基于Naive Bayes的简历-岗位匹配分类及数据预处理方案咨询

一、先搞定数据预处理 #

你的数据集每个字段都是多值列表，得把这些非结构化内容转成模型能认的数值特征：

• 地点：要么按岗位要求做二进制标记（比如岗位要北京，简历里有北京就标1，没有标0），要么把所有城市做独热编码。
• 工作经历时长：直接转成数字（比如“3-5年”取中间值4），再做归一化（除以数据里的最长时长，把数值缩到0-1之间）。
• 教育背景：按学历等级赋值（大专=1，本科=2，硕士=3，博士=4），多值的话取最高学历；或者直接对标岗位要求（比如岗位要硕士，简历达标就标1，否则0）。
• 证书/技能/语言：用词袋模型或者TF-IDF处理——先把所有简历的这些字段合并成一个词汇表，每个简历对应一个向量，有某个技能/证书就标1（或TF-IDF值），没有就标0。比如岗位要Python证书，简历里有就把对应位置设为1。
  注意：所有多值字段先扁平化，比如把["Python", "SQL"]转成集合，再提取特征。

二、准备训练数据（监督学习必须有标签） #

朴素贝叶斯是监督学习，得有带标注的数据：

• 定义匹配标签：比如分成“高匹配（1）”和“低匹配（0）”，或者细分成高/中/低三类。
• 生成标签的方法：
  • 用历史招聘数据：过去被录用的简历标1，没通过的标0；
  • 手动标注一批：按岗位核心要求，满足80%以上的标1，其余标0。
• 把预处理后的特征矩阵和标签组合，按7:3或8:2拆分训练集和测试集。

三、模型训练与岗位匹配实操 #

用Python的sklearn库就能快速实现：

• 选合适的贝叶斯模型：离散特征（比如技能的二进制标记）用MultinomialNB；连续特征（比如工作时长）用GaussianNB；如果数据不平衡（高匹配简历少），用ComplementNB更合适。
• 基础训练代码示例：

from sklearn.naive_bayes import MultinomialNB
from sklearn.model_selection import train_test_split
import pandas as pd

# 假设X是预处理好的特征矩阵，y是标签
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
model = MultinomialNB()
model.fit(X_train, y_train)

• 岗位匹配流程：
  1. 把岗位要求拆解成和简历同格式的特征向量（比如岗位要“北京、3年以上、本科、Python证书”，转成对应的数值特征）；
  2. 用模型预测每个简历的匹配概率（model.predict_proba(X_resume)），概率越高，匹配度越高；
  3. 也可以直接预测分类结果（model.predict(X_resume)），判断是高匹配还是低匹配。

四、优化与评估 #

• 模型评估：别只看准确率，因为简历匹配通常是不平衡数据（高匹配的少），所以重点看召回率（能不能把所有高匹配的简历找出来）和F1-score（兼顾准确率和召回率）。
• 特征优化：给核心要求（比如岗位必须的技能、学历）加权重，比如在TF-IDF里手动调高核心关键词的权重，或者用加权朴素贝叶斯。
• 降维：只保留岗位要求的核心特征，比如岗位只要Python和SQL技能，就忽略其他无关技能，减少特征维度，提升模型效率。

内容的提问来源于stack exchange，提问作者Nurul Atirah Binti Ahmad