跳脱行政区与关键字限制 黑客松团队以GeoGraph改善职缺媒合

台湾生成式AI应用黑客松竞赛队伍「二分搜不到未来」，以GeoGraph地理位置图谱改善职缺媒合，勇夺「1111人力银行：智能求职」组优胜。DIGITIMES摄

在求职平台输入工作地点，看似只是设定一个查找条件，实际上却常受行政区边界所限。有些职缺明明位于邻近区域、通勤距离比同区内的工作更近，却只因不在指定行政区内而被排除在外。参加由数码发展部数码产业署指导、DIGITIMES主办、Amazon Web Services（AWS）担任国际AI技术支持的「2026云涌智生：台湾生成式AI应用黑客松竞赛」【1111人力银行：智能求职】组的「二分搜不到未来」团队，正是从这样的使用经验出发，结合地理位置图谱与技能图谱，希望让求职查找更贴近真实的生活情境。

以GeoGraph图谱跨越行政区界线

团队最初从1111人力银行的命题文件注意到「技能图谱（Skill Graph）」概念，并以此作为最小可行性产品的核心，再逐步延伸到地理查找。团队观察，现行求职、订房或旅游平台多以行政区作为分类基础，使用者一旦指定区域，系统通常只回传该区内的结果；这种设计虽便于整理数据，却未必反映真实的移动距离，位于行政区边界的求职者往往因此错过邻近、通勤更短的职缺。

为突破这道界线，团队提出GeoGraph地理位置图谱，把不同区域之间的相邻关系以图形结构呈现。当指定区域内的合适职缺不足时，系统便能依地理关系向周边延伸查找，不再把行政区当成无法跨越的边界。这项设计的重点不在于单纯增加结果数量，而是让推荐范围贴近求职者对距离与通勤的直觉，减少因行政区分类造成的信息落差。

导入LLM让非标准用语也能媒合

除了地理范围，团队也着手解决传统关键字难以理解非标准用语的问题。系统透过大型语言模型（LLM）搭配系统提示词进行语意推理，将使用者输入的口语、缩写或复合需求，转换成可供检索的职务概念。以团队测试情境为例，当求职者输入非标准词汇时，传统模型未必能建立明确对应，LLM却能进一步推论该需求可能与物流、电商或特定平台的配送工作有关，再把相关职缺一并纳入查找。

在竞赛有限的时间与资源内，团队也必须在系统完整度、成本与速度之间权衡。多人同步开发时，曾因部署时间差导致版本互相覆盖，得额外处理环境与版本控管问题；若对所有职缺都以LLM提取技能信息，又会垫高API成本与处理时间，因此部分数据仍以传统自然语言处理方式整理，未能在竞赛期间全面套用生成式AI。

团队表示，这次参赛让他们更深刻体会到，AI工具虽已普及，真正拉开差距的仍是问题定义、数据整理与系统设计；未来若能将实际距离、交代理线与通勤时间一并纳入，职缺推荐将更贴近求职者的日常选择，也让GeoGraph的价值更完整呈现。