一种职位推荐方法及系统技术方案

本发明专利技术提供一种职位推荐方法，包括以下步骤S1：获取用户访问数据，生成数据矩阵；步骤S2：对数据矩阵执行监督学习算法；步骤S3：对数据矩阵执行无监督学习算法并生成预测结果数据；步骤S4：依据预测结果数据和人物画像数据生成职位预推荐数据。本发明专利技术的有益效果是根据来访人员的设备信息、访问内容、操作行为等，通过职位预推荐的机器学习方法，让系统自动学习、完成用户分析，并精准推荐工作资讯；让用户发现更多相关度较高、感兴趣职位信息，提高用户查看内容，从而具有较高的用户转化率。

【技术实现步骤摘要】
一种职位推荐方法及系统
本专利技术涉及互联网
具体涉及一种职位推荐方法及系统。
技术介绍
随着互联网的普及，求职、找工作逐步从传统人才市场走向互联网、移动互联网等网络求职方式；据监控数据分析，来访的人员中接近90％用户未登陆系统，登录用户中约40％人员没有明确的求职意；针对这部分用户，由于未录入相关的信息、求职意向不明确，系统无法判断用户需要的内容，推荐的信息为通用信息，没有推荐来访用户的相关信息，容易造成用户流失；现有的技术方案是根据用户点击查看职位后，根据查看职位信息的分类，进行相似职位推荐；如果求职者查看多个职位，则根据多个职位的分类特征，进行推荐；这种推荐方式较粗犷，无法对来访求职者进行精准营销。现有的技术方案是根据相似职位进行推荐，并未对用户操作行为进行分析，不了解用户特征，推荐方式较粗犷；这样推荐的信息与用户需求差异较大；另外有些求职者求职意向不明确，存在推荐信息不匹配、并未对此类用户进行引导，从而造成了大批用户流失。现有技术中的自动推荐产品对求职和用户特征没有进行深度结合；不能精准的向求职者推荐职位，用户转化率低。
技术实现思路
为了解决上述问题，本专利技术提供一种能精准推荐求职信息，提高用户转化率的职位推荐方法，包括以下步骤步骤S1：获取用户访问数据，生成数据矩阵；步骤S2：对数据矩阵执行监督学习算法；步骤S3：对数据矩阵执行无监督学习算法并生成预测结果数据；步骤S4：依据预测结果数据和人物画像数据生成职位预推荐数据。进一步的，所述步骤S1包括，步骤S11：收集用户浏览招聘网站过程中的浏览职位数据、浏览企业数据、用户数据；步骤S12：将步骤S11收集的数据以预设数据格式存储；步骤S13：对所述以预设数据格式存储的数据分析数据特征并生成数据矩阵；所述用户访问数据包括，设备类型、设备品牌、设备型号、浏览器类别、信息渠道、搜索内容、访问时间、访问职位、是否投递、是否获取联系方式、访问企业中的多种或一种；所述数据矩阵的数据特征包括，类别、薪酬、经验、学历、职别、群体中的多种或一种。进一步的，所述步骤S2包括，步骤21：对所述数据矩阵进行分解和降噪；步骤22：基于访问记录进行相似度计算；步骤23：从数据矩阵中抽取知识数据并存储；所述步骤S21包括，采用奇异值分解算法对原始数据矩阵进行处理，将原始数据矩阵分解为三个子矩阵U、∑和VT；原始矩阵Data是m行n列，对应的U、∑和VT分别为m行m列、m行n列和n行n列；计算表达式为：所述步骤S22包括，采用余弦相似度算法对用户数据中访问职位、企业的数据向量进行相似度计算，并得到访问职位、企业的数据向量夹角的余弦值；若访问职位、企业的数据向量夹角的余弦值为90度，则相似度设定为0；若访问职位、企业的数据向量的方向相同，则相似度设定为1.0；计算表达式如下：其中‖A‖和‖B‖表示向量A、B的2范数；所述步骤S23包括，获取访问职位的样本点中包含的数值型特征X1和X2；通过梯度上升算法获取回归系数作为Logistic回归模型的参数；所述步骤S23包括，步骤S231：初始化每个回归系数为1；步骤S232：重复若干次计算整个数据矩阵的梯度，采用alpha*gradient更新回归系数的向量；alpha是向目标移动的步长；步骤S233：存储回归系数，并完成监督学习算法训练。进一步的，所述步骤S3包括，步骤S31：采用k均值聚类算法对数据矩阵进行相似聚类；步骤S32：采用FP-growth算法对数据矩阵进行关联性分析并生成预测结果数据。所述步骤S31包括，步骤S311：随机创建k个点作为起始质心；步骤S312：若任意一个点的簇心分配结果发生改变，则对数据集中的每个数据点，对每个质心，计算质心与数据点之间的距离，并将数据点分配到距其最近的簇；步骤S313：对每一个簇计算簇中所有点的均值并将均值作为质心；步骤S314：使用量化的误差指标对算法结果进行评价。所述步骤S32包括，步骤S321：将数据矩阵中访问职位数据集离散化，将其量化位离散值；步骤S322：第一次遍历数据矩阵，获取每个元素项的出现频率，去掉不满足的元素项，读入每个项集并将其保存，并按照出现的频率进行排序并过滤后，构建FP树并对树进行挖掘，完成无监督学习算法训练；步骤S323：提取经常出现的元素项生成预测结果数据；进一步的，所述步骤S4包括，步骤41：将预测结果数据与人物画像进行相似度计算生成关键元素信息，用于预推荐；步骤42：向用户展示预推荐的职位信息。为了保证上述方法的实施，本专利技术还提供一种职位推荐系统，包括以下模块数据获取模块，用于获取用户访问数据，生成数据矩阵；监督学习模块，用于对数据矩阵执行监督学习算法；无监督学习模块，用于对数据矩阵执行无监督学习算法并生成预测结果数据；预测模块，用于依据预测结果数据和人物画像数据生成职位预推荐数据。进一步的，所述数据获取模块执行以下步骤，步骤S11：收集用户浏览招聘网站过程中的浏览职位数据、浏览企业数据、用户数据；步骤S12：将步骤S11收集的数据以预设数据格式存储；步骤S13：对所述以预设数据格式存储的数据分析数据特征并生成数据矩阵；所述用户访问数据包括，设备类型、设备品牌、设备型号、浏览器类别、信息渠道、搜索内容、访问时间、访问职位、是否投递、是否获取联系方式、访问企业中的多种或一种；所述数据矩阵的数据特征包括，类别、薪酬、经验、学历、职别、群体中的多种或一种。进一步的，所述监督学习模块执行以下步骤，步骤21：对所述数据矩阵进行分解和降噪；步骤22：基于访问记录进行相似度计算；步骤23：从数据矩阵中抽取知识数据并存储；所述步骤S21包括，采用奇异值分解算法对原始数据矩阵进行处理，将原始数据矩阵分解为三个子矩阵U、∑和VT；原始矩阵Data是m行n列，对应的U、∑和VT分别为m行m列、m行n列和n行n列；计算表达式为：所述步骤S22包括，采用余弦相似度算法对用户数据中访问职位、企业的数据向量进行相似度计算，并得到访问职位、企业的数据向量夹角的余弦值；若访问职位、企业的数据向量夹角的余弦值为90度，则相似度设定为0；若访问职位、企业的数据向量的方向相同，则相似度设定为1.0；计算表达式如下：其中‖A‖和‖B‖表示向量A、B的2范数；所述步骤S23包括，获取访问职位的样本点中包含的数值型特征X1和X2；通过梯度上升算法获取回归系数作为Logistic回归模型的参数；所述步骤S23包括，步骤S231：初始化每个回归系数为1；步骤S232：重复若干次计算整个数据矩阵的梯度，采用alpha*gradient更新回归系数的向量；alpha是向目标移动的步长；步骤S233：存储回归系数，并完成监督学习算法训练。进一步的，所述无监督学习模块执行以下步骤，步骤S31：采用k均值聚类算法对数据矩阵进行相似聚类；步骤S32：采用FP-growth算法对数据矩阵进行关联性分析并生成预测结果数据。所述步骤S31包括，步骤S311：随机创建k个点作为起始质心；步骤S312：若任意一个点的簇心分配结果发生改变，则对数据集中的每个数据点，对每个质心，计算质心与数据点之间的距离，并将数据点分配到距其最近的簇；步骤S313：对每一个簇计算簇中所有点的均值并将均值作为质心；步骤S314：使用本文档来自技高网...

【技术保护点】
1.一种职位推荐方法，其特征在于，包括以下步骤步骤S1：获取用户访问数据，生成数据矩阵；步骤S2：对数据矩阵执行监督学习算法；步骤S3：对数据矩阵执行无监督学习算法并生成预测结果数据；步骤S4：依据预测结果数据和人物画像数据生成职位预推荐数据。

【技术特征摘要】
1.一种职位推荐方法，其特征在于，包括以下步骤步骤S1：获取用户访问数据，生成数据矩阵；步骤S2：对数据矩阵执行监督学习算法；步骤S3：对数据矩阵执行无监督学习算法并生成预测结果数据；步骤S4：依据预测结果数据和人物画像数据生成职位预推荐数据。2.如权利要求1所述的一种职位推荐方法，其特征在于，所述步骤S1包括，步骤S11：收集用户浏览招聘网站过程中的浏览职位数据、浏览企业数据、用户数据；步骤S12：将步骤S11收集的数据以预设数据格式存储；步骤S13：对所述以预设数据格式存储的数据分析数据特征并生成数据矩阵；所述用户访问数据包括，设备类型、设备品牌、设备型号、浏览器类别、信息渠道、搜索内容、访问时间、访问职位、是否投递、是否获取联系方式、访问企业中的多种或一种；所述数据矩阵的数据特征包括，类别、薪酬、经验、学历、职别、群体中的多种或一种。3.如权利要求1所述的一种职位推荐方法，其特征在于，所述步骤S2包括，步骤21：对所述数据矩阵进行分解和降噪；步骤22：基于访问记录进行相似度计算；步骤23：从数据矩阵中抽取知识数据并存储；所述步骤S21包括，采用奇异值分解算法对原始数据矩阵进行处理，将原始数据矩阵分解为三个子矩阵U、∑和VT；原始矩阵Data是m行n列，对应的U、∑和VT分别为m行m列、m行n列和n行n列；计算表达式为：所述步骤S22包括，采用余弦相似度算法对用户数据中访问职位、企业的数据向量进行相似度计算，并得到访问职位、企业的数据向量夹角的余弦值；若访问职位、企业的数据向量夹角的余弦值为90度，则相似度设定为0；若访问职位、企业的数据向量的方向相同，则相似度设定为1.0；计算表达式如下：其中‖A‖和‖B‖表示向量A、B的2范数；所述步骤S23包括，获取访问职位的样本点中包含的数值型特征X1和X2；通过梯度上升算法获取回归系数作为Logistic回归模型的参数；所述步骤S23包括，步骤S231：初始化每个回归系数为1；步骤S232：重复若干次计算整个数据矩阵的梯度，采用alpha*gradient更新回归系数的向量；alpha是向目标移动的步长；步骤S233：存储回归系数，并完成监督学习算法训练。4.如权利要求1所述的一种职位推荐方法，其特征在于，所述步骤S3包括，步骤S31：采用k均值聚类算法对数据矩阵进行相似聚类；步骤S32：采用FP-growth算法对数据矩阵进行关联性分析并生成预测结果数据；所述步骤S31包括，步骤S311：随机创建k个点作为起始质心；步骤S312：若任意一个点的簇心分配结果发生改变，则对数据集中的每个数据点，对每个质心，计算质心与数据点之间的距离，并将数据点分配到距其最近的簇；步骤S313：对每一个簇计算簇中所有点的均值并将均值作为质心；步骤S314：使用量化的误差指标对算法结果进行评价；所述步骤S32包括，步骤S321：将数据矩阵中访问职位数据集离散化，将其量化位离散值；步骤S322：第一次遍历数据矩阵，获取每个元素项的出现频率，去掉不满足的元素项，读入每个项集并将其保存，并按照出现的频率进行排序并过滤后，构建FP树并对树进行挖掘，完成无监督学习算法训练；步骤S323：提取经常出现的元素项生成预测结果数据。5.如权利要求1所述的一种职位推荐方法，其特征在于，所述步骤S4包括，步骤41：将预测结果数据与人物画像进行相似度计算生成关键元素信息，用于预推荐；步骤42：向用户展示预推荐的职位信息。6.一种职位推荐系统，包括以下模...

【专利技术属性】
技术研发人员：郑汉林，朱仕庆，
申请(专利权)人：重庆聚焦人才服务有限公司，
类型：发明
国别省市：重庆,50