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