随着互联网技术的发展和共享商业模式的兴起,越来越多的劳动者不再选择传统的全职工作,而是选择做自由职业者,在以解决项目为核心的远程劳务平台上独立工作。这种突破组织边界、国籍边界的新型劳务商业模式,不仅推动了全球的经济发展,更是重塑了全球的劳动雇佣关系。远程劳务平台以互联网为依托实现分散的劳动力资源和需求有效地匹配,形成了巨大的在线劳动力市场。尽管在线劳动力市场蓬勃发展且形式多样,但学术界和工业界对在线劳动力领域的相关研究和应用推广依然处于探索阶段,许多用户行为与经济现象尚没有进行系统的研究。本文依托全球最大在线劳动力市场之一 Freelancer平台,利用数据驱动的研究方法,探究在线劳动力市场中招聘决策等相关问题。具体来讲,本文分别从在线劳动力市场中雇主和申请者的角度,基于在线劳动力平台业务结构中面临的三大问题:雇主招聘决策问题、申请者声誉评价问题以及申请者项目推荐问题,以真实的大数据为依托,采用深度学习方法构建相应的预测模型,探究雇主和申请者的在线行为,为实现在线劳动力市场的供需高效匹配提供科学依据。论文的主要工作及贡献概括如下:(1)提出了基于深度选择模型的雇主招聘决策方法,该深度选择模型基于逐点卷积神经网络设定申请者非线性效用函数,对其进行效用值的估计,同时考虑整个申请者集合估计申请者的雇佣概率。从雇主的角度,针对在线劳动力市场中雇主面对大量的申请者时,难以做出招聘决策的问题,构建了一种同时考虑整个申请者集合和申请者属性特征的深度选择模型,该模型结合了逐点卷积神经网络和条件逻辑模型的特点。相比传统的条件逻辑模型,该模型可以捕获到更复杂的雇主决策过程,为雇主的招聘决策提供了有效的解决方案。(2)构建了基于乘法长短期循环神经网络的申请者声誉评价模型,该模型采用字符为最小单位分割文本并进行训练,通过迁移学习的思想,将在海量评价文本中训练好的模型迁移至在线劳动力市场平台的声誉文本信息评价中。从雇主的角度,针对在线劳动力市场中存在的申请者声誉等级评分膨胀现象,声誉等级评分无法真实反映申请者质量的问题,侧重声誉评价文本,提出了一种基于乘法长短期循环神经网络的无监督学习的声誉评价模型,对声誉评价中的文本信息进行情感评价。在此基础上,结合深度选择模型,提出了基于乘法长短期声誉分析的雇主招聘决策方法。该方法可以更准确地对雇主的招聘行为进行决策,提高了雇主招聘决策模型的适用性。(3)提出了基于条件变分自编码器的申请者项目推荐方法,该方法可以同时考虑申请者的历史信息和自身属性特征。从申请者角度,针对申请者和项目难以精确匹配问题,设定了申请者—项目相关矩阵,为解决该矩阵严重稀疏,难以直接优化目标函数的问题,采用一种深度隐变量的生成模型,利用神经网络对概率分布进行拟合,提出了基于条件变分自编码器的混合项目推荐模型。相比基于变分自编码器的协同过滤推荐模型、基于线性变分自编码器的协同过滤模型以及基于线性变分自编码器的混合推荐模型,本文提出的基于条件变分自编码器的混合推荐模型性能更优。(4)将基于深度选择模型的雇主招聘决策方法,构建的基于乘法长短期循环神经网络的申请者声誉评价模型,以及基于条件变分自编码器的混合项目推荐模型分别在Freelancer的数据集上进行了有效性实验,实验结果表明,所提出的雇主招聘决策模型、声誉分析模型以及申请者项目推荐模型对比现有模型,其性能更可靠。研究结果实现了在线劳动力市场劳动供给与需求的更高效率匹配,同时为在线劳动力市场平台实现雇主和申请者双方个性化、智能化、精准化的服务提供了技术支持。