CN102708525A - 基于gpu加速的招聘职位智能推荐方法 - Google Patents
基于gpu加速的招聘职位智能推荐方法 Download PDFInfo
- Publication number
- CN102708525A CN102708525A CN2012101590952A CN201210159095A CN102708525A CN 102708525 A CN102708525 A CN 102708525A CN 2012101590952 A CN2012101590952 A CN 2012101590952A CN 201210159095 A CN201210159095 A CN 201210159095A CN 102708525 A CN102708525 A CN 102708525A
- Authority
- CN
- China
- Prior art keywords
- applicant
- gpu
- matrix
- similarity
- scoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供基于GPU加速的招聘职位智能推荐方法,应用于人才招聘网站上的推荐引擎。本发明把应聘者的注册信息和访问信息表达成适合GPU处理的矩阵形式,利用GPU强大处理能力和高带宽弥补CPU性能不足的计算方式,使用数千个GPU线程进行并发计算。本发明使用欧几里德距离公式计算应聘者两两之间的相似程度,然后根据应聘者的属性信息,智能地预测所有职位对应聘者的适合程度,最后把最合适的职位推荐给应聘者。本发明在处理海量数据时,避开了传统的昂贵的计算机集群技术,而采用高性价比的GPU技术,最终实现高性能、低功耗、低成本的最终目标。
Description
技术领域
本发明一般涉及计算机推荐引擎领域,具体涉及基于GPU加速的招聘职位智能推荐方法。
背景技术
网上招聘和和网上求职已经成为当今社会人才交流的一种主要方式。用人单位和应聘者在第三方的人才招聘网站上注册账号,相互之间进行搜索和交流,以寻求最满意的对象。人才招聘网站拥有大量的职位,一个应聘者登录网站之后,只能从职位列表中浏览职位,或者依靠关键字去搜索可能适合自己的职位。职位列表往往数量巨大,应聘者无法在短时间内找到自己感兴趣的职位;而使用关键字搜索,应聘者使用的关键字的数量和精确性很有限,搜索出来的职位数量常常很大,很难找到适合自己的职位。为了解决这种情况,招聘网站可以为应聘者推荐职位,网站主动地把可能适合的职位推送给应聘者。这就是招聘网站的推荐系统。
现在招聘网站的推荐方法,主要是采用基于统计的方法,也即统计所有职位被浏览的次数以及被关注的程度,得到职位的热度,然后把热度最高的职位推荐给应聘者。这种推荐方法存在如下缺点:(一)为每一个应聘者所推荐的职位都是一样的,缺乏个性化;(二)那些虽然热度不高但很适合应聘者的职位不能被推荐到;(三)传统的计算只使用CPU进行数值运算,面对海量的应聘者和职位数据,计算性能极低。
在提高数据挖掘的运算性能方面,很多企业和科研单位采用计算机集群,利用集群的并发性来提高计算速度,但是基于成本的考虑 ,很多单位无法布置昂贵的的计算机集群。而GPU相对成本较低,性价比高,并且大部分普通用户PC上装配的GPU使用率很低,将软件的大规模计算任务分配到GPU上,能有效提高GPU的利用率,从而实现高性能、低功耗的最终目标。
GPU英文全称Graphic Processing Unit,中文翻译为“图形处理器”。GPU从诞生之日起就以超越摩尔定律的速度发展,运算能力不断提升。业界很多研究者注意到GPU进行计算的潜力,于2003年SIGGRAPH大会上提出了GPGPU(General-purpose computing on graphics processing units)的概念。GPU在处理能力和存储器带宽上相对于CPU有明显优势,在成本和功耗上也不需要付出太大代价。目前最顶级的英特尔Core i7 965处理器,在默认情况下,它的浮点计算能力只有NVIDIA GeForce GTX 280 的1/13。
GPU通用计算通常采用CPU+GPU异构模式,由CPU负责执行复杂逻辑处理和事务处理等不适合数据并行的计算,由GPU负责计算密集型的大规模数据并行计算。这种利用GPU强大处理能力和高带宽弥补CPU性能不足的计算方式极大地发掘计算机潜在性能,在成本和性价比方面有显著的优势。在2007年NVIDIA推出CUDA(Compute Unified Device Architecture,统一计算设备架构),GPU通用计算摆脱了受硬件可编程性和开发方式的制约,开发难度大大降低。
发明内容
本发明针对当前招聘职位推荐技术的不足,提供了基于GPU加速的招聘职位智能推荐方法。本发明的目的在于,通过记录应聘者的访问历史,把访问数据表达为适合GPU处理的矩阵格式,利用GPU强大处理能力和高带宽弥补CPU性能不足的计算方式,同时使用数千个GPU线程进行计算,使用欧几里德距离公式计算应聘者两两之间的相似程度,然后根据应聘者的属性信息,智能地预测所有职位对应聘者的适合程度,最后把最合适的职位推荐给应聘者。具体的技术方案如下所述。
基于GPU加速的招聘职位智能推荐方法,包括以下步骤:
(a) 记录应聘者的注册和访问信息,注册的信息作为应聘者静态属性,访问的信息作为应聘者动态属性;
(b) 根据应聘者的动态属性,计算应聘者对职位的评分,形成评分矩阵;
(c) 根据应聘者的静态属性、动态属性和对职位的评分,计算所有应聘者中任意两个之间的相似度,形成相似度矩阵;
(d)利用评分矩阵和相似度矩阵,预测应聘者对职位的评分,形成预测矩阵;
(e) 根据步骤(d)中预测出来的评分,去除应聘者关注过的职位,然后按评分从高到低的顺序对职位进行排序,取最前面设定个数Q的职位作为推荐职位。
上述的基于GPU加速的招聘职位智能推荐方法,步骤(a)中所记录的静态属性包括:年龄、最高学历、工作经验、现居城市、专长、期望职位和期望薪酬范围;所记录的动态属性包括:职位的浏览次数、是否关注了职位、是否投递了简历和职位的搜索次数。
上述的基于GPU加速的招聘职位智能推荐方法,在步骤(b)中,应聘者对职位的评分的计算方法如下:首先设定各种动态属性的权重,其次把各种动态属性的数值与相应的权重相乘,最后把所有乘积相加所得的和作为职位评分。
上述的基于GPU加速的招聘职位智能推荐方法,在步骤(b)中,对数值进行运算时,使用GPU加速,一个GPU线程计算一个应聘者对于一个职位的评分,最终生成评分矩阵;评分矩阵的大小为M*N,M为职位数量,N为应聘者数量,矩阵的元素(i, j)表示应聘者j对于职位i的评分。
上述的基于GPU加速的招聘职位智能推荐方法,在步骤(c)中,在计算任意两个应聘者之间的相似度时,对于应聘者A,需要计算应聘者A和其他所有应聘者的相似度,此时根据应聘者A的属性分为两种情况:
(c-1)应聘者A不存在动态属性:利用应聘者A的静态属性计算与其他应聘者的相似度;计算方法如下:首先设定各种静态属性的权重,其次对两个应聘者的所有静态属性进行比较,当某种静态属性相同时,则把相应的权重累加起来,最后得到的累加和作为相似度;
(c-2) 应聘者A存在动态属性:利用应聘者A的动态属性计算与其他应聘者的相似度;计算两个应聘者的相似度的方法如下:从步骤(b)生成的评分矩阵中,分别读取评分矩阵中这两个应聘者的评分向量,运用欧几里德距离的方法计算这两个向量的距离,把这个距离作为这两个应聘者的相似度。
上述的基于GPU加速的招聘职位智能推荐方法,在步骤(c)中,每两个应聘者的相似度由一个GPU线程进行运算,运算的结果保存为相似度矩阵的一个元素;相似度矩阵大小为N*N,N为应聘者的数量,矩阵元素(i, j)的值表示应聘者i和应聘者j的相似度。
上述的基于GPU加速的招聘职位智能推荐方法,在步骤(d)中,预测矩阵的生成过程如下:
(c-3)把评分矩阵(M*N)和相似度矩阵(N*N)读入到显存;
(c-4)使用GPU计算评分矩阵与相似度矩阵的乘积,得到矩阵(M*N),此矩阵即为预测矩阵。
上述的基于GPU加速的招聘职位智能推荐方法,在步骤(e)中,为每一个应聘者计算预测评分最大的Q个职位,其计算方法如下:对于步骤(d)中求出的预测矩阵,每一个GPU线程读取一个列向量,即一个应聘者对所有职位的预测评分向量,然后把此应聘者关注过的职位的对应元素的值设置为0,然后求取向量中前Q个最大的元素,把这些元素对应的职位构成一个推荐职位向量;最终把所有应聘者的推荐向量合并得到推荐矩阵。
与现有技术相比,本发明具有如下优点和效果:
(一)把应聘者的注册信息和访问信息表达成适合GPU处理的矩阵形式,整个推荐过程利用GPU的高性能的并发运算能力和高带宽特性进行计算,大大缩短计算时间;
(二)与传统的CPU计算相比,在同等的硬件成本的条件下,在处理海量的应聘者数量和职位数量时,性能可以提高十倍、甚至百倍以上;
(三)通过计算应聘者之间的相似性,分析与应聘者最为相似的应聘者所关注的职位,为应聘者推荐职位,这可以为应聘者推荐个性化的职位,与传统的基于统计的推荐方法相比,推荐结果更适合应聘者;
(四)使用这种新型推荐方法,可以把那些并不热门但却可能适合应聘者的职位推荐给应聘者,而这是传统技术的推荐方法所力不能及的;
(五)本发明在处理海量数据时,避开了传统的昂贵的计算机集群技术,而采用高性价比的GPU技术,最终实现高性能、低功耗、低成本的目标。
附图说明
图1为智能推荐方法的原理图。
图2为实施方式中基于GPU加速的招聘职位智能推荐方法的流程图。
具体实施方式
以下结合附图对本发明的实施方式作进一步说明,但本发明的实施不限于此。
图1为智能推荐方法原理图,应聘者注册和访问招聘网站的信息被记录为静态和动态属性信息,储存在数据库中;根据应聘者的属性信息生成“相似度矩阵”和“评分矩阵”;根据“相似度矩阵”和“评分矩阵”计算生成“预测矩阵”,此矩阵包含了应聘者对所有职位的评分的预测值;最后根据“评分矩阵”和“预测矩阵”生成“推荐矩阵”,此矩阵包含了为应聘者推荐的职位的数据。
本实施例需要独立显卡的支持,显卡选择NVIDIA GeForce GTX 590,核心频率为612MHz,有1024个流处理单元,显存为DDR5 3G。
如图2,基于GPU加速的招聘职位智能推荐方法的主要流程包括以下步骤:
(1) 当应聘者在招聘网站注册为用户时,网站记录应聘者的静态属性,静态属性包括:年龄、最高学历、工作经验、现居城市、专长、期望职位和期望薪酬范围;当应聘者注册成功,并访问网站进行职位搜索和浏览时,网站记录应聘者的动态属性,动态属性包括:职位的浏览次数、是否关注了职位、是否投递了简历和职位的搜索次数。
为了节约数据的储存空间和方便计算,各类信息都以数字形式储存,取值如表1所示。
表1
(1-1)静态属性中的“最高学历”,依据下列对应关系取值:“初中”为1,“高中”为2,“大专”为3,“本科”为4,“硕士”为5,“博士”为6。
(1-2)静态属性中的“现居城市”,其值为对应城市的电话区号。
(1-3)静态属性中的“专长”,其值为招聘网站上此应聘者的专长对应的编号。专长编号的编制方法是:根据招聘网站上所有职位的专长技能按职位类别进行排序,排序后的序号为相应专长的编号。
(1-4)静态属性中的“期望职位”,其值为招聘网站上此应聘者的期望职位的编号。期望职位编号的编制方法是:招聘网站上所有职位按职位名称进行排序,排序后的序号为相应职位的编号。
(1-5)静态属性中的“期望薪酬范围”,其值为薪酬范围对应的编号。薪酬范围编号的编制方法是:1:1000-3000元,2:3000-5000元,3:5000-7000元,4:7000-9000元,5:9000元以上。
(2) 根据应聘者的动态属性,计算应聘者对其浏览过的职位的评分,形成评分矩阵。计算评分时,我们采用加权求和的方式:
(2-1)创建评分矩阵,大小为M*N(M为职位数量,N为应聘者数量),矩阵的元素(i, j)表示应聘者j对于职位i的评分,所有元素值初始化为0;
(2-2)设定各类动态属性的权重:“职位浏览次数”权重为0.3,“是否关注”为0.2,“是否投递简历”为0.4,“搜索次数”为0.1;
(2-3)运用GPU进行评分计算,每一个GPU线程计算一个应聘者对一个职位的评分。计算方法为各类动态属性的数值与相应的权重的乘积相加,即,评分 = 职位浏览次数 X 0.3 + 是否关注 X 0.2 +是否投递简历 X 0.4 + 搜索次数 X 0.1。
(2-4)把步骤(2-3)的计算结果存为评分矩阵的对应元素的值。
(3) 计算应聘者两两之间的相似度,形成相似度矩阵。如果应聘者是新注册会员,则网站只有他的静态属性;如果是操作过相关职位的老会员,则网站拥有他的静态属性和动态属性。计算步骤如下:
(3-1) 创建相似度矩阵,大小为N*N(N为应聘者的数量),矩阵元素(i, j)表示应聘者i和应聘者j的相似度,所有元素值初始化为0;
(3-2)对于新注册会员,利用应聘者A的静态属性计算与其他应聘者的相似度。计算步骤如下:
(3-2-1)设定各种静态属性的权重,年龄权重为0.05,最高学历为0.1,工作经验为0.15,现居城市为0.1,专长为0.2,期望职位为0.2,期望薪酬范围为0.2;
(3-2-2)利用GPU计算此会员与其他应聘者的相似度,每个GPU线程负责其与另一个应聘者的静态属性的比较:当某种静态属性相同时,则把相应的权重累加起来,最后得到的累加和即为相似度;
(3-3)对于老会员,利用应聘者A的动态属性计算与其他应聘者的相似度。使用GPU进行高性能计算,每个GPU线程两个应聘者之间的相似度,线程从步骤(2)生成的评分矩阵中分别读取这两个应聘者的评分向量,运用欧几里德距离的方法计算这两个向量的距离,把这个距离作为这两个应聘者的相似度;
(3-4) 把步骤(3-2)或者步骤(3-3)的计算结果存为相似度矩阵的对应元素。
(4)利用评分矩阵和相似度矩阵,预测应聘者对职位的评分,形成预测矩阵;步骤为(M为职位数量,N为应聘者数量):
(4-1) 把评分矩阵(大小为M*N)和相似度矩阵(大小为N*N)读入到显存;
(4-2) 使用GPU计算评分矩阵与相似度矩阵的乘积,得到一个矩阵,矩阵大小为M*N。
(4-3) 步骤(4-2)生成的矩阵就是预测矩阵(大小为M*N),矩阵的元素(i, j)表示我们预测应聘者j对于职位i的评分。
(5) 为应聘者推荐职位,形成推荐矩阵。步骤(d)中生成的预测矩阵,每一个列向量都表示对应的应聘者对各个职位的预测评分,只要把其中应聘者已经关注过的职位去除,在剩下的职位中选取预测评分最高的前5个职位,就可以把它们推荐给应聘者。推荐矩阵的生成步骤如下(N为应聘者的数量):
(5-1) 创建推荐矩阵,大小为5*N,矩阵的元素(i, j)的值就是应聘者j的第i个推荐职位,所有元素值初始化为0;
(5-2) 把步骤(2)求出的评分矩阵和步骤(4)中求出的预测矩阵读入显存;
(5-3) 在GPU中,创建N个GPU线程,每个线程负责一个应聘者的职位推荐计算。GPU线程读取从评分矩阵和预测矩阵中分别读取一个列向量,即一个应聘者对所有职位的评分向量和预测评分向量,这两个向量长度一样,元素一一对应。然后对预测评分向量作如下操作:对于预测评分向量的每个元素e,如果评分向量的对应元素的值不为0,则把元素e的值设为0,否则不改变。
(5-4) 每个GPU线程求取预测评分向量中元素值最大的前5个元素的位置,把这些位置数据存入到推荐矩阵中对应的列上。
(5-6) 当预测评分矩阵的每一列都处理完毕之后,推荐矩阵就完成了。
Claims (8)
1.基于GPU加速的招聘职位智能推荐方法,其特征在于,包括以下步骤:
(a)记录应聘者的注册和访问信息,注册的信息作为应聘者静态属性,访问的信息作为应聘者动态属性;
(b)根据应聘者的动态属性,计算应聘者对职位的评分,形成评分矩阵;
(c)根据应聘者的静态属性、动态属性和对职位的评分,计算所有应聘者中任意两个之间的相似度,形成相似度矩阵;
(d)利用评分矩阵和相似度矩阵,预测应聘者对职位的评分,形成预测矩阵;
(e)根据步骤(d)中预测出来的评分,去除应聘者关注过的职位,然后按评分从高到低的顺序对职位进行排序,取最前面设定个数Q的职位作为推荐职位。
2.根据权利要求1所述基于GPU加速的招聘职位智能推荐方法,其特征在于:步骤(a)中所记录的静态属性包括:年龄、最高学历、工作经验、现居城市、专长、期望职位和期望薪酬范围;所记录的动态属性包括:职位的浏览次数、是否关注了职位、是否投递了简历和职位的搜索次数。
3.根据权利要求1所述基于GPU加速的招聘职位智能推荐方法,其特征在于:在步骤(b)中,应聘者对职位的评分的计算方法如下:首先设定各种动态属性的权重,其次把各种动态属性的数值与相应的权重相乘,最后把所有乘积相加所得的和作为职位评分。
4.根据权利要求1所述基于GPU加速的招聘职位智能推荐方法,其特征在于:在步骤(b)中,对数值进行运算时,使用GPU加速,一个GPU线程计算一个应聘者对于一个职位的评分,最终生成评分矩阵;评分矩阵的大小为M*N,M为职位数量,N为应聘者数量,矩阵的元素(i, j)表示应聘者j对于职位i的评分。
5.根据权利要求1所述基于GPU加速的招聘职位智能推荐方法,其特征在于:在步骤(c)中,在计算任意两个应聘者之间的相似度时,对于应聘者A,需要计算应聘者A和其他所有应聘者的相似度,此时根据应聘者A的属性分为两种情况:
(c-1)应聘者A不存在动态属性:利用应聘者A的静态属性计算与其他应聘者的相似度;计算方法如下:首先设定各种静态属性的权重,其次对两个应聘者的所有静态属性进行比较,当某种静态属性相同时,则把相应的权重累加起来,最后得到的累加和作为相似度;
(c-2)应聘者A存在动态属性:利用应聘者A的动态属性计算与其他应聘者的相似度;计算两个应聘者的相似度的方法如下:从步骤(b)生成的评分矩阵中,分别读取评分矩阵中这两个应聘者的评分向量,运用欧几里德距离的方法计算这两个向量的距离,把这个距离作为这两个应聘者的相似度。
6.根据权利要求1所述基于GPU加速的招聘职位智能推荐方法,其特征在于:在步骤(c)中,每两个应聘者的相似度由一个GPU线程进行运算,运算的结果保存为相似度矩阵的一个元素;相似度矩阵大小为N*N,N为应聘者的数量,矩阵元素(i, j)的值表示应聘者i和应聘者j的相似度。
7.根据权利要求1所述基于GPU加速的招聘职位智能推荐方法,其特征在于:在步骤(d)中,预测矩阵的生成过程如下:
(c-1)把评分矩阵(M*N)和相似度矩阵(N*N)读入到显存;
(c-2)使用GPU计算评分矩阵与相似度矩阵的乘积,得到矩阵(M*N),此矩阵即为预测矩阵。
8.根据权利要求1所述基于GPU加速的招聘职位智能推荐方法,其特征在于:在步骤(e)中,为每一个应聘者计算预测评分最大的Q个职位,其计算方法如下:对于步骤(d)中求出的预测矩阵,每一个GPU线程读取一个列向量,即一个应聘者对所有职位的预测评分向量,然后把此应聘者关注过的职位的对应元素的值设置为0,然后求取向量中前Q个最大的元素,把这些元素对应的职位构成一个推荐职位向量;最终把所有应聘者的推荐向量合并得到推荐矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101590952A CN102708525A (zh) | 2012-05-22 | 2012-05-22 | 基于gpu加速的招聘职位智能推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101590952A CN102708525A (zh) | 2012-05-22 | 2012-05-22 | 基于gpu加速的招聘职位智能推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102708525A true CN102708525A (zh) | 2012-10-03 |
Family
ID=46901251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012101590952A Pending CN102708525A (zh) | 2012-05-22 | 2012-05-22 | 基于gpu加速的招聘职位智能推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102708525A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294816A (zh) * | 2013-06-09 | 2013-09-11 | 广东倍智人才管理咨询有限公司 | 一种为求职者推荐职位的方法和职位推荐系统 |
CN104077351A (zh) * | 2014-05-26 | 2014-10-01 | 东北师范大学 | 基于异构信息网络的内容提供方法及系统 |
CN105159962A (zh) * | 2015-08-21 | 2015-12-16 | 北京全聘致远科技有限公司 | 职位推荐方法与装置、简历推荐方法与装置、招聘平台 |
CN105160498A (zh) * | 2015-10-21 | 2015-12-16 | 北京普猎创新网络科技有限公司 | 一种基于大数据的人员价值计算方法 |
CN105893641A (zh) * | 2016-07-01 | 2016-08-24 | 中国传媒大学 | 一种职位推荐方法 |
CN106228311A (zh) * | 2016-07-28 | 2016-12-14 | 五八同城信息技术有限公司 | 岗位处理方法及装置 |
CN106372659A (zh) * | 2016-08-30 | 2017-02-01 | 五八同城信息技术有限公司 | 相似对象确定方法及装置 |
CN106933821A (zh) * | 2015-12-29 | 2017-07-07 | 中国电信股份有限公司 | 一种基于相似度计算的个性化职位推荐方法和系统 |
CN107704485A (zh) * | 2017-07-31 | 2018-02-16 | 北京拉勾科技有限公司 | 一种职位推荐方法及计算设备 |
CN107766537A (zh) * | 2017-10-30 | 2018-03-06 | 北京拉勾科技有限公司 | 一种职位搜索排序方法及计算设备 |
CN108133357A (zh) * | 2017-12-22 | 2018-06-08 | 北京拉勾科技有限公司 | 一种人才推荐方法及计算设备 |
CN108182116A (zh) * | 2018-01-23 | 2018-06-19 | 江苏国泰新点软件有限公司 | 一种标书分析方法、装置、设备及存储介质 |
CN108920544A (zh) * | 2018-06-13 | 2018-11-30 | 桂林电子科技大学 | 一种基于知识图谱的个性化职位推荐方法 |
CN109359185A (zh) * | 2018-10-18 | 2019-02-19 | 杭州弧途科技有限公司 | 一种兼职智能搜索排序方法 |
CN110019957A (zh) * | 2017-12-27 | 2019-07-16 | 飞狐信息技术(天津)有限公司 | 一种视频推荐方法及装置 |
CN110298622A (zh) * | 2018-03-23 | 2019-10-01 | 周元如 | 职能选才方法及系统 |
CN112102133A (zh) * | 2020-11-16 | 2020-12-18 | 深圳市易博天下科技有限公司 | 基于信息投放的高效招聘方法、装置、系统及电子设备 |
CN112434217A (zh) * | 2020-11-16 | 2021-03-02 | 广西斯达市场信息咨询有限公司 | 职位信息推荐方法、系统、计算机设备及存储介质 |
CN115619364A (zh) * | 2022-08-03 | 2023-01-17 | 广州红海云计算股份有限公司 | 基于人工智能的招聘信息发布方法、装置及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1065607A2 (en) * | 1999-06-29 | 2001-01-03 | Xerox Corporation | System and method of predicting a user's rating for an item in a collaborative filtering system |
CN101344944A (zh) * | 2008-08-04 | 2009-01-14 | 实达科技(福建)软件系统集团有限公司 | 一种劳动力资源转移监测管理系统及其监测管理方法 |
CN102117323A (zh) * | 2011-02-21 | 2011-07-06 | 深圳埃斯欧纳信息咨询有限公司 | 一种推荐求职简历的处理方法和系统 |
CN102156926A (zh) * | 2011-04-28 | 2011-08-17 | 江苏欧索软件有限公司 | 人才中介平台 |
CN102298650A (zh) * | 2011-10-18 | 2011-12-28 | 东莞市巨细信息科技有限公司 | 一种海量数字信息的分布式推荐方法 |
WO2012013996A1 (en) * | 2010-07-30 | 2012-02-02 | Gravity Research & Development Kft. | Recommender systems and methods |
-
2012
- 2012-05-22 CN CN2012101590952A patent/CN102708525A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1065607A2 (en) * | 1999-06-29 | 2001-01-03 | Xerox Corporation | System and method of predicting a user's rating for an item in a collaborative filtering system |
CN101344944A (zh) * | 2008-08-04 | 2009-01-14 | 实达科技(福建)软件系统集团有限公司 | 一种劳动力资源转移监测管理系统及其监测管理方法 |
WO2012013996A1 (en) * | 2010-07-30 | 2012-02-02 | Gravity Research & Development Kft. | Recommender systems and methods |
CN102117323A (zh) * | 2011-02-21 | 2011-07-06 | 深圳埃斯欧纳信息咨询有限公司 | 一种推荐求职简历的处理方法和系统 |
CN102156926A (zh) * | 2011-04-28 | 2011-08-17 | 江苏欧索软件有限公司 | 人才中介平台 |
CN102298650A (zh) * | 2011-10-18 | 2011-12-28 | 东莞市巨细信息科技有限公司 | 一种海量数字信息的分布式推荐方法 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294816A (zh) * | 2013-06-09 | 2013-09-11 | 广东倍智人才管理咨询有限公司 | 一种为求职者推荐职位的方法和职位推荐系统 |
CN104077351B (zh) * | 2014-05-26 | 2017-01-25 | 东北师范大学 | 基于异构信息网络的内容提供方法及系统 |
CN104077351A (zh) * | 2014-05-26 | 2014-10-01 | 东北师范大学 | 基于异构信息网络的内容提供方法及系统 |
CN105159962A (zh) * | 2015-08-21 | 2015-12-16 | 北京全聘致远科技有限公司 | 职位推荐方法与装置、简历推荐方法与装置、招聘平台 |
CN105159962B (zh) * | 2015-08-21 | 2018-08-17 | 北京全聘致远科技有限公司 | 职位推荐方法与装置、简历推荐方法与装置、招聘平台 |
CN105160498A (zh) * | 2015-10-21 | 2015-12-16 | 北京普猎创新网络科技有限公司 | 一种基于大数据的人员价值计算方法 |
CN106933821A (zh) * | 2015-12-29 | 2017-07-07 | 中国电信股份有限公司 | 一种基于相似度计算的个性化职位推荐方法和系统 |
CN105893641B (zh) * | 2016-07-01 | 2019-02-26 | 中国传媒大学 | 一种职位推荐方法 |
CN105893641A (zh) * | 2016-07-01 | 2016-08-24 | 中国传媒大学 | 一种职位推荐方法 |
CN106228311A (zh) * | 2016-07-28 | 2016-12-14 | 五八同城信息技术有限公司 | 岗位处理方法及装置 |
CN106372659A (zh) * | 2016-08-30 | 2017-02-01 | 五八同城信息技术有限公司 | 相似对象确定方法及装置 |
CN107704485A (zh) * | 2017-07-31 | 2018-02-16 | 北京拉勾科技有限公司 | 一种职位推荐方法及计算设备 |
CN107766537A (zh) * | 2017-10-30 | 2018-03-06 | 北京拉勾科技有限公司 | 一种职位搜索排序方法及计算设备 |
CN107766537B (zh) * | 2017-10-30 | 2020-05-15 | 北京拉勾科技有限公司 | 一种职位搜索排序方法及计算设备 |
CN108133357A (zh) * | 2017-12-22 | 2018-06-08 | 北京拉勾科技有限公司 | 一种人才推荐方法及计算设备 |
CN110019957A (zh) * | 2017-12-27 | 2019-07-16 | 飞狐信息技术(天津)有限公司 | 一种视频推荐方法及装置 |
CN108182116A (zh) * | 2018-01-23 | 2018-06-19 | 江苏国泰新点软件有限公司 | 一种标书分析方法、装置、设备及存储介质 |
CN110298622A (zh) * | 2018-03-23 | 2019-10-01 | 周元如 | 职能选才方法及系统 |
CN108920544A (zh) * | 2018-06-13 | 2018-11-30 | 桂林电子科技大学 | 一种基于知识图谱的个性化职位推荐方法 |
CN109359185A (zh) * | 2018-10-18 | 2019-02-19 | 杭州弧途科技有限公司 | 一种兼职智能搜索排序方法 |
CN109359185B (zh) * | 2018-10-18 | 2020-08-21 | 杭州弧途科技有限公司 | 一种兼职智能搜索排序方法 |
CN112102133A (zh) * | 2020-11-16 | 2020-12-18 | 深圳市易博天下科技有限公司 | 基于信息投放的高效招聘方法、装置、系统及电子设备 |
CN112102133B (zh) * | 2020-11-16 | 2021-02-12 | 深圳市易博天下科技有限公司 | 基于信息投放的高效招聘方法、装置、系统及电子设备 |
CN112434217A (zh) * | 2020-11-16 | 2021-03-02 | 广西斯达市场信息咨询有限公司 | 职位信息推荐方法、系统、计算机设备及存储介质 |
CN115619364A (zh) * | 2022-08-03 | 2023-01-17 | 广州红海云计算股份有限公司 | 基于人工智能的招聘信息发布方法、装置及系统 |
CN115619364B (zh) * | 2022-08-03 | 2023-08-08 | 广州红海云计算股份有限公司 | 基于人工智能的招聘信息发布方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102708525A (zh) | 基于gpu加速的招聘职位智能推荐方法 | |
Zuo et al. | Revisiting the tourism-led economic growth hypothesis: The case of China | |
Wu et al. | Two-stage network structures with undesirable intermediate outputs reused: a DEA based approach | |
Xu et al. | Interdisciplinary topics of information science: a study based on the terms interdisciplinarity index series | |
Lee et al. | MERCI: efficient embedding reduction on commodity hardware via sub-query memoization | |
CN104317877A (zh) | 一种基于分布式计算的网络用户行为数据实时处理方法 | |
Li et al. | The spatial-temporal evolution and spatial convergence of ecological total factor productivity in China | |
Xu et al. | Novel model of e-commerce marketing based on big data analysis and processing | |
Chen et al. | Big data applications | |
Li et al. | Spark-based parallel OS-ELM algorithm application for short-term load forecasting for massive user data | |
Yuan et al. | CSEA: a fine-grained framework of climate-season-based energy-aware in cloud storage systems | |
CN104077288A (zh) | 网页内容推荐方法和网页内容推荐设备 | |
CN110390342A (zh) | 时间序列预测方法和装置 | |
Wang | Analysis on the construction of computer data processing mode based on era of big data | |
CN103514167B (zh) | 数据处理方法和设备 | |
Chen et al. | Multidimensional evolutionary analysis of China’s BIM technology policy based on quantitative mapping | |
Yang et al. | Forecasting the production abilities of recycling systems: A DEA based research | |
Yang et al. | A hot topic detection approach on Chinese microblogging | |
Li et al. | Construction of Precision Sales Model for Luxury Market Based on Machine Learning | |
Liu et al. | Integrated one-stage models considering undesirable outputs and weighting preference in slacks-based measure of efficiency and superefficiency | |
Mo et al. | Design and development of power data service platform based on multi dimension | |
Hongqiu | Research on Library Personalized Service Mode Based on Big Data Application | |
Wang et al. | Regional decomposition of an energy-saving target: the case of Sichuan province in China | |
Wu et al. | Development Path of Energy Internet Industry for Grid Enterprises Based on the Industrial Development Priority Model | |
Chen et al. | Research on the evaluation of enterprises’ green growth efficiency based on DEMATEL-DEA |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20121003 |