CN107704485A - 一种职位推荐方法及计算设备 - Google Patents
一种职位推荐方法及计算设备 Download PDFInfo
- Publication number
- CN107704485A CN107704485A CN201710642957.XA CN201710642957A CN107704485A CN 107704485 A CN107704485 A CN 107704485A CN 201710642957 A CN201710642957 A CN 201710642957A CN 107704485 A CN107704485 A CN 107704485A
- Authority
- CN
- China
- Prior art keywords
- preference
- user
- collection
- targeted customer
- recommendation
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种职位推荐方法,在计算设备中执行,包括:根据所存储的多个用户的多条行为记录确定偏好矩阵,偏好矩阵中存储各用户对各职位的偏好程度;根据偏好矩阵确定目标用户的第一推荐职位集;根据目标用户的多条行为记录以及所存储的多条职位记录,确定目标用户与多个职位的匹配特征信息;根据多条匹配特征信息,采用分类器确定目标用户的第二推荐职位集;将第一推荐职位集与第二推荐职位集进行融合,得到目标用户的推荐职位集。本发明一并公开了相应的计算设备。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种职位推荐方法及计算设备。
背景技术
随着互联网技术的发展,网络求职/招聘已经成了求职者找工作、用人单位招聘员工的主要途径。求职者和用人单位在第三方的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。
招聘网站拥有大量职位,一个应聘者登录网站之后,可以从职位列表中浏览职位,也可以依靠关键字去搜索可能适合自己的职位。一般地,职位列表数量巨大,求职者无法在短时间内找到自己感兴趣的职位;而使用关键字搜索时,由于求职者使用的关键字的数量和精确性有限,往往也很难快速找到适合自己的职位。为了解决上述问题,现在招聘网站常采用的做法是:为求职者推荐职位,即,招聘网站主动地把可能适合的职位推送给求职者。
目前的职位推荐算法多根据求职者的特征向求职者推荐职位,例如,根据求职者的专业、学历、期望工作城市、期望薪资来向求职者推荐职位。这种算法的推荐结果往往不够精准。此外,求职者的特征通常是比较稳定的,这样每次给求职者推荐的职位顺序都没有太大变化。求职者重复地看到相同的推荐职位,会对推荐结果失去兴趣,从而职位推荐的效率会大打折扣。
发明内容
为此,本发明提供一种职位推荐方法及计算设备,以解决或至少缓解上面存在的问题。
根据本发明的一个方面,提供一种职位推荐方法,在计算设备中执行,计算设备与数据存储装置连接,数据存储装置中存储有多条职位记录以及多个用户的多条行为记录,该方法包括:根据所存储的多个用户的多条行为记录确定偏好矩阵,偏好矩阵包括各用户对各职位的偏好程度;根据偏好矩阵确定目标用户的第一推荐职位集;根据目标用户的多条行为记录以及所存储的多条职位记录,确定目标用户与多个职位的匹配特征信息;根据多条匹配特征信息,采用分类器确定目标用户的第二推荐职位集;将第一推荐职位集与第二推荐职位集进行融合,得到目标用户的推荐职位集。
可选地,在根据本发明的职位推荐方法中,行为记录包括用户标识、行为时间、行为类型和职位标识;上述根据所存储的多个用户的多条行为记录确定偏好矩阵的步骤包括:对于每一条行为记录,根据行为时间和行为类型来确定用户标识所指示的用户对职位标识所指示的职位的偏好程度。
可选地,在根据本发明的职位推荐方法中,上述根据行为时间和行为类型来确定用户标识所指示的用户对职位标识所指示的职位的偏好程度的步骤包括:根据行为类型确定行为权重;根据行为时间距离当前时间的时间间隔来确定置信因子;将行为权重与置信因子的乘积作为用户标识所指示的用户对职位标识所指示的职位的偏好程度。
可选地,在根据本发明的职位推荐方法中,行为类型包括投递、收藏、浏览中的一种或多种;根据行为类型确定行为权重的步骤包括:将投递的行为权重设置为第一值,将收藏的行为权重设置为第二值,将浏览的行为权重设置为第三值,其中,第一值>第二值>第三值;根据时间间隔来确定置信因子的步骤包括:确定多个时间间隔范围,每一个时间间隔范围对应于一个置信因子;根据时间间隔所属的时间间隔范围来确定置信因子,其中,时间间隔范围距离当前时间越近,置信因子越大。
可选地,在根据本发明的职位推荐方法中,根据偏好矩阵确定目标用户的第一推荐职位集的步骤包括:根据偏好矩阵确定每一个职位所对应的职位向量,职位向量包括各用户对该职位的偏好程度;根据职位向量确定偏好矩阵中各职位的相似度,将与一个职位的相似度大于等于第一阈值的职位作为该职位的相似职位;根据偏好矩阵确定目标用户的偏好职位,偏好职位为目标用户的偏好程度大于等于第二阈值的职位;将偏好职位的相似职位加入第一推荐职位集。
可选地,在根据本发明的职位推荐方法中,根据职位向量确定偏好矩阵中各职位的相似度的步骤包括:根据偏好矩阵确定待测职位,待测职位为偏好程度大于等于第三阈值的职位;对于每一个用户,将该用户所对应的多个待测职位两两组合,得到多个待测职位对;对于每一个待测职位对,根据该待测职位对所包括的两个待测职位的职位向量来确定这两个待测职位的相似度。
可选地,在根据本发明的职位推荐方法中,相似度为两个职位向量的夹角余弦。
可选地,在根据本发明的职位推荐方法中,匹配特征信息包括用户特征、职位特征、交叉特征中的一种或多种;用户特征包括期望城市、期望薪资、期望工作类型中的一种或多种,职位特征包括工作城市、职位薪资、技能要求中的一种或多种,交叉特征包括所述期望城市与所述工作城市是否匹配、所述期望薪资与所述职位薪资的匹配度、目标用户浏览该职位的次数、目标用户浏览与该职位同公司的其他职位次数、目标用户投递与该职位同公司的其他职位次数中的一种或多种。
可选地,在根据本发明的职位推荐方法中,根据多条匹配特征信息,采用分类器确定目标用户的第二推荐职位集的步骤包括:分别将每一条匹配特征信息输入分类器,得到每一条匹配特征信息所对应的职位的推荐概率,所述推荐概率为职位为推荐职位的概率;将推荐概率大于等于第四阈值的职位加入第二推荐职位集。
可选地,在根据本发明的职位推荐方法中,在将第一推荐职位集与第二推荐职位集进行融合的步骤之前,还包括:判断第一推荐职位集中的职位数量是否大于等于第五阈值;若是,则将第一推荐职位集作为目标用户的推荐职位集;若否,则将所述第一推荐职位集与第二推荐职位集进行融合,得到目标用户的推荐职位集。
可选地,在根据本发明的职位推荐方法中,在将第一推荐职位集与第二推荐职位集进行融合,得到目标用户的推荐职位集之后,还包括将推荐职位集中的职位进行排序:确定目标用户与推荐职位集中各职位的匹配特征信息;分别将每一条匹配特征信息输入所述分类器,得到每一条匹配特征信息所对应的职位的推荐概率,所述推荐概率为职位为推荐职位的概率;将推荐职位集中的职位按照推荐概率由大到小的顺序进行排序。
可选地,在根据本发明的职位推荐方法中,分类器为XGBoost分类器。
根据本发明的一个方面,提供一种计算设备,包括:至少一个处理器;和存储有程序指令的存储器,其中,程序指令被配置为适于由上述至少一个处理器执行,程序指令包括用于执行如上所述的职位推荐方法的指令。
根据本发明的一个方面,提供一种存储有程序指令的可读存储介质,当该程序指令被计算设备读取并执行时,使得该计算设备执行如上所述的职位推荐方法。
根据本发明的技术方案,首先,根据偏好矩阵确定目标用户的第一推荐职位集;随后,根据目标用户与多个职位的匹配特征信息,采用分类器确定目标用户的第二推荐职位集;最后,将第一推荐职位集与第二推荐职位集进行融合,得到目标用户的推荐职位集。
在确定第一推荐职位集时,首先需要确定偏好矩阵。偏好矩阵是根据所存储的多个用户的多条行为记录所确定的,用于表示各用户对各职位的偏好程度。具体地,某个用户对某个职位的偏好程度为根据该用户对该职位所进行的行为类型(例如投递、收藏、浏览等)和行为时间计算得出,充分考虑了用户招聘行为的时间阶段性,使得计算出的偏好程度更加准确、具有可参考性,从而进一步使得第一推荐职位集与目标用户更加相符;同时,由于在计算偏好矩阵时考虑到了用户的行为时间,不同时间的偏好矩阵不尽相同,相应地,本发明的职位推荐方法的执行时间不同,得出的第一推荐职位集也不尽相同。这样,不同时间向用户推荐的职位不同,可以使用户对推荐的职位保持兴趣,提高了推荐职位的点击率,即,提高了职位推荐的效率。
在确定第二推荐职位集时,首先需要确定目标用户与多个职位的匹配特征信息。特别地,匹配特征信息包括用户特征、职位特征和交叉特征三类,虽然用户特征、职位特征比较稳定,但是交叉特征是随着用户行为在不断变化的。这样,在不同的时间,得出的第二推荐职位集也不一样,即,不同时间向用户推荐的职位不同,可以使用户对推荐的职位保持兴趣,提高了职位推荐的效率。此外,由于引入了交叉特征,本发明的职位推荐方法可以更深入地了解用户,从而使得推荐结果更精准、更适合用户。
在融合第一推荐职位集与第二推荐职位集时,不是简单地将二者进行叠加,而是采用确定第二推荐职位集时所用的分类器计算第一推荐职位集的推荐概率,将两个推荐职位集中的职位按照推荐概率由大到小的顺序进行排序,并呈现给用户,方便用户快速发现适合自己的职位。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了实现上述以及相关目的,本文结合下面的描述和附图来描述某些说明性方面,这些方面指示了可以实践本文所公开的原理的各种方式,并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述,本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开,相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明一个实施例的职位推荐系统100的示意图;
图2示出了根据本发明一个实施例的计算设备200的示意图;以及
图3示出了根据本发明一个实施例的职位推荐方法300的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的职位推荐系统100的示意图。如图1所示,职位推荐系统100包括计算设备200、终端设备110以及数据存储装置120。应当指出,图1中的网络系统100仅是示例性的,在具体的实践情况中,网络系统100中可以有不同数量的计算设备、终端设备和数据存储装置,本发明对网络系统中所包括的计算设备、终端设备和数据存储装置的数量不做限制。
计算设备200可以实现为服务器,例如WEB服务器、应用程序服务器、文件服务器、数据库服务器等,也可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。终端设备110可以是诸如PC、笔记本电脑、手机、平板电脑、笔记本电脑、电视盒子、可穿戴设备等可以接入互联网的设备。数据存储装置120可以作为本地数据库驻留于计算设备200中,也可以作为远程数据库设置在计算设备200之外,还可以作为分布式数据库例如HBase等设置于多个地理位置处,总之,数据存储装置120用于存储数据,但是本发明对数据存储装置120的具体配置情况不做限制。终端设备110可以通过有线的方式接入互联网,也可以通过3G、4G、WiFi、个人热点、IEEE802.11x、蓝牙等无线的方式接入互联网,并经由互联网与计算设备200通信。计算设备200可以通过有线或无线的方式经由互联网对数据存储装置200中的数据进行读写。
根据一种实施例,计算设备200可以是某个招聘网站所对应的服务器。计算设备200基于数据存储装置120中所存储的数据,可以向招聘者、求职者提供相应的服务,例如,求职者在终端设备110上登录招聘网站后,计算设备200将可能适合的职位推送至终端设备110,终端设备110接收这些可能适合的职位,并以推荐列表的形式将推荐职位展示给求职者。简而言之,计算设备200可以提供职位推荐服务。应当指出,本发明的职位推荐方法旨在向求职者推荐合适的职位,招聘者不在考虑之列。为了叙述方便,下文中将“求职者”简记为“用户”。
数据存储装置120中存储有多条职位记录以及多个用户的多条行为记录。一条职位记录包括职位标识(即职位ID)、该职位的工作城市、职位薪资、技能要求等。一条用户行为记录包括用户标识(即用户ID)、行为时间、行为类型、职位标识等,其中,行为类型包括投递、收藏、浏览等。例如,用户A(用户A的ID为001)在2017年7月26日17时11分投递了B职位(职位B的ID为002),那么,在该行为所对应的行为记录中,用户标识为001,行为时间为2017年7月26日17时11分,行为类型为投递,职位标识为002。应当指出,虽然在该实施例中,行为时间的记录具体到分钟,但在其他的实施例中,也可以将行为时间的记录具体到天、小时、或秒,等等,本发明对行为时间记录的详尽程度不做限制。
图2示出了根据本发明一个实施例的计算设备200的示意图。在基本的配置202中,计算设备200典型地包括系统存储器206和一个或者多个处理器204。存储器总线208可以用于在处理器204和系统存储器206之间的通信。
取决于期望的配置,处理器204可以是任何类型的处理,包括但不限于:微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器204可以包括诸如一级高速缓存210和二级高速缓存212之类的一个或者多个级别的高速缓存、处理器核心214和寄存器216。示例的处理器核心214可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器218可以与处理器204一起使用,或者在一些实现中,存储器控制器218可以是处理器204的一个内部部分。
取决于期望的配置,系统存储器206可以是任意类型的存储器,包括但不限于:易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统220、一个或者多个应用222以及程序数据224。应用222实际上是多条程序指令,其用于指示处理器204执行相应的操作。在一些实施方式中,应用222可以布置为在操作系统上使得处理器204利用程序数据224进行操作。
计算设备200还可以包括有助于从各种接口设备(例如,输出设备242、外设接口244和通信设备246)到基本配置202经由总线/接口控制器230的通信的接口总线240。示例的输出设备242包括图形处理单元248和音频处理单元250。它们可以被配置为有助于经由一个或者多个A/V端口252与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口244可以包括串行接口控制器254和并行接口控制器256,它们可以被配置为有助于经由一个或者多个I/O端口258和诸如输入设备(例如,键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备246可以包括网络控制器260,其可以被布置为便于经由一个或者多个通信端口264与一个或者多个其他计算设备262通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块,并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号,它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例,通信介质可以包括诸如有线网络或者专线网络之类的有线介质,以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
在根据本发明的计算设备200中,应用222包括职位推荐装置228,职位推荐装置228实质上是多条程序指令,这些程序指令可以指示处理器204执行职位推荐方法300,从而实现职位推荐。
图3示出了根据本发明一个实施例的职位推荐方法300的流程图,方法300适于在计算设备(例如前述计算设备200)中执行。如图3所示,方法300始于步骤S310。
在步骤S310中,根据所存储的多个用户的多条行为记录确定偏好矩阵,偏好矩阵包括各用户对各职位的偏好程度。
每一条行为记录均对应于一个偏好程度。根据一种实施例,对于每一条行为记录,根据该行为记录的行为时间和行为类型来确定用户标识所指示的用户对职位标识所指示的职位的偏好程度。进一步地,根据一种实施例,可以按照以下步骤S312~S316来用户对职位的偏好程度:
步骤S312:根据行为类型确定行为权重。
行为类型包括投递、收藏、浏览等,但不限于此。一般来说,用户对于其投递的职位最感兴趣,收藏的职位的感兴趣程度次之,浏览过的职位感兴趣程度再次之。根据一种实施例,将投递的行为权重设置为第一值,将收藏的行为权重设置为第二值,将浏览的行为权重设置为第三值,其中,第一值>第二值>第三值。例如,将投递的行为权重设置为1.0,将收藏的行为权重设置为0.5,将浏览的行为权重设置为0.2。当然,在其他的实施例中,第一值、第二值、第三值也可以被设置为其他数值,本发明对三者的具体取值不做限制。
步骤S314:根据行为时间距离当前时间的时间间隔来确定置信因子。
根据一种实施例,步骤S314可以按照以下方法实行:确定多个时间间隔范围,每一个时间间隔范围对应于一个置信因子;根据时间间隔所属的时间间隔范围来确定置信因子,其中,时间间隔范围距离当前时间越近,置信因子越大。例如,设置以下时间间隔范围:当天、一天~一周、一周~一月、一月~半年、半年到一年、一年及以上,各时间间隔范围对应的置信因子分别为:1.0、0.9、0.8、0.7、0.6、0.5。例如,当前时间为2017年7月27日9时40分,某条行为记录的行为时间为2017年7月17日8时40分,则行为时间距离当前时间的时间间隔为10天1小时,时间间隔属于一周~一月的时间间隔范围,因此,将该行为记录的置信因子确定为0.8。
步骤S316:将行为权重与置信因子的乘积作为用户标识所指示的用户对职位标识所指示的职位的偏好程度。
例如,用户A于(距离当前时间)10天前收藏了A职位,收藏的行为权重为0.5,10天所对应的置信因子为0.8,故用户A对于职位B的偏好程度为0.5*0.8=0.4。
应当指出,在有些情况下,用户针对某个职位会存在多条行为记录。例如,用户A在t1时刻收藏了B职位,随后,又在t2时刻投递了B职位。这种情况下,会得到用户A对于职位B的多个偏好程度,由于偏好矩阵中只存储一个用户对于一个职位的一个偏好程度,所以,当根据行为记录计算出用户对于一个职位的多个偏好程度时,需要对这多个偏好程度进行筛选,最终只留下一个。偏好程度的筛选规则可以由本领域技术人员自行设置,本发明对此不做限制,例如,可以将数值最大的偏好程度作为最终的偏好程度,或将根据距离当前时间最近的行为记录计算出来的偏好程度作为最终的偏好程度,等等。
随后,在步骤S320中,根据偏好矩阵确定目标用户的第一推荐职位集。
根据一种实施例,步骤S320进一步可以按照以下步骤S322~S328执行:
步骤S322:根据偏好矩阵确定每一个职位所对应的职位向量,职位向量包括各用户对该职位的偏好程度。
例如,经过步骤S310,得出如下偏好矩阵:
表1.偏好矩阵示例
那么,职位1的职位向量为[0.4,0,0.8,0,0.1,0],职位2的职位向量为[0,1,0.4,0,0,0.25],等。
当然,以上例子仅用于示例性地说明职位向量的确定方法。在实际应用中,偏好矩阵比上表庞大得多,各职位所对应的职位向量的维数也更大。
步骤S324:根据职位向量确定偏好矩阵中各职位的相似度,将与一个职位的相似度大于等于第一阈值的职位作为该职位的相似职位。
根据一种实施例,两职位的相似度为两个职位向量的夹角余弦。夹角余弦的计算公式如下:
其中,X、Y分别表示一个职位向量,cos<X,Y>表示向量X、Y的夹角余弦,|X|、|Y|分别表示向量X、Y的模。当然,夹角余弦只是相似度的一种计算方法,本领域技术人员也可以采用其他的方法来计算相似度,例如采用欧氏距离、马氏距离等,本发明对相似度的具体计算方法不做限制。
理论上,为了确定一个职位的相似职位,需要计算该职位与数据存储装置120中存储的其他每一个职位的相似度。由于数据存储装置120中存储的职位数量庞大,依次计算每一个职位与其他职位的相似度的计算量很大。实际上,每个用户所感兴趣的职位(即用户投递、收藏、浏览过的职位)的数量是有限的,整个偏好矩阵是一个稀疏矩阵。只有当两个职位被同一个用户感兴趣时(一般体现为偏好程度大于0),这两个职位的相似度才可能不为0。例如,职位1和职位2共同被用户3感兴趣,职位1和职位2的相似度为大于0;而对职位2感兴趣的用户与对职位3感兴趣的用户完全不同,职位2和职位3的夹角余弦为0,即二者的相似度为0,也即,二者不相似。因此,为了简化职位相似度的计算,优选地,不再依次计算每一个职位与其他职位的相似度,而是仅计算被曾被同一个用户感兴趣的两个职位的相似度,根据一种实施例,该过程可以按照以下步骤S3242~S3246执行:
步骤S3242:根据偏好矩阵确定待测职位,待测职位为偏好程度大于等于第三阈值的职位。步骤S3242是为了从偏好矩阵中筛选出用户感兴趣的职位。根据一种实施例,通常将第三阈值设置为0,即,只要用户对某个职位的偏好程度大于0,则该职位即为待测职位。当然,除了0之外,本领域技术人员还可以将第三阈值设置为其他数值,本发明对第三阈值的具体取值并无限制。
步骤S3244:对于每一个用户,将该用户所对应的多个待测职位两两组合,得到多个待测职位对。
例如,对于表1所示的偏好矩阵,用户1所对应的待测职位为职位1和职位4,那么,职位1和职位4可以构成一个待测职位对;用户2所对应的待测职位仅为职位2,无法构成待测职位对;用户3所对应的待测职位为职位1和职位2,那么,职位1和职位2可以构成一个待测职位对;用户5所对应的待测职位为职位1、职位3和职位4,那么,职位1和职位3、职位3和职位4、职位1和职位4可以构成三个待测职位对。因此,用户1~用户6共形成了四个待测职位对,分别是职位1和职位2、职位1和职位3、职位1和职位4、职位3和职位4。
步骤S3246:对于每一个待测职位对,根据该待测职位对所包括的两个待测职位的职位向量来确定这两个待测职位的相似度。
仍以表1为例,步骤S3246相当于计算四个待测职位对的相似度,即分别计算职位1和职位2、职位1和职位3、职位1和职位4、职位3和职位4的相似度。经过计算,职位1和职位2、职位1和职位3、职位1和职位4、职位3和职位4的相似度分别为0.3216、0.1111、0.355、0.3093。
基于步骤S3242~S3246的方法,我们仅需要计算四次相似度,而不必再计算所有职位组合的相似度(如果不进行筛选的话,将表1中的职位两两组合,共需要计算六次相似度)。在实际应用中,由于偏好矩阵比表1庞大得多,且每个用户感兴趣的职位的数量是有限的,该方法可以避免不必要的计算,大大减少相似度的计算次数,提高了计算效率。
在计算得出各职位之间的相似度后,将与一个职位的相似度大于等于第一阈值的职位作为该职位的相似职位。第一阈值的取值可以由本领域技术人员自行设置,本发明对此不做限制,例如,可以将第一阈值设置为0.32。仍以表1为例,当第一阈值被设置为0.32时,职位1的相似职位为职位2和职位4,职位2的相似职位为职位1,职位3没有相似职位,职位4的相似职位为职位1。
步骤S326:根据偏好矩阵确定目标用户的偏好职位,该偏好职位为目标用户的偏好程度大于等于第二阈值的职位。第二阈值的取值可以由本领域技术人员自行设置,本发明对此不做限制,例如,可以将第二阈值设置为0.5。仍以表1为例,当第二阈值被设置为0.5时,用户1的偏好职位为职位4,用户2的偏好职位为职位2,用户3的偏好职位为职位1,用户4的偏好职位为职位1,用户5和用户6不存在偏好职位。又例如,也可以将第二阈值设置为0,这样每个用户的偏好职位会更多,相应地,第一推荐职位集中的职位也会更多。
步骤S328:将该偏好职位的相似职位加入第一推荐职位集。仍以表1为例,当第一阈值被设置为0.32、第二阈值被设置为0时,用户1的偏好职位为职位1和职位4,职位1的相似职位为职位2和职位4,职位4的相似职位为职位1,因此,用户1的第一推荐职位集={职位1,职位2,职位4}。应当指出,根据一种优选的实施例,用户的第一推荐职位集中应当去除用户已经感兴趣的职位,例如,对于用户1的第一推荐职位集,应当去除其中的职位1和职位4,这样可以保证推荐的职位对用户来说是未曾见过的职位,从而保证用户对推荐职位的关注度,提高了推荐效率。
随后,在步骤S330中,根据目标用户的多条行为记录以及所存储的多条职位记录,确定目标用户与多个职位的匹配特征信息。
根据一种实施例,匹配特征信息包括用户特征、职位特征、交叉特征中的一种或多种。其中,用户特征包括期望城市、期望薪资、期望工作类型中的一种或多种,职位特征包括工作城市、职位薪资、技能要求中的一种或多种,交叉特征包括期望城市与职位的工作城市是否匹配、期望薪资与职位薪资的匹配度、目标用户浏览该职位的次数、目标用户浏览与该职位同公司的其他职位次数、目标用户投递与该职位同公司的其他职位次数中的一种或多种。
对于用户特征,期望城市、期望薪资、期望工作类型可以根据数据存储装置120中存储的用户的多条行为记录总结得出。例如,通过用户的多条行为记录中所针对的职位的工作城市、职位薪资和工作类型,来总结出用户的期望城市、期望薪资和期望工作类型。具体的总结算法可以由本领域技术人员自行设置,本发明对此不做限制。除上述方法之外,用户的期望城市、期望薪资、期望工作类型还可以作为用户的基本信息存储于数据存储装置120中,例如,当用户在招聘网站上进行注册时,由用户直接填写姓名、学历、期望城市、期望薪资、期望工作类型等基本信息。
对于职位特征,工作城市、职位薪资、技能要求等可以由数据存储装置120中存储的职位记录中提取得出。
对于交叉特征,期望薪资与职位薪资的匹配度的计算方法可以由本领域技术人员自行设置,本发明对此不做限制。例如,可以通过期望薪资范围和职位薪资范围的重合区间的长度来确定二者的匹配度。
随后,在步骤S340中,根据多条匹配特征信息,采用分类器确定目标用户的第二推荐职位集。
根据一种实施例,步骤S340可以按照以下步骤实施:分别将每一条匹配特征信息输入分类器,得到每一条匹配特征信息所对应的职位的推荐概率,推荐概率为职位为推荐职位的概率;将推荐概率大于等于第四阈值的职位加入第二推荐职位集。第四阈值的取值可以由本领域技术人员自行设置,本发明对此不做限制。
根据一种实施例,上述分类器为XGBoost分类器。分类器由训练样本训练得出。训练样本可以按照以下方法获取:获取用户对于推荐列表中的推荐职位的操作日志,将被用户点击的推荐职位作为正样本(用户点击表明用户对该推荐职位感兴趣),将未被用户点击的推荐职位作为负样本(用户未点击表明用户对该推荐职位不感兴趣)。训练时,每一个训练样本包括特征和标签,特征即前述匹配特征信息,标签即职位的推荐概率,正样本的职位的推荐概率置为1,负样本的职位的推荐概率置为0。根据多个训练样本即可完成分类器的训练,训练得出的分类器的输入为匹配特征信息,输出为职位的推荐概率。训练得出的分类器可以用于步骤S340。
应当指出,在执行步骤S340时,理论上需要确定目标用户对所有职位的匹配特征,并采用分类器确定所有职位的推荐概率。由于招聘网站上的职位众多,确定所有职位对于目标用户的推荐概率耗时长,效率低。因此,一种优选的实施方式是,首先对职位进行初步筛选,然后计算筛选得出的职位的推荐概率,这样可以避免不必要的计算,大大提高计算效率。职位的筛选算法可以由本领域技术人员自行设置,本发明对此不做限制,例如,可以根据用户的期望城市和职位的工作城市是否匹配来进行初步筛选,或根据用户感兴趣的职位关键词来对职位进行初步筛选,等等。
随后,在步骤S350中,将第一推荐职位集与第二推荐职位集进行融合,得到目标用户的推荐职位集。
由于在实践中发现,第一推荐职位集往往比第二推荐职位集更加准确,因此,根据一种实施例,在将第一推荐职位集与第二推荐职位集进行融合之前,需要先判断第一推荐职位集中的职位数量是否大于等于第五阈值;若是,则将第一推荐职位集作为目标用户的推荐职位集;若否,则将所述第一推荐职位集与第二推荐职位集进行融合,得到目标用户的推荐职位集。第五阈值的取值可以由本领域技术人员自行设置,本发明对此不做限制例如,第五阈值可以设置为500。
根据一种实施例,在将将第一推荐职位集与第二推荐职位集进行融合,得到目标用户的推荐职位集之后,还包括将推荐职位集中的职位进行排序:确定目标用户与推荐职位集中各职位的匹配特征信息;分别将每一条匹配特征信息输入分类器,得到每一条匹配特征信息所对应的职位的推荐概率,推荐概率为职位为推荐职位的概率;将推荐职位集中的职位按照推荐概率由大到小的顺序进行排序。应当指出,这里的分类器与前述步骤S340中的分类器相同。
根据一种实施例,当第一推荐职位集中的职位数量大于等于第五阈值,将第一推荐职位集作为目标用户的推荐职位集后,还包括将推荐职位集中的职位进行排序。排序方法可以由本领域技术人员自行设置,本发明对此不做限制,例如,将与用户的偏好职位的相似度高的推荐职位排在前面,或综合考虑用户的偏好职位和偏好职位与推荐职位的相似度来进行排序,等等。
另外,应当指出,虽然图3所示的流程图将步骤S310~S350示出为按顺序依次执行,但是,本领域技术人员应当能够理解,确定第一推荐职位集和确定第二推荐职位集是两个相互独立的过程,二者可以以任意先后顺序执行,也可以同时执行。考虑到第一推荐职位集的推荐效果优于第二推荐职位集,一种优选的实施方案是,先确定第一推荐职位集,若第一推荐职位集中包括的职位的数量较大(大于等于第五阈值),则直接将第一推荐职位集作为目标用户的推荐职位集,不再确定第二推荐职位集;若第一推荐职位集中包括的职位的数量较小(小于第五阈值),再确定第二推荐职位集作为补充。
根据本发明的技术方案,推荐列表的点击率提升了14%,简历投递量提升了6.5%,这表明依据本发明所得出的推荐职位更精准、更适合用户,推荐效率较高。
A9:A1或8所述的方法,其中,根据多条匹配特征信息,采用分类器确定目标用户的第二推荐职位集的步骤包括:
分别将每一条匹配特征信息输入分类器,得到每一条匹配特征信息所对应的职位的推荐概率,所述推荐概率为职位为推荐职位的概率;
将推荐概率大于等于第四阈值的职位加入第二推荐职位集。
A10:A1所述的方法,其中,在将所述第一推荐职位集与第二推荐职位集进行融合的步骤之前,还包括:
判断所述第一推荐职位集中的职位数量是否大于等于第五阈值;
若是,则将第一推荐职位集作为目标用户的推荐职位集;
若否,则将所述第一推荐职位集与第二推荐职位集进行融合,得到目标用户的推荐职位集。
A11:A1或10所述的方法,其中,在将所述第一推荐职位集与第二推荐职位集进行融合,得到目标用户的推荐职位集之后,还包括将所述推荐职位集中的职位进行排序:
确定目标用户与推荐职位集中各职位的匹配特征信息;
分别将每一条匹配特征信息输入所述分类器,得到每一条匹配特征信息所对应的职位的推荐概率,所述推荐概率为职位为推荐职位的概率;
将推荐职位集中的职位按照推荐概率由大到小的顺序进行排序。
A12:A1-11中任一项所述的方法,其中,所述分类器为XGBoost分类器。
这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被所述机器执行时,所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下,移动终端一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件),至少一个输入装置,和至少一个输出装置。其中,存储器被配置用于存储程序代码;处理器被配置用于根据该存储器中存储的所述程序代码中的指令,执行本发明的职位推荐方法。
以示例而非限制的方式,可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。
在此处所提供的说明书中,算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中,或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外,所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此,具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外,装置实施例的在此所述的元素是如下装置的例子:该装置用于实施由为了实施该发明的目的的元素所执行的功能。
如在此所使用的那样,除非另行规定,使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例,并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的而非限制性的,本发明的范围由所附权利要求书限定。
Claims (10)
1.一种职位推荐方法,在计算设备中执行,所述计算设备与数据存储装置连接,所述数据存储装置中存储有多条职位记录以及多个用户的多条行为记录,所述方法包括:
根据所存储的多个用户的多条行为记录确定偏好矩阵,所述偏好矩阵包括各用户对各职位的偏好程度;
根据所述偏好矩阵确定目标用户的第一推荐职位集;
根据目标用户的多条行为记录以及所存储的多条职位记录,确定目标用户与多个职位的匹配特征信息;
根据多条匹配特征信息,采用分类器确定目标用户的第二推荐职位集;
将所述第一推荐职位集与第二推荐职位集进行融合,得到目标用户的推荐职位集。
2.如权利要求1所述的方法,其中,所述行为记录包括用户标识、行为时间、行为类型和职位标识;
所述根据所存储的多个用户的多条行为记录确定偏好矩阵的步骤包括:对于每一条行为记录,根据行为时间和行为类型来确定用户标识所指示的用户对职位标识所指示的职位的偏好程度。
3.如权利要求2所述的方法,其中,所述根据行为时间和行为类型来确定用户标识所指示的用户对职位标识所指示的职位的偏好程度的步骤包括:
根据行为类型确定行为权重;
根据行为时间距离当前时间的时间间隔来确定置信因子;
将行为权重与置信因子的乘积作为用户标识所指示的用户对职位标识所指示的职位的偏好程度。
4.如权利要求3所述的方法,其中,所述行为类型包括投递、收藏、浏览中的一种或多种;
根据行为类型确定行为权重的步骤包括:将投递的行为权重设置为第一值,将收藏的行为权重设置为第二值,将浏览的行为权重设置为第三值,其中,第一值>第二值>第三值;
根据时间间隔来确定置信因子的步骤包括:确定多个时间间隔范围,每一个时间间隔范围对应于一个置信因子;根据时间间隔所属的时间间隔范围来确定置信因子,其中,时间间隔范围距离当前时间越近,置信因子越大。
5.如权利要求1-4中任一项所述的方法,其中,根据所述偏好矩阵确定目标用户的第一推荐职位集的步骤包括:
根据所述偏好矩阵确定每一个职位所对应的职位向量,所述职位向量包括各用户对该职位的偏好程度;
根据职位向量确定偏好矩阵中各职位的相似度,将与一个职位的相似度大于等于第一阈值的职位作为该职位的相似职位;
根据所述偏好矩阵确定目标用户的偏好职位,所述偏好职位为目标用户的偏好程度大于等于第二阈值的职位;
将所述偏好职位的相似职位加入第一推荐职位集。
6.如权利要求5所述的方法,其中,根据职位向量确定偏好矩阵中各职位的相似度的步骤包括:
根据所述偏好矩阵确定待测职位,所述待测职位为偏好程度大于等于第三阈值的职位;
对于每一个用户,将该用户所对应的多个待测职位两两组合,得到多个待测职位对;
对于每一个待测职位对,根据该待测职位对所包括的两个待测职位的职位向量来确定这两个待测职位的相似度。
7.如权利要求5或6所述的方法,其中,所述相似度为两个职位向量的夹角余弦。
8.如权利要求1所述的方法,其中,匹配特征信息包括用户特征、职位特征、交叉特征中的一种或多种;
所述用户特征包括期望城市、期望薪资、期望工作类型中的一种或多种,所述职位特征包括工作城市、职位薪资、技能要求中的一种或多种,
所述交叉特征包括所述期望城市与所述工作城市是否匹配、所述期望薪资与所述职位薪资的匹配度、目标用户浏览该职位的次数、目标用户浏览与该职位同公司的其他职位次数、目标用户投递与该职位同公司的其他职位次数中的一种或多种。
9.一种计算设备,包括:
至少一个处理器;和
存储有程序指令的存储器,其中,所述程序指令被配置为适于由所述至少一个处理器执行,所述程序指令包括用于执行如权利要求1-8中任一项所述的方法的指令。
10.一种存储有程序指令的可读存储介质,当所述程序指令被计算设备读取并执行时,使得所述计算设备执行如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710642957.XA CN107704485A (zh) | 2017-07-31 | 2017-07-31 | 一种职位推荐方法及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710642957.XA CN107704485A (zh) | 2017-07-31 | 2017-07-31 | 一种职位推荐方法及计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107704485A true CN107704485A (zh) | 2018-02-16 |
Family
ID=61170639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710642957.XA Pending CN107704485A (zh) | 2017-07-31 | 2017-07-31 | 一种职位推荐方法及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107704485A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733826A (zh) * | 2018-05-24 | 2018-11-02 | 佛山市轻遣网络有限公司 | 自动分发用工信息的方法及系统 |
CN108921673A (zh) * | 2018-07-16 | 2018-11-30 | 广州友米科技有限公司 | 基于大数据的商品推荐方法 |
CN108989992A (zh) * | 2018-08-03 | 2018-12-11 | 四川民工加网络科技有限公司 | 流动工人动态实时追踪方法与装置 |
CN109840468A (zh) * | 2018-12-14 | 2019-06-04 | 深圳壹账通智能科技有限公司 | 一种用户分析报告的生成方法及设备 |
CN110032637A (zh) * | 2019-04-16 | 2019-07-19 | 上海大易云计算股份有限公司 | 一种基于自然语义分析技术的简历智能推荐算法 |
CN110297981A (zh) * | 2019-07-01 | 2019-10-01 | 江苏漩涡网络科技有限公司 | 职位推荐系统与方法 |
WO2019196881A1 (zh) * | 2018-04-12 | 2019-10-17 | 京东方科技集团股份有限公司 | 推荐方法、推荐装置、推荐设备、推荐系统及存储介质 |
CN110895755A (zh) * | 2019-11-25 | 2020-03-20 | 上海沃锐企业发展有限公司 | 职位匹配方法以及装置、设备、存储介质 |
CN111429232A (zh) * | 2020-04-12 | 2020-07-17 | 中信银行股份有限公司 | 产品推荐方法、装置和电子设备及计算机可读存储介质 |
CN112100507A (zh) * | 2020-11-10 | 2020-12-18 | 南京研利科技有限公司 | 对象推荐的方法、计算设备和计算机可读存储介质 |
CN112287215A (zh) * | 2020-10-23 | 2021-01-29 | 山大地纬软件股份有限公司 | 一种智能就业推荐方法和装置 |
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 |
CN112598399A (zh) * | 2020-12-31 | 2021-04-02 | 五八有限公司 | 一种信息处理方法及装置 |
CN113362034A (zh) * | 2021-06-15 | 2021-09-07 | 南通大学 | 一种职位推荐方法 |
CN113849740A (zh) * | 2021-09-29 | 2021-12-28 | 河北冀联人力资源服务集团有限公司 | 一种基于分类器的用工推荐方法、系统及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708525A (zh) * | 2012-05-22 | 2012-10-03 | 华南理工大学 | 基于gpu加速的招聘职位智能推荐方法 |
CN105893641A (zh) * | 2016-07-01 | 2016-08-24 | 中国传媒大学 | 一种职位推荐方法 |
CN106127546A (zh) * | 2016-06-20 | 2016-11-16 | 重庆房慧科技有限公司 | 一种基于智慧社区大数据的商品推荐方法 |
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 |
CN106934498A (zh) * | 2017-03-14 | 2017-07-07 | 携程旅游网络技术(上海)有限公司 | Ota网站中酒店房型的推荐方法及系统 |
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 |
-
2017
- 2017-07-31 CN CN201710642957.XA patent/CN107704485A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708525A (zh) * | 2012-05-22 | 2012-10-03 | 华南理工大学 | 基于gpu加速的招聘职位智能推荐方法 |
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 |
CN106127546A (zh) * | 2016-06-20 | 2016-11-16 | 重庆房慧科技有限公司 | 一种基于智慧社区大数据的商品推荐方法 |
CN105893641A (zh) * | 2016-07-01 | 2016-08-24 | 中国传媒大学 | 一种职位推荐方法 |
CN106934498A (zh) * | 2017-03-14 | 2017-07-07 | 携程旅游网络技术(上海)有限公司 | Ota网站中酒店房型的推荐方法及系统 |
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 |
Non-Patent Citations (1)
Title |
---|
孟凡连: ""基于混合式推荐算法的人力资源推荐引擎的应用研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019196881A1 (zh) * | 2018-04-12 | 2019-10-17 | 京东方科技集团股份有限公司 | 推荐方法、推荐装置、推荐设备、推荐系统及存储介质 |
CN108733826A (zh) * | 2018-05-24 | 2018-11-02 | 佛山市轻遣网络有限公司 | 自动分发用工信息的方法及系统 |
CN108921673A (zh) * | 2018-07-16 | 2018-11-30 | 广州友米科技有限公司 | 基于大数据的商品推荐方法 |
CN108989992A (zh) * | 2018-08-03 | 2018-12-11 | 四川民工加网络科技有限公司 | 流动工人动态实时追踪方法与装置 |
CN109840468A (zh) * | 2018-12-14 | 2019-06-04 | 深圳壹账通智能科技有限公司 | 一种用户分析报告的生成方法及设备 |
CN110032637A (zh) * | 2019-04-16 | 2019-07-19 | 上海大易云计算股份有限公司 | 一种基于自然语义分析技术的简历智能推荐算法 |
CN110297981A (zh) * | 2019-07-01 | 2019-10-01 | 江苏漩涡网络科技有限公司 | 职位推荐系统与方法 |
CN110895755A (zh) * | 2019-11-25 | 2020-03-20 | 上海沃锐企业发展有限公司 | 职位匹配方法以及装置、设备、存储介质 |
CN111429232A (zh) * | 2020-04-12 | 2020-07-17 | 中信银行股份有限公司 | 产品推荐方法、装置和电子设备及计算机可读存储介质 |
CN112287215A (zh) * | 2020-10-23 | 2021-01-29 | 山大地纬软件股份有限公司 | 一种智能就业推荐方法和装置 |
CN112100507A (zh) * | 2020-11-10 | 2020-12-18 | 南京研利科技有限公司 | 对象推荐的方法、计算设备和计算机可读存储介质 |
CN112100507B (zh) * | 2020-11-10 | 2021-02-12 | 南京研利科技有限公司 | 对象推荐的方法、计算设备和计算机可读存储介质 |
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 |
CN112598399A (zh) * | 2020-12-31 | 2021-04-02 | 五八有限公司 | 一种信息处理方法及装置 |
CN112598399B (zh) * | 2020-12-31 | 2023-04-25 | 北京五八赶集信息技术有限公司 | 一种信息处理方法及装置 |
CN113362034A (zh) * | 2021-06-15 | 2021-09-07 | 南通大学 | 一种职位推荐方法 |
CN113849740A (zh) * | 2021-09-29 | 2021-12-28 | 河北冀联人力资源服务集团有限公司 | 一种基于分类器的用工推荐方法、系统及可读存储介质 |
CN113849740B (zh) * | 2021-09-29 | 2024-07-26 | 河北冀联人力资源服务集团有限公司 | 一种基于分类器的用工推荐方法、系统及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107704485A (zh) | 一种职位推荐方法及计算设备 | |
CN108733706B (zh) | 热度信息的生成方法和装置 | |
CN107729532A (zh) | 一种简历匹配方法及计算设备 | |
CN108885624B (zh) | 信息推荐系统及方法 | |
CN106251174A (zh) | 信息推荐方法及装置 | |
CN105760400B (zh) | 一种基于搜索行为的推送消息排序方法及装置 | |
TW201923675A (zh) | 資訊推薦方法及裝置、設備 | |
TW201939400A (zh) | 目標用戶群體的確定方法和裝置 | |
CN107341233A (zh) | 一种职位推荐方法及计算设备 | |
CN108021673A (zh) | 一种用户兴趣模型生成方法、职位推荐方法及计算设备 | |
CN108021708B (zh) | 内容推荐方法、装置与计算机可读存储介质 | |
CN108833458A (zh) | 一种应用推荐方法、装置、介质及设备 | |
CN110111167A (zh) | 一种确定推荐对象的方法和装置 | |
US20220188286A1 (en) | Data Catalog Providing Method and System for Providing Recommendation Information Using Artificial Intelligence Recommendation Model | |
CN105868254A (zh) | 信息推荐方法及装置 | |
CN108921587B (zh) | 一种数据处理方法、装置及服务器 | |
WO2011087904A1 (en) | Matching of advertising sources and keyword sets in online commerce platforms | |
CN110413888A (zh) | 一种书籍推荐方法及装置 | |
CN108133357A (zh) | 一种人才推荐方法及计算设备 | |
CN108052670A (zh) | 一种相机特效的推荐方法及装置 | |
CN111159563A (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
CN109325818B (zh) | 一种产品推荐方法、计算机可读存储介质及终端设备 | |
CN112100221A (zh) | 一种资讯推荐方法、装置、推荐服务器及存储介质 | |
CN111680213A (zh) | 信息推荐方法、数据处理方法及装置 | |
US10387934B1 (en) | Method medium and system for category prediction for a changed shopping mission |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180216 |
|
RJ01 | Rejection of invention patent application after publication |