1. 项目背景与核心痛点去年校招季帮学弟学妹改简历时发现超过60%的人都踩过入职后发现实际工作与JD不符的坑。有个学机械的女生入职后天天被安排做前台接待还有个学设计的男生签完合同才知道要承担销售指标。这种信息不对称现象在就业市场普遍存在而传统招聘平台基本没有解决机制。大学生就业市场存在三个典型问题企业岗位描述模糊化如综合管理岗实际是电话销售薪资福利条款存在猫腻看似月薪8k实则底薪2k业绩提成隐性用人歧视普遍性别/年龄/婚育等要求不写在明面这些痛点催生了就业避雷平台的需求——通过真实员工评价和企业信用评级帮求职者识别潜在风险。类似餐饮界的大众点评但需要更严谨的审核机制和结构化数据呈现。2. 平台核心功能设计2.1 企业信息雷达系统采用NLP技术解析招聘JD自动标记可疑表述红色预警词薪资面议可能低于行业水平黄色提示词抗压能力强可能经常加班蓝色标注词提供住宿适合外地求职者同时对接天眼查API实时监控企业司法风险劳动仲裁记录经营异常拖欠社保、大规模裁员注册资本实缴比例皮包公司识别2.2 员工匿名评价体系借鉴Glassdoor模式但增加三重验证企业邮箱验证在职身份自动隐藏前字符工资条模糊化上传仅显示薪资范围评价内容AI情感分析过滤恶意诋毁特别设置离职冷静期机制离职3个月内的评价权重降低50%在职满1年员工的评价自动置顶2.3 薪资解密工具开发薪资计算器功能输入offer中的薪资结构底薪绩效补贴自动换算五险一金扣除额对比同岗位行业中位数生成《薪资合理性评估报告》例如某offer显示年薪12万实际拆解后底薪4000/月占比40%季度绩效30000需100%达标年终奖20000需不离职 实际保障收入仅48000/年3. 关键技术实现方案3.1 基于知识图谱的风险识别构建企业关系图谱股权穿透识别空壳公司法人关联排查皮包公司集群用工模式分析外包/劳务派遣预警# 企业关联度计算示例 def company_relation(compA, compB): same_legal 1 if compA.legal compB.legal else 0 shared_holders len(set(compA.holders) set(compB.holders)) return same_legal*0.6 shared_holders*0.43.2 评价内容可信度算法采用BERT规则引擎双重验证情感极性分析排除极端情绪化评价事实性陈述检测每天加班需对应打卡记录相似评价聚类防止水军刷评graph TD A[原始评价] -- B(情感分析) A -- C(实体识别) B -- D{极性强度0.8?} C -- E{包含具体事例?} D --|Yes| F[降权处理] E --|No| G[标记无实证]3.3 防爬虫与隐私保护关键措施薪酬数据动态模糊化显示区间而非具体值企业敏感信息差分隐私处理验证码行为分析反爬体系4. 运营风险控制策略4.1 法律合规框架评价内容自动过滤劳动法禁用词如乙肝歧视设立企业申诉通道48小时响应机制与律所合作建立内容审核标准4.2 数据安全防护员工上传的工资条自动抹除个人信息企业查询日志脱敏存储关键数据库采用SGX加密5. 典型应用场景案例场景某传媒公司招聘新媒体运营 平台识别异常点JD中需要适应弹性工作时间→ 加班概率87%参保人数15人但招聘规模20人→ 可能大量试用期不转正近1年涉及3起劳动仲裁→ 全部与拖欠绩效有关系统生成风险报告薪资风险▲▲▲成长性▲△△工作强度▲▲▲ 建议求职者重点询问每日实际工作时长绩效工资发放标准试用期通过率6. 开发实施路线图阶段关键任务周期交付物1企业数据中台搭建4周工商信息对接API2核心算法开发6周风险识别模型v1.03移动端开发8周iOS/Android最小MVP4种子用户运营持续1000真实评价技术选型建议前端React Native跨平台兼容后端Go高并发处理数据库MongoDB非结构化数据存储算法PyTorch深度学习模型7. 常见问题解决方案Q企业投诉评价不实怎么办 A启动三级审核流程AI自动验证事实性陈述人工客服联系评价者取证法律顾问评估争议内容Q如何防止竞争对手恶意差评 A设置关联企业检测规则来自同一IP段的评价自动隔离存在股权关联的企业评价需额外验证突发大量负面评价触发风控审核Q学生用户不会写结构化评价 A设计引导式输入你每天实际工作几小时下拉选择团队氛围更像哪种动物图标选择用3个词形容直属领导标签云平台后续可扩展方向签约企业诚信认证服务劳动法务智能咨询职业发展路径规划开发这类平台最关键的还是平衡各方利益——既要保障求职者知情权又要避免成为企业诋毁工具。我们采用的技术方案都在试图建立这种平衡比如通过算法降权极端评价、要求事实性陈述等。在实际运营中还需要持续优化这些规则。
