一种基于度量学习的学生就业岗位推荐方法及系统技术方案

本申请涉及一种基于度量学习的学生就业岗位推荐方法及系统，方法包括收集对象特征信息与岗位特征信息，利用第一全连接网络将对象特征信息映射到第一高维向量，利用第二全连接网络将岗位特征信息映射到第二高维向量，拼接第一高维向量和第二高维向量，得到联合向量，将联合向量输入到第三全连接网络，第三全连接网络根据联合向量输出配对分数，配对分数的数值与匹配程度成正相关以及根据匹配分数的大小将岗位特征信息推荐给对象。本申请公开的基于度量学习的学生就业岗位推荐方法及系统，可以在样本数据较少和缺乏前期基础数据的前提下通过计算学生与工作岗位间匹配度的方式向学生进行岗位推荐，使学生得到匹配度更高的岗位推荐。位推荐。位推荐。

【技术实现步骤摘要】
一种基于度量学习的学生就业岗位推荐方法及系统


[0001]本申请涉及数据处理
，尤其是涉及一种基于度量学习的学生就业岗位推荐方法及系统。

技术介绍

[0002]在学生就业辅导中，向学生推荐合适的就业岗位有助于学生找到好工作。推荐就业岗位需要岗位的特点与学生的个人情况相匹配。岗位特点主要包括工作地点、公司、薪资待遇、工作内容等。学生个人情况主要包括性别、专业、生源地等。
[0003]目前现有的学生就业岗位推荐方法，一部分采用基于规则的方法，人工指定学生情况与工作岗位的关联规则进行推荐。但由于就业岗位众多，学生的情况也用很大差异，这样的方法需要大量的人力成本。随着机器学习技术的发展，现有方法关注到基于行为的方法，提供研究现有学生就业去向来为未毕业学生推荐就业岗位。
[0004]但由于学生与就业岗位数量都十分巨大，基于机器学习的方法使用起来普遍需要较高的计算资源。另一方面，基于学生行为的方法，存在冷启动的问题。即部分岗位和学生专业等缺少往期数据，导致没有足够的学生行为数据用以训练推荐器。

技术实现思路

[0005]为了解决
技术介绍
中的问题，本申请提供一种基于度量学习的学生就业岗位推荐方法及系统，用以使学生与就业岗位得到更高的匹配度。
[0006]本申请的上述目的是通过以下技术方案得以实现的：
[0007]第一方面，本申请提供了一种基于度量学习的学生就业岗位推荐方法，包括：
[0008]收集对象特征信息与岗位特征信息；
[0009]利用第一全连接网络将对象特征信息映射到第一高维向量；
[0010]利用第二全连接网络将岗位特征信息映射到第二高维向量；
[0011]拼接第一高维向量和第二高维向量，得到联合向量；
[0012]将联合向量输入到第三全连接网络，第三全连接网络根据联合向量输出配对分数，配对分数在0
‑
1之间，配对分数的数值与匹配程度成正相关；以及
[0013]根据匹配分数的大小将岗位特征信息推荐给对象。
[0014]在第一方面的一种可能的实现方式中，对象特征信息包括性别、专业和生源地。
[0015]在第一方面的一种可能的实现方式中，将对象特征信息编码成整数。
[0016]在第一方面的一种可能的实现方式中，岗位特征信息包括岗位性质、工资、单位性质和工作地点。
[0017]在第一方面的一种可能的实现方式中，将岗位特征信息编码成整数。
[0018]在第一方面的一种可能的实现方式中，第一全连接网络是三层全连接网络，第一层和第二层包含激活函数，其中激活函数可以是线性整流函数也可以是双曲正切函数也可以是其他任何非线性函数。
[0019]在第一方面的一种可能的实现方式中，第二全连接网络是三层全连接网络，第一层和第二层包含激活函数，其中激活函数可以是线性整流函数也可以是双曲正切函数也可以是其他任何非线性函数。
[0020]第二方面，本申请提供了一种基于度量学习的学生就业岗位推荐装置，包括：
[0021]信息收集单元，用于收集对象特征信息与岗位特征信息；
[0022]第一处理单元，用于利用第一全连接网络将对象特征信息映射到第一高维向量；
[0023]第二处理单元，用于利用第二全连接网络将岗位特征信息映射到第二高维向量；
[0024]第三处理单元，用于拼接第一高维向量和第二高维向量，得到联合向量；
[0025]匹配单元，用于将联合向量输入到第三全连接网络，第三全连接网络根据联合向量输出配对分数，配对分数在0
‑
1之间，配对分数的数值与匹配程度成正相关；以及
[0026]推荐单元，用于根据匹配分数的大小将岗位特征信息推荐给对象。
[0027]第三方面，本申请提供了一种基于度量学习的学生就业岗位推荐系统，所述系统包括：
[0028]一个或多个存储器，用于存储指令；以及
[0029]一个或多个处理器，用于从所述存储器中调用并运行所述指令，执行如第一方面及第一方面任意可能的实现方式中所述的方法。
[0030]第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质包括：
[0031]程序，当所述程序被处理器运行时，如第一方面及第一方面任意可能的实现方式中所述的方法被执行。
[0032]第五方面，本申请提供了一种计算机程序产品，包括程序指令，当所述程序指令被计算设备运行时，如第一方面及第一方面任意可能的实现方式中所述的方法被执行。
[0033]第六方面，本申请提供了一种芯片系统，该芯片系统包括处理器，用于实现上述各方面中所涉及的功能，例如，生成，接收，发送，或处理上述方法中所涉及的数据和/或信息。
[0034]该芯片系统，可以由芯片构成，也可以包括芯片和其他分立器件。
[0035]在一种可能的设计中，该芯片系统还包括存储器，该存储器，用于保存必要的程序指令和数据。该处理器和该存储器可以解耦，分别设置在不同的设备上，通过有线或者无线的方式连接，或者处理器和该存储器也可以耦合在同一个设备上。
附图说明
[0036]图1是本申请提供的一种推荐方法的步骤示意图。
[0037]图2是本申请提供的一种推荐方法的流程示意图。
具体实施方式
[0038]以下结合附图，对本申请中的技术方案作进一步详细说明。
[0039]为了更加清楚的理解本申请中的技术方案，首先对本申请涉及到的现有技术进行介绍。
[0040]在数学中，一个度量(或距离函数)是一个定义集合中元素之间距离的函数。一个具有度量的集合被称为度量空间。度量学习也就是常说的相似度学习。距离测度学习的目
的即为了衡量样本之间的相近程度，而这也正是模式识别的核心问题之一。
[0041]全连接网络又称全连接神经网络，全连接神经网络模型是一种多层感知机(MLP)，感知机的原理是寻找类别间最合理、最具有鲁棒性的超平面，最具代表的感知机是SVM支持向量机算法。
[0042]请参阅图1，为本申请公开的一种基于度量学习的学生就业岗位推荐方法，包括以下步骤：
[0043]S101，收集对象特征信息与岗位特征信息；
[0044]S102，利用第一全连接网络将对象特征信息映射到第一高维向量；
[0045]S103，利用第二全连接网络将岗位特征信息映射到第二高维向量；
[0046]S104，拼接第一高维向量和第二高维向量，得到联合向量；
[0047]S105，将联合向量输入到第三全连接网络，第三全连接网络根据联合向量输出配对分数，配对分数在0
‑
1之间，配对分数的数值与匹配程度成正相关；以及
[0048]S106，根据匹配分数的大小将岗位特征信息推荐给对象。
[0049]在步骤S101中，会收集对象特征信息和岗位特征信息，对象特征信息包括性别、专业和生源地等，岗位特征信息包括岗位性质、工资、单位本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于度量学习的学生就业岗位推荐方法，其特征在于，包括：收集对象特征信息与岗位特征信息；利用第一全连接网络将对象特征信息映射到第一高维向量；利用第二全连接网络将岗位特征信息映射到第二高维向量；拼接第一高维向量和第二高维向量，得到联合向量；将联合向量输入到第三全连接网络，第三全连接网络根据联合向量输出配对分数，配对分数在0
‑
1之间，配对分数的数值与匹配程度成正相关；以及根据匹配分数的大小将岗位特征信息推荐给对象。2.根据权利要求1所述的基于度量学习的学生就业岗位推荐方法，其特征在于，对象特征信息包括性别、专业和生源地。3.根据权利要求2所述的基于度量学习的学生就业岗位推荐方法，其特征在于，将对象特征信息编码成整数。4.根据权利要求1至3中任意一项所述的基于度量学习的学生就业岗位推荐方法，其特征在于，岗位特征信息包括岗位性质、工资、单位性质和工作地点。5.根据权利要求4所述的基于度量学习的学生就业岗位推荐方法，其特征在于，将岗位特征信息编码成整数。6.根据权利要求1所述的基于度量学习的学生就业岗位推荐方法，其特征在于，第一全连接网络是三层全连接网络，第一层和第二层包含激活函数，其中激活函数可以是线性整流函数也可以是双曲正切函数也可以是其他任何非线性函数。7.根据权利...

【专利技术属性】
技术研发人员：钱云光，张凤寒，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：