导 师: 张星明
授予学位: 硕士
作 者: ();
机构地区: 华南理工大学
摘 要: 随着互联网的普及,不管是个人还是企业都越来越倾向于通过网络进行求职与招聘,相应的岗位数量和用户规模也在快速增长。庞大的用户信息和岗位信息,让人力资源信息管理变得日趋复杂。面对海量的招聘信息,求职者由于精力有限无法浏览所有信息,导致不能及时找到其感兴趣的岗位。而传统解决方法如信息分类和搜索引擎,在用户没有明确需求的情况下显得无能为力。因此,将推荐技术应用于人力资源领域,挖掘用户潜在兴趣并推荐用户感兴趣的岗位显得尤为必要。本文着眼于实际应用场景,利用用户信息、岗位信息和行为数据,从用户兴趣和岗位匹配这两个角度切入,提出了基于隐语义模型与深度森林的人力资源推荐算法,从而更好地进行人力资源推荐。本文的主要工作包括如下几个方面:(1)数据预处理与数据仓库:根据原始数据存在的问题对采集到的数据进行数据清洗、转换、规约等预处理操作;结合人力资源数据特点进行数据仓库设计,构建了适用于推荐算法处理的人力资源数据仓库,并在此基础上进行OLAP分析。(2)基于隐语义模型与深度森林的推荐算法:首先利用行为数据构建了带偏置的隐语义模型进行评分预测,并从中提取隐含特征;然后将隐含特征与用户和岗位的显式特征融合输入到深度森林中进行逐层学习,同时引入LR线性分类器优化级联森林结构以增强模型的分类能力;最后综合用户兴趣度和岗位匹配度,将预测评分和分类结果进行加权混合来实现最终的岗位推荐。(3)人力资源推荐系统:围绕人力资源推荐的目标设计了系统的整体架构,实现了一个基于隐语义模型与深度森林的人力资源推荐系统,为用户提供个性化的人力资源推荐服务。最后,本文从多个方面来进行实验,验证算法的有效性。在人力资源数据仓库的基础上,与传统的协同过滤
领 域: []