「火爆人才」简历分层算法：基于活跃度与质量评分的人才分层模型

招聘平台上简历数量巨大，企业搜索简历时经常面临"简历很多但合适的很少"的问题。为了提升企业招聘效率，我们做了「火爆人才」功能——把活跃且质量高的简历优先展示给企业。核心是简历分层算法，今天把设计思路和实现分享出来。

一、需求与目标

「火爆人才」的目标：

优质优先：活跃、质量高的简历排在前面，企业更容易找到合适的人才
动态更新：人才活跃度会变化，分层要动态调整，不能一成不变
可解释：分层规则要可解释，能告诉企业为什么这份简历是"火爆人才"
防作弊：防止求职者通过刷活跃度等方式提升层级

二、分层模型设计

把简历分成 5 个层级：

层级	名称	占比	说明
S	火爆人才	5%	极度活跃且质量极高，优先推荐
A	优质人才	15%	活跃且质量高，推荐展示
B	潜力人才	30%	有一定活跃度或质量，正常展示
C	普通人才	40%	活跃度低或质量一般，靠后展示
D	沉睡人才	10%	长期不活跃，最后展示

分层基于两个核心维度：活跃度评分和质量评分，综合计算总分后按比例分层。

三、活跃度评分

活跃度反映求职者最近的活跃程度，越活跃越可能在找工作，企业联系后回复率越高。

3.1 活跃度指标

指标	权重	说明
最近登录时间	30%	最近登录越近分越高
简历更新频率	20%	最近更新简历的次数
职位浏览/投递	25%	最近浏览职位、投递简历的次数
消息回复率	15%	企业消息的回复率和回复速度
在线时长	10%	最近30天的累计在线时长

3.2 时间衰减

活跃度要考虑时间衰减，越久之前的行为权重越低。用指数衰减函数：

1
2
3
4
5
function timeDecay($timestamp, $halfLife = 86400 * 7)
{
    $daysAgo = time() - $timestamp;
    return pow(0.5, $daysAgo / $halfLife); // 半衰期7天
}

7天前的行为权重衰减一半，30天前的行为权重只有约 5%。

3.3 活跃度计算

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
class ActivityScorer
{
    public function score($userId)
    {
        $score = 0;

        // 1. 最近登录时间（0-30分）
        $lastLogin = UserLoginLog::find()
            ->where(['user_id' => $userId])
            ->orderBy(['created_at' => SORT_DESC])
            ->select('created_at')
            ->scalar();
        if ($lastLogin) {
            $daysSinceLogin = (time() - $lastLogin) / 86400;
            $score += 30 * max(0, 1 - $daysSinceLogin / 30); // 30天以上0分
        }

        // 2. 简历更新频率（0-20分）
        $updateCount = ResumeUpdateLog::find()
            ->where(['user_id' => $userId])
            ->andWhere(['>=', 'created_at', time() - 86400 * 30])
            ->count();
        $score += 20 * min(1, $updateCount / 5); // 5次以上满分

        // 3. 职位浏览/投递（0-25分）
        $viewCount = JobViewLog::find()
            ->where(['user_id' => $userId])
            ->andWhere(['>=', 'created_at', time() - 86400 * 30])
            ->count();
        $applyCount = JobApply::find()
            ->where(['user_id' => $userId])
            ->andWhere(['>=', 'created_at', time() - 86400 * 30])
            ->count();
        $score += 15 * min(1, $viewCount / 20) + 10 * min(1, $applyCount / 5);

        // 4. 消息回复率（0-15分）
        $replyStats = Message::find()
            ->where(['receiver_id' => $userId])
            ->andWhere(['>=', 'created_at', time() - 86400 * 30])
            ->select(['COUNT(*) as total', 'SUM(is_replied) as replied'])
            ->asArray()
            ->one();
        if ($replyStats && $replyStats['total'] > 0) {
            $replyRate = $replyStats['replied'] / $replyStats['total'];
            $score += 15 * $replyRate;
        }

        // 5. 在线时长（0-10分）
        $onlineSeconds = UserOnlineLog::find()
            ->where(['user_id' => $userId])
            ->andWhere(['>=', 'date', date('Y-m-d', time() - 86400 * 30)])
            ->sum('seconds');
        $score += 10 * min(1, $onlineSeconds / 36000); // 10小时以上满分

        return round($score, 2);
    }
}

四、质量评分

质量评分反映简历的"含金量"，学历、工作经验、技能等因素。

4.1 质量指标

指标	权重	说明
学历	20%	博士/硕士/本科/大专/高中及以下
工作年限	15%	工作年限越长分越高（但有上限）
知名企业经历	20%	是否有知名企业工作经历
技能匹配度	15%	技能标签的丰富度和热门程度
简历完整度	15%	简历各字段填写完整程度
历史投递反馈	15%	历史投递后企业的反馈（面试邀约率）

4.2 质量计算

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
class QualityScorer
{
    public function score($userId)
    {
        $resume = Resume::findOne(['user_id' => $userId]);
        if (!$resume) return 0;

        $score = 0;

        // 1. 学历（0-20分）
        $eduScore = ['高中及以下' => 2, '大专' => 8, '本科' => 14, '硕士' => 18, '博士' => 20];
        $score += $eduScore[$resume->education] ?? 5;

        // 2. 工作年限（0-15分）
        $years = $resume->work_years ?? 0;
        $score += 15 * min(1, $years / 10); // 10年以上满分

        // 3. 知名企业经历（0-20分）
        $famousCompanies = $this->getFamousCompanyCount($userId);
        $score += 20 * min(1, $famousCompanies / 2); // 2家以上满分

        // 4. 技能匹配度（0-15分）
        $skillCount = count($resume->skills ?? []);
        $hotSkillCount = $this->getHotSkillCount($resume->skills ?? []);
        $score += 8 * min(1, $skillCount / 10) + 7 * min(1, $hotSkillCount / 5);

        // 5. 简历完整度（0-15分）
        $completeness = $this->calcResumeCompleteness($resume);
        $score += 15 * $completeness;

        // 6. 历史投递反馈（0-15分）
        $interviewRate = $this->getInterviewRate($userId);
        $score += 15 * $interviewRate;

        return round($score, 2);
    }

    private function calcResumeCompleteness($resume)
    {
        $fields = ['name', 'phone', 'email', 'education', 'work_years', 'current_position', 'current_company', 'skills', 'self_introduction', 'work_experience', 'education_experience'];
        $filled = 0;
        foreach ($fields as $field) {
            if (!empty($resume->$field)) $filled++;
        }
        return $filled / count($fields);
    }

    private function getInterviewRate($userId)
    {
        $applies = JobApply::find()
            ->where(['user_id' => $userId])
            ->andWhere(['>=', 'created_at', time() - 86400 * 180])
            ->count();
        if ($applies == 0) return 0.5; // 无数据给中性分

        $interviews = Interview::find()
            ->where(['candidate_id' => $userId])
            ->andWhere(['>=', 'created_at', time() - 86400 * 180])
            ->count();
        return min(1, $interviews / $applies / 0.3); // 30%面试率满分
    }
}

五、综合分层

5.1 总分计算

活跃度和质量各占 50%：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
class ResumeTierService
{
    public function calcTier($userId)
    {
        $activityScore = (new ActivityScorer())->score($userId);
        $qualityScore = (new QualityScorer())->score($userId);

        // 综合分：活跃度50% + 质量50%
        $totalScore = $activityScore * 0.5 + $qualityScore * 0.5;

        // 按分数分层
        return $this->scoreToTier($totalScore);
    }

    private function scoreToTier($score)
    {
        if ($score >= 80) return 'S';
        if ($score >= 65) return 'A';
        if ($score >= 50) return 'B';
        if ($score >= 30) return 'C';
        return 'D';
    }
}

5.2 动态比例调整

固定分数阈值可能导致各层级比例失调（比如 S 级占了 20%）。用动态比例调整，确保各层级占比符合预期：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
public function recalcAllTiers()
{
    // 计算所有用户的总分
    $scores = [];
    $users = User::find()->select('id')->column();
    foreach ($users as $userId) {
        $scores[$userId] = $this->calcTotalScore($userId);
    }

    // 按分数降序排序
    arsort($scores);

    // 按比例分层
    $total = count($scores);
    $tiers = [];
    $rank = 0;
    foreach ($scores as $userId => $score) {
        $rank++;
        $percentile = $rank / $total;
        if ($percentile <= 0.05) $tier = 'S';
        elseif ($percentile <= 0.20) $tier = 'A';
        elseif ($percentile <= 0.50) $tier = 'B';
        elseif ($percentile <= 0.90) $tier = 'C';
        else $tier = 'D';

        $tiers[$userId] = $tier;
    }

    // 批量更新
    foreach ($tiers as $userId => $tier) {
        Resume::updateAll(['tier' => $tier], ['user_id' => $userId]);
    }
}

每天凌晨跑一次，重新计算所有简历的层级。

六、搜索排序集成

简历搜索时，按层级排序，S/A 级优先展示：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
POST /resume/_search
{
  "query": {
    "bool": {
      "must": [
        {"match": {"skills": "PHP"}}
      ]
    }
  },
  "sort": [
    {"tier_rank": "desc"},
    {"activity_score": "desc"},
    {"_score": "desc"}
  ]
}

tier_rank 是层级对应的数字（S=5, A=4, B=3, C=2, D=1），索引时冗余存储，避免排序时计算。

七、防作弊机制

求职者可能通过刷登录、刷浏览等方式提升活跃度。防作弊措施：

异常行为检测：短时间内大量浏览/投递（如1分钟浏览100个职位），标记为异常，不计入活跃度
IP/设备限制：同一IP/设备多个账号频繁操作，降权处理
质量分保底：活跃度再高，质量分太低也不能到 S/A 级
人工审核：S 级简历定期人工抽查，发现造假降级

八、效果

上线后的数据对比：

指标	上线前	上线后	提升
企业简历查看率	45%	62%	+38%
简历投递回复率	28%	41%	+46%
面试邀约率	12%	18%	+50%
企业招聘满意度	6.5/10	8.2/10	+26%

「火爆人才」标签的简历，企业查看率和回复率都明显高于普通简历，说明分层算法是有效的。

九、总结

简历分层算法的核心设计：

双维度评分：活跃度（找工作意愿）+ 质量（简历含金量），综合评估
时间衰减：活跃度考虑时间衰减，越近的行为权重越高
动态分层：按比例动态调整各层级人数，避免比例失调
搜索集成：层级作为排序因子，优质人才优先展示
防作弊：异常行为检测 + 质量保底 + 人工审核，防止刷分

这个算法不是完美的，后续还可以优化：引入企业端的反馈数据（收藏、下载、面试）作为质量分的重要依据，用机器学习模型替代人工权重，实现更精准的分层。但作为第一版，已经达到了预期效果，验证了方向的正确性。

一、需求与目标#

二、分层模型设计#

三、活跃度评分#

3.1 活跃度指标#

3.2 时间衰减#

3.3 活跃度计算#

四、质量评分#

4.1 质量指标#

4.2 质量计算#

五、综合分层#

5.1 总分计算#

5.2 动态比例调整#

六、搜索排序集成#

七、防作弊机制#

八、效果#

九、总结#