摘要
人岗匹配（PJF）是智能招聘推荐的核心任务。然而，现有的基于图的PJF模型依赖于固定的单路径聚合方案，无法同时捕获候选人与职位二部图中的全局交互统计信息和局部能力匹配信号。为了解决这一局限性，本文提出了双路径图卷积神经网络（BiGCNG），即带有门控融合的双路径图卷积网络，该网络由三个协同模块组成。首先，共享文本嵌入预处理模块（STEPM）通过融合结构化属性和BERT上下文文本特征生成统一的节点嵌入。其次，双路径图卷积模块（BiGCM）通过独立的求和聚合路径和最大聚合路径提取多粒度图表示。第三，轻量级门控融合模块（GFM）通过可学习的全局标量门控平衡两个特征流。该模型在高度稀疏的招聘数据（99.97%的稀疏度）上使用正则化的贝叶斯个性化排序（BPR）损失进行优化。在智联数据集——一个真实的中国招聘数据集——上对BiGCNG进行了评估，结果显著优于五个主流基线模型，在候选人子集上MRR@5提高了7.67%，NDCG@5提高了5.48%；在职位子集上分别为2.30%和0.61%。多种可视化和超参数分析共同验证了双路径传播和门控融合的有效性和鲁棒性。本工作为智能人才招聘匹配提供了一种有效的多粒度图学习范式。
