随着科技的发展,越来越多的公司选择借助招聘网站发布招聘信息,但招聘网站上的招聘信息繁多且有重复,求职者难以快速准确地找到与自己相匹配的岗位,市场真实需求与求职者自身对岗位所需胜任力的认知之间存在着信息不对称的现象。知识图谱是描述实体与关系并以可视化的方式展示信息中包含的核心结构和知识要点的技术,能够以更高效的方式组织海量招聘信息。在以大数据为主要特点的第四次工业革命的冲击下,产业数字化升级推动了就业结构新格局的形成,这使得数据类岗位人才逐渐呈现出供不应求的态势。因此本文将胜任力模型与知识图谱结合,以数据类岗位为例构建一个基于招聘信息的岗位知识图谱,在对海量招聘信息整合的基础上实现职位搜索、求职推荐和招聘需求分析等功能。本文对胜任力模型理论进行了优化,基于素质冰山模型构建数据类岗位的胜任力模型,提出数据类岗位胜任力的四个维度:知识、技能、特质以及态度和价值观。本文选择了自顶向下的构建知识图谱的方式,首先在模式层基于岗位胜任力模型构建本体库,定义实体及关系进行语义建模,然后在数据层对数据进行知识抽取与融合,最终形成实体与关系构成的三元组。本文的数据来源于招聘网站中爬取到的招聘数据,其中包含所在公司、薪资等结构化数据以及岗位要求等非结构化数据。本文主要是对非结构化数据进行知识抽取,采用LTP分词工具对岗位要求文本进行分词并采用BIOES标注法构建语料库,使用深度学习算法BERT-Bi LSTM-CRF模型进行实体识别,Bert模型抽取丰富的文本特征得到词粒度的向量矩阵,再由Bi LSTM捕获每个词在上下文中的语义,最后利用CRF模型提取最优序列,最终得到知识、技能、特质以及态度和价值观这四类实体。随后采用依存句法分析了各个实体间的关系,并利用词语向量相似度的方法将语义相似的程度词进行融合,然后采用Neo4j数据库对抽取的知识单元进行存储并绘制知识图谱,通过实践验证了构建岗位知识图谱流程的可能性。基于构建的知识图谱,本文探究了它在职位搜索、求职推荐等方面的应用。本文优化岗位胜任力模型并进行了本体构建,为全行业具体岗位所应具备的胜任力要求抽象概念化提供了新的思路和方法,并且优化了知识图谱的构建流程。建立数据类岗位知识图谱,解决求职者在信息爆炸的互联网时代检索有效招聘信息耗时长、效率低的问题,具有一定的理论与实践意义。