随着互联网技术的飞速发展,我国互联网普及率不断升高,为线上招聘提供了良好的条件。在招聘领域中,人才素质与岗位要求的契合程度,即人岗匹配的研究,成为一个关注的热点。目前各种推荐算法已经被广泛应用于人岗匹配领域,但是受推荐算法本身的局限性,在人岗匹配依然存在不少问题。本文从不同角度进行一定程度的改进,具体工作如下:首先将“用户画像”的概念引入到人岗匹配过程,系统地分析用户、岗位所需要考虑的属性。传统的基于内容的推荐,一般只考虑少数用户、岗位间存在对应关系的属性,忽视了用户、岗位自身的特点,对潜在的信息挖掘不足。基于深度学习的方式将简历特征和招聘要求特征直接拼接后输入预测层,解释性不高、欠缺招聘与要求之间信息流动关系。为此,本文通过对用户画像、岗位画像的刻画,对用户、岗位属性进行细致地划分,并从现有数据中分析更多的潜在属性。其次,用户、岗位数据标签化,有效剔除无关的文本词汇,减少了噪声的引入。在现有人岗匹配过程中,都专注于非结构化文本的相似度计算。现有的文档层面、句子层面的匹配都容易引入无关词汇的干扰,用户、岗位各属性数据标签化,能有效剔除无关的特征,减少噪声的引入。为了提取合适的标签,本文构建该领域的用户词典,训练该领域的逆文档频率IDF语料库计算TF-IDF值来提取标签。为了丰富画像的标签,使用Text CNN模型预测用户的胜任岗位标签,并将岗位按照工作经验要求进行分级。再次,对用户、岗位间多属性交叉特征计算实现降维,分析历史数据引入投递偏好特征。用户、岗位的属性多为文本标签类型,直接转为词向量作为机器学习带来维度过高的问题,并且直接拼接用户、岗位的特征会丢失潜在的语义。对于存在对应关系的属性,结合语义关系提出不同的匹配度计算方式,实现将用户、岗位独立的特征用两者的匹配特征代替,降低输入维度。此外,进一步挖掘用户、岗位间非对应属性的潜在特征,本文结合用户、岗位历史匹配数据,挖掘专业的不同岗位投递偏好,挖掘岗位的不同专业投递偏好,以此引入新的特征。最后,采用GBDT+LR融合模型建立人岗匹配模型。利用GBDT模型能够进行特征组合的特点,生成新的离散特征向量,发掘特征的潜在联系。然后,将新的特征作为逻辑回归（LR）模型的输入,来产生最后的预测结果。通过对比实验,GBDT+LR融合模型在人岗匹配领域比单一的GBDT、LR模型在各项指标上均有一定的提升。