一种在线招聘生成式推荐系统及方法技术方案

本发明专利技术实施例公开了一种在线招聘生成式推荐系统，包括：输入模组，用于将用户的各个输入分别转换为文本，并拼接为一组文本特征；生成模组，用于根据文本特征生成推荐结果，推荐结果表征与用户的各个输入匹配的完整描述，生成模组通过多个训练集中的部分训练集进行第一阶段训练，并基于第一阶段训练后的生成模组和第二阶段训练后的奖励模组进行第三阶段训练；奖励模组，用于根据文本特征和推荐结果，评价推荐结果在至少一个评价维度上的符合程度，奖励模组通过多个训练集中的部分训练集进行第二阶段训练。本发明专利技术实施例还公开了一种在线招聘生成式推荐方法。本发明专利技术可以直接干预推荐结果并快速得到反馈，对用户更加友好且具有很好的可解释性。好的可解释性。好的可解释性。

【技术实现步骤摘要】
一种在线招聘生成式推荐系统及方法


[0001]本专利技术涉及推荐系统
，具体而言，涉及一种在线招聘生成式推荐系统及方法。

技术介绍

[0002]近年来，基于推荐系统的在线招聘平台迅速发展，为求职者和招聘者提供了便捷的匹配方式。传统的基于排序的推荐系统会根据用户画像和历史行为推荐可能符合的职位给求职者，在整个推荐系统中用户是被动接受推荐结果无法进行主动干预，但当用户有个性化需求时，例如求职者考虑换行业或招聘者有特殊的技能要求，这种推荐系统很难直接介入推荐流程并即时得到反馈，整个推荐过程是黑盒的，可解释性很差。

技术实现思路

[0003]为解决上述问题，本专利技术的目的在于提供一种在线招聘生成式推荐系统及方法，可以直接干预推荐结果并快速得到反馈，对用户更加友好且具有很好的可解释性。
[0004]本专利技术实施例提供了一种在线招聘生成式推荐系统，所述系统包括：输入模组，用于将用户的各个输入分别转换为文本，并拼接为一组文本特征，所述用户的各个输入包括用户指令、用户结构化特征和用户自定义条件，所述用户指令转换后的文本为用户指令文本，所述用户结构化特征转换后的文本为用户特征文本，所述用户自定义条件转换后的文本为用户定制约束条件文本；生成模组，用于根据所述文本特征生成推荐结果，所述推荐结果表征与用户的各个输入匹配的完整描述，所述生成模组通过多个训练集中的部分训练集进行第一阶段训练，并基于第一阶段训练后的生成模组和第二阶段训练后的奖励模组进行第三阶段训练；奖励模组，用于根据所述文本特征和所述推荐结果，评价所述推荐结果在至少一个评价维度上的符合程度，所述奖励模组通过所述多个训练集中的部分训练集进行第二阶段训练。
[0005]作为本专利技术进一步的改进，所述生成模组使用一个多层神经网络；所述生成模组采用序列化生成的方式聚合所述输入模组当前输出的文本特征和已生成好的文本的信息作为输入。
[0006]作为本专利技术进一步的改进，所述奖励模组采用多个子模块，所述多个子模块用于分别从多个评价维度评价所述推荐结果；每个子模块的输入均为所述文本特征和所述推荐结果，输出为一个标量值，所述标量值表征所述推荐结果在其中一个评价维度上的符合程度。
[0007]作为本专利技术进一步的改进，每个所述子模块均使用一个多层神经网络结构，各个所述子模块所使用的多层神经网络结构的参数不同。
[0008]作为本专利技术进一步的改进，所述至少一个评价维度包括完整度、简洁度、约束遵守度和相关度；
所述完整度表征所述推荐结果包含必要信息的符合程度；所述简洁度表征所述推荐结果不包含非必要信息的符合程度；所述约束遵守度表征所述推荐结果遵守所述用户自定义条件的符合程度；所述相关度表征所述推荐结果匹配所述用户结构化特征的符合程度。
[0009]作为本专利技术进一步的改进，用于对所述生成模组进行第一阶段训练的部分训练集包括：第一训练集，所述第一训练集包括从预先构建的候选指令集中随机采样并改写部分用户指令和/或随机删除部分用户结构化特征后得到的多个第一完整描述。
[0010]作为本专利技术进一步的改进，用于对所述奖励模组进行第二阶段训练的部分训练集包括：第二训练集，用于训练从所述完整度评价所述推荐结果的子模块，所述第二训练集包括随机删除所述多个第一完整描述中的部分文本得到的多个第二完整描述；第三训练集，用于训练从所述简洁度评价所述推荐结果的子模块，所述第三训练集包括对所述多个第一完整描述中的部分文本添加噪音文本得到的多个第三完整描述；第四训练集，用于训练从所述约束遵守度评价所述推荐结果的子模块，所述第四训练集包括对所述多个第一完整描述对应的用户定制约束条件文本添加条件文本后得到的多个第四完整描述；第五训练集，用于训练从所述相关度评价所述推荐结果的子模块，所述第五训练集包括基于用户之间的交互行为构建得到的多个比较样本对，每个比较样本对为当前用户的文本特征
‑
不同推荐结果的样本对，用于表征当前用户与不同交互行为生成的推荐结果之间的相关度。
[0011]作为本专利技术进一步的改进，将所述第一阶段训练后的生成模组作为Actor，将所述第二阶段训练后的奖励模组作为Critic，并通过Actor
‑
Critic算法对所述第一阶段训练后的生成模组进行所述第三阶段训练，得到第三阶段训练后的生成模组。
[0012]本专利技术实施例还提供了一种在线招聘生成式推荐方法，所述方法包括：输入模组将用户的各个输入分别转换为文本，并拼接为一组文本特征，所述用户的各个输入包括用户指令、用户结构化特征和用户自定义条件，所述用户指令转换后的文本为用户指令文本，所述用户结构化特征转换后的文本为用户特征文本，所述用户自定义条件转换后的文本为用户定制约束条件文本；所述输入模组将所述文本特征输入至所述生成模组中，所述生成模组根据所述文本特征输出推荐结果，所述推荐结果表征与用户的各个输入匹配的完整描述；奖励模组根据所述文本特征和所述推荐结果，评价所述推荐结果在至少一个评价维度上的符合程度；所述方法还包括：三个阶段训练，以根据训练结果得到最终的推荐模型：利用多个训练集中的部分训练集对所述生成模组进行第一阶段训练；利用多个训练集中的部分训练集对所述奖励模组进行第二阶段训练；基于第一阶段训练后的生成模组和第二阶段训练后的奖励模组，对所述生成模组进行第三阶段训练，第三阶段训练后的生成模组作为最终的推荐模型。
[0013]作为本专利技术进一步的改进，所述至少一个评价维度包括完整度、简洁度、约束遵守
度和相关度，所述评价所述推荐结果在至少一个评价维度上的符合程度，包括：所述奖励模组评价所述推荐结果的完整度，以确定所述推荐结果包含必要信息的符合程度；所述奖励模组评价所述推荐结果的简洁度，以确定所述推荐结果不包含非必要信息的符合程度；所述奖励模组评价所述推荐结果的约束遵守度，以确定所述推荐结果遵守所述用户自定义条件的符合程度；所述奖励模组评价所述推荐结果的相关度，以确定所述推荐结果匹配所述用户结构化特征的符合程度。
[0014]本专利技术的有益效果为：所述系统可以通过交互式的接口，使得用户可以输入自定义条件，以直接干预推荐结果并快速得到反馈，相对于传统推荐系统的隐式行为，能提供更加丰富可交互改动的用户特征，对用户更加友好且具有很好的可解释性。同时，所述系统输出的结果为与用户的输入匹配的完整描述，使得所述系统可以直接应用至下游的搜索和推荐系统中。
附图说明
[0015]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0016]图1为本专利技术一示例性实施例所述的一种在线招聘生成式推荐系统的框图示意图；图2为本专利技术一示例性实施例所述的一种在线招聘生成式推荐系统训练流程示意图。
具体实施方式
[0017]下面将结合本专利技术实施例中的附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种在线招聘生成式推荐系统，其特征在于，所述系统包括：输入模组，用于将用户的各个输入分别转换为文本，并拼接为一组文本特征，所述用户的各个输入包括用户指令、用户结构化特征和用户自定义条件，所述用户指令转换后的文本为用户指令文本，所述用户结构化特征转换后的文本为用户特征文本，所述用户自定义条件转换后的文本为用户定制约束条件文本；生成模组，用于根据所述文本特征生成推荐结果，所述推荐结果表征与用户的各个输入匹配的完整描述，所述生成模组通过多个训练集中的部分训练集进行第一阶段训练，并基于第一阶段训练后的生成模组和第二阶段训练后的奖励模组进行第三阶段训练；奖励模组，用于根据所述文本特征和所述推荐结果，评价所述推荐结果在至少一个评价维度上的符合程度，所述奖励模组通过所述多个训练集中的部分训练集进行第二阶段训练。2.如权利要求1所述的系统，其中，所述生成模组使用一个多层神经网络；所述生成模组采用序列化生成的方式聚合所述输入模组当前输出的文本特征和已生成好的文本的信息作为输入。3.如权利要求1所述的系统，其中，所述奖励模组采用多个子模块，所述多个子模块用于分别从多个评价维度评价所述推荐结果；每个子模块的输入均为所述文本特征和所述推荐结果，输出为一个标量值，所述标量值表征所述推荐结果在其中一个评价维度上的符合程度。4.如权利要求3所述的系统，其中，每个所述子模块均使用一个多层神经网络结构，各个所述子模块所使用的多层神经网络结构的参数不同。5.如权利要求1所述的系统，其中，所述至少一个评价维度包括完整度、简洁度、约束遵守度和相关度；所述完整度表征所述推荐结果包含必要信息的符合程度；所述简洁度表征所述推荐结果不包含非必要信息的符合程度；所述约束遵守度表征所述推荐结果遵守所述用户自定义条件的符合程度；所述相关度表征所述推荐结果匹配所述用户结构化特征的符合程度。6.如权利要求5所述的系统，其中，用于对所述生成模组进行第一阶段训练的部分训练集包括：第一训练集，所述第一训练集包括从预先构建的候选指令集中随机采样并改写部分用户指令和/或随机删除部分用户结构化特征后得到的多个第一完整描述。7.如权利要求6所述的系统，其中，用于对所述奖励模组进行第二阶段训练的部分训练集包括：第二训练集，用于训练从所述完整度评价所述推荐结果的子模块，所述第二训练集包括随机删除所述多个第一完整描述中的部分文本得到的多个第二完整描述；第三训练集，用于训练从所述简洁度评价所述推荐结果的子模块，所述第三训练集包括对所述多个第...

【专利技术属性】
技术研发人员：邱昭鹏，郑值，宋洋，祝恒书，赵鹏，
申请(专利权)人：北京华品博睿网络技术有限公司，
类型：发明
国别省市：