论文部分内容阅读
近年来,各大人力资源服务企业积极布局互联网招聘市场,使得行业的同质化竞争加剧。为了提升自身优势,企业需要为用户提供更加精准的推荐服务,这就要求在线招聘平台具有性能更好的人力资源推荐算法。因此,本文从实际的业务场景出发,对人力资源数据进行采集、预处理和存储,构建人力资源数据仓库,同时结合用户信息、行为信息和岗位信息,研究基于混合遗传集成学习的人力资源推荐算法,主要工作内容包括以下三点:(1)数据采集与预处理:本文研究与实现了一种数据预处理方法,该方法将人力资源平台采集到的数据进行清洗、集成、规约和变换等预处理操作,保证数据仓库中数据的准确性、完整性、一致性和可用性。(2)数据存储与数据仓库:本文提出了基于分布式列式存储的人力资源数据并行处理技术,在分布式列式存储上设计并实现了人力资源数据仓库,并在Spark框架上进行了算法并行化实现。(3)人力资源推荐算法的研究与实现:本文结合矩阵分解协同过滤、选择性集成和混合推荐的思想,提出了基于混合遗传集成学习的人力资源推荐算法。在离线训练中,算法通过选择性集成学习获得分类模型。在实时推荐中,算法首先基于人力资源的隐式反馈,进行矩阵分解协同过滤,获得评分信息并过滤评分较高的岗位信息;再将用户特征与过滤得到的岗位特征作为分类模型的输入,获得分类信息;最终融合评分信息与分类信息,得到置信度较高的推荐结果。此外,本文还对选择性集成的遗传算法进行改进,引入了模拟退火操作、自适应交叉和变异操作,实现了混合遗传,增强了算法搜索全局最优解的能力。并且针对“冷启动”问题采用不同的推荐策略,提高了算法处理“冷启动”问题的能力。本文利用实际的人力资源数据,对算法的关键参数和有效性进行了实验验证。实验结果表明:本文算法参数设置合理,并且与当前主流的推荐算法相比,在召回率与F值上表现更优。同时,混合遗传算法比传统的遗传算法具有更强的全局搜索能力,能有效提高算法的整体性能。