互联网技术高速发展的当下,网络招聘的兴起使得人才信息得以不限地域的快速传播,企业为适应这种人才市场信息传播媒介的变化,正逐步推进人力资源管理电子化的发展。尤其是在以技术为核心的互联网企业,计算机招聘系统已能够实现部分招聘工作的智能处理,因此传统意义上凭借“经验+直觉”的人岗匹配方式已不再适用,人岗匹配智能化测度成为互联网企业人力资源管理电子化的新目标。而大数据背景下,机器学习算法使计算机能够自动获取信息,从而进行科学有效的预测。将大数据技术应用到人岗匹配测度场景中,通过有效的机器学习方法提高人岗匹配效率,减少耗费比,是人力资源管理电子化的必然趋势。为探索在图像识别、自然语言处理等多种场景下展现出优良性能的卷积神经网络算法在人岗匹配测度中的表现,本文首先运用网络爬虫技术爬取了2775条拉勾网中的互联网企业真实岗位需求数据,通过高频词统计构建指标池,并结合专家访谈建议对指标进行提炼,得到了含有知识水平与人才素质等3个维度、11个特征指标的人岗匹配测度评价指标体系。在此基础上,本文通过搭建全连接神经网络特征转换器实现了将人才评价数据由向量向16阶方阵的形式转化,并将其嵌入卷积神经网络分类器结构中,形成了基于CNN的人岗匹配测度模型。最后,本文通过拉勾网下载技术岗位人才求职简历19832份,运用研究得到的评价指标体系提取实证数据,通过python编程实现模型拟合,结合不同数量的样本划分排除拟合结果的偶然性,并进行卷积神经网络与决策树、朴素贝叶斯两种传统机器学习多分类算法的预测效果对比分析,卷积神经网络学习率、全连接层数与优化算法对预测效果的影响以及模型在企业实际招聘工作中的应用实例分析。实证研究发现,基于卷积神经网络的人岗匹配测度模型在经过300次迭代后损失下降至0.413,准确率最高达0.844,能够应用于解决人岗匹配测度的实际问题中。且与决策树0.738以及朴素贝叶斯0.624的准确率相比,卷积神经网络模型的预测效果更好。随机梯度下降、0.001学习率下的单全连接层卷积模型在保持一定准确率的情况下计算时间较短,更符合企业的实际应用场景。在实际应用中,使用本文提出的人岗匹配测度卷积模型对人才匹配进行得分计算将节省近90%的时间成本,且效果与企业HR进行人工匹配打分基本一致。