一种基于大语言模型的在线招聘推荐系统及方法技术方案

本发明专利技术公开了一种基于大语言模型的在线招聘推荐系统，该推荐系统包括输入构造模组和大语言模型微调及推荐模组，输入构造模组根据在线招聘平台交互数据库提取求职者和招聘者的异质图，并将异质图中存在的交互语义路径转换为自然语言形式输入到大语言模型中；大语言模型微调及推荐模组采用在线招聘数据进行参数微调训练，并通过训练后的推荐模型对输入的文本特征进行处理，生成对应的推荐结果和决策原因。本发明专利技术还公开了一种基于大语言模型的在线招聘推荐方法，以及同时服务于求职者和招聘者的双向互惠推荐系统。本发明专利技术的有益效果为：用户可以直观理解推荐该结果的原因，使其更加信任该推荐结果；同时，擅长处理新岗位或招聘者的推荐。者的推荐。者的推荐。

【技术实现步骤摘要】
一种基于大语言模型的在线招聘推荐系统及方法


[0001]本专利技术涉及互联网信息推荐系统
，具体而言，涉及一种基于生成式大语言模型的在线招聘推荐系统及方法。

技术介绍

[0002]目前招聘领域的推荐系统的基本建模思路是基于用户画像和历史行为分别推荐较为适合的职位给求职者或合适的求职者给招聘者，然而随着在线招聘平台用户体量的快速增加，在线招聘平台对于精准式推荐系统的能力覆盖面要求也越来越高。在实际使用时，在线招聘平台采用传统推荐模型普遍存在两个重要问题，一是传统的基于交互数据进行训练的模型不擅长去处理与训练样本分布差异大的新岗位，例如随着人工智能技术的飞速发展，大量需要借助人工智能技术辅助工作的新职业在就业市场上大规模产生，传统的在线招聘推荐系统不具备对于这些新职业的岗位进行预测的能力；二是传统的推荐系统特别是深度学习模型的可解释性较弱，从而无法给出决策过程的原因描述，这在现有的招聘平台业务中体现的更为明显。

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支持求职者和招聘者之间职位匹配的在线招聘推荐系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大语言模型的在线招聘推荐系统，其特征在于，该推荐系统包括输入构造模组和大语言模型微调及推荐模组，其中，所述输入构造模组根据在线招聘平台交互数据库提取求职者和招聘者异质图，并将所述求职者和招聘者异质图中存在的交互语义路径转换为大语言模型可识别的自然语言形式，并以文本特征的形式输入到所述大语言模型微调及推荐模组中；所述大语言模型微调及推荐模组采用在线招聘数据对大语言模型进行参数微调训练，得到训练后的推荐模型，并通过所述训练后的推荐模型对所述输入构造模组输入的文本特征进行处理，生成与输入文本特征对应的推荐结果和决策原因，所述推荐结果和决策原因以自然语言形式输出。2.根据权利要求1所述的推荐系统，其特征在于，所述大语言模型为一个多层Transformer Decoders 组成的神经网络，所述大语言模型还包括语义路径权重学习层，所述语义路径权重学习层位于Token embedding层和Transformer block层之间，所述语义路径权重学习层为一个文本token的表征到标量的映射层，每条所述交互语义路径的表征通过所述语义路径权重学习层得到该条交互语义路径的权重，所述语义路径权重学习层将所述权重和对应的交互语义路径的表征相乘后输入到所述Transformer block层进行训练。3.根据权利要求1所述的推荐系统，其特征在于，所述输入构造模组构造的文本特征包括交互路径描述和指令，其中，所述交互路径描述包含求职者和招聘者的特征信息，所述指令为一段用于指示所述大语言模型结果输出的文本。4.根据权利要求1所述的推荐系统，其特征在于，所述大语言模型微调及推荐模组采用在线招聘数据对大语言模型进行参数微调训练包括：从所述在线招聘平台交互数据库中构造求职者和招聘者达成匹配的样本对，并采样负样本对，将所述样本对和负样本对以文本特征的形式输入大语言模型进行训练，得到训练后的推荐模型。5.根据权利要求4所述的推荐系统，其特征在于，所述采用在线招聘数据对大语言模型进行参数微调训练还包括微调指令构造，所述微调指令构造包括：通过预训练大语言模型改写句子生成指令集合，从所述指令集合中随机选择微调指令，将求职者和招聘者达成匹配的结果描述文本作为label，并采用语言模型损失函数对所述大语言模型进行训练。6.一种适用于在线招聘的双向互惠推荐系统，其特征在于，采用权利要求1
‑
5任一项所述的基于大语言模型的在线招聘推荐系统，所述双向互惠推荐系统同时适用于求职者和招聘者，即为求职者推荐职位和为招聘者推荐求职者；当所述双向互惠推荐系统为求职者推荐职位时，所述输入构造模组根据求职者的交互信息为求职者...

【专利技术属性】
技术研发人员：吴李康，丘昭鹏，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：