互联网时代以来,信息产业迅猛发展,招聘手段网络化,求职简历电子文档化。各大网络招聘平台或企业招聘管理系统积累了大量的岗位和简历文本。推荐系统作为招聘平台的重要组成部分,基于内容给岗位推荐合适的简历是一种基本而又重要的推荐方法。基于内容进行人岗推荐时首先需要正确识别出岗位和简历的类别,然后进行推荐。因此,分类和推荐是人岗适配度计算的关键。本文以简历和岗位文本为研究对象,针对网络招聘过程中进行人岗适配度计算时分类准确率要求高,基于内容的推荐效果不理想的问题展开研究,主要工作内容包括:(1)抽取了简历和岗位文本中的领域词典,并结合领域词典使用传统机器学习方法和深度学习的方法分类简历和岗位,提高了分类准确率,并通过对比各分类算法的实际效果发现朴素贝叶斯方法在简历和岗位描述上的分类问题上能得到较好的效果。(2)基于简历各属性可分级、可测评的特点提出了基于能力测评的人岗相似度方法(AES)。AES基于胜任素质模型,通过细化简历属性,对其建立评分体系和权重系数,再进行评分,然后以得分高低作为匹配度的依据。(3)基于简历是岗位描述的扩展,在语义上具有较强的相关性的特点提出短-长文本语义相似度的人岗相似度计算方法(SLSS)。SLSS以词向量为基础,通过计算简历和岗位相应的名词、动词、形容词等词性字典的语义相似度,再予以综合,以表征人岗匹配的程度。(4)在AES和SLSS的基础上基于级联策略混合二者进行人岗推荐,提出了融合AES和SLSS的混合人岗推荐方法AES-SLSSR和SLSS-AESR。在实验过程中发现单独基于AES和SLSS做人岗推荐效果不是很理想,于是基于级联策略对二者进行混合,以期提高推荐性能。实验表明,由于SLSS-AESR首先基于简历和岗位文本语义上的相关性筛选不相关简历,再进一步基于能力测评进行推荐,和其他方法相比,能得到更好的推荐效果。