论文部分内容阅读
随着互联网时代的到来,应聘者通过互联网来获取招聘信息的频率和比例越来越高,人才信息和岗位信息等人力资源信息量也得到空前的增长,这使得人力资源服务面临着信息过载的问题。而推荐系统能从过载的信息中主动为用户定位和推送其感兴趣的内容,使其成为互联网时代解决信息过载问题的主要工具。同时,近年来深度学习在计算机视觉、自然语言处理和语义识别等一系列领域获得了巨大的成功,但目前深度学习应用于推荐系统领域的相关工作还为数不多。国内外研究人员在人力资源推荐系统的开发中,主要仍使用传统的协同过滤或基于内容过滤的推荐算法,少有对较新颖的推荐算法进行应用研究和尝试。因此,本文希望通过研究和改进基于深度学习的推荐算法,并将其应用于人力资源推荐领域,以改善现有推荐系统使用算法较为传统和单一的现状,同时提高人力资源推荐系统的性能。本文的主要工作体现在以下几个方面:(1)从人力资源业务系统中采集应聘者和工作岗位的信息,并对采集得到的数据进行清洗、转换和规约等预处理操作,同时针对文本字段进行中文分词和向量化操作,从而得到适用于推荐算法处理的人力资源数据仓库。(2)借鉴协同深度学习算法(CDL),提出了混合深度协同过滤算法(HDCF)。该算法利用项目的文本属性和结构化属性构造融合特征作为输入,提高了算法的推荐召回率;并在此基础上,混合基于内容过滤的算法,改善推荐过程中存在的冷启动问题。(3)基于推荐系统的主要工作流程,设计出人力资源推荐系统的整体架构,并实现了一个基于深度学习的人力资源推荐原型系统,该系统能较好地克服冷启动问题,并提供实时性较高的推荐结果。本文提出的HDCF算法借助深度学习特征提取的能力,克服了传统协同过滤算法数据稀疏、冷启动等主要问题,实验结果表明HDCF算法比概率矩阵分解和基于内容过滤等传统推荐算法具有更好的推荐性能。