我有以下问题：

一家公司，我们称之为 X，有一个招聘网站。它作为一个市场，求职者和有职位空缺的公司可以见面。

他们的商业模式是求职者付费订阅，以便在试用期后访问该网站。另一方面，公司不支付任何费用来发布招聘信息。

为了吸引公司在网站上发布工作，他们打电话给他们并询问他们是否感兴趣。他们有一个数据库，里面有N家过去与他们有业务往来的公司。由于预算和人员限制，在这些“N”中，他们只能调用 20%。

他们从简单的启发式方法中选择了这 20%：在过去六个月内发布招聘信息的公司。

他们想要的是打电话给那些发布招聘信息的可能性很高的公司，这些招聘信息会产生匹配。他们认为基于代理的匹配已经发生：公司联系了 n 个不同的候选人以进行特定的工作添加。

我想找到一种数据驱动的方法来选择最好的公司给他们打电话。换句话说，为他们提供一个很可能产生与其当前用户数据库相匹配的添加的公司列表。

我遇到的问题是如何将这个业务问题转化为机器学习解决方案。

到目前为止我的想法是建立一个分类模型。每一行都是一个工作添加。这些特征是与公司（规模、位置）、用户（年龄、简历、上次登录时间）和工作添加本身（薪水、所需教育、职位、行业）相关的变量。目标变量是“工作是否有马赫”的二进制。

我的方法的问题在于，模型实际上并没有学习任何东西，因为我的目标变量对于每个职位发布都是已知的（我知道哪些职位添加匹配，哪些没有匹配）。

我正在寻找一些关于如何在数据驱动的框架中构造这个问题的想法。我应该继续我的分类模型吗？也许某种类型的协同过滤？我确信机器学习可以提供比他们简单的启发式更好的结果。谢谢！

我拥有的数据：

• 用户数据，包括简历；
• 谁申请了什么工作，什么时候申请；
• 来自发布招聘信息的公司的数据；
• 公司与求职者的联系方式（这只是告诉我公司是否点击了按钮查看用户的联系信息）；