CN102708525A

CN102708525A - 基于gpu加速的招聘职位智能推荐方法

Info

Publication number: CN102708525A
Application number: CN2012101590952A
Authority: CN
Inventors: 黄翰; 林泳; 林镇泽; 蔡昭权; 秦勇; 杨忠明
Original assignee: South China University of Technology SCUT
Current assignee: South China University of Technology SCUT
Priority date: 2012-05-22
Filing date: 2012-05-22
Publication date: 2012-10-03

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

基于GPU加速的招聘职位智能推荐方法

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

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；

(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-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。