“学者-高校”匹配的双向就业推荐系统研究

摘要

双向推荐是就业推荐系统实践的重要趋势，对“学者-高校”这一就业场景具有极强的现实意义.此外，传统就业推荐系统多依赖于主观信息来进行职位匹配，然而这种方式往往受到简历夸大或职位描述模糊的困扰.针对上述问题，本文提出了一种基于混合协同过滤的双向就业推荐系统SU-JRS.该系统首先利用基于内容算法计算研究基础相似度，接着基于特征递增和合并型混合法设计协同过滤算法进行评分预测，最后引入地理偏好因素完成推荐.通过在论文数据集Aminer-Paper上进行试验，试图有效规避主观因素的干扰，提升有效性.实验显示，在学者就业和高校招聘两个核心场景，SU-JRS在命中率（HR）、召回率（Recall）、平均倒数排名（MRR）和归一化折损累计增益（NDCG）上均达到最优表现，在推荐效果上相较于基线算法展现出显著优势，且采用已发表的论文数据作为学者与高校匹配的依据，有效地实现了学者与高校之间的双向匹配，降低了主观信息可能带来的误导.

关键词

双向推荐 / 就业推荐系统 / 混合协同过滤 / “学者-高校”匹配