CN116610857A - 一种基于用户对岗位流行度偏好的个性化岗位推荐方法 - Google Patents

一种基于用户对岗位流行度偏好的个性化岗位推荐方法 Download PDF

Info

Publication number
CN116610857A
CN116610857A CN202310369787.8A CN202310369787A CN116610857A CN 116610857 A CN116610857 A CN 116610857A CN 202310369787 A CN202310369787 A CN 202310369787A CN 116610857 A CN116610857 A CN 116610857A
Authority
CN
China
Prior art keywords
post
user
popularity
month
job seeker
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
CN202310369787.8A
Other languages
English (en)
Other versions
CN116610857B (zh
Inventor
焦永纪
黄薪屹
戴一光
沈正乔
张晓曼
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202310369787.8A priority Critical patent/CN116610857B/zh
Publication of CN116610857A publication Critical patent/CN116610857A/zh
Application granted granted Critical
Publication of CN116610857B publication Critical patent/CN116610857B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources
    • G06Q10/1053—Employment or hiring
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于用户对岗位流行度偏好的个性化岗位推荐方法，该方法基于用户流行度偏好的岗位推荐方法，将利用用户对不同流行度岗位的偏好程度不同，为其筛选出不感兴趣的岗位作为负面样本集合并应用于生成对抗网络的负采样训练中，引入了用户的个性化偏好，通过计算用户交互岗位记录的平均流行度作为用户对流行度的偏好值，以及岗位被交互的平均流行度，为偏好高流行度岗位的用户找出未交互岗位中可能不感兴趣的岗位集合作为负面样本集合，同时找出偏好低流行度岗位的用户找出负面样本集合，然后将这些负面样本集合应用于生成对抗网络的推荐模型训练过程中，从而到达提高推荐精确度的效果。

Description

一种基于用户对岗位流行度偏好的个性化岗位推荐方法
技术领域
本发明涉及基于大数据和协同过滤推荐系统技术领域，特别涉及一种基于用户对岗位流行度偏好的个性化岗位推荐方法。
背景技术
随着互联网与产业经济的深度融合,以及5G技术和创新的推动，各种网络招聘信息平台步入人们的生活。企业通过信息平台发布，不仅节约了大量的人力成本，求职者也可以通过平台对企业背景、职位和待遇等信息进行初步了解。甚至一些平台还提供了简历编辑、投递、查阅等功能，极大的方便了企业和求职者。然而，面对海量工作岗位，求职者需要进行耗时费力的筛选。于是一些平台通过为岗位设置属性的方式将工作岗位进行分类，便于求职者的筛选。虽然一定程度上能缩小职位的范围，但是也降低了用户的体验效果。如何精准为求职者推荐目标职位就成了了亟待解决的问题。
发明内容
本发明目的在于针对现有招聘平台通过分类的方式筛选岗位导致用户体验低下的问题，提供了一种基于用户对岗位流行度偏好的个性化岗位推荐方法，该方法通过全面考察求职者对流行岗位的偏好和岗位流行度之间的联系，实现更加精准的岗位推荐服务。
本发明为实现上述发明目的采用如下技术方案：一种基于用户对岗位流行度偏好的个性化岗位推荐方法，该方法包括如下步骤：
步骤1：遍历计算出求职者u与岗位i的每条交互记录的当前流行度，以交互记录时间点为t，时间隔长度k，计算时间段[t-k,t]内岗位i被交互的次数vi，以及在该时间段内所有岗位的交互次数v[t-k,t]，岗位i的当前流行度
步骤2：将wui用以下公式进行归一化处理：其中wui_min是所有交互记录流行度中的最小值，wui_max是所有交互记录流行度中的最小值。
步骤3：遍历计算每个求职者的所有交互岗位平均流行度作为求职者的流行度偏好值pu。
步骤4：遍历计算每个岗位的被交互记录平均流行度作为岗位的全局流行度pi。
步骤5：计算出全部求职者流行度偏好值的平均值pu_mean和方差pu_std。
步骤6：计算出全部岗位全局流行度的平均值pi_mean和方差pi_std。
步骤7：为特定求职者筛选不喜欢的岗位作为负面样本集合。如果求职者的流行度偏好值pu大于参数pu_max＝pu_mean+pu_std，即可认为该求职者喜欢流行度高的岗位，即可筛选出pi低于参数Pi_min＝Pi_mean-Pi_std的岗位作为该求职者的强负面样本集合。同理，如果求职者的平均流行度pu小于参数Pu_max＝Pu_mean+Pu_std，即可认为该求职者喜欢流行度低的岗位，即可筛选出pi大于参数Pi_min＝Pi_mean+Pi_std的岗位作为该求职者的负采样候选集作为强负样本集合。另外随机选择部分每个求职者未交互且不在强负面样本集合的岗位，并假定为弱负面样本集合。对于求职者平均流行度pu介于Pu_max和Pu_min之间的求职者，可以认为该求职者对流行度岗位感知并不明显，于是本发明为这部分求职者采用随机负采样的方式获取负面样本。
步骤8：在每一个训练迭代(t)，将上述负采样候选集应用于生成对抗网络(Generative Adversarial Networks,GAN)训练过程中，用于零构造和部分掩蔽，然后训练生成器G使这些负面样本接近于零。
步骤9：训练完成后，即可以用生成器G为每个求职者对每个岗位生成一个偏好值，将每个岗位的偏好值从高到低排序，取出前N个项目推荐给用户。
有益效果：
1、本发明基于用户流行度偏好的岗位推荐方法，将利用用户对不同流行度岗位的偏好程度不同，为其筛选出不感兴趣的岗位作为负面样本集合并应用于生成对抗网络的负采样训练中，引入了用户的个性化偏好，有助于提高推荐的准确性和用户的体验感。
2、本发明通过计算用户交互岗位记录的平均流行度作为用户对流行度的偏好值，以及岗位被交互的平均流行度，为偏好高流行度岗位的用户找出未交互岗位中可能不感兴趣的岗位集合作为负面样本集合，同时找出偏好低流行度岗位的用户找出负面样本集合，然后将这些负面样本集合应用于生成对抗网络的推荐模型训练过程中，从而到达提高推荐精确度的效果。
附图说明
图1为本发明的方法流程图。
图2为本发明负面样本筛选流程图。
具体实施方式
下面结合说明书附图对本发明创造作进一步地详细说明。
如图1和图2所示，本发明提供了一种基于用户对岗位流行度偏好的个性化岗位推荐方法，该方法包括步骤如下：
步骤1：获取推荐平台用户与岗位的交互记录表，时间间隔k设置为2，计算出求职者u与岗位i的每条交互记录的当前流行度wui，如表1所示。
表1
用户id 岗位id 交互时间 交互时流行度
用户1 岗位1 1月1日 0.666＝2/3
用户1 岗位3 1月2日 0.4＝2/5
用户1 岗位5 1月3日 0.5＝2/4
用户2 岗位1 1月1日 0.666＝2/3
用户2 岗位4 1月3日 0.25＝1/4
用户2 岗位6 1月4日 0.333＝1/3
用户3 岗位2 1月1日 0.333＝1/3
用户3 岗位5 1月2日 0.2＝1/5
用户3 岗位4 1月5日 0.5＝1/2
步骤2:将wui用以下公式进行归一化处理：结果如表2所示。
表2
用户id 岗位id 交互时间 归一化流行度
用户1 岗位1 1月1日 1.000
用户1 岗位3 1月2日 0.429
用户1 岗位5 1月3日 0.644
用户2 岗位1 1月1日 1.000
用户2 岗位4 1月3日 0.107
用户2 岗位6 1月4日 0.285
用户3 岗位2 1月1日 0.285
用户3 岗位5 1月2日 0.000
用户3 岗位4 1月5日 0.644
步骤3:计算每个求职者的所有交互岗位平均流行度作为求职者的流行度偏好值pu，如表3所示。
表3
用户id 平均流行度
用户1 0.691
用户2 0.464
用户3 0.310
步骤4：计算每个岗位的被交互记录平均流行度作为岗位的全局流行度pi，如表4所示。
表4
岗位id 平均流行度
岗位1 1.000
岗位2 0.285
岗位3 0.429
岗位4 0.3755
岗位5 0.000
岗位6 0.285
步骤5：计算出全部求职者流行度偏好值的平均值pu_mean和方差pu_std，包括：
pu_mean＝0.488
Pu_std＝0.191
步骤6:计算出全部岗位全局流行度的平均值pi_mean和方差pi_std，包括：
pi_mean＝0.395
pi_std＝0.330
步骤7:计算求职者的负面样本集合，如表5所示。
表5
用户id 负面样本集合
用户1 岗位5
用户2 无
用户3 无
步骤8：将上述负采样候选集应用于生成对抗网络训练过程中，用于零构造和部分掩蔽，然后训练生成器G使这些负面样本接近于零。
步骤9：训练完成后，将每个求职者对每个岗位的偏好值从高到低排序，取出前N个项目推荐给用户。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种基于用户对岗位流行度偏好的个性化岗位推荐方法，其特征在于，所述方法包括如下步骤：
步骤1：遍历计算出求职者u与岗位i的每条交互记录的当前流行度，以交互记录时间点为t，时间隔长度k，计算时间段[t-k，t]内岗位i被交互的次数vi，以及在该时间段内所有岗位的交互次数v[t-k，t]，岗位i的当前流行度
步骤2：将wui用以下公式进行归一化处理：其中wui_min是所有交互记录流行度中的最小值，wui_max是所确交互记录流行度中的最小值；
步骤3：遍历计算每个求职者的所有交互岗位平均流行度作为求职者的流行度偏好值pu；
步骤4：遍历计算每个岗位的被交互记录平均流行度作为岗位的全局流行度pi；
步骤5：计算出全部求职者流行度偏好值的平均值pu_mean和方差pu_std；
步骤6：计算出全部岗位全局流行度的平均值pi_mean和方差pi_std；
步骤7：为特定求职者筛选不喜欢的岗位作为负面样本集合，如果求职者的流行度偏好值pu大于参数Pu_max＝pu_mean+pu_std，即可认为该求职者喜欢流行度高的岗位，即可筛选出pi低于参数Pi_min＝Pi_mean-Pi_std的岗位作为该求职者的强负面样本集合，如果求职者的平均流行度pu小于参数Pu_max＝Pu_mean-Px_std，即可认为该求职者喜欢流行度低的岗位，即可筛选出pi大于参数Pi_min＝Pi_mean+Pi_std的岗位作为该求职者的负采样候选集作为强负样本集合，随机选择部分每个求职者未交互且不在强负面样本集合的岗位，并假定为弱负面样本集合，对于求职者平均流行度pu介于Pu_max和Pu_min之间的求职者，认为该求职者对流行度岗位感知并不明显；
步骤8：在每一个训练迭代(t)，将上述负采样候选集应用于生成对抗网络训练过程中，用于零构造和部分掩蔽，然后训练生成器G使这些负面样本接近于零；
步骤9：训练完成后，即用生成器G为每个求职者对每个岗位生成一个偏好值，将每个岗位的偏好值从高到低排序，取出前N个项目推荐给用户。
2.根据权利要求1所述的一种基于用户对岗位流行度偏好的个性化岗位椎荐方法，其特征在于，所述步骤1获取推荐平台用户与岗位的交互记录表，时间间隔k设置为2，计算出求职者u与岗位i的每条交互记录的当前流行度wui，如表1所示：
表1
用户id 岗位id 交互时间 交互时流行度 用户1 岗位1 1月1日 0.666＝2/3 用户1 岗位3 1月2日 0.4＝2/5 用户1 岗位5 1月3日 0.5＝2/4 用户2 岗位1 1月1日 0.666＝2/3 用户2 岗位4 1月3日 0.25＝1/4 用户2 岗位6 1月4日 0.333＝1/3 用户3 岗位2 1月1日 0.333＝1/3 用户3 岗位5 1月2日 0.2＝1/5 用户3 岗位4 1月5日 0.5＝1/2
。
3.根据权利要求1所述的一种基于用户对岗位流行度偏好的个性化岗位推荐方法，其特征在于，所述步骤2将wui用以下公式进行归一化处理：结果如表2所示：
表2
用户id 岗位id 交互时间 归一化流行度 用户1 岗位1 1月1日 1.000 用户1 岗位3 1月2日 0.429 用户1 岗位5 1月3日 0.644 用户2 岗位1 1月1日 1.000 用户2 岗位4 1月3日 0.107 用户2 岗位6 1月4日 0.285 用户3 岗位2 1月1日 0.285 用户3 岗位5 1月2日 0.000 用户3 岗位4 1月5日 0.644
。
4.根据权利要求1所述的一种基于用户对岗位流行度偏好的个性化岗位推荐方法，其特征在于，所述步骤3计算每个求职者的所有交互岗位平均流行度作为求职者的流行度偏好值pu，如表3所示：
表3
用户id 平均流行度 用户1 0.691 用户2 0.464 用户3 0.310
。
5.根据权利要求1所述的一种基于用户对岗位流行度偏好的个性化岗位推荐方法，其特征在于，所述步骤4计算每个岗位的被交互记录平均流行度作为岗位的全局流行度pi，如表4所示：
表4
岗位id 平均流行度 岗位1 1.000 岗位2 0.285 岗位3 0.429 岗位4 0.3755 岗位5 0.000 岗位6 0.285
。
6.根据权利要求1所述的一种基于用户对岗位流行度偏好的个性化岗位推荐方法，其特征在于，所述步骤5计算出全部求职者流行度偏好值的平均值pu_mean和方差pu_std，包括：
pu_mean＝0.488
pu_std＝0.191。
7.根据权利要求1所述的一种基于用户对岗位流行度偏好的个性化岗位推荐方法，其特征在于，所述步骤6计算出全部岗位全局流行度的平均值pi_mean和方差pi_std，包括：
pi_mean＝0.395
pi_std＝0.330。
8.根据权利要求1所述的一种基于用户对岗位流行度偏好的个性化岗位推荐方法，其特征在于，所述步骤7计算求职者的负面样本集合，如表5所示：
表5
用户id 负面样本集合 用户1 岗位5 用户2 无 用户3 无
。
CN202310369787.8A 2023-04-10 2023-04-10 一种基于用户对岗位流行度偏好的个性化岗位推荐方法 Active CN116610857B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310369787.8A CN116610857B (zh) 2023-04-10 2023-04-10 一种基于用户对岗位流行度偏好的个性化岗位推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310369787.8A CN116610857B (zh) 2023-04-10 2023-04-10 一种基于用户对岗位流行度偏好的个性化岗位推荐方法

Publications (2)

Publication Number Publication Date
CN116610857A true CN116610857A (zh) 2023-08-18
CN116610857B CN116610857B (zh) 2024-05-03

Family

ID=87677129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310369787.8A Active CN116610857B (zh) 2023-04-10 2023-04-10 一种基于用户对岗位流行度偏好的个性化岗位推荐方法

Country Status (1)

Country Link
CN (1) CN116610857B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110442781A (zh) * 2019-06-28 2019-11-12 武汉大学 一种基于生成对抗网络的对级排序项目推荐方法
CN111191707A (zh) * 2019-12-25 2020-05-22 浙江工商大学 融合时间衰减因子的lfm训练样本构建方法
CN111681067A (zh) * 2020-04-17 2020-09-18 清华大学 基于图注意力网络的长尾商品推荐方法及系统
CN112800111A (zh) * 2021-01-26 2021-05-14 重庆邮电大学 一种基于训练数据挖掘的位置预测方法
CN113420866A (zh) * 2021-06-23 2021-09-21 新疆大学 基于双重生成对抗网络的评分预测方法
CN115147192A (zh) * 2022-07-29 2022-10-04 华东师范大学 基于双视角纠偏的推荐方法及推荐系统
CN115525836A (zh) * 2022-08-12 2022-12-27 西安邮电大学 一种基于自监督的图神经网络推荐方法和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110442781A (zh) * 2019-06-28 2019-11-12 武汉大学 一种基于生成对抗网络的对级排序项目推荐方法
CN111191707A (zh) * 2019-12-25 2020-05-22 浙江工商大学 融合时间衰减因子的lfm训练样本构建方法
CN111681067A (zh) * 2020-04-17 2020-09-18 清华大学 基于图注意力网络的长尾商品推荐方法及系统
CN112800111A (zh) * 2021-01-26 2021-05-14 重庆邮电大学 一种基于训练数据挖掘的位置预测方法
CN113420866A (zh) * 2021-06-23 2021-09-21 新疆大学 基于双重生成对抗网络的评分预测方法
CN115147192A (zh) * 2022-07-29 2022-10-04 华东师范大学 基于双视角纠偏的推荐方法及推荐系统
CN115525836A (zh) * 2022-08-12 2022-12-27 西安邮电大学 一种基于自监督的图神经网络推荐方法和系统

Also Published As

Publication number Publication date
CN116610857B (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
CN107220732B (zh) 一种基于梯度提升树的停电投诉风险预测方法
CN111031346B (zh) 一种增强视频画质的方法和装置
CN108369715B (zh) 基于视频内容特性的交互式评述
CN105142028B (zh) 面向三网融合的电视节目内容搜索与推荐方法
Wang et al. Data-driven image color theme enhancement
US10452920B2 (en) Systems and methods for generating a summary storyboard from a plurality of image frames
US10474903B2 (en) Video segmentation using predictive models trained to provide aesthetic scores
CN103116582B (zh) 一种信息检索方法及相关系统和装置
EP2626831A1 (en) Tag Inheritance
US9286706B1 (en) Editing image regions based on previous user edits
US20160019282A1 (en) Discovery management method and system
US20150379582A1 (en) Recommending Shared Electronic Content via Online Service
CN110288007A (zh) 数据标注的方法、装置及电子设备
CN110119877A (zh) 一种目标员工的选取方法及设备
CN111324335A (zh) 一种小程序的创建方法及装置
US20150006241A1 (en) Analyzing participants of a social network
CN110851485B (zh) 社交关系的挖掘方法及装置、计算机设备与可读介质
US20230069999A1 (en) Method and apparatus for updating recommendation model, computer device and storage medium
Dhahri et al. Mood-aware music recommendation via adaptive song embedding
WO2018161677A1 (zh) 一种推送消息的方法、装置及存储介质
CN109299473B (zh) 一种基于开发者画像的软件工程任务推荐方法
CN116610857B (zh) 一种基于用户对岗位流行度偏好的个性化岗位推荐方法
CN112435045A (zh) 处理用户反馈信息的方法、装置、存储介质及计算机设备
CN109885760B (zh) 基于用户兴趣的信息溯源方法和系统
US20180025088A1 (en) Filtering irrelevant actor updates from content feeds

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