玻璃盒范式：工程化 公平性、可解释性与精确性于 企业招聘与知识 图谱

为 Veriprajna 准备的白皮书

执行摘要

人工智能（AI）与人力资本管理（HCM）的交汇 已到达一个关键拐点。过去十年，行业叙事一直 被效率承诺所主导——用机器学习处理简历，达到 人类招聘人员无法企及的速度与规模。然而，对速度的这种追求 付出了惊人的伦理与声誉代价。"黑 盒"人工智能的广泛部署——尤其是深度学习模型与不受约束的大语言模型 （LLM）——已将历史性歧视工业化，把过去的偏见变成了 未来的自动化守门人。

亚马逊内部人工智能招聘引擎的崩溃——它学会了系统性地 惩罚含有 "women's" 一词的简历——并非异常；它是 在有偏见的历史数据上训练的统计相关引擎的数学必然。 ¹ 随着 各国政府以 纽约市地方法第144号 和 欧盟人工智能法案 等严格法规介入， 人力资源技术 "快速行动、打破常规" 的时代已正式结束。新的指令 很明确：自动化决策必须可审计、可解释，并且可证明地公平。 ³

Veriprajna 认为，"黑盒"悖论的出路不是更好的深度学习，而是 一次根本性的架构转向 可解释知识图谱（EKG） 。通过 从概率预测（根据隐藏模式猜测谁优秀）转向 确定性度量（计算技能与 要求之间精确的语义距离），我们可以将人才评估与人口统计偏见解耦。本白皮书 作为现代企业的技术与战略蓝图，详述 知识图谱架构、本体映射以及基于向量的技能距离 算法如何为不透明算法提供稳健、合规且合乎伦理的替代，相对于 过去。我们超越 "人工智能包装器" 的炒作，交付能够 衡量人才而非特权的深层结构智能。

第一部分：算法失败的解剖

要理解可解释知识图谱的必要性，我们必须首先对 传统统计人工智能为何在招聘领域失败进行取证分析。失败通常 不在代码，而在概念。

1.1 亚马逊案例研究：取证分析

亚马逊已退役招聘引擎的案例，是招聘中 算法偏见记录最充分的实例，对整个行业构成警示。2014年， 亚马逊在爱丁堡的机器学习专家着手自动化搜寻顶尖 工程人才。他们的目标是构建一种机制：招聘人员可输入100份 简历，系统输出前五名推荐，按一至五 星排序，类似于产品评分。 ⁵

1.1.1 训练数据陷阱

根本错误在于训练数据。模型是在提交给 公司、跨度10年的简历上训练的。由于科技行业在历史上 由男性主导，训练集中绝大多数"成功"录用者都是男性。 ¹ 统计机器学习模型通过最小化其预测与 训练标签之间的误差来运作。在本例中，模型正确地识别出，从统计上看，"身为 男性"是历史数据集中"被录用"的强预测因子。

于是，该人工智能自学惩罚包含 "women's" 一词的简历，例如 "Women's Chess Club Captain"，并下调两所女子学院毕业生的排名。 ² 它这样做并非出于恶意；而是出于数学优化。它发现了一种 模式——男性主导——并为之优化。

1.1.2 偏见放大与代理变量

这一现象被称为 偏见放大 。人工智能模型不仅复制 训练数据中的偏见；它们往往还会放大这些偏见。如果男性占劳动力的60%，模型可能 会推动录用80%或90%的男性，以对照历史趋势最大化其准确率分数。

亚马逊的工程师试图通过使模型性别中立来"修复"它，明确 编程使其忽略特定术语。然而，深度学习模型以善于 发现 代理变量 而著称。即使去掉 "woman" 一词，模型仍可抓住 与性别强相关的语言模式——例如特定动词、句子结构或课外 活动。 ⁶ 例如，研究表明男性 简历更常使用 "executed" 或 "captured" 等更具攻击性的动词，而女性简历 可能使用更具共同体色彩的语言。黑盒模型看到 "executed" 与 "hired" 之间的相关后，实际上通过语言代理重构了性别偏见。 ²

最终，亚马逊废弃了该工具，因为他们无法保证它不会学会 新的歧视方式。神经网络的"黑盒"本质意味着工程师 无法轻易隔离或手术式地移除偏见，而又不摧毁模型的预测 能力。 ⁶

1.2 深度学习中的"黑盒"问题

亚马逊案例凸显了将"黑盒"模型用于高风险 决策的固有危险。在深度神经网络中，决策逻辑分布在数百万（或 数十亿）个参数上。输入数据（简历）被送入网络，经过 非线性变换的隐藏层，然后生成输出分数。

1.2.1 缺乏因果推理

关键在于，这些模型运作于 相关，而非 因果 。模型并不 理解候选人 为何 合格。它不知道 "Python" 是一门对 "数据科学"有用的编程语言。它只知道字符串 "Python" 出现在 成功候选人的简历中。如果 "长曲棍球" 也频繁出现在成功 简历中（或许由于社会经济相关），模型可能将 "长曲棍球" 权重 得与 "Python" 一样高。这种因果推理的缺失导致虚假相关和不公平 结果。 ⁷

1.2.2 透明度悖论

这种不透明造成了"透明度悖论"。为使模型更准确，工程师 往往使其更复杂（增加层数、增加参数），这使其更不 可诠释。然而，GDPR 和欧盟人工智能法案等法规要求可解释性。招聘 人员无法向候选人解释一次拒绝，通过引用 "神经元 4,502 以强度 0.8。" 技术复杂性与法律对简明解释要求之间的这一鸿沟 是现代人力资源科技的核心危机。 ⁸

1.3 大语言模型包装器陷阱

在生成式人工智能兴起之后，许多供应商已转向使用大语言模型 （LLM），如 GPT-4、Claude 或 Gemini，作为招聘引擎。尽管这些模型在 语言能力上优于旧系统，但当它们被用作"黑盒"时会引入新风险。

●​ 幻觉 ：大语言模型易于"幻觉"出事实。大语言模型可能推断候选人 拥有某项特定认证，仅仅因为简历语气听起来专业，或者它 可能发明并不存在的技能匹配。 ⁷

●​ 随机性 ：大语言模型是非确定性的。若将同一份简历送入大语言模型 两次，你可能得到两个不同的分数。在审计场景中，这种不一致是致命的。如果 公司无法复现导致录用或拒绝的决策逻辑，它们就会在 审计中失败。 ⁷

●​ 知识截止日期 ：大语言模型依据其训练数据被冻结在某一时间点。它们可能无法 识别自上次训练运行以来出现的最新框架或技术， 而实时知识图谱可以即时更新。 ⁷

裁定 ：统计人工智能（深度学习与大语言模型）是 阅读 和 解析 语言的优秀工具，但用于 评判 人的潜力则十分危险。对于评判，我们 需要确定性、透明且可审计的架构。我们需要知识图谱。

第二部分：监管围攻——为何透明度 不可妥协

转向可解释人工智能不再只是伦理偏好；它是法律要求。 世界各国政府正在对不透明的算法决策竖起屏障。

2.1 纽约市地方法第144号：审计强制令

纽约市率先对自动化就业决策工具进行监管 （AEDT）。自2023年7月起，地方法第144号 要求任何使用 AEDT 来 筛选在纽约市就业或晋升的候选人的雇主，必须使该工具接受年度 独立偏见审计。 ³

2.1.1 所需的具体指标

该法极为具体。它要求计算 选拔率 和 影响比率 针对每一种族、族裔和性别类别。 ⁹

●​ 选拔率 ：某一类别（例如西班牙裔女性）中被 选中进入下一阶段的候选人比例。

●​ 影响比率 ：受保护群体的选拔率除以 选拔率最高群体的选拔率。若该比率低于 0.8（"五分之四规则"），即构成初步 表面证据，表明存在差别性影响（偏见）。 ¹⁰

2.1.2 可解释性要求

虽然第144号法聚焦于结果，但要 修复 未通过审计的系统，唯一途径是 可解释性。若黑盒模型对黑人男性显示 0.4 的影响比率，雇主 便陷入困境。他们看不到模型 为何 拒绝这些人。是大学名称？邮政 编码？方言？没有可解释性，合规就变成盲目猜测的游戏。 Veriprajna 的方法确保：一旦发现差距，造成该差距的具体图谱节点 （例如对某项昂贵认证的要求）可以被识别并 调整。 ¹¹

2.2 欧盟人工智能法案：高风险分类

欧盟人工智能法案是世界上第一部全面的人工智能法律。它明确将用于 招聘 的人工智能系统（具体包括定向招聘广告、筛选申请和 评估候选人）归类为 高风险 系统。 ⁴

2.2.1 第13条：透明度与可诠释性

高风险系统必须被设计得足够透明，使用户能够诠释 系统输出并恰当使用。系统必须提供"使用说明"， 其中包括系统的能力与局限。 ¹³ 没有理由的"黑盒"分数 违反这一原则。用户（招聘人员）必须理解推荐的 逻辑 。

2.2.2 第14条：人工监督

该法案要求高风险系统允许有效的人工监督。人 必须能够"决定不使用该高风险人工智能系统，或以其他方式忽视、推翻或 撤销输出"。 ¹⁴ 要智能地推翻人工智能决策，人必须理解该 决策。Veriprajna 的 EKG 通过向招聘人员精确展示哪些技能 缺失来促成这一点。招聘人员随后可以说："人工智能因缺少技能 X 拒绝了该候选人，但我 看到他们拥有经验 Y，这是有效替代，"从而行使知情监督。 ¹⁵

2.3 GDPR：解释权

根据《通用数据保护条例》（GDPR），自动化决策受到严格 监管。

●​ 第22条 ：赋予个人不受仅基于 自动化处理之决定约束的权利。

●​ 第15(1)(h)条 ：赋予数据主体获取"有意义信息，关于 所涉逻辑"的权利，针对自动化决策。 ⁸

●​ 序言第71条 ：明确提及"获得所作出决定之 解释"的权利。

向候选人发送通用拒绝邮件在法律上是危险的。向他们提供 具体的、有数据支撑的解释（"该职位要求 Python 熟练度；你的简历 强调的是 Java 和 C++"）不仅满足法规，还建立信任并降低 诉讼风险。 ¹⁵

第三部分：Veriprajna 方案——可解释 知识图谱（EKG）

为满足这些监管要求并解决偏见问题，Veriprajna 采用一种"玻璃 盒"架构，以 企业知识图谱（EKG） 为中心。

3.1 什么是知识图谱？

知识图谱是对现实世界事实的结构化表示，建模为 节点（实体）与 边（关系）构成的网络。 ¹⁶ 与关系数据库不同，后者存储数据 于僵化的行与列中，图谱以灵活、相互连接的网存储数据，映射 人类的联想记忆。

3.1.1 本体：系统的 DNA

我们 EKG 的核心是稳健的 本体（或模式）。这是定义 我们宇宙中存在哪些类型的事物以及它们如何关联的蓝图。 ¹⁷

●​ 实体（节点） ：人、技能、职位角色、公司、大学、认证、项目。

●​ 关系（边） ：(:Person)-->(:Skill), (:Job Role)-->(:Skill), (:Skill A)-->(:Skill B), (:Skill X)-->(:Skill Y). ¹⁸

该本体使系统能够进行语义推理。它知道 "PyTorch" 是用于 "深度学习"的库，而深度学习是 "人工智能" 的子集。因此，若职位要求 "AI" 而候选人列出 "PyTorch"，图谱会看到匹配，即使关键词 "AI" 缺失。 ¹⁹

3.2 架构：关注点分离

我们的架构严格分离 感知（阅读）与 推理（思考）。

3.2.1 感知层：LLM 作为"阅读器"

我们仅将大语言模型（LLM）用于 信息抽取（IE）和 命名 实体识别（NER）。 ²⁰ LLM 阅读简历或职位 描述的非结构化文本并抽取实体。

●​ 输入 ："I orchestrated a team of 5 developers to build a React native app."

●​ 抽取：技能：React Native，技能：团队领导，语境：移动开发。 ​

LLM 不做招聘决策。它仅仅将数据结构化为符合 我们本体的节点。21

3.2.2 推理层：图谱作为"裁判"

一旦实体被抽取，它们就被摄入知识图谱。所有匹配、 评分与排序逻辑都通过遍历图谱执行。该逻辑是确定性的： 给定同一图谱和同一查询，结果每次都相同。 ²² 这解决了纯 LLM 的 "随机性"问题。

3.3 人口统计掩蔽：设计即隐私

图谱架构最强大的特性之一是 子图过滤 。当 匹配算法运行时，它操作于数据的受限"视图"或子图。 ²³

●​ 推理图 ：该子图包含技能、角色、经验水平和 认证。它明确 排除 与姓名、性别、族裔、地址相关的节点， 以及毕业日期（年龄代理）。

●​ 机制 ：因为推理图中不存在 "性别" 节点， 寻路算法根本无法使用它们。不存在从 "候选人" 到 "性别" 再到 "角色" 的路径。偏见在结构上被切断。 ²⁴

相比之下，深度学习模型以整段原始文本为输入。即使你移除 "性别"字段，模型仍会阅读文本 "Women's Chess Club" 并推断性别。在我们的 图谱中，"Women's Chess Club" 由 LLM（在抽取阶段）映射为 中性化节点，如 (:Activity {type: "Strategy Club", role: "Leadership"})。性别化 修饰语在进入推理引擎 之前 即被剥离。 ²⁴

第四部分：公平的数学——计算 技能距离

Veriprajna 引擎并不"预测"成功。它度量 技能距离 。这将 招聘从主观概率领域推向客观几何。

4.1 从布尔匹配到向量空间

传统申请人跟踪系统（ATS）使用布尔逻辑：简历是否包含 关键词 "Java"？（是/否）。这很脆弱，会错过人才。我们使用 图谱嵌入 来 创建技能的连续向量空间。 ²⁵

我们采用 Node2Vec 或 GraphSAGE 等算法来学习向量表示，为 本体中的每一个节点。

●​ 图谱中频繁相连的两项技能（例如 "Python" 与 "Pandas"）将 在多维空间中拥有彼此非常接近的向量。

●​ 不相关的两项技能（例如 "Python" 与 "静脉穿刺"）将相距很远。

4.2 余弦相似度与加权评分

为对照职位描述给候选人打分，我们计算其间的 余弦相似度 候选人的技能向量集与职位的要求向量集。 ²⁷

余弦相似度公式：

$$\text{Similarity}(\mathbf{A}, \mathbf{B}) = \frac{\mathbf{A} \cdot \mathbf{B}}{\|\mathbf{A}\| \|\mathbf{B}\|} = \frac{\sum_{i=1}^{n} A_i B_i}{\sqrt{\sum_{i=1}^{n} A_i^2} \sqrt{\sum_{i=1}^{n} B_i^2}}$$ 其中：

●​ $\mathbf{A}$ 是候选人技能的向量表示。

●​ $\mathbf{B}$ 是职位要求的向量表示。

这种方法允许 部分给分 。缺少 "Tableau" 但掌握 "PowerBI" 的候选人将获得高相似度分数，因为这两个节点在图谱的 "商业智能"簇中是语义近邻。 ²⁸ 关键词搜索会给他们零分。

4.3 用于重叠的 Jaccard 相似度

我们还使用 Jaccard 相似系数 作为显性技能原始重叠的 基线度量。 ²⁸

$$J(A, B) = \frac{|A \cap B|}{|A \cup B|}$$

它度量交集大小除以并集大小。虽然不如向量相似度 细致，但它提供透明的"覆盖"分数（例如，"候选人覆盖70% 的强制性要求"）。

4.4 测地距离（最短路径）

对于"差距分析"，我们计算图谱内的 最短路径（测地距离） 拓扑。 ²⁹

●​ 情景 ：职位要求 技能 X 。候选人拥有 技能 Y 。

●​ 图谱查询 ：寻找节点 Y 与节点 X 之间的最短路径。

●​ 结果 ：(Skill Y) -> (Parent Class) -> (Skill X)。距离 = 2 跳。

●​ 解释 ：若距离较小（例如 < 3 跳），该技能被视为"可训练"或

"可迁移"。若距离较大（例如 > 6 跳），则为"硬缺口"。

最终的 技能距离分数 是由这些算法导出的复合度量。它 代表候选人为满足职位需求所需的"努力"。这是纯粹的 基于能力的度量，对人口统计完全盲视。

第五部分：在企业中实施"玻璃盒"

采用 EKG 架构会改变招聘工作流。以下是 Veriprajna 为企业客户实施该系统的方式。

5.1 混合架构：事实与维度

我们使用这样一种心智模型：知识图谱是事实表，而 LLM 是 维度表 。 ³¹

组件	角色	功能	可靠性
知识图谱	事实	存储显式 关系、 层级和 规则。（例如，"Python 是一种语言"）。	高（经策展、 确定性）
LLM	接口	处理自然 语言输入 并合成 输出。（例如， "总结这一 缺口"）。	可变 （由图谱 锚定）
图谱算法	逻辑	执行实际的 匹配与 评分 计算。	高（审计就绪）

5.2 工作流：从简历到有理由的决策

1.​ 摄入与解析 ：

○​ 候选人上传简历。

○​ LLM 解析文本，识别实体（技能、角色、日期）。

○​ 规范化 ："ReactJS" 与 "React.js" 被映射到单一节点 ID:4921。

○​ 净化 ：人口统计术语被剥离或泛化（例如，"Women's Chess" $\to$ "Chess Club"）。

2.​ 图谱构建 ：

○​ 在推理图中创建临时"候选人节点"，连接到 抽取出的技能与角色节点。

○​ 历史数据（先前角色）链接到本体的"角色层级"以推断 资历。

3.​ 距离计算 ：

○​ 系统对职位需求节点执行 技能距离 算法（余弦 + Jaccard + 最短 路径）。

○​ 生成分数（例如 92/100）。

4.​ 可解释性生成 ：

○​ 系统识别"为何"：

■​ 直接匹配 ：Python, SQL。

■​ 推断匹配 ：PyTorch（从深度学习项目推断）。

■​ 缺口 ：缺少 "Kubernetes"（距离：3 跳）。

○​ LLM 仅 基于这些图谱事实生成人类可读摘要。 ⁷

5.​ 审计与监测 ：

○​ 分数与匿名化候选人 ID 被送入 审计图 。

○​ 在此，它们与人口统计数据（若已收集）重新接合，以计算实时

影响比率，用于纽约市第144号法合规。 ⁹ 若检测到不利影响（例如，某 项具体要求过滤掉过多女性），系统会提醒人力资源审查 职位描述或本体权重。

5.3 案例研究：解决"缺少 SQL"问题

考虑被黑盒人工智能拒绝的一名候选人。

●​ 黑盒 ：拒绝邮件。无理由。（潜在偏见：候选人就读于一所小型 学院）。

●​ Veriprajna EKG ：系统输出："候选人缺乏显性 SQL 经验。然而，

图谱分析显示其在 'Pandas DataFrames' 和 'R Dplyr' 方面有丰富经验。 'DataFrames' 与 'SQL' 之间的图谱距离很短（概念：数据操作）。 建议：面试（高可迁移性）。"

这将"假阴性"转化为"录用"，扩大人才库并减少对 非传统背景的偏见。

第六部分：为何重要——伦理与商业 论证

转向可解释知识图谱不仅是为了避免罚款；它是为了 建设更好的企业。

6.1 避免"亚马逊时刻"

亚马逊的失败造成了重大声誉损害，并浪费了数年工程 时间。通过使用在物理上将人口统计数据与决策 逻辑分离的架构，Veriprajna 客户使自身免于 偏见放大 的风险。 ¹ 你不可能 意外学会厌恶女性，如果 "Woman" 不是你推理引擎中的变量。

6.2 扩大人才库

传统关键词匹配（ATS）会忽略使用不同 术语的有能力候选人。黑盒人工智能往往过度依赖"出身"（名校、大公司）作为 质量代理。EKG 的 语义匹配 识别拥有 技能 的候选人 但或许没有 关键词 或 出身 。这自然改善多样性、公平与

包容（DEI），通过聚焦能力。 ³²

6.3 信任与采纳

招聘人员厌恶"黑盒"。他们不信任一台只说"录用此人" 却不说明原因的机器。通过提供透明、可视且可解释的理由（"玻璃 盒"），Veriprajna 提高招聘经理的采纳率。当人类理解 人工智能时，他们会与之 协作，而不是与之对抗。 ¹⁵

结论：你的人工智能是在招聘人才，还是在重复 历史？

亚马逊的教训是严峻的：数据是一面镜子。如果你在过去上训练模型，你将 复制过去。在一个追求公平的世界里，复制过去就是失败条件。

企业人工智能的未来不在于更大的模型或更不透明的神经网络。它在于 结构、语义 与 可解释性 。它在于将我们的价值观编码进系统的 本体本身。

Veriprajna 提供一条前进之路。我们不提供会猜测的魔法盒子。我们提供 用于度量的精密仪器。通过利用可解释知识图谱，我们使 企业能够测绘人才的真实地形——以技能与潜力之星导航， 而不是历史偏见的扭曲地图。

选择在你：你可以继续预测过去，也可以开始工程化 未来。

技术附录：比较技术矩阵

下表总结了主流市场 方案与 Veriprajna 方法之间的结构差异。

特征	传统 ATS （关键词 匹配）	"黑盒"人工智能 （深度 学习）	生成式人工智能 包装器 （LLM）	Veriprajna EKG（图谱 人工智能）
核心逻辑	布尔字符串 匹配	统计 相关	概率性 词元 生成	语义 图谱 遍历

偏见 机制	关键词偏见 （词汇）	偏见 放大 （代理变量）	训练 语料偏见	结构性 掩蔽
可解释性	高（精确 缺失）	零（黑 盒）	低 （幻觉 风险）	高（路径 追踪）
决策 一致性	高	高	低 （随机）	高 （确定性 ）
监管适配	良好	差（未通过 第13条）	差（未通过 审计）	优秀 （原生审计）
处理 同义词	失败（"React" $\neq$ "ReactJS")	良好	良好	完美 （实体 解析）
新技能 采纳	手动更新 需要	需要 重新训练 模型	受限于 知识 截止	即时（添加 节点）

由 Veriprajna 数据科学与伦理团队撰写。

参考文献

1. Amazon's sexist hiring algorithm could still be better than a human - IMD Business School，2025年12月11日访问， https://www.imd.org/research-knowledge/digital/articles/amazons-sexist-hiring-algorithm-could-still-be-beter-than-a-human/t

2. After three years, Amazon stopped using an AI-based hiring tool that discriminated against women | Privacy International，2025年12月11日访问， https://privacyinternational.org/examples/3085/afer-three-years-amazon-stoppetd-using-ai-based-hiring-tool-discriminated-against

3. Part 2 NYC Law 144 & EU AI Act: The Compliance Trap Catching Thousands of Companies，2025年12月11日访问， https://www.edligo.net/hr-tech-ai/series-ai-law-talent-part-2-nyc-law-144-eu-ai-act-the-compliance-trap-catching-thousands-of-companies/

4. EU AI Act: first regulation on artificial intelligence | Topics - European Parliament，2025年12月11日访问， https://www.europarl.europa.eu/topics/en/article/20230601STO93804/eu-ai-act-first-regulation-on-artificial-intelligence

5. Amazon Scraps Secret AI Recruiting Tool that Showed Bias Against Women | Reuters，2025年12月11日访问， https://mediawell.ssrc.org/news-items/amazon-scraps-secret-ai-recruiting-tool-that-showed-bias-against-women-reuters/

6. Case Study: How Amazon's AI Recruiting Tool “Learnt” Gender Bias - Cut The SaaS，2025年12月11日访问， https://www.cut-the-saas.com/ai/case-study-how-amazons-ai-recruiting-tool-learnt-gender-bias

7. Why LLMs Fail and How Knowledge Graphs Save Them: The Complete Guide Medium，2025年12月11日访问， https://medium.com/@visrow/why-llms-fail-and-how-knowledge-graphs-save-them-the-complete-guide-6979a564c1b8

8. Black box algorithms and the rights of individuals: no easy solution to the “explainability” problem | Internet Policy Review，2025年12月11日访问， https://policyreview.info/articles/analysis/black-box-algorithms-and-rights-individuals-no-easy-solution-explainability

9. Workday & HiredScore's Focus on Compliance and Bias Mitigation，2025年12月11日访问， https://www.workday.com/en-us/legal/responsible-ai-and-bias-mitigation.html

10. NYC Local Law 144: Choose Your Auditor Wisely - DCI Consulting Blog，2025年12月11日访问， https://blog.dciconsult.com/nyc-ll-144-auditor

11. FairNow: NYC Bias Audit With Synthetic Data (NYC Local Law 144) - GOV.UK，2025年12月11日访问， https://www.gov.uk/ai-assurance-techniques/fairnow-nyc-bias-audit-with-synthetic-data-nyc-local-law-144

12. High-level summary of the AI Act | EU Artificial Intelligence Act，2025年12月11日访问， https://artificialintelligenceact.eu/high-level-summary/

13. The impact of the General Data Protection Regulation (GDPR) on artificial intelligence - European Parliament，2025年12月11日访问， https://www.europarl.europa.eu/RegData/etudes/STUD/2020/641530/EPRS_STU(2020)641530_EN.pdf

14. EU AI Act HR Compliance: How HR Can Prepare - IRIS Software Group，2025年12月11日访问， https://www.irisglobal.com/blog/eu-ai-act-hr-compliance-guide/

15. Addressing Regulatory Requirements on Explanations for Automated Decisions with Provenance – A Case Study - ePrints Soton，2025年12月11日访问， https://eprints.soton.ac.uk/446156/1/dgov_ico_case_study_v3.pdf

16. Ontologies: Blueprints for Knowledge Graph Structures - FalkorDB，2025年12月11日访问， https://www.falkordb.com/blog/understanding-ontologies-knowledge-graph-schemas/

17. What's in a name? - ADP Research，2025年12月11日访问， https://www.adpresearch.com/skills-ontology-whats-in-a-name/

18. Graph data model - Memgraph，2025年12月11日访问， https://memgraph.com/docs/data-modeling/graph-data-model

19. From data to decisions: How Enterprise AI, powered by Knowledge Graphs, is redefining business intelligence - metaphacts Blog，2025年12月11日访问， https://blog.metaphacts.com/from-data-to-decisions-how-enterprise-ai-powered-by-knowledge-graphs-is-redefining-business-intelligence

20. HRGraph: Leveraging LLMs for HR Data Knowledge Graphs with Information Propagation-based Job Recommendation - arXiv，2025年12月11日访问， https://arxiv.org/html/2408.13521v1

21. Construction of a Person–Job Temporal Knowledge Graph Using Large Language Models，2025年12月11日访问， https://www.mdpi.com/2504-2289/9/11/287

22. How to Build a Knowledge Graph for LLMs - XenonStack，2025年12月11日访问， https://www.xenonstack.com/blog/llms-knowledge-graph-agentic-ai

23. (PDF) Graph-Based Privacy-Preserving Data Publication - ResearchGate，2025年12月11日访问， https://www.researchgate.net/publication/304670616_Graph-Based_Privacy-Preserving_Data_Publication

24. Strategies to Mitigate Demographic Biases in AI Prompts，2025年12月11日访问， https://whitebeardstrategies.com/blog/strategies-to-mitigate-demographic-biases-in-ai-prompts/

25. Measuring the distance between skills and occupations (A) Shows a... ResearchGate，2025年12月11日访问， https://www.researchgate.net/figure/Measuring-the-distance-between-skills-and-occupations-A-Shows-a-two-dimensional_fig1_353698286

26. Mitigating social bias in knowledge graph embeddings - Amazon Science，2025年12月11日访问， https://www.amazon.science/blog/mitigating-social-bias-in-knowledge-graph-embeddings

27. Node Similarity - Neo4j Graph Data Science，2025年12月11日访问， https://neo4j.com/docs/graph-data-science/current/algorithms/node-similarity/

28. Similarity functions - Neo4j Graph Data Science，2025年12月11日访问， https://neo4j.com/docs/graph-data-science/current/algorithms/similarity-functions/

29. Algorithms procedures — Neo4j Graph Data Science Python Client documentation，2025年12月11日访问， https://neo4j.com/docs/graph-data-science-client/current/api/algorithms/

30. 1 Using Graph Theory to Optimize Career Transitions - eScholarship，2025年12月11日访问， https://escholarship.org/content/qt4xx343nw/qt4xx343nw_noSplash_e9030d3c998ecb93c2b63dd0929ba9e4.pdf?t=rrk7bk

31. Knowledge Graphs + LLMs: A Potential Mental Model for AI Architecture - Forte Group，2025年12月11日访问， https://fortegrp.com/insights/knowledge-graphs-as-fact-tables-llms-as-dimensions-a-potential-mental-model-for-ai-architecture

32. Full article: Job relatedness, local skill coherence and economic performance: a job postings approach - Taylor & Francis Online，2025年12月11日访问， https://www.tandfonline.com/doi/full/10.1080/21681376.2025.2459148