不如写一个自动投递简历的机器人吧

一不小心混到了该找工作的年时候,一心想当个图像算法工程师,奈何出身不好,简历难看,投出去多是石沉大海。每天投简历真是辛苦。不妨搞个机器学习自动投简历,岂不妙哉?

用什么算法呢,就先来试一下朴素贝叶斯决策器吧,这个最简单了。就是算个概率,然后选择概率最大的就行了。

拉钩上搜索图像算法工程师,随便点进去一个,要求基本上是如下图。估计HR挑人也就是看简历跟岗位要求的匹配度吧,那我也定义一个匹配度特征好了。以阅招聘要求无数的经历,我把类似上图的要求归纳为以下几个维度:学历、工作经验、编程语言、理论技能、开源库掌握、个人素养(废话)和XX优先。除XX某某优先之外,其他维度的值就简单的取0(不符合)和1(符合)就行了。至于XX优先,就分三档吧,0(0-33%),1(33%-66%),2(66%-100%)。比如对于上一个招聘要求,可能对应的特征向量就是[1,1,1,1,1,1,2](你这么牛逼还没工作?)。有了特征向量,还要有结果标签,就是获得面试机会1和没有获得面试机会0。

模型建起来了,接下来就要用朴素贝叶斯决策器来决定要不要投递简历(拉钩免费用户每天限投14个简历,要省着花啊)。记简历匹配度向量\(\mathbf{x}=(x_i)\),HR筛选结果为\(y_i\in \{0,1\}\),由贝叶斯公式$$P(y|x)=\frac{P(x|y)P(y)}{P(x)}$$可以得到$$P(y_i|\mathbf{x}) = \frac{P(\mathbf{x}|y_i)P(y_i)}{P(\mathbf{x})}$$贝叶斯决策器的策略就是\(y_{opt} = \arg \max_{y_i}P(y_i|\mathbf{x})\)。分母都一样的,可以不算。朴素贝叶斯情况下,\((x_i)\)满足独立同分布,因此\(P(\mathbf{x}|y_i) = \prod_jP(\mathbf{x_j}|y_i)\)。假如我已经有了投递1000次简历的结果,我就可以用这1000个样本估计公式中所有所需的概率。于是,我就可以用朴素贝叶斯决策器去判断HR会不会拒绝我的简历。如果拒绝,那就不投了T_T

从此,再也不用水拉钩投简历了,想想就觉得开心,哈哈哈。

未经允许不得转载:Charlie小站 » 不如写一个自动投递简历的机器人吧

赞 (2)
分享到:更多 ()