發(fā)布時間：2020-11-20 17:10

　　 隨著計算機網(wǎng)絡的不斷發(fā)展,在線求職類系統(tǒng)逐漸成為一種主流的求職方式,與此同時,招聘信息也呈現(xiàn)爆炸式的增長趨勢,個性化職位推薦的應用能夠幫助求職者更加快速地找到符合自身要求的職位。現(xiàn)有求職系統(tǒng)主要是以企業(yè)為核心服務,存在虛假招聘信息。其次,大多數(shù)職位推薦系統(tǒng)主要是利用求職者個人簡歷信息進行職位推薦,一旦發(fā)生信息安全問題將會對求職者帶來不可估量的損失。此外,過高過低的推薦頻率及不合時宜的推薦方式也會給求職者帶來了一定程度的反感。本文在研究現(xiàn)有推薦系統(tǒng)相關算法的基礎上,結(jié)合職位推薦的特性及求職過程的實際需求,利用web用戶行為信息設計出一種針對個性化職位推薦的算法(J_Rec)。本文的算法設計主要分為推薦用戶選擇、用戶行為分析、混合推薦算法、產(chǎn)生推薦結(jié)果四個部分。第一,推薦用戶選擇,結(jié)合求職需求的時效性,通過在線時間判斷用戶是否真的有求職需求,有則推薦,反之不推薦。第二,通過用戶的web日志行為數(shù)據(jù)分析用戶的潛在需求,避免使用用戶的個人信息,保護用戶隱私。第三、結(jié)合熱門推薦、關聯(lián)推薦及個性化混合推薦三種不同的推薦方式,從系統(tǒng)和用戶的角度有效應對冷啟動問題并更好地滿足不同用戶的職位需求。第四,推薦結(jié)果充分考慮職位及用戶求職的時效性和離線推薦的可行性,向用戶推薦更加合適的職位。通過在數(shù)據(jù)集Lagou_data(從“拉勾網(wǎng)”上通過爬蟲技術獲取的數(shù)據(jù))進行算法實驗,并與基于用戶的協(xié)同過濾(User-CF)和基于項目的協(xié)同過濾(Item-CF)算法在precision,recall,coverage 和 F1-Measure 四個指標上進行對比。同時,User-CF 與 Item-CF相似度計算上分別對比了 Cosine相似度、Pearson相似度和Jaccard相似度的MAE表現(xiàn)。實驗結(jié)果表明,采用Jaccard相似度公式的計算結(jié)果最優(yōu)。比較三種算法的precision、recall和F1-Measure,J_Rec優(yōu)于User-CF和Item-CF,coverage上隨著推薦用戶個數(shù)的增加,三種算法最終的結(jié)果趨于一致。
【學位單位】：西南石油大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TP391.3;TP393.09
【部分圖文】：

公式如下：??（２．１７）??Ｐ?／ＰＰ?＋?Ｒ??如圖２－１，以電影推薦為例對以上三個指標進行說明。??用戶喜歡?用戶不喜??歡的電影??１?＾?；?；?１??向用戶推薦的電ｇ??一，＇工＂＂￣?＂＂＂＂?１??沒有向用戶推薦的電影＇?Ｑ?Ｉ??ｙ??圖２－１電影推薦示例??推薦的準確率：Ｐ?＝?Ａ??Ａ＋Ｂ??推薦的召回率：Ｒ?＝?７＾；??Ａ＋Ｃ??推薦的?Ｆ－Ｍｅａｓｕｒｅ：?ＦＩ?＝?＾?（ｐ?＝?１）??Ｐ￣＼￣Ｒ??準確性指標也有一定的局限性，如不適合評估排序性能，離線準確率的提高并不意味??實際線上系統(tǒng)的提尚。??２．３．２非準確性指標??（１）

鑒于客戶關系管理中，對客戶分類的啟示，結(jié)合職位推薦的實際業(yè)務考量，首先對??用戶進行篩選，選擇從當前時間開始到未來一定時間段內(nèi)，有潛在求職需求的顧客對其??進行推薦。判定單個用戶是否為推薦用戶的流程如圖３－２所示，推薦用戶選擇算法如算??法３－１所示。其中輸入為用戶ｉ的訪問時間序列ＡｒｒＤｉ?（ＤＬ為列表中的最近一次訪問時??間），時間間隔閾值ｍｉｎＴｉｍｅ，訪問頻率支持度ｍｉｎＳｕｐｐｏｒｔ，當前日期ＤＮ，輸出為符合??條件的推薦用戶列表Ｌｕ。??２１??

Ｔ??ｆ舖）??圖３－１個性化職位推薦算法流程??３．２推薦用戶的選擇??無論是實體行業(yè)還是互聯(lián)網(wǎng)電商，客戶關系管理都是企業(yè)發(fā)展、運營管理不可或缺??的一部分。好的客戶管理機制能夠提高企業(yè)的工作效率，拓展市場，留住客戶資源，使??企業(yè)在提高自身競爭力的同時，保持與客戶之間的良好關系，保持持久的生命力。同樣，??在個性化職位推薦系統(tǒng)中，不同用戶有不同的求職需求，同一用戶在不同時間也會有不??同的職位需求，與電子商務類系統(tǒng)不同，求職系統(tǒng)中的“商品”是不同的職位。求職者的??需求通常會有一定的生命周期，在某一特定時間，并不是所有用戶都會有求職的需求。??若盲０地向所有用戶都進行推薦，不僅會引起用戶反感，還會增加推薦系統(tǒng)的運營、維??護成本。??鑒于客戶關系管理中
【參考文獻】

相關期刊論文 前10條

1 周成林;黃長江;田景凡;李超;;基于用戶檢索歷史的個性化內(nèi)容推薦算法的設計與實現(xiàn)[J];數(shù)字技術與應用;2015年10期

2 朱郁筱;呂琳媛;;推薦系統(tǒng)評價指標綜述[J];電子科技大學學報;2012年02期

3 許海玲;吳瀟;李曉東;閻保平;;互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J];軟件學報;2009年02期

4 劉建國;周濤;汪秉宏;;個性化推薦系統(tǒng)的研究進展[J];自然科學進展;2009年01期

5 潘宇;林鴻飛;楊志豪;;基于用戶聚類的電子商務推薦系統(tǒng)[J];計算機應用與軟件;2008年04期

6 林霜梅;汪更生;陳弈秋;;個性化推薦系統(tǒng)中的用戶建模及特征選擇[J];計算機工程;2007年17期

7 陳娜;;數(shù)據(jù)挖掘技術的研究現(xiàn)狀及發(fā)展方向[J];電腦與信息技術;2006年01期

8 何波;王越;;基于數(shù)據(jù)挖掘的Web個性化信息推薦系統(tǒng)[J];計算機工程與應用;2006年03期

9 丁振國,陳靜;基于關聯(lián)規(guī)則的個性化推薦系統(tǒng)[J];計算機集成制造系統(tǒng)-CIMS;2003年10期

10 楊震,鄧貴仕;基于隱含語義的個性化信息檢索[J];計算機工程與設計;2003年07期

相關博士學位論文 前1條

1 李巖;基于深度學習的短文本分析與計算方法研究[D];北京科技大學;2016年

相關碩士學位論文 前2條

1 張倩;基于半監(jiān)督學習的中文短文本分類研究[D];西安電子科技大學;2014年

2 李森;WEB使用挖掘算法研究與實現(xiàn)[D];合肥工業(yè)大學;2007年

本文編號：2891734