随着大数据时代的到来,网络招聘已成为招聘的首选方式,但海量的职位信息带来了信息过载,众多求职者想找到心仪职位必须要依靠求职推荐系统。目前多数求职推荐系统一般依托检索、协同过滤相关技术或定时推送等方式为求职者推荐职位,不仅无法及时响应求职者的最新求职动向,且在个性化和精准推荐方面表现欠佳。这使得一些没有精确求职目标的求职人群很难通过现有的求职推荐系统获取心仪的职位招聘信息。本文回顾了推荐算法的研究进展,对传统的宽深度模型进行改进,提出一种基于自适应特征嵌入的传播-求和型宽深度模型,该模型排序性能更佳,可以提供更为精准的推荐;另外,本文设计并实现了一个基于深度学习的在线求职推荐系统,并对召回阶段、排序阶段的推荐算法进行设计和优化。主要贡献如下:(1)本文提出了一种结合基于域属性的自适应特征嵌入方法和传播-求和型神经网络结构的宽深度模型,首先,在特征嵌入部分实现了按域加权的自适应嵌入特征,以域内属性个数为依据计算嵌入维度,引入权重归一化层来表征特征间对结果的影响程度;其次,使用一种传播-求和型神经网络结构代替传统宽深度模型中的深度神经网络部分进行高阶特征交叉,不但可以体现出原始交叉特征值,且通过“求和-传播”的循环迭代运算可以泛化出高阶特征交叉组合。在模型训练时,宽度部分使用FTRL来训练;深度部分使用AdaGrad来训练。在相同的离线数据集上分别使用逻辑回归模型、轻量化梯度促进机模型、传统的宽深度模型和本文模型进行训练,本文提出的模型与传统的宽深度模型相比,排序性能提升了5.465%,优化了本文系统的个性推荐和精准推荐的性能。(2)使用分层设计的思想将在线求职推荐系统解耦为基础数据层、数据处理层、召回层和排序层。其中,在基础数据层中,通过Spark Streaming技术分析用户实时行为日志并持久化;在数据处理层,构建了求职者画像、职位画像和特征服务中心三大模块;在召回层,采用基于内容和基于模型的推荐算法并行召回、基于热点的推荐算法作为补召的召回策略;在排序层,使用深度学习模型按照投递概率对候选职位进行排序,最后生成有序的推荐列表。采用投递而非浏览行为作反馈行为,在提升实时性的同时不会加剧信息过载问题。本文通过使用适合大数据并发场景的推荐算法和将耗时计算放在离线部分计算的计算方式来增强推荐的实时性。对召回、排序模型进行系统部署后,经过测试,本文的在线求职推荐系统在实时行为日志落盘后到产生推荐列表一共耗时729ms。