[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

说明书

本发明公开了一种基于集成学习模型的就业推荐方法、系统、设备及介质，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，该方法、系统、设备及介质能够提高模型的泛化能力及可扩展性，继而提高就业推荐的准确性。

技术领域

本发明属于毕业生就业信息推荐技术领域，涉及一种基于集成学习模型的就业推荐方法、系统、设备及介质。

背景技术

在信息爆炸的时代背景下，高校毕业生往往需要花费大量的时间筛选适合的就业信息，常常会因“信息过载”而陷入迷茫。而传统的毕业生就业指导服务过程中，学校配备的学业指导老师资源往往非常有限，且一般只能在特定的时间与地点提供指导服务，存在服务不及时、忽略学生的个性化需求等问题。在信息化时代背景下，结合推荐技术为广大毕业生提供就业推荐，助力就业指导工作智能化，帮助用户高效获取感兴趣的信息，为毕业生提供更为及时与个性化的服务具有重要意义。

就业信息中用户和单位之间的交互记录通常较为稀疏，传统的基于交互记录构建的协同过滤算法在解决就业推荐上并不具备优势。同时数据的稀缺也造成电商推荐领域广泛采用的深度学习模型无法得到充分训练进行有效迁移。所以当前毕业生就业推荐大多采用基于内容和基于协同过滤的混合方法。金连旭等人提出Sensitive Personal Rank算法，利用历史毕业生数据构建用户-项目二分图，使用随机游走策略先计算得到就业单位对应届毕业生的兴趣敏感度，然后将计算得到的兴趣敏感度加入到毕业生相似度的计算中，最后将与当前用户相似的往届毕业生的就业单位推荐给当前用户。Liu等人引入了学生画像的概念，依据当前用户的在校数据生成学生画像，计算学生画像间的相似度，进而基于已经毕业并工作的学生进行毕业单位的推荐。王龙等人通过对比学生的边缘特征来判断相似的学生，将这些相似学生的评分数据通过加权求和的方式填充缺失的交互数据。Zhou等人使用聚类算法将学生划分为不同的群组，利用群组的历史就业记录生成交互矩阵，联合特征偏好和对地理位置的偏好计算最终的推荐得分。其实验表明该方法在命中率(Hit ratio)和平均倒排位置(Mean reciprocal rank)都有比传统协同过滤更好的表现，这表明其方法在一定程度上克服了交互记录稀疏带来的困难。

已有研究中关于毕业生就业推荐的解决方案的共有优点是算法大多简单，易于工程化，且符合一般就业指导工作积累的经验。但不足之处在于，现有工作大多基于单一角度构建模型，很难适应具体应用场景中数据存在的多种分布特性，模型的泛化能力和可扩展性较差，就业推荐的准确性较差。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于集成学习模型的就业推荐方法、系统、设备及介质，该方法、系统、设备及介质能够提高模型的泛化能力及可扩展性，继而提高就业推荐的准确性。

为达到上述目的，本发明公开了一种基于集成学习模型的就业推荐方法包括：

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。

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)；