job-talent-match 13.8.1

基于KylinOS的AI智能匹配与能力图谱系统

人岗智能匹配与能力图谱系统

基于 KylinOS 的 AI 匹配引擎，支持员工与企业的双向智能推荐。

---

目录结构

v11.1/
├── server.py                 # FastAPI 应用入口 & 启动逻辑
├── core/database.py           # MySQL/GreatSQL 连接管理（pymysql 封装）
├── configs/
│   ├── env.py                 # 环境变量加载（DEEPSEEK/SiliconFlow API Key）
│   └── matching_config.py     # 匹配引擎常量（候选池、嵌入维度等）
├── routers/                   # API 路由
│   ├── auth_router.py         # 注册/登录
│   ├── user_router.py         # 用户信息、简历上传
│   ├── enterprise_router.py   # 企业信息
│   ├── position_router.py     # 岗位发布/搜索/批量
│   ├── application_router.py  # 投递/状态管理
│   ├── recommendation_router.py  # 推荐接口（jobs/talent）
│   ├── match_router.py        # 匹配画像/运行/详情
│   ├── skill_router.py        # 技能图谱/差距/学习路径
│   ├── feedback_router.py     # 反馈评分
│   ├── notification_router.py # 通知（含 SSE 实时推送）
│   └── admin_router.py        # 管理端：全量训练等
├── services/
│   ├── matching/              # 三模块匹配引擎
│   │   ├── __init__.py        # MatchingEngine 组合 0.3/0.35/0.35
│   │   ├── rule_matcher.py    # 规则模块（学历/工龄/薪资/学校/年龄）
│   │   ├── semantic_matcher.py# 语义模块（经历/专业/项目/获奖/地域/职业）
│   │   └── skill_graph_matcher.py  # 图谱模块（技能/知识图谱结构）
│   ├── factors/               # 各因子评分实现
│   │   ├── base.py            # Factor / FactorRegistry 基类
│   │   ├── skill.py           # 技能匹配度（bigram F1 + 共现）
│   │   ├── education.py       # 学历层次
│   │   ├── experience.py      # 相关经历（bigram F1 + 时间衰减）
│   │   ├── years.py           # 工龄匹配
│   │   ├── salary.py          # 薪资重合度
│   │   ├── school.py          # 学校层次
│   │   ├── major.py           # 专业匹配
│   │   ├── project.py         # 项目经历
│   │   ├── award.py           # 获奖加分
│   │   ├── location.py        # 地域匹配
│   │   ├── age.py             # 年龄匹配
│   │   ├── gender.py          # 性别匹配（已禁用，weight=0）
│   │   ├── job_type.py        # 工作性质
│   │   ├── occupation.py      # 职业分类（ISCO）
│   │   └── kge_graph.py       # 知识图谱结构（匈牙利+Jaccard替代KGE）
│   ├── recommendation_service.py  # 搜索流水线（向量→BM25→SQL回退+公司多样混排）
│   ├── profile_service.py     # 用户/岗位画像加载与同步
│   ├── indexing_service.py    # ZVec + BM25 索引管理
│   ├── document_processor.py  # 语义分块
│   ├── skill_normalizer.py    # 技能归一化（ontology + embedding）
│   ├── skill_graph.py         # 技能图谱 DAG / 差距分析 / 学习路径
│   ├── skill/
│   │   └── cooccurrence.py    # 共现图构建 + LLM 补充
│   └── vector/
│       ├── __init__.py        # 统一导出
│       ├── zvec_store.py      # numpy 暴力搜索向量存储
│       ├── embed_service.py   # 嵌入 API（SiliconFlow BGE-M3）
│       └── bm25_store.py      # BM25 关键词检索
├── static/                    # 前端静态文件
│   ├── user.html              # 个人端页面
│   ├── enterprise.html        # 企业端页面
│   ├── css/user.css           # 个人端样式
│   ├── css/enterprise.css     # 企业端样式
│   └── js/user.js             # 个人端 JS
│   └── js/enterprise.js       # 企业端 JS
├── utils/
│   ├── file_parser.py         # 文件解析（DOCX/PDF/TXT）
│   ├── StructuredExtractor.py # LLM 结构化提取
│   └── SkillExtractor.py      # 技能提取
├── repositories/              # 数据访问层
│   ├── user_repo.py           # 用户数据查询
│   └── job_repo.py            # 岗位数据查询
├── schemas.py                 # Pydantic 请求/响应模型
└── databases/
    ├── app.db                 # 开发/测试用 SQLite 数据库
    └── database_schema.sql    # 数据库建表语句

---

启动

# 单 worker
python -m uvicorn server:app --host 0.0.0.0 --port 8000

# 多 worker（推荐，需 4GB 内存）
python -m uvicorn server:app --host 0.0.0.0 --port 8000 --workers 4

首次启动会自动创建数据库表、填充示例数据。访问：

页面	地址
登录	http://localhost:8000/
个人端	http://localhost:8000/user?uuid=xxx&token=xxx
企业端	http://localhost:8000/enterprise?uuid=xxx&token=xxx
API 文档	http://localhost:8000/docs

---

匹配权重体系

模块间权重

规则模块 (0.3)
  学历层次 ×0.22 → 有效 0.066
  工龄匹配 ×0.22 → 有效 0.066
  薪资重合 ×0.28 → 有效 0.084
  学校层次 ×0.17 → 有效 0.051
  年龄匹配 ×0.11 → 有效 0.033

语义模块 (0.35)
  相关经历 ×0.25 → 有效 0.0875
  专业匹配 ×0.15 → 有效 0.0525
  项目经历 ×0.20 → 有效 0.070
  获奖加分 ×0.10 → 有效 0.035
  地域匹配 ×0.15 → 有效 0.0525
  工作性质 ×0.05 → 有效 0.0175
  职业分类 ×0.10 → 有效 0.035

图谱模块 (0.35)
  技能匹配度 ×0.50 → 有效 0.175
  知识图谱结构 ×0.50 → 有效 0.175

硬条件（不通过直接过滤）

学历、性别、年龄、工作性质、工作年限、薪资期望 — 六项硬条件不满足直接跳过，不参与评分。

---

搜索流水线

请求进入
  ↓
向量搜索（ZVec numpy 暴力搜 + BM25 混合）
  ↓
候选不足？→ BM25 二次搜索
  ↓
候选仍不足？→ SQL 回退（扫描全部活跃数据）
  ↓
对每个候选项执行硬条件过滤 + engine.compute() 评分
  ↓
按总分降序排序
  ↓
公司多样性混排（避免单一公司霸榜）
  ↓
返回 top_k

---

关键技术选型

组件	方案	说明
向量搜索	numpy 暴力（无 FAISS）	当前数据量小，无需近似索引
嵌入模型	SiliconFlow BGE-M3（API）	1024 维，文本/代码混合
LLM	DeepSeek v4 Flash（API）	简历解析、技能关系补充
匹配算法	匈牙利 O(n³) + bigram F1	纯 Python 实现，无 scipy
数据库	GreatSQL/MySQL（pymysql）	多机部署，主从可配
认证	JWT（PyJWT + bcrypt）	无状态 token

---

因子评分算法

因子	算法
技能匹配度	bigram F1 + 共现图 Jaccard + 前置覆盖率
学历层次	EDUCATION_LEVEL 映射 + 差值衰减
相关经历	bigram F1 × 时间衰减权重
工龄匹配	中位数距离衰减
薪资重合度	期望与岗位薪资的交叠比
学校层次	JSON 学校分级（最高 4 级）
专业匹配	嵌入余弦相似度（major→job text）
地域匹配	居住地与岗位地点的子串匹配
年龄匹配	距离期望中位数衰减

---

环境变量

创建 .env 文件在项目根目录：

DEEPSEEK_API_KEY=sk-your-key-here

变量	说明	默认值
DEEPSEEK_API_KEY	DeepSeek / SiliconFlow API Key	必填
SILICONFLOW_API_KEY	SiliconFlow 专用 Key	同 DEEPSEEK_API_KEY