内容过滤推荐(基于内容过滤的网络招聘双向推荐系统研究)

近年来，网上招聘发展迅速，迅速成为招聘行业的新宠。面对对在线招聘平台丰富的信息，用户经常感到困惑，无法快速准确地找到合适的人才(职位)。推荐系统[1]可以提高在线招聘平台的服务能力，增加用户对对招聘系统的信任。虽然推荐是一项已经发展了多年的技术，并且已经在很多网站(亚马逊、网飞、当当网、豆瓣)得到了充分的应用，但是在中国的网上招聘领域，除了智联招聘，还没有一家公司使用得比较成熟。目前，招聘网站主要采用统计的方法，即通过记录每个帖子被咨询的频率，可以得到该帖子的受欢迎程度，从而将受欢迎程度较高的帖子呈现给用户。这种推荐方法虽然有一定的优势，但也有一定的缺点：每个用户看到的推荐帖子都是相似的，不能体现个性；许多低热但适合用户需求的不受欢迎的位置不能推荐。

如何获取用户的兴趣特征，使用什么样的模型，如何计算相似度是本文要解决的主要问题。

1用户需求特征

1.1用户需求

获取用户需求信息后，根据获取的信息描述用户的需求特征，并在此基础上建立模型是实现个性化推荐技术的前提。通常，用户需求模型反映了用户的需求信息。本文采用基于向量空间模型的表示方法。

1.2向量空间模型

向量空间模型[4]作为向量的标识符，是一种用于表达文本内容的数学模型，并已成功应用于著名的SMART文本检索系统。其原理是将对文本内容的处理简化为向量空间中的向量运算，文本内容中单词的位置和频率互不影响。我们可以使用一个M维向量来表示用户需求特征的模型，即W=((t1，wl)，(t2，w2)，…，(tm，wm))，其中tm表示文本内容中的关键字，而M表示出现在所有检索到的文本内容中的关键字的数量，而wm表示关键字tm在该文本内容中的比例。然而，使用空间向量来表达文本内容的意义会遇到一些困难：首先，不同的词语排列和组合会呈现不同的意义，并且所有搜索到的文章都是由大量的词语组成的，因此很难用词语来表达文章的意义。目前，评估单词对在文档意义中的重要性主要取决于单词在所有搜索到的文本内容中出现的次数。其次，由于搜索到的文本内容会不断丰富，M的增长尤为突出，这使得向量的分量不断增加，计算涉及的数据量迅速增加，导致降维成为近年来信息检索领域的一个研究热点。

目前，网上招聘平台的简历填写非常规范，所以我们可以利用其自身的特点[6]来避免上述问题。

1.3特征提取

特征项是最能反映用户主要信息的关键词。目前，大部分求职者简历和招聘人员招聘信息的条目都是在招聘网站上选择性填写的，所以从简历信息表和招聘信息表中获取特征项相对简单。即使有一些不确定的条目，如工作经历，也可以简化为“无、一年、两年等”的表述关键词。

2系统总体结构

该系统主要以B/S架构为基本框架，采用MVC开发模式，充分利用Struts2、Spring、Hibernate等前沿框架技术的优势，实现各个模块的具体功能。

系统的推荐功能主要由两部分实现，即用户信息处理部分和结果自动推荐部分，这两部分对用户是不可见的。

3系统推荐算法

3.1推荐的算法思想

双向推荐算法的基本思想是充分利用求职用户注册的简历和企业发布的招聘信息，对它们进行比较，判断它们之间的相似性。就像在招聘会上，在向企业提交简历之前，你首先会知道企业发布的职位信息是否符合自己的需求。如果是，你将提交你的简历并申请；否则，你将转向下一家企业，继续寻找符合自己需求的职位。为了充分利用简历和招聘信息，我们必须从中提取特征项。

首先，通过子指标量化招聘单位的招聘信息和求职用户的简历信息，可以考虑用数学模型来表示招聘单位的招聘信息和求职用户的简历信息；其次，根据转换后的特征项，构建招聘者和求职者的需求向量；最后，通过向量相似度计算公式计算两个向量之间的距离。鉴于招聘人员和求职者之间的双向匹配[8]，有必要分别为招聘人员和求职者建立人才推荐系统。

3.2需求向量生成

每一条招聘信息或求职信息都生成一个向量，每个向量的每个分量都是招聘或求职的每个条件，所有的招聘信息或求职信息构成一个向量集。例如，企业招聘信息向量：招聘(工作类型，教育背景，专业职称，年龄，性别，工资，住宿要求，工作地点等)和个人求职信息向量：求职(工作类型，教育背景，专业职称，年龄，性别，工资，住宿要求，工作地点等)，我们可以看到这两个向量的每个组成部分都是一一对(节选)