謝寧寧 楊新凱

（上海師范大學 上海 200000）

1 引言

近年來，網(wǎng)絡(luò)招聘已逐步成為企業(yè)招聘人才的首選方式。然而，網(wǎng)絡(luò)招聘平臺由于其開放性以及相關(guān)制度不健全等原因，使得一些不法企業(yè)可以利用其功能發(fā)布虛假招聘信息，吸引求職者上鉤，謀取不正當利益。虛假的招聘信息可能使求職者陷入就業(yè)詐騙，造成經(jīng)濟、精神損失。更有甚者，部分求職者被騙入傳銷組織，危害人身安全。虛假招聘信息是指不以招聘人才為目的或招聘內(nèi)容具有煽動性且缺乏真實性的招聘信息。將虛假招聘信息檢測抽象為二分類問題，通過算法區(qū)分出招聘信息的真假，可以有效降低就業(yè)詐騙的發(fā)生率。

2 相關(guān)工作

目前常用的虛假信息檢測方法有基于統(tǒng)計特征的機器學習方法和基于語義特征的深度學習的方法［1］。Vidros 等基于文本挖掘的方法，對招聘信息中特殊短語、HTML 元素等進行分析，提出了21個基本特征表示招聘信息，使用隨機森林進行分類［2～3］。Mahbub 等對公司介紹進一步挖掘，將公司介紹中是否提供網(wǎng)址、網(wǎng)站成立是否大1 年等統(tǒng)計特征加入到基本特征集中，提升了模型性能［4］。lal等沿用了Vidros 提出的21 個基本特征，使用集成方法構(gòu)建虛假招聘信息檢測模型［5］。Alghamdi 等使用SVM 進行特征選擇，提升了隨機森林的預(yù)測效果［6］。Mehboob 等首先基于企業(yè)特征、職位特征和薪資特征構(gòu)建了24 個統(tǒng)計特征表示招聘信息，然后使用互信息和相關(guān)系數(shù)選擇了13 個重要特征，輸入XGBoost 進行分類［7］。李力釗［8］、李奧［9］等將謠言檢測問題抽象為基于語義特征的文本分類問題。馬鳴將語義特征和統(tǒng)計特征結(jié)合，識別謠言信息［10］。黃學堅等將謠言內(nèi)容的語義特征、統(tǒng)計特征和用戶特征融合，提升了謠言檢測的準確率［11］。研究表明，在語義特征中，引入輔助特征能夠有效提升模型的準確率?？紤]到職位描述語義對于區(qū)分招聘信息的重要作用和級聯(lián)森林優(yōu)秀的分類性能［12～13］，本文提出一種融合語義特征和統(tǒng)計特征的卷積級聯(lián)森林檢測模型。

3 卷積級聯(lián)森林檢測模型

Word2Vec-CNN 是一種提取文本語義特征的基準模型，常用于情感分析領(lǐng)域［14］。本文的研究是在Word2Vec-CNN 的基礎(chǔ)上進行的。本文提出的模型一共包含四個部分，首先，基于招聘行為分析構(gòu)建招聘信息的統(tǒng)計特征。其次，使用Word2Vec-CNN 提取職位描述的語義特征。然后，將招聘信息的統(tǒng)計特征通過全連接神經(jīng)網(wǎng)絡(luò)映射成和語義特征相同的維度，進行融合特征。最后，將融合后的特征向量輸入級聯(lián)森林分類器檢測虛假招聘信息。

圖1 檢測模型框架

3.1 統(tǒng)計特征提取

基于文獻研究［15］，從企業(yè)信息、職位信息和薪資信息三個方面分析招聘行為的差異，提取統(tǒng)計特征。

基于企業(yè)信息的統(tǒng)計特征描述了企業(yè)的可信度?？尚哦仍礁叩钠髽I(yè)，越重視企業(yè)形象的維護，發(fā)布虛假招聘信息的可能性越低。從招聘信息庫中抽取基于企業(yè)信息的統(tǒng)計特征為企業(yè)名稱（FE1）、企業(yè)性質(zhì)（FE2）、企業(yè)介紹（FE3）、實名未認證（FE4）、企業(yè)規(guī)模（FE5）。

基于職位信息的統(tǒng)計特征描述了求職者需要完成的工作、應(yīng)當承擔的責任和勝任職位的基本要求。真實職位的職位描述一般是客觀的，沒有明顯的感情傾向。虛假的招聘職位通常使用感嘆號、問號加強語氣或在子標題處標注薪資，誘導(dǎo)求職者投遞簡歷。從招聘信息庫中抽取基于職位信息的統(tǒng)計特征為職位標題（FP1）、招聘人數(shù)（FP2）、學歷要求（FP3）、經(jīng)驗要求（FP4）、工作地點（FP5）、子標題包含薪資信息（FP6）、職位描述中包含感嘆號的數(shù)量（FP7）、職位描述中包含問號的數(shù)量（FP8）。

王春鴿的研究表明招聘職位的薪資明顯高于同類職位的薪資水平時，求職者需要警惕職位的真實性［16］。從招聘信息庫中抽取基于薪資信息的統(tǒng)計特征為職位工資（FC1）、福利（FC2）。

將特征離散化處理，使用式（1）計算招聘信息的統(tǒng)計特征FSta。

式中，F(xiàn)Sta 表示招聘信息的統(tǒng)計特征，⊕表示特征級聯(lián)操作。

3.2 語義特征提取

卷積神經(jīng)網(wǎng)絡(luò)包含卷積、池化、全連接等操作，具有卓越的特征提取能力，使用CNN 提取特征可以降低人工提取特征難度。將職位描述文本信息表示成計算機可以識別的詞向量輸入卷積神經(jīng)網(wǎng)絡(luò)。首先，經(jīng)過卷積層，使用大小不同的滑動窗口進行卷積，提取語義特征。然后，經(jīng)過池化層進行降維，篩選關(guān)鍵特征。池化層后加入Dropout，設(shè)置Dropout 率為0.25，防止過擬合。最后，經(jīng)過全連接層轉(zhuǎn)化為一維向量。基于卷積神經(jīng)網(wǎng)絡(luò)的語義特征提取算法如下。

Step1：去除招聘信息中的非文本部分和停用詞，使用jieba 中文分詞庫將招聘信息進行中文分詞。

Step2：利用Word2Vec 將分詞處理后的招聘信息表示成詞向量T=[w1,w2,…，wn]，其中wi表示招聘信息的第i 個詞的向量表示。每個詞向量wi=[v1,v2,…,vm]，m表示招聘信息詞向量的維度。

Step3：將招聘信息的將詞向量表示輸入卷積層，提取高層語義特征FSemk，卷積層的計算公式為

式中，filterk表示卷積核，Tij表示招聘信息的詞向量，F(xiàn)k表示k層的輸出特征，f表示Relu激活函數(shù)。

Step4：將卷積層的輸出，輸入池化層，進行池化運算，計算公式為

Step5：最后經(jīng)過全連接層，得到語義特征向量FSem=[f1,f2,…，fn]。

3.3 特征融合

為了使招聘信息的語義特征和統(tǒng)計特征攜帶等量的信息。首先，將統(tǒng)計特征向量通過全連接神經(jīng)網(wǎng)絡(luò)映射成和語義特征向量同等的維度。映射公式如下：

式中，F(xiàn)Sta' 表示映射后的統(tǒng)計特征向量，f 表示激活函數(shù)，W為權(quán)重矩陣，b為偏置項。

將映射后的統(tǒng)計特征和語義特征進行級聯(lián)操作，通過式（5）計算招聘信息的融合特征向量FMulti。

3.4 級聯(lián)森林結(jié)構(gòu)

定義級聯(lián)森林有d 層，每一層包含R 個隨機森林和R 個完全的隨機森林，每個森林包含t 棵決策樹。完全隨機森林中的決策樹會隨機選擇一個信息增益最大的特征做節(jié)點分裂，至葉子節(jié)點純凈。而隨機森林中的決策樹則隨機選擇個特征子集（k 表示輸入特征的維度），然后再選擇信息增益最大的特征做節(jié)點分裂。對于特征f，其信息增益使用招聘樣本的信息熵與條件信息熵的差表示，計算公式如下：

式中，S 表示招聘樣本，v表示特征f有v個可能的取值，特征f 將招聘樣本劃分為v 個招聘子樣本，Si表示i個招聘子樣本，Pij表示Si中類別為j的招聘職位所占比例，j 表示招聘信息的類別，pj表示招聘樣本S中類別為j的招聘職位所占的比例。

將融合特征FMulti 輸入級聯(lián)森林d 層，每顆決策樹會計算落入葉節(jié)點處的真實招聘信息和虛假招聘信息的概率，然后對同一個森林中所有決策樹輸出的類概率通過式（10）計算平均值，生成招聘信息的類概率向量PVect。每個隨機森林生成一個二維類概率向量，每一層輸出4R 個增強特征，將增強特征與輸入的特征向量FMuti 級聯(lián)，輸入d+1 層訓(xùn)練，表示為式（10）。

式中，公式中，pjt表示標簽為j 的招聘樣本落入t 棵決策樹的概率，F(xiàn)Multid+1表示級聯(lián)森林d+1 層的輸入向量，表示級聯(lián)森林d 層的第i 個隨機森林輸出的類概率向量。

每層訓(xùn)練結(jié)束后，都會對分類器的性能進行評價，若沒有顯著的性能提升，則終止級聯(lián)過程，自動確定級聯(lián)森林的深度。然后，對最后一層產(chǎn)生的類概率向量求平均值，選擇最大概率值對應(yīng)的類別作為最終檢測結(jié)果輸出。

4 實驗結(jié)果與分析

本文采用Anaconda 4.9 和Jupyter Notebook 6.0作為實驗平臺。實驗環(huán)境為Windows10 操作系統(tǒng)、Core i7處理器（2.6GHz）、8GB內(nèi)存。

4.1 實驗數(shù)據(jù)

針對本文研究的問題，爬取了企業(yè)在北京、上海、深圳、廣州四所一線城市的發(fā)布的招聘職位信息。標注了一份17880 的招聘樣本，其中5%的招聘職位為虛假職位。將招聘樣本的80%作為訓(xùn)練集，20%作為測試集，則實驗使用的訓(xùn)練集14304條，用于模型的訓(xùn)練，測試集3576 條用于評估模型的性能。

4.2 評價指標

二分類實驗中常用的查準率、查全率作為評價指標。但查準率和查全率為一對相互矛盾的指標，一個指標高會導(dǎo)致另一個指標低。研究中，通常使用F 分數(shù)衡量模型的綜合性能。在虛假招聘信息檢測中，由于虛假招聘職位僅占5%，我們希望檢測出更多的虛假招聘信息，需要模型對查全率更敏感。因此，本文使用F2 值和查全率評估模型的性能，計算公式如下：

式中，PreFakeSet表示預(yù)測結(jié)果為虛假的招聘數(shù)據(jù)集合，TrueFakeSet表示實際為虛假的招聘數(shù)據(jù)集合，PreAccSet表示預(yù)測正確的招聘數(shù)據(jù)集合。β取值為2表示F2值。

4.3 對比實驗

模型1：從招聘信息中抽取統(tǒng)計特征，然后使用統(tǒng)計特征輸入級聯(lián)森林進行分類。

模型2：使用Word2Vec-CNN 模型提取語義特征，然后使用softmax進行分類。

模型3：融合語義特征和統(tǒng)計特征，然后使用Softmax進行分類。

模型4：融合語義特征和統(tǒng)計特征，使用級聯(lián)森林結(jié)構(gòu)取代softmax層進行分類。

表1 實驗結(jié)果對比

1）模型2 相較于模型1，查全率和F2 值有明顯提升，說明職位描述的語義可以有效區(qū)分虛假招聘信息和真實招聘職位。

2）模型3 較模型2，查全率和F2 值均有明顯提升，說明在語義特征中，加入統(tǒng)計特征可以進一步提升模型的性能。

3）模型4 較模型3，查全率和F2 值均有明顯提升，說明使用級聯(lián)森林結(jié)構(gòu)取代Softmax層，可以提升模型的分類性能。

4）本文提出的模型，較其他模型性能更優(yōu)。

5 結(jié)語

基于統(tǒng)計特征的虛假招聘信息檢測方法被廣泛使用，但是這類方法忽略了職位描述語義的重要性。本文使用卷積神經(jīng)網(wǎng)絡(luò)提取招聘信息的語義特征，結(jié)合統(tǒng)計特征，使用級聯(lián)森林對虛假招聘信息進行檢測，提升了檢測的準確率。虛假招聘信息檢測是一個新的研究領(lǐng)域，目前學術(shù)界提出的方法和本文提出的方法都只考慮了招聘網(wǎng)站上招聘職位的靜態(tài)特征，沒有將招聘信息發(fā)布者的行為特征考慮在內(nèi)。