[发明专利]基于集成学习模型的就业推荐方法、系统、设备及介质

权利要求书

1.一种基于集成学习模型的就业推荐方法，其特征在于，包括：

获取用户u及各推荐项目c，将用户u的特征及各推荐项目c的特征进行向量化编码；

将用户u的特征向量、用户u已有的交互记录向量和用户u与各推荐项目c的特征向量输入到训练后的集成学习模型中，得到各推荐项目的得分，完成基于集成学习模型的就业推荐，其中，所述集成学习模型由相似性信息组件、全局交互信息组件和特征匹配信息组件构成。

2.根据权利要求1所述的基于集成学习模型的就业推荐方法，其特征在于，所述将用户u的特征向量、用户u已有的交互记录向量和用户u与各推荐项目c的特征向量输入到训练后的集成学习模型中，得到各推荐项目的得分的具体过程为：

将用户u的特征向量输入到训练后的相似性信息组件中，得推荐得分S(u,c)；

将用户u已有的交互记录向量输入到训练后的全局交互信息组件，得推荐得分G(u,c)；

将用户u与各推荐项目c的特征向量输入到训练后的特征匹配信息组件，得推荐得分M(u,c)；

计算推荐项目c对于该用户u的推荐得分为：

其中，α_i(i＝1,2,3)分别表示相似性信息组件、全局交互信息组件和特征匹配信息组件的权重。

3.根据权利要求1所述的基于集成学习模型的就业推荐方法，其特征在于，所述将用户u的特征及各推荐项目c的特征进行向量化编码的具体过程为：

设用户u有m维特征，用户u表示为其中，表示用户u第i维特征的值，设推荐项目c有n维特征，推荐项目c表示为构建推荐项目c的池化用户向量u_c。

4.根据权利要求3所述的基于集成学习模型的就业推荐方法，其特征在于，所述构建推荐项目c的池化用户向量u_c的具体过程为：

对于推荐项目c，将交互记录中包含该推荐项目的用户集合记为U^c，则推荐项目c的池化用户向量u_c为：

5.根据权利要求2所述的基于集成学习模型的就业推荐方法，其特征在于，对于用户u_i，项目c的推荐评分S(u_i,c)为：

其中，为用户u_j的交互记录集合，sim(u_i,u_j)为用户u_i与用户u_j的相似度，sim(u_i,u_c)为用户u_i与用户u_c的相似度，ε₁及ε₂为权重系数。

6.根据权利要求1所述的基于集成学习模型的就业推荐方法，其特征在于，全局交互信息组件训练过程中的优化目标为：

其中，U为所有用户的集合，I_u为用户u的交互记录的向量表示，θ为自编码器的可训练参数，h(I_u；θ)为自编码器的输出结果，λ为正则化参数，V为输入层到隐层间的转换矩阵，W为隐层到输出层间的转换矩阵；

全局交互信息组件训练过程中的损失函数为：

其中，I_v表示用作验证集的所有交互记录向量的集合，表示该交互记录中用户u与项目c交互记录的真实值，为对该交互的预测值。