基于web信息的个性化职位推荐系统的算法设计与实现

发布时间：2020-11-20 17:10

　　 随着计算机网络的不断发展,在线求职类系统逐渐成为一种主流的求职方式,与此同时,招聘信息也呈现爆炸式的增长趋势,个性化职位推荐的应用能够帮助求职者更加快速地找到符合自身要求的职位。现有求职系统主要是以企业为核心服务,存在虚假招聘信息。其次,大多数职位推荐系统主要是利用求职者个人简历信息进行职位推荐,一旦发生信息安全问题将会对求职者带来不可估量的损失。此外,过高过低的推荐频率及不合时宜的推荐方式也会给求职者带来了一定程度的反感。本文在研究现有推荐系统相关算法的基础上,结合职位推荐的特性及求职过程的实际需求,利用web用户行为信息设计出一种针对个性化职位推荐的算法(J_Rec)。本文的算法设计主要分为推荐用户选择、用户行为分析、混合推荐算法、产生推荐结果四个部分。第一,推荐用户选择,结合求职需求的时效性,通过在线时间判断用户是否真的有求职需求,有则推荐,反之不推荐。第二,通过用户的web日志行为数据分析用户的潜在需求,避免使用用户的个人信息,保护用户隐私。第三、结合热门推荐、关联推荐及个性化混合推荐三种不同的推荐方式,从系统和用户的角度有效应对冷启动问题并更好地满足不同用户的职位需求。第四,推荐结果充分考虑职位及用户求职的时效性和离线推荐的可行性,向用户推荐更加合适的职位。通过在数据集Lagou_data(从“拉勾网”上通过爬虫技术获取的数据)进行算法实验,并与基于用户的协同过滤(User-CF)和基于项目的协同过滤(Item-CF)算法在precision,recall,coverage 和 F1-Measure 四个指标上进行对比。同时,User-CF 与 Item-CF相似度计算上分别对比了 Cosine相似度、Pearson相似度和Jaccard相似度的MAE表现。实验结果表明,采用Jaccard相似度公式的计算结果最优。比较三种算法的precision、recall和F1-Measure,J_Rec优于User-CF和Item-CF,coverage上随着推荐用户个数的增加,三种算法最终的结果趋于一致。
【学位单位】：西南石油大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.3;TP393.09
【部分图文】：

公式如下：??（２．１７）??Ｐ?／ＰＰ?＋?Ｒ??如图２－１，以电影推荐为例对以上三个指标进行说明。??用户喜欢?用户不喜??欢的电影??１?＾?；?；?１??向用户推荐的电ｇ??一，＇工＂＂￣?＂＂＂＂?１??没有向用户推荐的电影＇?Ｑ?Ｉ??ｙ??图２－１电影推荐示例??推荐的准确率：Ｐ?＝?Ａ??Ａ＋Ｂ??推荐的召回率：Ｒ?＝?７＾；??Ａ＋Ｃ??推荐的?Ｆ－Ｍｅａｓｕｒｅ：?ＦＩ?＝?＾?（ｐ?＝?１）??Ｐ￣＼￣Ｒ??准确性指标也有一定的局限性，如不适合评估排序性能，离线准确率的提高并不意味??实际线上系统的提尚。??２．３．２非准确性指标??（１）

鉴于客户关系管理中，对客户分类的启示，结合职位推荐的实际业务考量，首先对??用户进行筛选，选择从当前时间开始到未来一定时间段内，有潜在求职需求的顾客对其??进行推荐。判定单个用户是否为推荐用户的流程如图３－２所示，推荐用户选择算法如算??法３－１所示。其中输入为用户ｉ的访问时间序列ＡｒｒＤｉ?（ＤＬ为列表中的最近一次访问时??间），时间间隔阈值ｍｉｎＴｉｍｅ，访问频率支持度ｍｉｎＳｕｐｐｏｒｔ，当前日期ＤＮ，输出为符合??条件的推荐用户列表Ｌｕ。??２１??

Ｔ??ｆ舖）??图３－１个性化职位推荐算法流程??３．２推荐用户的选择??无论是实体行业还是互联网电商，客户关系管理都是企业发展、运营管理不可或缺??的一部分。好的客户管理机制能够提高企业的工作效率，拓展市场，留住客户资源，使??企业在提高自身竞争力的同时，保持与客户之间的良好关系，保持持久的生命力。同样，??在个性化职位推荐系统中，不同用户有不同的求职需求，同一用户在不同时间也会有不??同的职位需求，与电子商务类系统不同，求职系统中的“商品”是不同的职位。求职者的??需求通常会有一定的生命周期，在某一特定时间，并不是所有用户都会有求职的需求。??若盲０地向所有用户都进行推荐，不仅会引起用户反感，还会增加推荐系统的运营、维??护成本。??鉴于客户关系管理中
【参考文献】

相关期刊论文 前10条

1 周成林;黄长江;田景凡;李超;;基于用户检索历史的个性化内容推荐算法的设计与实现[J];数字技术与应用;2015年10期

2 朱郁筱;吕琳媛;;推荐系统评价指标综述[J];电子科技大学学报;2012年02期

3 许海玲;吴潇;李晓东;阎保平;;互联网推荐系统比较研究[J];软件学报;2009年02期

4 刘建国;周涛;汪秉宏;;个性化推荐系统的研究进展[J];自然科学进展;2009年01期

5 潘宇;林鸿飞;杨志豪;;基于用户聚类的电子商务推荐系统[J];计算机应用与软件;2008年04期

6 林霜梅;汪更生;陈弈秋;;个性化推荐系统中的用户建模及特征选择[J];计算机工程;2007年17期

7 陈娜;;数据挖掘技术的研究现状及发展方向[J];电脑与信息技术;2006年01期

8 何波;王越;;基于数据挖掘的Web个性化信息推荐系统[J];计算机工程与应用;2006年03期

9 丁振国,陈静;基于关联规则的个性化推荐系统[J];计算机集成制造系统-CIMS;2003年10期

10 杨震,邓贵仕;基于隐含语义的个性化信息检索[J];计算机工程与设计;2003年07期

相关博士学位论文 前1条

1 李岩;基于深度学习的短文本分析与计算方法研究[D];北京科技大学;2016年

相关硕士学位论文 前2条

1 张倩;基于半监督学习的中文短文本分类研究[D];西安电子科技大学;2014年

2 李森;WEB使用挖掘算法研究与实现[D];合肥工业大学;2007年

本文编号：2891734