人岗匹配算法,能从交友软件30年经验里学到什么?

从数学上说，招聘不是普通的“用户—商品推荐”，而是一个典型的双边匹配市场。这恰好也是交友软件三十年来一直面对的问题。

从1995年的Match.com到今天的Tinder和Bumble，交友算法已经经历了关键词筛选、心理测量、协同过滤、吸引力排名、双向推荐、稳定匹配和AI红娘等多个阶段。它们越来越擅长判断一个人可能喜欢谁，却也一次次发现：喜欢不是单向的，人的自我描述并不可靠，历史行为会产生偏见，最受欢迎的人会吸走过多曝光，而再先进的模型，也很难准确预测两个具体的人见面以后究竟会不会“来电”。

这些问题几乎都能在人岗匹配中找到对应物。

事实上，人岗匹配算法本身也已经走过了一条相似的道路。

早期在线招聘的核心问题不是预测谁会成为优秀员工，而是如何从成千上万份简历中找到可能符合条件的人。

最直接的办法当然是关键词。

招聘人员输入“Java、五年经验、北京”，系统从数据库中筛出同时包含这些条件的简历；求职者搜索“产品经理、上海、互联网”，系统返回内容出现相应词语的岗位。

这种逻辑和1990年代早期交友网站非常相似。用户输入年龄、地点和兴趣，数据库返回满足条件的个人档案。算法没有真正理解人，也没有真正理解岗位，它只是判断两个文本里有没有相同的词。

问题很快就出现了。

一个招聘广告写的是“机器学习”，候选人简历写的是“ML”；岗位要求“自然语言处理”，简历上写的是“NLP”；一个人过去的职位叫“客户成功经理”，另一个公司的相似岗位却叫“客户体验负责人”。他们可能实际上非常匹配，却会因为没有共享同一个关键词而互相错过。

于是，人岗匹配开始从字面匹配走向语义匹配。

系统不再只看两个文本有没有相同的词，而是试图理解职位名称、技能、工作经验和行业之间的关系。技能词典、职业分类体系、知识图谱、TF-IDF、词向量，再到后来的BERT和Transformer，本质上都在解决同一个问题：把“这个人会什么”和“这个岗位需要什么”放进同一个数学空间里，然后计算它们之间的距离。

2018年前后，一批Person-Job Fit研究已经开始利用神经网络同时表示简历和岗位要求。研究者不只想给出一个总匹配分，还希望模型能判断：这个候选人的哪些经历满足了岗位的哪些具体要求。

这比关键词检索又前进了一大步。

推荐一本电影，可以只研究观众喜欢什么。

推荐一个约会对象不行。

2010年，一个名为RECON的交友推荐系统做过一个很有意思的实验。传统模型问的是：“谁符合Andrew的偏好？”RECON多问了一层：“谁符合Andrew的偏好，并且有可能回应Andrew？”

加入这种双向性之后，它前十名推荐的成功率从26%提高到了45%。更有意思的是，在预测“谁可能回应自己”这件事上，人本人甚至不如根据历史互动训练出来的模型。

这正是人岗匹配长期以来最容易被忽略的一层。

很多所谓AI招聘匹配，其实只计算了一半。

企业输入一个职位，系统找出技能最相似的100名候选人。但候选人愿不愿意换工作？愿不愿意去这个城市？能不能接受薪资？是否喜欢这个行业？最近是不是根本没有求职意愿？

反过来也一样。求职平台可以不停给一个人推荐“大数据工程师”职位，因为他的技能很匹配，但如果这些企业从来不会邀请具有类似背景的人面试，那么推荐得再准，也只是在制造无效申请。

招聘真正要预测的：是候选人A有多大概率愿意申请岗位B，企业B又有多大概率愿意推进候选人A，而且双方最终接受这段关系的可能性有多大？

这三个问题看起来接近，其实并不是一回事。

今天的招聘推荐研究已经越来越重视这种双向推荐。一篇对2011年至2021年工作推荐系统研究的综述特别指出，招聘推荐与普通商品推荐的重要区别，就在于它具有明显的双向性和时间性。岗位会过期，人的意愿会变化，招聘方和求职者必须同时产生兴趣，一次匹配才可能真正发生。

个成熟的人岗匹配模型至少应该拥有两套偏好模型。一套理解企业想要谁。另一套理解候选人想去哪里。

现实中的很多系统，却仍然只拥有前者。

2000年上线的eHarmony曾要求新用户填写数百道问题，通过性格、价值观和偏好寻找合适对象。OkCupid则让用户回答问题，同时告诉系统：希望另一半怎么回答，以及自己到底有多在意。

这类“科学配对”的基本假设是，人知道自己喜欢什么。

但关系科学给出了一个不那么令人舒服的答案。

心理学家Paul Eastwick和Eli Finkel等人的研究发现，人们事先声称自己喜欢哪些特质，并不能稳定预测实际见面时究竟会对谁产生兴趣。一个人可以非常真诚地说自己喜欢幽默、外向、有抱负的人，但真实互动发生以后，吸引他的可能完全是另一种人。

所谓偏好，有时候只是我们关于自己的一套理论。

招聘中也存在同样的问题。

招聘经理会说：“我们需要一个有战略思维、创业精神、沟通能力强的人。”

候选人会说：“我希望加入一家扁平、创新、有成长空间的公司。”

问题是，这些表述究竟有多大的预测价值？

一个招聘经理说自己需要“战略人才”，最后却可能一次次录用来自相同公司、相似学历和熟悉行业的人。一个候选人说最看重成长空间，真正收到offer时，却可能因为薪资、老板或者通勤距离做出完全不同的选择。

所以，人岗匹配算法后来开始学习“被表达出来的偏好”之外的东西。

一个人的搜索记录、点击、收藏、申请、拒绝offer和职业流动，可以揭示简历没有写出来的意图；一个企业过去邀请谁面试、录用了谁、谁最终留下来，也能提供招聘JD之外的信息。

Person-Job Fit研究已经开始把历史申请记录、搜索行为和成功招聘记录纳入模型。LinkedIn在2024年发表的一篇技术论文则披露，对于部分招聘场景，它会利用confirmed hire，也就是已经确认发生的录用数据，构建图结构来改善候选人与岗位的检索。

但交友算法又给出了下一层警告：行为数据未必代表真实偏好，它也可能只是过去机会结构留下的痕迹。

一个人过去一直做财务，不一定意味着他只适合做财务，也可能是因为算法从来没有向他展示过数据分析岗位。

一家企业过去录用的高管大多数来自某三家名校，不一定证明这些学校的人表现最好，也可能只是过去的猎头、招聘经理和渠道一直在重复寻找同一类人。

模型如果不区分“我真正喜欢什么”和“过去我有机会看到什么”，历史就很容易被包装成预测。

交友算法历史上最有争议的阶段之一，是给人暗中排名。

Tinder曾经使用过一套借鉴国际象棋Elo等级分思想的系统。简单来说，如果很多人喜欢你，特别是那些本身评分较高的人喜欢你，你的内部“吸引力分数”就可能提高。系统再根据排名影响谁更容易看见谁。

Tinder后来宣布不再使用Elo评分，但这个问题远没有消失。

只要一个平台需要决定谁先出现、谁后出现，谁会获得更多曝光，它实际上就在分配机会。

招聘平台也一样。

假设一个算法发现，来自某几家知名公司的候选人更容易获得招聘人员点击，于是开始把他们排得更高。更高的排名带来更多曝光，更多曝光带来更多点击和面试，新的互动数据又进一步证明这些人“更受欢迎”。

于是一个反馈循环形成了：

因为更受欢迎，所以获得更多曝光；因为获得更多曝光，所以显得更加受欢迎。

另一边，一些转行者、非传统背景候选人或职业经历少见的人，则可能不是被明确拒绝，而只是慢慢从推荐结果中消失。

这正是推荐系统中的“流行度偏差”。

问题不仅在公平。它还可能降低整个市场的匹配效率。

如果所有招聘者都收到同样的20个“最优候选人”，这20个人会同时收到大量邀约，而其他原本完全能够胜任的人却无人问津。最终的结果可能是，企业之间在少数候选人身上发生严重拥堵，而大量可行匹配从未产生。

近年的双向推荐研究已经开始专门讨论这个问题。研究者发现，如果算法一味追求最大化预期匹配数量，往往会造成严重的曝光机会不均；提高公平性与最大化匹配率之间，存在真实的权衡。

所以一个好的人岗匹配算法不能只问：“谁最合适？”

还应该问：“推荐机会是不是过度集中在少数人和少数岗位上？有没有一些足够好的匹配，仅仅因为早期曝光不足，永远无法积累数据？”

招聘不是选出世界上最优秀的十个人。招聘是让尽可能多的岗位，遇到真正可能适合它的人。

这两个目标并不相同。

交友软件非常喜欢给用户一个简单数字：你们匹配度92%。

招聘软件也一样。候选人与岗位匹配度87%。

这个数字非常有吸引力，因为它把一个复杂问题变成了一个可以排序的结果。招聘人员不用再阅读几百份简历，只需要先看90分以上的人。

问题是，“匹配”到底是什么？

工业与组织心理学中的Person-Job Fit，最基本的一层是能力与岗位要求是否匹配，也就是一个人会不会做这份工作。但还有另一层：工作能不能提供这个人需要的东西，包括薪酬、发展、自主权、工作方式和其他条件。

• 一个能力非常强的人，可能根本不喜欢这份工作。

• 一个当前技能只有70%匹配的人，可能学习速度极快，三个月以后反而成为更好的选择。

• 一个人在岗位A表现普通，换一个经理、一个团队或者一种工作方式，可能完全不同。

如果把这一切压缩成一个87分，数字很精确，概念却可能很模糊。

这也是为什么最新的人岗匹配研究越来越少依赖单一文本相似度。模型开始同时处理技能、工作经验、地理位置、薪资、搜索历史、申请行为、招聘历史和更多上下文。一些系统还利用知识图谱发现那些字面上不相同、实际却高度相关的技能和职业路径。

2026年的研究前沿甚至已经开始用大语言模型进行第二阶段重排。一个典型系统会先用Embedding模型从几百万份简历中快速找出几百个候选人，再由更强的LLM逐一分析候选人与岗位之间的关系，解释哪些要求被满足、哪些存在缺口，然后重新排序。

这比简单的“关键词命中率”当然先进得多。

但模型越复杂，一个问题反而越不能回避：

它到底在优化什么？

• 点击？

• 投递行为？

• 招聘经理回复？

• 进入面试？

• 接受offer？

• 入职？

• 半年后绩效？

• 两年后留任？

这些目标并不等价，有时甚至彼此冲突。

LinkedIn公开的技术研究就提供了一个很好的例子。在不同招聘场景中，它使用的优化目标并不完全相同：对于某些商业职位推广场景，重点是提高申请者质量，因此会利用已确认录用的数据；而在普通职位推荐中，系统也需要考虑求职者互动和参与度。

同一个人、同一个岗位，只要目标函数变化，所谓“最匹配”的结果就可能变化。

所以人岗匹配真正困难的，从来不只是模型能力。

更难的是决定什么叫“成功”。

交友算法发展到一定阶段后，遇到了一个比推荐更大的问题。

假设系统已经知道每个人的偏好，接下来应该怎么分配？

如果A最喜欢B，B最喜欢C，C又最喜欢A，只给每个人推荐自己的第一选择，最后可能谁也匹配不上。

1962年，David Gale和Lloyd Shapley提出了后来著名的稳定匹配算法。它寻找一种整体分配，使结果中不存在另外两个人同时觉得：“比起现在的匹配对象，我们其实更愿意选择彼此。”

后来，类似思想被真正用于医疗住院医师职位分配等劳动力市场。2012年，Lloyd Shapley和Alvin Roth因为稳定分配理论和市场设计实践获得诺贝尔经济学奖。

这一思路对人岗匹配的启发非常直接。现实招聘不是100万个彼此独立的“候选人—岗位相似度计算”。它是一个有容量限制的市场。

一个候选人最终通常只能接受一份全职工作。一个岗位可能只招三个人。一个企业的招聘速度会影响候选人是否被其他公司抢走。一个热门岗位得到十万份申请，并不意味着十万次机会；大部分申请只是拥堵。

因此，人岗匹配真正成熟以后，需要从“推荐系统”走向“市场设计”。

它不只计算每一对人岗有多相似，还要考虑岗位容量、候选人注意力、双方偏好、时间窗口、竞争关系和整体市场效率。

这里也有一个很容易误解的地方。

“稳定匹配”不等于“每个人都得到自己的第一选择”，更不等于找到唯一正确答案。它只是避免一种明显不稳定的局面：已经分配好的两方之外，存在另外一对彼此更想选择对方。

招聘算法未来真正值得追求的，可能不是神谕般地告诉企业“这个人就是最佳人选”，而是在大量可能性中，减少明显错配、减少无效搜索，并让更多有可能成功的双方真正相遇。

这比给每个人算一个漂亮的匹配分，难得多。

协同过滤曾经极大改变交友推荐。系统发现，和你口味相近的人喜欢某些对象，那么你可能也会喜欢。招聘平台同样可以学习：过去录用了某类候选人的企业，可能还会喜欢另一批背景相似的人。

这种方法有效，但它存在一个危险。

招聘不是Netflix。如果系统推荐电影时不断给喜欢动作片的人推荐更多动作片，最坏的结果可能只是有点无聊。

如果招聘系统不断根据历史录用者寻找“相似的人”，它可能真正改变谁有资格进入一个职业。

假设一家科技公司过去的高级工程师大多来自少数几所学校。算法学习成功员工的共同特征后，很可能发现“学校背景”是一个非常强的预测变量。即使模型根本没有显式使用性别、种族或社会阶层，它也可能通过学校、邮编、工作经历、职业中断等代理变量，重新构造出历史结构。

更微妙的问题是，所谓“历史成功数据”本身就是经过筛选后的数据。

企业知道被录用者后来的表现，却通常不知道那些从未进入面试的人本来能表现多好。

算法看到的是：A被录用了，后来表现很好。

它看不到的是：B也许会表现得更好，只是当年根本没人给过B机会。

这是招聘数据最根本的反事实缺失问题。

交友算法中的MonsterMatch实验曾非常直观地展示过类似现象：用户进行几次选择之后，推荐系统根据早期行为调整曝光，一些档案越来越常出现，另一些则慢慢消失。后者不是被所有人拒绝，而是越来越少有机会被看见。

在人岗匹配中，这种问题的代价更高。

因为算法不是在影响一场约会，而是在影响收入、职业轨迹和社会机会。

OkCupid曾经做过一个后来颇有争议的实验。

一些原本匹配分不高的用户，被平台告诉：“你们非常匹配。”

结果，人们真的更愿意互动。

后来的研究也发现，当约会者相信算法认为双方高度兼容时，他们对第一次约会的体验可能更好。换句话说，算法的判断不只是描述现实，它还可能参与创造现实。

招聘中同样如此。当系统在候选人名字旁边显示“95%匹配”，招聘人员真的还能完全不受影响地阅读简历吗？

当求职者看到“你是该岗位前10%的申请者”，会不会更愿意投入时间准备面试？

当招聘经理看到“类似候选人历史留任率较高”，会不会更倾向于解释他的优点、忽略他的缺点？

一个看似客观的分数，很容易成为锚点。所以匹配算法的解释方式本身就是产品的一部分。

研究双向推荐的学者发现，当接受一次推荐的成本很高时——比如求职、约会这样的场景——只解释“为什么它适合你”未必够。告诉用户“为什么双方可能彼此合适”，有时比单边解释更有效。

这给招聘产品一个很具体的启发。

与其说：

“候选人与岗位匹配度92%。”

不如说：

“候选人的Python、推荐系统和跨团队项目经验覆盖了岗位三个核心要求；同时，这个岗位的技术方向、薪资区间和远程办公安排，与候选人近期表现出的职业偏好较为一致。主要缺口是没有直接管理经验。”

后者没有前者那么神奇。但它更接近真实决策。

大语言模型当然改变了人岗匹配。

过去，系统很难理解“做过什么”和“会什么”之间的复杂联系。一个候选人没有写“项目管理”，但他可能连续三年协调十几个跨部门团队；另一个岗位没有明确写“数据分析”，实际职责却需要大量SQL和实验设计。

Embedding和大语言模型让这些隐性语义更容易被发现。

最新研究正在形成一种比较清晰的技术架构：首先用快速检索模型从海量候选人或岗位中召回一批可能选项，再用更强的模型重新排序，逐项理解工作经验、技能要求和职业背景。2026年的ConFit v3研究就是这种方向的代表之一，它使用大语言模型进行人岗重排，并专门讨论真实招聘数据中的噪声、可控性和可解释性问题。

但如果回看交友算法的三十年，会发现一个多少有点扫兴的事实：模型理解文本的能力提高了，并不等于“匹配”这个问题已经解决。

人可能并不知道自己真正想要什么。

行为数据可能受到既往曝光的影响。

历史录用可能复制过去的偏见。

热门候选人可能吸走所有注意力。

最高的局部匹配分未必产生最好的整体市场结果。

最重要的是，一个人的工作表现从来不只是个人属性的函数。

同一个人换一个老板，可能判若两人；换一个团队、一个产品阶段、一套激励制度，结果也可能完全不同。所谓Person-Job Fit，最终不仅发生在人和岗位说明书之间，还发生在人、任务、经理、团队、组织和时间之间。

这一点和浪漫吸引有一点令人不安的相似。

2017年，Samantha Joel等研究者收集了100多项关系科学变量，再用机器学习预测速配对象之间的浪漫吸引。模型能够判断谁整体上更受欢迎，谁总体上更挑剔，却无法可靠预测最关键的问题：具体的这个人，会不会偏偏对具体的另一个人产生特殊感觉。

招聘当然不是谈恋爱。

工作绩效也比浪漫吸引更容易定义、更容易测量，专业能力更可以通过工作样本、结构化面试和技能测评获得证据。

但两者共享一个限制：有些结果不是两个个体属性简单相加就能提前知道的，而是在双方真正开始互动之后才产生。

人岗匹配算法最好的未来，可能不是替人做出最终决定，而是做三件更具体的事：让原本互相找不到的人发现彼此，让双方更早看清匹配的证据和缺口，并且减少那些本来可以避免的错配。

这听起来没有“AI一秒找到最佳人才”那么激动人心。但对于真正复杂的匹配市场来说，少犯一些自信的错误，可能比假装拥有一个完美答案更有价值。

关于AI和HR的未来，你有什么想法？欢迎添加小编微信进群和我们一起交流~

信息来源

• Lauren Sharp，《A Brief History of Matching Algorithms: From searchable profiles to AI matchmakers》，2026。

• Corné de Ruijt、Sandjai Bhulai，《Job Recommender Systems: A Review》，2021。

• Sahin Cem Geyik等，《Talent Search and Recommendation Systems at LinkedIn: Practical Challenges and Lessons Learned》，2018。

• Rohan Ramanath等，《Towards Deep and Representation Learning for Talent Search at LinkedIn》，2018。

• Jianqiang Shen等，《Learning to Retrieve for Job Matching》，2024。

• Chen Zhu等，《Person-Job Fit: Adapting the Right Talent for the Right Job with Joint Representation Learning》，2018。

• Junshu Jiang等，《Learning Effective Representations for Person-Job Fit by Feature Fusion》，2020。

• Yupeng Hou等，《Leveraging Search History for Improving Person-Job Fit》，2022。

• Leonardo Pizzato等，《RECON: A Reciprocal Recommender for Online Dating》，2010。

• Yoji Tomita、Tomohiko Yokoyama，《Fair Reciprocal Recommendation in Matching Markets》，2024。

• Akiva Kleinerman、Ariel Rosenfeld、Sarit Kraus，《Providing Explanations for Recommendations in Reciprocal Environments》，2018。

• Samantha Joel、Paul Eastwick、Eli Finkel，《Is Romantic Desire Predictable? Machine Learning Applied to Initial Romantic Attraction》，2017。

• Xiao Yu等，《ConFit v3: Improving Resume-Job Matching with LLM-based Re-Ranking》，2026。