CN113887852A - 一种基于异构图神经的人员推荐方法 - Google Patents

一种基于异构图神经的人员推荐方法 Download PDF

Info

Publication number
CN113887852A
CN113887852A CN202110559595.4A CN202110559595A CN113887852A CN 113887852 A CN113887852 A CN 113887852A CN 202110559595 A CN202110559595 A CN 202110559595A CN 113887852 A CN113887852 A CN 113887852A
Authority
CN
China
Prior art keywords
event
personnel
graph
nodes
embedded
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.)
Granted
Application number
CN202110559595.4A
Other languages
English (en)
Other versions
CN113887852B (zh
Inventor
栗伟
闵新�
谢维冬
陈强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN202110559595.4A priority Critical patent/CN113887852B/zh
Publication of CN113887852A publication Critical patent/CN113887852A/zh
Application granted granted Critical
Publication of CN113887852B publication Critical patent/CN113887852B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0631Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311Scheduling, planning or task assignment for a person or group
    • G06Q10/063112Skill-based matching of a person or a group to a task
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/26Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于异构图神经的人员推荐方法,涉及推荐方法技术领域。本发明通过结合事件的事件特征和人员的能力特征,构建了事件与人员的异构图,通过异构图神经网络的训练,最后可以实现为新到事件推荐若干待推荐人员。利用该分配事件策略对大量的新到事件进行分配事件,可有效的加快事件办理效率,避免事件的积压。同时本系统提供挖掘人员的潜在办理能力,针对人员从未办理,或少办理的事件类型,可以在一定条件下进行优先分配,进而有效调动人员的学习积极性,提高人员的多维处理能力。

Description

一种基于异构图神经的人员推荐方法
技术领域
本发明涉及推荐方法技术领域,尤其涉及一种基于异构图神经的人员推荐方法。
背景技术
事件分配制度是事件管理与分配的一项重要制度,随机分配事件模式是在建立事件后按照一定的随机分配事件规则,将事件随机分配给具体的承办人员;指定分配事件模式是在立案后由专门人员根据事件的具体情况将事件指定分配给具体的承办人员。前者的优势在于分配事件过程公开透明、分配事件结果客观随机,可以排除人为因素对分配事件环节可能造成的影响,简便快捷、客观公正,但是无法灵活识别事件的具体情况,选择出最佳的承办人员,忽视承办人能力、事件工作量等因素。后者的优势在于,分配事件时可以充分发挥案管人员的灵活优势,综合审查事件与承办人员的具体情况,作出最优分配。但存在人为因素过重,不够客观,分配事件过程不公开等问题。
然而由于不同事件在类型、难度、领域等方面存在较大差异,对人员的能力要求也不同,现有业务统一平台系统无法考虑事件工作量和人员能力,进而很难实现业务中人员与事件最优匹配问题。因此,在事件总量不断增加,事件信息越来越多,人员能力也越来越更具有专业性的情况下,如何实现事件与人员的智能匹配,提高处理效率,显得更加紧迫和重要。
在处理过程中,事件分配问题直接关系到事件的办理效率、人员的处理积极性和激励制度的完善。很多学者都对如何实现事件与人员最优匹配这一问题进行过研究,但是目前的研究仅仅出于定性分析阶段,除了列举智能分配事件需要完成哪些具体目标之外,并没有具体给出影响智能分配事件结果的因素有哪些。因为不同事件由于事件类型存在较大差异,所以其所适合办理的人员也会有所不同。通过结合事件的事件特征和人员的个人能力特征,对不同类型的事件进行分配,能有效得实现事件与人员的最优匹配,并且能挖掘潜在处理能力的人员。
发明内容
针对现有技术的不足,本发明提供一种基于异构图神经的人员推荐方法。根据事件特征和人员的能力,构建出事件与人员之间的异构图,实现事件与人员的最优匹配,挖掘人员的潜在处理能力。整个系统由四个部分组成,分别为事件特征和人员能力特征向量预处理、构建事件-人员异构图、异构图神经网络模型训练,输出评分列表并实现人员推荐。
本发明的技术方案为,一种基于异构图神经的人员推荐方法,包括以下步骤:
步骤1:对人员及其办理事件建立训练数据集,对训练数据集中事件的特征和人员的能力特征向量进行预处理,通过特征降维的方式将事件和人员用同一维度的向量表示;
所述预处理为,采用主成分分析算法(PCA)对事件特征和人员的能力画像特征进行降维,具体包括以下步骤:
步骤1.1:设置输入的训练数据集X={x1,x2,x3,…,xn},将事件特征维度降到k维;其中xi(i=1,…,n)表示事件特征,n表示事件特征数量,对事件特征xi进行去平均值,即去中心化,将每一位事件特征xi减去各自的平均值:
Figure RE-GDA0003265219090000021
步骤1.2:将数据集X转化为矩阵形式,计算协方差矩阵
Figure RE-GDA0003265219090000022
步骤1.3:用特征值分解方法求协方差矩阵
Figure RE-GDA0003265219090000023
的特征值与特征向量:
Dα=λα
其中λ为矩阵D的特征值,α为矩阵D的特征向量;
步骤1.4:对特征值λ从大到小排序,选择前l个特征值,将其对应的l个特征向量分别作为行向量组成特征向量矩阵P;
步骤1.5:将数据集X转换到k个特征向量构建的新空间中,建立降维后的数据集Y:
Y=PX
步骤2:按照事件与人员的办理关系构建事件类型与人员的异构图,根据人员办理该类型事件的次数计算边的权重信息,根据边和节点的权重生成邻接矩阵;
设G={(C,P,w(C,P)|C,P∈V,w∈E)}为异构图,其中V和E分别表示节点和边,C表示事件的事件类型,P表示人员,w(·)表示连接两个节点的边的权重;
输入人员列表Pj∈P,根据人员列表依次选定人员目标节点,并根据异构图中目标节点的连接关系将异构图转换为二部图;
根据连接人员与事件类型两种节点连接的权重信息wij=w(Ci,Pj),其中Ci表示第i个事件类型,Pj表示第j个人员,生成连接邻接矩阵
Figure RE-GDA0003265219090000024
其中M,N分别表示人员和事件类型的数量;
步骤3:构建图神经网络模型,将事件-人员异构图带入图神经网络模型中,并对模型进行训练;
所述图神经网络模型,包括嵌入层、嵌入传播层以及预测层,所述嵌入层输入预处理后的事件特征和人员能力特征,作为图神经网络模型的初始化嵌入表示;所述嵌入传播层,通过输入事件类型与人员的交互信息,根据节点的高阶连通性,在若干个嵌入传播层更新节点的嵌入表示;所述预测层,聚合来自不同嵌入传播层的节点的嵌入表示,并输出人员对于每类事件的评分,具体过程如下所示:
步骤3.1:输入预处理后的事件特征向量vC和人员能力特征vP,作为异构图神经网络模型的事件类型节点初始嵌入表示
Figure RE-GDA0003265219090000031
和人员节点初始嵌入表示
Figure RE-GDA0003265219090000032
其中
Figure RE-GDA0003265219090000033
表示实数范围,d表示嵌入表示的大小,构建参数矩阵作为嵌入表示查找表:
Figure RE-GDA0003265219090000034
步骤3.2:输入人员与事件类型的交互信息,根据节点的高阶连通性,在第k个嵌入传播层更新节点的嵌入表示:
Figure RE-GDA0003265219090000035
Figure RE-GDA0003265219090000036
其中
Figure RE-GDA0003265219090000037
Figure RE-GDA0003265219090000038
分表是事件类型数和人员数。
步骤3.3:通过l层的传播层更新节点的嵌入表示,最后聚合来自不同传播层的节点的嵌入表示:
Figure RE-GDA0003265219090000039
其中αk≥0表示第k层的嵌入表示在最后嵌入表示的比重参数,αk=1/(K+1)。其中k表示当前第k层,K表示为总层数。
步骤3.4:将节点的嵌入表示内积作为预测函数,最后得到人员办理每类事件的评分:
Figure RE-GDA00032652190900000310
其中
Figure RE-GDA00032652190900000311
表示人员办理每类事件的评分;
步骤4:对图神经网络模型进行训练,输出人员办理每类事件的评分列表,将测试数据集输入图神经网络模型中,输出测试事件推荐的
Figure RE-GDA00032652190900000312
个人员;
采用上述技术方法所产生的有益效果在于:
本发明提供一种基于异构图神经的人员推荐方法,通过结合事件的事件特征和人员的能力特征,构建了事件与人员的异构图,通过异构图神经网络的训练,最后可以实现为新到事件推荐若干待推荐人员。利用该分配事件策略对大量的新到事件进行分配事件,可有效的加快事件办理效率,避免事件的积压。同时本系统提供挖掘人员的潜在办理能力,针对人员从未办理,或少办理的事件类型,可以在一定条件下进行优先分配,进而有效调动人员的学习积极性,提高人员的多维处理能力。
附图说明
图1为本发明中推荐方法流程图;
图2为本发明中异构图以及二部图结构示意图;
其中图(a)-事件类型-人员异构图,图(b)-事件类型-人员的二部图;
图3为本发明中异构图神经网络结构示意图;
图4为本发明中推荐结果示意图;
其中图(a)-人员办理各类事件评分列表;图(b)-推荐的Top-K个人员示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
一种基于异构图神经的人员推荐方法,如图1所示,包括以下步骤:
步骤1:对人员及其办理事件建立训练数据集,对训练数据集中事件的特征和人员的能力特征向量进行预处理,通过特征降维的方式将事件和人员用同一维度的向量表示;
所述预处理为,采用主成分分析算法(PCA)对事件特征和人员的能力画像特征进行降维,PCA是最常用的特征降维方法,由于事件特征和人员能力特征存在许多噪音和不重要的特征,它的目标是通过某种线性投影,将高维度的数据映射到低维度的空间中表示,并期望在所投影的维度上数据的方差最大,以此使用较少的数据维度,同时又能保留住较多的原数据点的特性。具体包括以下步骤:
步骤1.1:设置输入的训练数据集X={x1,x2,x3,…,xn},将事件特征维度降到k维;其中xi(i=1,…,n)表示事件特征,n表示事件特征数量,对事件特征xi进行去平均值,即去中心化,将每一位事件特征xi减去各自的平均值:
Figure RE-GDA0003265219090000041
步骤1.2:将数据集X转化为矩阵形式,计算协方差矩阵
Figure RE-GDA0003265219090000042
步骤1.3:用特征值分解方法求协方差矩阵
Figure RE-GDA0003265219090000043
的特征值与特征向量:
Dα=λα
其中λ为矩阵D的特征值,α为矩阵D的特征向量;
步骤1.4:对特征值λ从大到小排序,选择前l个特征值,将其对应的l个特征向量分别作为行向量组成特征向量矩阵P;
步骤1.5:将数据集X转换到k个特征向量构建的新空间中,建立降维后的数据集Y:
Y=PX
步骤2:按照事件与人员的办理关系构建事件类型与人员的异构图,根据人员办理该类型事件的次数计算边的权重信息,根据边和节点的权重生成邻接矩阵;
异构图是一种特殊的图结构,它包含多种类型的对象或多种类型的连接。本发明根据历史人员办理事件信息构建事件类型-人员异构图。
设G={(C,P,w(C,P)|C,P∈V,w∈E)}为异构图,其中V和E分别表示节点和边,C表示事件的事件类型,P表示人员,w(·)表示连接两个节点的边的权重;如图2(a)所示。
输入人员列表Pj∈P,根据人员列表依次选定人员目标节点,并根据异构图中目标节点的连接关系将异构图转换为二部图,进而更好得展现事件与人员之间的高阶连通性,实现事件的推荐。图2(b)是以P1人员为目标节点的二部图。
根据连接人员与事件类型两种节点连接的权重信息wij=w(Ci,Pj),其中Ci表示第i个事件类型,Pj表示第j个人员,生成连接邻接矩阵
Figure RE-GDA0003265219090000051
其中M,N分别表示人员和事件类型的数量;
步骤3:构建图神经网络模型,将事件-人员异构图带入图神经网络模型中,并对模型进行训练;
所述图神经网络模型实现事件的推荐,包括嵌入层、嵌入传播层以及预测层,所述嵌入层输入预处理后的事件特征和人员能力特征,作为图神经网络模型的初始化嵌入表示;所述嵌入传播层,通过输入事件类型与人员的交互信息,根据节点的高阶连通性,在若干个嵌入传播层更新节点的嵌入表示;所述预测层,聚合来自不同嵌入传播层的节点的嵌入表示,并输出人员对于每类事件的评分。异构图神经网络模型如图3所示。具体过程如下所示:
步骤3.1:输入预处理后的事件特征向量vC和人员能力特征vP,作为异构图神经网络模型的事件类型节点初始嵌入表示
Figure RE-GDA0003265219090000052
和人员节点初始嵌入表示
Figure RE-GDA0003265219090000053
其中
Figure RE-GDA0003265219090000054
表示实数范围,d表示嵌入表示的大小,构建参数矩阵作为嵌入表示查找表:
Figure RE-GDA0003265219090000061
步骤3.2:输入人员与事件类型的交互信息,根据节点的高阶连通性,在第k个嵌入传播层更新节点的嵌入表示:
Figure RE-GDA0003265219090000062
Figure RE-GDA0003265219090000063
其中
Figure RE-GDA0003265219090000064
Figure RE-GDA0003265219090000065
分表是事件类型数和人员数。
步骤3.3:通过l层的传播层更新节点的嵌入表示,最后聚合来自不同传播层的节点的嵌入表示:
Figure RE-GDA0003265219090000066
其中αk≥0表示第k层的嵌入表示在最后嵌入表示的比重参数,αk=1/(K+1)。其中k表示当前第k层,K表示为总层数。
步骤3.4:将节点的嵌入表示内积作为预测函数,最后得到人员办理每类事件的评分:
Figure RE-GDA0003265219090000067
其中
Figure RE-GDA0003265219090000068
表示人员办理每类事件的评分;
步骤4:对图神经网络模型进行训练,输出人员办理每类事件的评分列表,将测试数据集输入图神经网络模型中,输出测试事件推荐的
Figure RE-GDA0003265219090000069
个人员;
经过异构图神经网络推荐模型,输出每个人员办理每类事件的评分列表,如图4所示。针对事件类型Ci,根据评分选出
Figure RE-GDA00032652190900000610
个人员。本实施例设置
Figure RE-GDA00032652190900000611
即针对每类事件,选出10 个推荐的人员。
本实施例提出的事件智能分配方法通过某地级地区,以及下属的2个区地区的总共1364 条事件数据进行测试,计算分配事件准确率:
表1.事件分配结果
地区 事件类型总数 分配准确个数 事件总数 分配事件准确率
**市地区 56 265 305 86.88%
**市xx区地区 50 518 588 88.1%
**市xx区地区 46 414 471 88.21%

Claims (5)

1.一种基于异构图神经的人员推荐方法,其特征在于,包括以下步骤:
步骤1:对人员及其办理事件建立训练数据集,对训练数据集中事件的特征和人员的能力特征向量进行预处理,通过特征降维的方式将事件和人员用同一维度的向量表示;
步骤2:按照事件与人员的办理关系构建事件类型与人员的异构图,根据人员办理该类型事件的次数计算边的权重信息,根据边和节点的权重生成邻接矩阵;
步骤3:构建图神经网络模型,将事件-人员异构图带入图神经网络模型中,并对模型进行训练;
步骤4:对图神经网络模型进行训练,输出人员办理每类事件的评分列表,将测试数据集输入图神经网络模型中,输出测试事件推荐的
Figure RE-FDA0003265219080000014
个人员。
2.根据权利要求1所述的一种基于异构图神经的人员推荐方法,其特征在于,步骤1中所述预处理为,采用主成分分析算法(PCA)对事件特征和人员的能力画像特征进行降维,具体包括以下步骤:
步骤1.1:设置输入的训练数据集X={x1,x2,x3,…,xn},将事件特征维度降到k维;其中xi(i=1,…,n)表示事件特征,n表示事件特征数量,对事件特征xi进行去平均值,即去中心化,将每一位事件特征xi减去各自的平均值:
Figure RE-FDA0003265219080000011
步骤1.2:将数据集X转化为矩阵形式,计算协方差矩阵
Figure RE-FDA0003265219080000012
步骤1.3:用特征值分解方法求协方差矩阵
Figure RE-FDA0003265219080000013
的特征值与特征向量:
Dα=λα
其中λ为矩阵D的特征值,α为矩阵D的特征向量;
步骤1.4:对特征值λ从大到小排序,选择前l个特征值,将其对应的l个特征向量分别作为行向量组成特征向量矩阵P;
步骤1.5:将数据集X转换到k个特征向量构建的新空间中,建立降维后的数据集Y:
Y=PX。
3.根据权利要求1所述的一种基于异构图神经的人员推荐方法,其特征在于,步骤2中所述异构图为,设G={(C,P,w(C,P)|C,P∈V,w∈E)}为异构图,其中V和E分别表示节点和边,C表示事件的事件类型,P表示人员,w(·)表示连接两个节点的边的权重;
输入人员列表Pj∈P,根据人员列表依次选定人员目标节点,并根据异构图中目标节点的连接关系将异构图转换为二部图;
根据连接人员与事件类型两种节点连接的权重信息wij=w(Ci,Pj),其中Ci表示第i个事件类型,Pj表示第j个人员,生成连接邻接矩阵
Figure RE-FDA0003265219080000021
其中M,N分别表示人员和事件类型的数量。
4.根据权利要求1所述的一种基于异构图神经的人员推荐方法,其特征在于,步骤3中所述图神经网络模型,包括嵌入层、嵌入传播层以及预测层,所述嵌入层输入预处理后的事件特征和人员能力特征,作为图神经网络模型的初始化嵌入表示;所述嵌入传播层,通过输入事件类型与人员的交互信息,根据节点的高阶连通性,在若干个嵌入传播层更新节点的嵌入表示;所述预测层,聚合来自不同嵌入传播层的节点的嵌入表示,并输出人员对于每类事件的评分。
5.根据权利要求1所述的一种基于异构图神经的人员推荐方法,其特征在于,所述步骤3具体包括:
步骤3.1:输入预处理后的事件特征向量vc和人员能力特征vP,作为异构图神经网络模型的事件类型节点初始嵌入表示
Figure RE-FDA0003265219080000022
和人员节点初始嵌入表示
Figure RE-FDA0003265219080000023
其中
Figure RE-FDA0003265219080000024
表示实数范围,d表示嵌入表示的大小,构建参数矩阵作为嵌入表示查找表:
Figure RE-FDA0003265219080000025
步骤3.2:输入人员与事件类型的交互信息,根据节点的高阶连通性,在第k个嵌入传播层更新节点的嵌入表示:
Figure RE-FDA0003265219080000026
Figure RE-FDA0003265219080000027
其中
Figure RE-FDA0003265219080000028
Figure RE-FDA0003265219080000029
分表是事件类型数和人员数;
步骤3.3:通过l层的传播层更新节点的嵌入表示,最后聚合来自不同传播层的节点的嵌入表示:
Figure RE-FDA00032652190800000210
其中αk≥0表示第k层的嵌入表示在最后嵌入表示的比重参数,αk=1/(K+1);其中k表示当前第k层,K表示为总层数;
步骤3.4:将节点的嵌入表示内积作为预测函数,最后得到人员办理每类事件的评分:
Figure RE-FDA0003265219080000031
其中
Figure RE-FDA0003265219080000032
表示人员办理每类事件的评分。
CN202110559595.4A 2021-05-21 2021-05-21 一种基于异构图神经的人员推荐方法 Active CN113887852B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110559595.4A CN113887852B (zh) 2021-05-21 2021-05-21 一种基于异构图神经的人员推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110559595.4A CN113887852B (zh) 2021-05-21 2021-05-21 一种基于异构图神经的人员推荐方法

Publications (2)

Publication Number Publication Date
CN113887852A true CN113887852A (zh) 2022-01-04
CN113887852B CN113887852B (zh) 2024-04-16

Family

ID=79010073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110559595.4A Active CN113887852B (zh) 2021-05-21 2021-05-21 一种基于异构图神经的人员推荐方法

Country Status (1)

Country Link
CN (1) CN113887852B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109582864A (zh) * 2018-11-19 2019-04-05 华南师范大学 基于大数据科学和动态权重调整的课程推荐方法及系统
US10650432B1 (en) * 2016-11-28 2020-05-12 Amazon Technologies, Inc. Recommendation system using improved neural network
CN112100486A (zh) * 2020-08-21 2020-12-18 西安电子科技大学 一种基于图模型的深度学习推荐系统及其方法
CN112529750A (zh) * 2020-12-23 2021-03-19 上海松鼠课堂人工智能科技有限公司 基于图神经网络模型的学习事件推荐方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10650432B1 (en) * 2016-11-28 2020-05-12 Amazon Technologies, Inc. Recommendation system using improved neural network
CN109582864A (zh) * 2018-11-19 2019-04-05 华南师范大学 基于大数据科学和动态权重调整的课程推荐方法及系统
CN112100486A (zh) * 2020-08-21 2020-12-18 西安电子科技大学 一种基于图模型的深度学习推荐系统及其方法
CN112529750A (zh) * 2020-12-23 2021-03-19 上海松鼠课堂人工智能科技有限公司 基于图神经网络模型的学习事件推荐方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
尚燕敏;曹亚男;刘燕兵: "基于异构社交网络信息和内容信息的事件推荐", 软件学报, no. 004, 31 December 2020 (2020-12-31) *

Also Published As

Publication number Publication date
CN113887852B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
Khalil et al. Energy efficiency prediction using artificial neural network
CN107230113A (zh) 一种多模型融合的房产评估方法
CN113657349A (zh) 一种基于多尺度时空图卷积神经网络的人体行为识别方法
CN107122809A (zh) 基于图像自编码的神经网络特征学习方法
CN107292341A (zh) 基于成对协同正则化和nmf的自适应多视图聚类方法
CN112270374B (zh) 基于som聚类模型的数学表达式的聚类方法
CN109063725B (zh) 面向多视图聚类的多图正则化深度矩阵分解方法
CN111798526B (zh) 基于聚类空间映射的彩色图像主色快速提取方法及系统
CN109299306A (zh) 图像检索方法及装置
CN106485069A (zh) 康复信息推送的方法及系统
Adeyemo et al. Effects of normalization techniques on logistic regression in data science
Rodrigues et al. Application of DEA and group analysis using K-means; compliance in the context of the performance evaluation of school networks
CN113887852A (zh) 一种基于异构图神经的人员推荐方法
Abas et al. Analysis of Covid-19 Growth Trends Through Data Mining Approach As Decision Support
WO2021059527A1 (ja) 学習装置、学習方法、及び、記録媒体
CN111553475A (zh) 一种基于随机嵌入技术的高维多模式演化优化方法
CN115588487A (zh) 一种基于联邦学习和生成对抗网络的医学图像数据集制作方法
CN114898417B (zh) 一种基于协调注意力深度神经网络的菊头蝠识别方法
Lee Designing an optimal neural network architecture: an application to property valuation
Shedthi B et al. Detection and classification of diseased plant leaf images using hybrid algorithm
Yan et al. Evolutionary multiobjective neural architecture search for organ medical image classification
Ma et al. Image segmentation based on differential immune clone clustering algorithm
Feoli et al. Validation of phytosociological classifications based on a fuzzy set approach
CN116962196B (zh) 一种基于关系推理的机动通信网网络智能规划方法及系统
Okoye-Ubaka et al. Neural network model for performance evaluation of Academic staff of tertiary institutions

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
GR01 Patent grant
GR01 Patent grant