一种面向冷启动学生用户的工作推荐系统及推荐方法技术方案

本发明专利技术公开了一种面向冷启动学生用户的工作推荐系统及推荐方法。针对新学生用户没有历史评分的情况，系统以用户属性为基础计算用户之间相似度，然后根据近邻用户对用人单位的评分预测该新用户对用人单位的评分，预测评分在一定程度上反映了新用户对这些用人单位的兴趣度，基于该预测评分即可对新用户进行工作推荐。考虑到新用户对用人单位的预测评分可能来自于不同数量的近邻用户对该用人单位的评分，系统引入评分支持度评价预测评分的可信度，以达到优化推荐效果的目的。在工作推荐领域，用户的兴趣并不能直接转化成对用人单位的录用行为，系统又引入的兴趣效能参数，以进一步优化推荐效果。

【技术实现步骤摘要】

本专利技术属于数据挖掘的
，具体涉及一种面向冷启动学生用户的工作推荐系统及推荐方法，适用于工作推荐结果的优化。
技术介绍
个性化推荐技术在电子商务领域已经得到了成功的应用，在人力资源领域，工作推荐系统可以帮助建立求职者和招聘者之间的联系。当面向高校毕业生的时候，工作推荐系统面临着一些新的挑战。例如：学生通常没有工作经历，缺乏工作培训，有时他们也缺乏明确的求职目标。高校需要一种引导性的工作推荐系统，将学生可能的潜在就业单位在学生开始求职之前推荐给学生，以帮助学生明晰求职目标，做好求职准备。在这种情况下，学生用户没有行为信息，属于冷启动的情况。因此，传统的基于内容或基于协同过滤的推荐模型无法应对这种情况。高校拥有大量历史的就业信息和人才培养数据。文献《A Hybrid Job Recommendation Framework for University Students》给出了一种基于学生用户属性相似度进行工作推荐的方法，该方法通过计算待就业学生用户与已就业学生用户的属性相似度，基于相似度将已就业学生用户的就业单位直接推荐给待就业学生用户，并进行了推荐优化。该方法未考虑学生用户对用人单位的兴趣评分和投递简历的过程。本专利技术的学生用户属性相似度计算部分只是利用了该文献的过程，但基于相似度的评分预测及推荐优化该文献未涉及，也不具有本专利技术的优点。
技术实现思路
本专利技术要解决的技术问题：克服现有技术的不足，提供一种面向冷启动学生用户的工作推荐系统及推荐方法，基于兴趣效能的工作推荐优化针对工作推荐双向选择的特点，提高了推荐效率。本专利技术通过学生用户属性计算待就业学生用户与已就业学生用户之间的相似度，并基于近邻模型预测待就业学生用户对某用人单位的评分。鉴于工作推荐系统的双向推荐，及已就业学生用户对用人单位评分数量分布不均等特点，提出了评分支持度和兴趣效能优化参数，提供了更好的工作推荐效果。本专利技术解决上述技术问题采用的技术方案：一种面向冷启动学生用户的工作推荐系统，包括：学生用户属性模块、学生用户属性相似度计算模块、基于近邻模型的预测评分模块、基于评分支持度的工作推荐优化模块和基于兴趣效能的工作推荐优化模块；其中：学生用户属性模块，用于存储学生用户属性，学生属性为就业密切相关的各类信息，包括专业、生源地、性别、课程和成绩多种；学生用户属性相似度计算模块，利用学生用户属性，计算学生用户属性相似度；所述学生用户属性相似度为学生用户间各属性相似度加权之和，如公式1所示，其中X和Y代表两个学生，ai代表学生用户的某一种属性，wi是代表该属性的权重，wi取值在0-1之间，并且∑wi＝1，即各个属性权重之和为1， S ( X , Y ) = Σ i = 1 n w i · s i m ( X a i , Y a i ) - - - ( 1 ) ; ]]>基于近邻模型的预测评分模块，根据属性相似的已就业学生用户对用人单位的评分，预测待就业学生用户对用人单位的评分；基于具有相似属性的学生用户具有相似的求职兴趣的思想，根据学生用户属性相似度计算结果，选取与待就业学生用户相似度大于某一阈值的近邻已就业学生用户，并计算待就业学生对近邻已就业学生用户已评分的用人单位的预测评分，预测评分计算如公式2所示，代表学生用户u对用人单位e的预测评分，KNN(u)代表与待就业学生u的属性相似度大于某一阈值的已就业学生集，sim(u,v)代表学生用户u和v的相似度，rve代表学生用户v对用人单位e的评分；获得待就业学生用户对所有近邻已就业学生用户已评分用人单位的预测评分后，则根据预测评分的大小进行工作推荐； r ^ u , e = Σ v ∈ K N N ( u ) a s i m ( u , v ) · r v e Σ v ∈ K N N ( u ) a | s i m ( u , v ) | - - - ( 2 ) ]]>基于评分支持度的工作推荐优化模块，用于对基于预测评分的工作推荐效果的优化，使待就业学生用户获得更多的感兴趣的推荐；预测评分可能来源于多个近邻已就业学生用户对项目的评分，也有可能仅来自一个近邻已就业学生用户对项目的评分，来自多个近邻已就业学生用户的评分的预测评分可信度高，来自少量已就业学生用户的预测评分的可信度低；为了降低数据稀疏对预测评分的影响，采用预测评分支持度，定义如公式3所示，其中sn表示生成预测评分的近邻已就业学生用户数，snmax表示所有预测评分的最大近邻已就业学生用户数，snmin表示所有预测评分的最小近邻已就业学生用户数，sn的数值在计算预测评分时同时获得， S u p p o 本文档来自技高网...

【技术保护点】
一种面向冷启动学生用户的工作推荐系统，其特征在于：包括学生用户属性模块、学生用户属性相似度计算模块、基于近邻模型的预测评分模块、基于评分支持度的工作推荐优化模块和基于兴趣效能的工作推荐优化模块；其中：学生用户属性模块，用于存储学生用户属性，学生属性为就业密切相关的各类信息，包括专业、生源地、性别、课程和成绩多种；学生用户属性相似度计算模块，利用学生用户属性，计算学生用户属性相似度；所述学生用户属性相似度为学生用户间各属性相似度加权之和，如公式1所示，其中X和Y代表两个学生，ai代表学生用户的某一种属性，wi是代表该属性的权重，wi取值在0‑1之间，并且∑wi＝1，即各个属性权重之和为1，S(X,Y)=Σi=1nwi·sim(Xai,Yai)---(1);]]>基于近邻模型的预测评分模块，根据属性相似的已就业学生用户对用人单位的评分，预测待就业学生用户对用人单位的评分；基于具有相似属性的学生用户具有相似的求职兴趣的思想，根据学生用户属性相似度计算结果，选取与待就业学生用户相似度大于某一阈值的近邻已就业学生用户，并计算待就业学生对近邻已就业学生用户已评分的用人单位的预测评分，预测评分计算如公式2所示，代表学生用户u对用人单位e的预测评分，KNN(u)代表与待就业学生u的属性相似度大于某一阈值的已就业学生集，sim(u,v)代表学生用户u和v的相似度，rve代表学生用户v对用人单位e的评分；获得待就业学生用户对所有近邻已就业学生用户已评分用人单位的预测评分后，则根据预测评分的大小进行工作推荐；r^u,e=Σv∈KNN(u)asim(u,v)·rveΣv∈KNN(u)a|sim(u,v)|---(2)]]>基于评分支持度的工作推荐优化模块，用于对基于预测评分的工作推荐效果的优化，使待就业学生用户获得更多的感兴趣的推荐；预测评分可能来源于多个近邻已就业学生用户对项目的评分，也有可能仅来自一个近邻已就业学生用户对项目的评分，来自多个近邻已就业学生用户的评分的预测评分可信度高，来自少量已就业学生用户的预测评分的可信度低；为了降低数据稀疏对预测评分的影响，采用预测评分支持度，定义如公式3所示，其中sn表示生成预测评分的近邻已就业学生用户数，snmax表示所有预测评分的最大近邻已就业学生用户数，snmin表示所有预测评分的最小近邻已就业学生用户数，sn的数值在计算预测评分时同时获得，Support=sn-snminsnmax-snmin---(3)]]>获得预测评分支持度后，将推荐排序依据定义为预测评分与评分支持度乘积，如公式4所示，Sort=r^u,e*Support---(4);]]>基于兴趣效能的工作推荐优化模块，用于提升系统的推荐效率，使待就业学生用户获得更大的被录用的几率；工作推荐系统是一类双向推荐系统，学生用户在选择用人单位的同时，用人单位也在选择学生用户，将某用人单位实际录用的人数noffer与收到学生用户投递简历的数量ninterest的比值定义为用人单位的兴趣效能，如公式5所示，Efficiency=nofferninterest---(5)]]>基于兴趣效能的工作推荐优化模块可与基于评分支持度的工作推荐优化模块组合使用，进行用人单位推荐时，将排序依据定义为基于近邻模型的预测评分模块的预测评分、基于评分支持度的工作推荐优化模块的评分支持度、基于兴趣效能的工作推荐优化模块的兴趣效能三者的乘积，如公式6所示，Sort′=r^u,e*Support*Efficiency---(6)]]>...

【技术特征摘要】
1.一种面向冷启动学生用户的工作推荐系统，其特征在于：包括学生用户属性模块、学生用户属性相似度计算模块、基于近邻模型的预测评分模块、基于评分支持度的工作推荐优化模块和基于兴趣效能的工作推荐优化模块；其中：学生用户属性模块，用于存储学生用户属性，学生属性为就业密切相关的各类信息，包括专业、生源地、性别、课程和成绩多种；学生用户属性相似度计算模块，利用学生用户属性，计算学生用户属性相似度；所述学生用户属性相似度为学生用户间各属性相似度加权之和，如公式1所示，其中X和Y代表两个学生，ai代表学生用户的某一种属性，wi是代表该属性的权重，wi取值在0-1之间，并且∑wi＝1，即各个属性权重之和为1， S ( X , Y ) = Σ i = 1 n w i · s i m ( X a i , Y a i ) - - - ( 1 ) ; ]]>基于近邻模型的预测评分模块，根据属性相似的已就业学生用户对用人单位的评分，预测待就业学生用户对用人单位的评分；基于具有相似属性的学生用户具有相似的求职兴趣的思想，根据学生用户属性相似度计算结果，选取与待就业学生用户相似度大于某一阈值的近邻已就业学生用户，并计算待就业学生对近邻已就业学生用户已评分的用人单位的预测评分，预测评分计算如公式2所示，代表学生用户u对用人单位e的预测评分，KNN(u)代表与待就业学生u的属性相似度大于某一阈值的已就业学生集，sim(u,v)代表学生用户u和v的相似度，rve代表学生用户v对用人单位e的评分；获得待就业学生用户对所有近邻已就业学生用户已评分用人单位的预测评分后，则根据预测评分的大小进行工作推荐； r ^ u , e = Σ v ∈ K N N ( u ) a s i m ( u , v ) · r v e Σ v ∈ K N N ( u ) a | s i m ( u , v ) | - - - ( 2 ) ]]>基于评分支持度的工作推荐优化模块，用于对基于预测评分的工作推荐效果的优化，使待就业学生用户获得更多的感兴趣的推荐；预测评分可能来源于多个近邻已就业学生用户对项目的评分，也有可能仅来自一个近邻已就业学生用户对项目的评分，来自多个近邻已就业学生用户的评分的预测评分可信度高，来自少量已就业学生用户的预测评分的可信度低；为了降低数据稀疏对预测评分的影响，采用预测评分支持度，定义如公式3所示，其中sn表示生成预测评分的近邻已就业学生用户数，snmax表示所有预测评分的最大近邻已就业学生用户数，snmin表示所有预测评分的最小近邻已就业学生用户数，sn的数值在计算预测评分时同时获得， S u p p o r t = s n - sn m i n sn m a x - sn m i n - - - ( 3 ) ]]>获得预测评分支持度后，将推荐排序依据定义为预测评分与评分支持度乘积，如公式4所示， Sort = r ^ u , e * Support - - - ( 4 ) ; ]]>基于兴趣效能的工作推荐优化模块，用于提升系统的推荐效率，使待就业学生用户获得更大的被录用的几率；工作推荐系统是一类双向推荐系统，学生用户在选择用人单位的同时，用人单位也在选择学生用户，将某用人单位实际录用的人数noffer与收到学生用户投递简历的数量ninterest的比值定义为用人单位的兴趣效能，如公式5所示， E f f i c i e n c y = n o f f e r n int e r e s...

【专利技术属性】
技术研发人员：刘睿，荣文戈，唐翠，欧阳元新，熊璋，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11