JayThinkDiff/CRE-0.5

CRE: CareerInternational Recruitment Embedding Model 🚀

CRE-0.5 是一款专为人力资源场景打造的嵌入模型。通过引入局部特征感知（Local Feature-aware）的归纳偏好，显著提升了简历与职位描述（JD）的语义对齐精度。

---

💡 技术来源 (Technical Background)

维度	详细信息
专利名称	一种基于局部特征投影的招聘场景语义匹配方法及其系统
申请号	2025108424429
当前状态	已公开（实审中）
主要发明人	焦英浩 等

---

更新日志 (Release Notes)

• 2025/03/28: 发布 CRE-0.5 初始版本及技术报告。

核心特性 (Key Features)

• 局部特征提取 (Local Feature-aware): 借助 CNN 结构引入归纳偏好，使模型在文本编码过程中对人力资源场景下的“技能词”、“职级”等局部核心特征更为敏锐。
• 投影层设计 (Projection Layer): 本质上是一种精巧的辅助微调方法。通过在微调阶段增加特定的投影参数进行协同训练，在不破坏基座模型通用能力的前提下，大幅提高编码质量。
• 全场景覆盖: 适配 检索 (Retrieval)、RAG (检索增强生成) 以及 智能体 (Agent) 等多种下游任务。

Using Sentence-Transformers

from sentence_transformers import SentenceTransformer, util

model = SentenceTransformer("JayThinkDiff/CRE-1.1")

query_embedding = model.encode("图像算法工程师 职位描述： 1、负责开发或优化基于人体工学标准和数字化技术的工人保护系统")
passage_embedding = model.encode([
    "图像算法工程师 负责设计和实现多种机器学习算法，涵盖数据预处理、特征工程、模型训练与评估等完整流程，提升人效。",
    "算法工程师。工作描述:图像分割、图像融合、目标跟踪、人体姿态识别、特征点匹配等图像处理方面的研究，有MMpose、EHS项目经历",
])

print("查询结果:", util.cos_sim(query_embedding, passage_embedding))

📊 预期结果对比 (Expected Output Comparison)

模型名称 (Model)	相似度 1 (与简历 1)	相似度 2 (与简历 2)
CRE-0.5	0.6854	0.6886
bge-large-zh-v1.5	0.7563	0.7551

📊 PJBenchmark 历史版本测试结果

以下展示了 CRE 系列模型在招聘垂直领域基准测试（PJBenchmark）中的性能演进过程。可以看到，通过引入 CNN 结构与针对性微调，模型在 jd2cv（人岗匹配核心任务）上取得了突破性进展。

Model	AVG	jd2jd	jd2cv	cv2cv
BGE	34.05	41.94	21.66	38.55
CRE-0.1	36.14	42.48	30.37	35.56
CRE-0.2	41.22	52.97	30.98	39.72
CRE-0.3	44.27	45.58	42.89	44.33
CRE-0.4	42.88	49.49	43.53	35.61
CRE-0.5	44.99	50.42	46.25	38.29

数据观察：

1. 核心突破：CRE-0.5 版本在综合得分（AVG）上达到了最高值 44.99。
2. 人岗匹配能力：在最关键的 jd2cv 维度，CRE_cnn_ft 相比基座 BGE 提升了超过 113% (21.66 -> 46.25)。
3. 局部特征优势：CNN 投影层的引入在处理异构文本（JD 与简历）时展现了极强的表征对齐能力。

注意事项：

• 使用 CLS Token 来表征句子语义。
• 最大输入 Token 长度建议设置为 512。

---

Citation

If you find our work helpful, please cite this patent:

@misc{jiao2025recruitment,
  title={一种基于局部特征投影的招聘场景语义匹配方法及其系统},
  author={焦英浩 and 王广智 and 刘之},
  year={2025},
  note={中国专利申请号: 2025108424429, 实审中}
}