论文部分内容阅读
随着信息技术的飞速发展，网络上的信息量激增。在求职领域中，传统的线下招聘也逐步被网络招聘所取代，出现了诸如58同城、智联招聘的大量求职网站系统，用户可以在网站上投递简历、进行面试，但是大量的职位信息可能让用户难以抉择。为了从海量的求职信息中发现用户的兴趣，满足用户个性化的信息需求，对求职推荐的准确性要求更加严格。
传统求职推荐系统多采用协同过滤算法，协同过滤算法存在冷启动和数据稀疏问题，解决这些问题的一个常见思路是在推荐算法中额外引入一些辅助信息作为输入。知识图谱包含了丰富的语义信息，可以为推荐系统提供潜在的辅助信息，近几年引起了越来越多的研究人员的关注。针对当前职位推荐系统的不足，本课题旨在结合知识图谱相关技术，构建职位知识图谱，并使用职位图谱中的语义信息提高职位推荐系统的性能，为在线求职者提供个性化、精准化的推荐。本文的主要研究内容如下：
1)分析求职领域信息，构建了求职领域知识图谱。在对各大网站职位信息进行详细分析后，构建了职位领域本体，然后从各大求职网站上采集职位数据，根据本体指导进行知识抽取。针对求职领域的知识图谱构建中不同数据源数据冗余问题，改进了一种基于属性嵌入的实体对齐算法，该算法将处理后的三元组数据分为结构数据和属性数据，基于TransE算法思想对两个训练模型进行训练，最终得到职位实体的向量表示，计算实体向量相似度得到对齐的实体对。相比于传统的基于字符串相似度实体对齐算法和基于知识表示的实体对齐算法，能够提高实体对齐的效率。最后通过Neo4j图数据库存储职位知识图谱，并进行可视化的展现。
2)分析用户对职位属性的喜好，构建了用户兴趣模型。通过分析用户对职位信息中薪资、工作地点、工作经验、学历、公司、行业六个属性的喜好程度，使用知识表示将职位的属性三元组向量化，计算出各个属性的权重，加权求和得到用户兴趣向量。在构建用户兴趣模型中加入了用户对属性的爱好，希望能够提高推荐的个性化。
3)提出了一种改进的基于协同过滤的推荐算法。通过知识图谱学习得到的语义信息和用户历史评价信息，计算得到职位相似度矩阵；同时使用之前构建的用户兴趣向量，计算用户相似度矩阵，分别通过协同过滤方式计算预测评分，取评分高的前N个项目，得到推荐列表。
通过对比实验验证，结果表明，本文提出的基于知识图谱的个性化职位推荐算法相比传统协同过滤算法，推荐的准确率和召回率都有了一定程度的提升。
传统求职推荐系统多采用协同过滤算法，协同过滤算法存在冷启动和数据稀疏问题，解决这些问题的一个常见思路是在推荐算法中额外引入一些辅助信息作为输入。知识图谱包含了丰富的语义信息，可以为推荐系统提供潜在的辅助信息，近几年引起了越来越多的研究人员的关注。针对当前职位推荐系统的不足，本课题旨在结合知识图谱相关技术，构建职位知识图谱，并使用职位图谱中的语义信息提高职位推荐系统的性能，为在线求职者提供个性化、精准化的推荐。本文的主要研究内容如下：
1)分析求职领域信息，构建了求职领域知识图谱。在对各大网站职位信息进行详细分析后，构建了职位领域本体，然后从各大求职网站上采集职位数据，根据本体指导进行知识抽取。针对求职领域的知识图谱构建中不同数据源数据冗余问题，改进了一种基于属性嵌入的实体对齐算法，该算法将处理后的三元组数据分为结构数据和属性数据，基于TransE算法思想对两个训练模型进行训练，最终得到职位实体的向量表示，计算实体向量相似度得到对齐的实体对。相比于传统的基于字符串相似度实体对齐算法和基于知识表示的实体对齐算法，能够提高实体对齐的效率。最后通过Neo4j图数据库存储职位知识图谱，并进行可视化的展现。
2)分析用户对职位属性的喜好，构建了用户兴趣模型。通过分析用户对职位信息中薪资、工作地点、工作经验、学历、公司、行业六个属性的喜好程度，使用知识表示将职位的属性三元组向量化，计算出各个属性的权重，加权求和得到用户兴趣向量。在构建用户兴趣模型中加入了用户对属性的爱好，希望能够提高推荐的个性化。
3)提出了一种改进的基于协同过滤的推荐算法。通过知识图谱学习得到的语义信息和用户历史评价信息，计算得到职位相似度矩阵；同时使用之前构建的用户兴趣向量，计算用户相似度矩阵，分别通过协同过滤方式计算预测评分，取评分高的前N个项目，得到推荐列表。
通过对比实验验证，结果表明，本文提出的基于知识图谱的个性化职位推荐算法相比传统协同过滤算法，推荐的准确率和召回率都有了一定程度的提升。