運用機器學習和 Talent Solution 改善職缺搜尋結果

本頁說明如何使用 Cloud Talent Solution、機器學習 (ML) 和用戶端事件資料，改善搜尋結果。

Cloud Talent Solution 服務能將機器學習技術融入職缺搜尋體驗，突破傳統關鍵字搜尋方法的限制，向求職者傳回高品質的搜尋結果。CTS 不必經過設定，直接就能將關聯性模型和職缺/技能本體套用到您的職缺詳細資料。您可以根據求職者的活動記錄用戶端事件，藉此提升求職者的搜尋結果準確度。

本快速入門導覽課程將概述利用此功能的兩種方式。建議您使用 createClientEventRequest API 方法。此方法可略過因使用 Cloud Pub/Sub 將訊息傳送到 Cloud Talent Solution 時產生的驗證問題，並提供一組乾淨的 API 供您實作數據分析架構。

完成本教學課程後，您就能開始發布用戶端事件資料。

求職者執行特定動作時，您可以使用此 API 記錄該項動作。舉例來說，與服務進行互動的求職者或其他實體已在畫面上看見工作或工作清單，例如以壓縮或剪輯格式呈現的搜尋結果清單。在這個情況下，您可以將 IMPRESSION 事件傳送至 Cloud Talent Solution，藉此提供搜尋結果的相關資訊和求職者會看見的內容。除此之外，求職者為了查看完整工作說明而點選某項工作搜尋結果時，您可以傳送 VIEW 事件，記錄求職者對這個職缺感興趣。

用量

以下範例說明如何使用 API 將訊息傳送至 Cloud Talent Solution。與服務互動的求職者或其他實體在畫面中已顯示工作，像是以壓縮或剪輯格式呈現的搜尋結果清單。這個事件通常與求職者在單一頁面中查看工作清單有關。

如需可用事件類型的完整清單，請參閱事件類型一節。

使用 Cloud Pub/Sub 記錄用戶端事件要求

需求條件

如要發布 pubsub 訊息，您必須僅將訊息發布至專案 p-jobs 和主題 cloud-jobs-events。

所有未包含 requestId 的 Pub/Sub 訊息都會遭到捨棄。

事前準備

您已完成以下工作：

本教學課程整合說明如何建立發布者用戶端、透過 Cloud Pub/Sub 發布用戶端事件，以及進行清除。我們會利用 Java 程式碼逐步完成 Cloud Talent Solution 應用程式以示範這項整合，並將重點放在如何呼叫 Cloud Talent Solution，而不是解釋 Java 用戶端程式庫。

將用戶端事件資料發布到 Cloud Talent Solution

本節將逐步引導您把用戶端事件資料發布到 Cloud Talent Solution，以根據您的特定業務和求職者需求提高關聯性。

請依照 Google Cloud Pub/Sub 發布者指南中的指示，將訊息發布到 Cloud Talent Solution。

請查看傳送的實際訊息是否符合下述模式。

範例訊息

IMPRESSION 事件

JSON

    {
      "eventId": "857523730h91wrgkih9qpl12z8bf",
      "eventType": "IMPRESSION",
      "requestId": "8d2bdd5d-1361-42a5-a0fd-bd2b58b7d8fb:APAb7ISd4Sc5faibw2V5hTU/OoC2WAW5AA==",
      "relatedJobNames": [
        "jobs/4000000000",
        "jobs/4000000001"
      ],
      "eventTimestampMillis": 1518200614309,
    }

VIEW 事件

JSON

    {
      "eventId": "9q9wa69qgfx1q1xzwn3zo25z",
      "eventType": "VIEW",
      "requestId": "248pla4w-8wpl-87rt-15rt-430ue8u541m8",
      "relatedJobNames": [
        "jobs/8000000000",
        "jobs/8000000001"
      ],
      "eventTimestampMillis": 1518200617426,
    }

使用 Cloud Talent Solution 管理工具驗證實作成果

Cloud Talent Solution 會提供工具給 API 使用者，藉由提供自助式工具讓您驗證實作成果。

如要進一步瞭解自助式工具，請參閱「Cloud Talent Solution 管理工具」。

後續步驟

以用戶端事件資料改善預先訓練模型。