融合知识图谱的多行为职位推荐

摘要

为提高职位推荐准确率，基于求职者和招聘者在“浏览岗位→投递简历→招聘者反馈”等环节表现出的行为隐含的求聘双方偏好信息，提出了一种融合知识图谱的多行为职位推荐模型(multi-behavior job recommendation integrating knowledge graph, MB-JRIKG)。该方法基于真实的职位数据构建求职领域知识图谱，并在偏好传播理论的基础上提出多行为偏好传播策略，将求聘各环节中“招聘者认可”设为目标行为，求职者浏览岗位和投递简历设定为辅助行为，综合预测求职者的偏好。首先，分别以用户在不同行为下的历史记录作为用户感兴趣的种子集，并在知识图谱中沿着节点之间的关系进行偏好传播以推理出用户的潜在偏好，增强用户表示；然后，将用户表示向量和职位表示向量输入预测函数中，计算用户在每个行为类型下的交互概率，并加权求和作为目标行为的交互概率；最后，使用阿里巴巴人岗智能匹配的比赛数据集进行点击率预测实验。结果表明，在与MF、XGBoost、KGCN、RippleNet 4个基准模型的对比中，MB-JRIKG相比次优基准模型RippleNet在指标AUC和ACC上分别提高了0.014 5和0.028 8,验证了模型的有效性，实现了数据的充分利用。该模型有效结合求聘双方的交互行为进行推荐，引入职位知识图谱的属性关联，对实现个性化的职位推荐有参考价值。

关键词

自然语言处理 / 职位推荐 / 知识图谱 / 多行为 / 偏好传播