目前,求职和招聘双方仍经历着由于信息不对称而带来的"逆向选择"困难,企业招聘成本仍是相对高昂,而疫情期间,精确的人岗匹配功能对线上招聘平台来说更显得尤为重要。以往人岗匹配研究主要集中在人力资源专家对关键词的判断和手工特征的构造,而由此得出人岗匹配方法往往无法充分利用岗位和简历描述的知识和技能关系,也无法充分表示文本的主旨语义信息,这将影响招聘平台推荐职位效果,也影响着求职者对求职平台推荐的岗位的信任、甚至影响求职者的招聘选择。因此,为解决以上迫切的问题,实现精确的人岗匹配模型正在成为当前的研究热点之一。本文结合实际招聘产生的数据,依据下游任务需求和实际招聘业务分析,构建供求职端的知识图谱,并模拟实际招聘关注过程,构建基于注意力机制的人岗匹配模型。其中,采用知识表示的方法,将供求职知识图谱用低维嵌入空间表示,使得文本语义信息结合图知识作为下游人岗匹配模型的输入实现模型充分学习,从而实现人与岗位信息的匹配程度预测,并在大量的实验中证明了模型设计理念的优异。本文的主要研究内容如下:1、为融合挖掘供求职双方的关系信息,实现了基于电子简历和电子招聘要求文本数据搭建供求职知识图谱,其包括实现数据的处理、供求职图谱的概念层设计、信息抽取和知识匹配等,此外,还介绍了知识抽取阶段如何对数据进行标注及模型选取。2、实现了将现有电子简历和电子招聘要求文本数据的三元组知识存储在Neo4j图数据库,并进行了可视化。其中,包括针对简历和招聘要求的数据进行统计分析,并从可视化知识图中操作图数据库,进行知识的检索。3、为模拟实际招聘的关注过程,提出基于预训练BERT模型及注意力机制搭建的人岗匹配模型。基于BERT编码的方式,将简历及岗位文本信息通过编码后,结合嵌入的知识向量共同输入到人岗匹配模型,以实现模型搭建在BERT的输出下游中。其中,本文融合推荐系统方法,提出基于注意力机制算法来增强岗位与简历之间的关注特征,并融入历史最优简历匹配对,让模型充分学习到候选求职者特征与历史特征之间的增强信息,以增强模型性能。实验也表明与现有人岗匹配方法比较,该方法具有更为突出的评价性能,也为人岗匹配研究方法的提供一个新思路。