据进行训练，如通过、淘汰过哪些候选人。基于这些数据，我们可以进一步完善每个职位的个性化候选人画像，比如 A 公司的 Java 职位更看重教育背景，B 公司的 Java 职位对工作年限卡的更严等等。

36氪：白领的技能相对难以量化，在某些行业/岗位上尤其突出，人岗匹配的算法是否因此局限？

李国兴：我们的算法基于 Moka 系统的脱敏数据训练，所以算法的适用范围主要是我们所服务的行业。关于技能本身如何量化，回到人岗匹配的目标来看，其实核心还是如何刻画技能和职位的关系。针对这个问题我们构建了一个知识图谱，其中包含了职位和技能、技能和技能的对应关系，从而将简历的信息更好地与职位信息匹配。

36氪：正在布局的物流/零售领域的蓝领招聘，有什么突破点或难点？

李国兴：这一块目前我们还处于探索调研阶段，AI人岗匹配现在主要适用于我们所服务的行业，但未来我们会尝试AI人岗匹配在多行业的解决方案。

36氪：简历数据来源是 Moka 本身积累的招聘数据还是招聘平台渠道？

李国兴：Moka 人岗匹配算法的训练数据来自于 Moka 系统本身积累的数据。我们有完善的数据仓库体系和数据清洗、脱敏、传输等处理流程，从而确保用于算法训练的候选人数据是完全抹去个人信息的，符合《网络安全法》，也同时最大程度地保障客户的隐私。

36氪：如何保证求职者的简历的时效性？

李国兴：Moka 人岗匹配的推荐数据源来源于企业自己的人才库积累，这部分数据的优点是企业独特的资源，对企业的雇主品牌有认知，缺点就是求职意向不明确。针对这个问题 Moka 提供人才库全网动态监测的功能，帮助企业把人才库盘活。全网动态监测功能数据来源于第三方合作方，并应用脱敏的简历查重算法来匹配人才库的候选人。