徐紅艷，王碧瑩，馮 勇，王嶸冰

(遼寧大學(xué) 信息學(xué)院，遼寧 沈陽(yáng) 110036)

0 引言

在國(guó)內(nèi)經(jīng)濟(jì)穩(wěn)定、高速發(fā)展及國(guó)際重視中國(guó)市場(chǎng)的背景下，各行業(yè)都在擴(kuò)大生產(chǎn)經(jīng)營(yíng)規(guī)模，藉此產(chǎn)生了更多的職位需求.在信息技術(shù)的推動(dòng)下，這些職位需求數(shù)據(jù)在網(wǎng)絡(luò)空間迅猛增長(zhǎng)和快速傳播，進(jìn)而引發(fā)信息過(guò)載問(wèn)題[1].在海量的職位信息中找到適合的職位對(duì)求職者來(lái)說(shuō)是一件復(fù)雜而又耗時(shí)的事情，尤其對(duì)缺乏工作和社會(huì)經(jīng)驗(yàn)的應(yīng)屆大學(xué)生，職位選擇顯得愈發(fā)困難.

當(dāng)前的職位推薦系統(tǒng)大多是熱門(mén)職位推薦或是基于關(guān)鍵詞匹配的推薦，然而熱門(mén)職位推薦缺乏針對(duì)性，基于關(guān)鍵詞匹配的推薦不能滿足用戶(hù)的個(gè)性化職位需求[2].知識(shí)圖譜作為一種新興知識(shí)處理技術(shù)，它可以從知識(shí)層面表述知識(shí)實(shí)體及知識(shí)間的關(guān)聯(lián)，將其應(yīng)用于職位推薦領(lǐng)域可以更好地處理職位供需間的匹配，帶來(lái)更為準(zhǔn)確的職位推薦.面對(duì)互聯(lián)網(wǎng)中海量的招聘數(shù)據(jù)，基于知識(shí)圖譜的職位推薦不僅能滿足求職者對(duì)所需職位的高覆蓋率，也能體現(xiàn)出職位推薦的個(gè)性化特征.因此，本文提出了一種基于知識(shí)圖譜的大學(xué)生職位推薦方法，通過(guò)借助知識(shí)圖譜工具顯示招聘資源間的結(jié)構(gòu)關(guān)系以及職位的分布情況，根據(jù)知識(shí)圖譜中展現(xiàn)的關(guān)系，將與求職大學(xué)生有著直接或間接關(guān)系的職位推薦給他們，這樣有助于提高大學(xué)生的就業(yè)率.本文通過(guò)引入知識(shí)圖譜相關(guān)技術(shù)，開(kāi)發(fā)出來(lái)的職位推薦系統(tǒng)能為高校畢業(yè)生提供一個(gè)簡(jiǎn)潔高效的職位推薦平臺(tái)，使學(xué)生可以更精準(zhǔn)地獲取到適合自己的職位信息，這樣可以加快畢業(yè)生的求職速度，有效地緩解學(xué)生的就業(yè)壓力，也能為企業(yè)節(jié)約時(shí)間和招聘成本.

1 相關(guān)工作

1.1 知識(shí)建模

知識(shí)建模是知識(shí)圖譜構(gòu)建技術(shù)的基礎(chǔ).有2種搭建知識(shí)圖譜的方法：自頂向下(top-down)和自底向上(bottom-up).自頂向下是預(yù)先定義好本體和數(shù)據(jù)模式，然后把實(shí)體加進(jìn)知識(shí)庫(kù)系統(tǒng)中，這種搭建方法必須采用當(dāng)前的部分結(jié)構(gòu)化知識(shí)庫(kù)系統(tǒng)作為基礎(chǔ)知識(shí)庫(kù)系統(tǒng)，F(xiàn)reeBase知識(shí)庫(kù)就是采用這種方法構(gòu)建而成的.自底向上是從一些對(duì)外界開(kāi)放的數(shù)據(jù)信息中獲取實(shí)體，選擇可靠性比較高的放到知識(shí)庫(kù)系統(tǒng)中，然后對(duì)頂層的本體模式進(jìn)行搭建，很大一部分知識(shí)圖譜就是依靠自底向上的方法搭建出來(lái)的，這里面最具代表性的是Google和微軟構(gòu)建的知識(shí)庫(kù)，這也符合互聯(lián)網(wǎng)數(shù)據(jù)內(nèi)容知識(shí)產(chǎn)生的特點(diǎn).

1.2 知識(shí)抽取

知識(shí)抽取中最重要的是如何從異構(gòu)數(shù)據(jù)庫(kù)中自動(dòng)抽取信息內(nèi)容以獲得替代的知識(shí)單元.相對(duì)于垂直領(lǐng)域的知識(shí)圖譜，其數(shù)據(jù)通常采用2種方式獲得：1)業(yè)務(wù)本身的生成數(shù)據(jù)信息，這類(lèi)數(shù)據(jù)大體上是指企業(yè)內(nèi)部的數(shù)據(jù)庫(kù)表，并將其以結(jié)構(gòu)化形式存儲(chǔ)起來(lái)；2)以網(wǎng)頁(yè)形式存在的非結(jié)構(gòu)化數(shù)據(jù)，這類(lèi)數(shù)據(jù)一般是從Internet上抓取的公開(kāi)數(shù)據(jù).第1種類(lèi)型的數(shù)據(jù)通常經(jīng)過(guò)簡(jiǎn)單的預(yù)處理就可以用作AI系統(tǒng)后續(xù)的輸入數(shù)據(jù)，而后1種類(lèi)型的數(shù)據(jù)就要依靠自然語(yǔ)言的處理技術(shù)來(lái)獲得結(jié)構(gòu)化的數(shù)據(jù)信息.這一點(diǎn)恰好是知識(shí)抽取部分的一個(gè)難題，它涉及的核心技術(shù)包括實(shí)體抽取、關(guān)系抽取以及屬性抽取[3].

1.2.1 實(shí)體抽取

實(shí)體抽取指的是從文本數(shù)據(jù)中自動(dòng)檢索出命名實(shí)體[4]，它的目的是在知識(shí)圖譜中構(gòu)建節(jié)點(diǎn).實(shí)體抽取的質(zhì)量很大程度上影響著后面知識(shí)獲取的質(zhì)量和獲取速度，所以說(shuō)實(shí)體抽取是知識(shí)抽取環(huán)節(jié)中最基礎(chǔ)也是最重要的模塊.

1.2.2 關(guān)系抽取

文本語(yǔ)料在前面的實(shí)體抽取后獲得的是一系列分散開(kāi)來(lái)的命名實(shí)體，為了更好地從中獲得語(yǔ)義信息，在把這些實(shí)體和概念關(guān)聯(lián)在一起之前，必須從與之對(duì)應(yīng)的語(yǔ)料中獲取出實(shí)體間的關(guān)聯(lián)信息，這樣才能得到知識(shí)系統(tǒng)的網(wǎng)狀結(jié)構(gòu).關(guān)系抽取技術(shù)，歸根結(jié)底就是從文本語(yǔ)料中抽取實(shí)體之間關(guān)聯(lián)關(guān)系的一項(xiàng)技術(shù)[5].

1.2.3 屬性抽取

屬性抽取的最終目的是要從不一樣的信息源中收集指定實(shí)體的屬性相關(guān)信息，以達(dá)到詳細(xì)描述實(shí)體屬性這一目的[6]，如針對(duì)某款筆記本電腦，可以從互聯(lián)網(wǎng)中獲取多源異構(gòu)的數(shù)據(jù)，從中得到其品牌、配置等信息.

如果把實(shí)體的屬性值看作是一種特殊的實(shí)體，那么屬性抽取實(shí)際上也是一種關(guān)系抽取.百科類(lèi)網(wǎng)站提供的半結(jié)構(gòu)化數(shù)據(jù)是通用領(lǐng)域?qū)傩猿槿⊙芯康闹饕獢?shù)據(jù)來(lái)源，但具體到特定的應(yīng)用領(lǐng)域，涉及大量的非結(jié)構(gòu)化數(shù)據(jù)，屬性抽取仍然是一個(gè)巨大的挑戰(zhàn)[7].

1.3 知識(shí)表示

知識(shí)表示旨在通過(guò)計(jì)算機(jī)來(lái)展現(xiàn)知識(shí)的可行性和有效性，它想要達(dá)到數(shù)據(jù)結(jié)構(gòu)與控制結(jié)構(gòu)的統(tǒng)一，因此，不僅要注意知識(shí)存儲(chǔ)上容易出現(xiàn)的狀況，也要想到知識(shí)使用方面的問(wèn)題.知識(shí)表示可以看作是敘述一組事物的約定，從而將知識(shí)表示為能夠被機(jī)器識(shí)別處理的數(shù)據(jù)結(jié)構(gòu)[8].

2 基于知識(shí)圖譜的大學(xué)生職位推薦方法描述

本文提出了一種基于知識(shí)圖譜的職位推薦方法，推薦方法的框架如圖1所示.通過(guò)將知識(shí)圖譜的概念引入到職位推薦中，以此來(lái)彌補(bǔ)當(dāng)前職位推薦方法中存在的推薦精度不高、缺乏個(gè)性化等問(wèn)題.所提方法的思想：首先將知識(shí)圖譜映射到低維稠密向量空間里，以獲取職位信息中的職位相似度；接下來(lái)依據(jù)職位信息生成用戶(hù)的行為矩陣，進(jìn)而計(jì)算出職位之間的相似度；然后通過(guò)融合這2種類(lèi)型的職位相似度，得到融合后的職位相似度矩陣，并以該矩陣作為基礎(chǔ)，得到用戶(hù)對(duì)職位庫(kù)中所有職位的估算分值；最后依據(jù)這個(gè)分?jǐn)?shù)得出推薦給用戶(hù)的職位排序列表.下面分別對(duì)方法中的核心環(huán)節(jié)加以詳細(xì)描述.

圖1 基于知識(shí)圖譜的大學(xué)生職位推薦方法框架

2.1 向量化表示

關(guān)于知識(shí)建模等構(gòu)建知識(shí)圖譜的相關(guān)技術(shù)和方法已經(jīng)在第1節(jié)中詳細(xì)介紹，下面介紹知識(shí)圖譜的向量化表示.

這里使用TransE算法將知識(shí)圖譜中的實(shí)體與關(guān)系嵌入到低維向量空間中[9]，TransE算法的主要思想是將三元組(h，r，t)中的關(guān)系看作從實(shí)體head到實(shí)體tail的翻譯.其中，h是頭實(shí)體的向量表示，r是關(guān)系的向量表示，t是尾實(shí)體的向量表示.通過(guò)不斷調(diào)整三者的向量表示，使得h+r盡可能與t相等，即h+r=t，那么就說(shuō)明知識(shí)圖譜中的三元組成立.如果成立，TransE算法就必須達(dá)到公式(1)和公式(2)的要求：

對(duì)正樣本三元組：h+r≈t

(1)

對(duì)負(fù)樣本三元組：h+r≠t

(2)

在上面兩式中，h+r與t的關(guān)系表示與向量相似度的近似等價(jià)程度.這里向量相似度通過(guò)計(jì)算歐氏距離實(shí)現(xiàn)，得分函數(shù)的公式如式(3)所示：

f(h，r，t)=‖h+r-t‖L1/L2

(3)

得分函數(shù)值越小，越有利于正樣本三元組；得分函數(shù)值越大，對(duì)負(fù)樣本三元組越有利[10].接著，TransE算法通過(guò)損失函數(shù)測(cè)試表示學(xué)習(xí)的效果，損失函數(shù)的計(jì)算如公式(4)所示：

(4)

其中，S是正樣本的集合，S′h，r，t是三元組(h，r，t)的負(fù)樣本.知識(shí)圖譜中三元組的負(fù)樣本是通過(guò)隨機(jī)替換頭實(shí)體h或尾實(shí)體t后經(jīng)過(guò)大量訓(xùn)練得到的.以x表示公式(4)中方括號(hào)內(nèi)的式子，則[x]+指的是max(0，x)；γ表示函數(shù)間隔的大小，且γ>0.TransE算法通過(guò)不斷地訓(xùn)練和優(yōu)化算法，損失函數(shù)的值可以達(dá)到最小.算法通過(guò)不斷地迭代來(lái)更新參數(shù)，直到收斂或者達(dá)到最大迭代次數(shù)，這時(shí)知識(shí)圖譜中的實(shí)體就會(huì)被映射到向量空間中的相應(yīng)位置[11].

2.2 相似度計(jì)算

本小節(jié)主要對(duì)系統(tǒng)中職位的相似度進(jìn)行計(jì)算，分為2個(gè)部分：基于簡(jiǎn)歷的職位相似度計(jì)算和基于用戶(hù)行為的職位相似度計(jì)算.

本文所提方法的相似度計(jì)算有2個(gè)來(lái)源：1)通過(guò)提取用戶(hù)簡(jiǎn)歷中的信息計(jì)算其與職位的相似度；2)由用戶(hù)在系統(tǒng)上對(duì)職位作出查看或收藏等用戶(hù)行為而得到的職位相似度.最后融合這2種來(lái)源的相似度，以此獲得最終的職位信息相似度.

2.2.1 基于簡(jiǎn)歷的職位相似度

前文介紹了知識(shí)圖譜中富含大量的語(yǔ)義信息，可以從語(yǔ)義的層面描述職位之間的相似度[12].2.1節(jié)里又詳細(xì)地闡明了知識(shí)圖譜中實(shí)體向量化表示的具體步驟，因此獲得了實(shí)體在高維空間里的向量表示.接下來(lái)根據(jù)職位的嵌入向量，介紹職位語(yǔ)義相似度的詳細(xì)計(jì)算.

首先，把知識(shí)圖譜上職位信息的實(shí)體和關(guān)系都映射到d維空間里去，職位Ii嵌入一個(gè)d維的向量如公式(5)所示：

Ii=(E1i，E2i，…，Epi)T

(5)

這里的Epi指的是職位Ii在第p維上嵌入向量的數(shù)值.

然后使用歐幾里得距離計(jì)算后獲得的評(píng)分函數(shù)，對(duì)知識(shí)圖譜中的實(shí)體和關(guān)系做嵌入操作[13].還需使用它測(cè)算向量的語(yǔ)義相似度，以此來(lái)精準(zhǔn)表達(dá)用戶(hù)的簡(jiǎn)歷與職位信息之間的相似性.在這一步之前，需要先用公式(6)來(lái)計(jì)算職位之間的距離：

(6)

通過(guò)公式(6)的計(jì)算最終歐幾里得距離大于等于零，再經(jīng)過(guò)公式(7)的計(jì)算，可以把它控制在區(qū)間(0，1]：

(7)

這個(gè)式子的計(jì)算結(jié)果越大，就表明用戶(hù)的簡(jiǎn)歷信息與職位信息之間的語(yǔ)義相似度數(shù)值越大.如果該數(shù)值是等于1的，簡(jiǎn)歷信息與職位信息之間的語(yǔ)義相似度就是最大的，可以認(rèn)定兩者相似程度很高；反之，如果該值是趨近于0的，就認(rèn)定兩者之間毫無(wú)關(guān)聯(lián).

2.2.2 基于用戶(hù)行為的職位相似度

根據(jù)用戶(hù)行為得到的所有信息可以看出用戶(hù)自身對(duì)于職位信息的關(guān)注[14].基于物品的協(xié)同過(guò)濾推薦的主要思路也是如此.基于物品的協(xié)同過(guò)濾推薦可實(shí)現(xiàn)領(lǐng)域范圍之內(nèi)的推薦，是依據(jù)訪問(wèn)系統(tǒng)的全部用戶(hù)對(duì)物品做出的用戶(hù)行為進(jìn)而得到物品之間的相似度，接著把認(rèn)定是相似的物品按照用戶(hù)行為的歷史數(shù)據(jù)進(jìn)行推薦.本文將用戶(hù)對(duì)職位信息的用戶(hù)行為劃分成許多個(gè)類(lèi)別，這里以最為尋常的評(píng)分信息作參照對(duì)職位信息進(jìn)行向量化表示.

假設(shè)本文實(shí)現(xiàn)的系統(tǒng)里有訪問(wèn)系統(tǒng)的m個(gè)用戶(hù)U=(U1，U2，…，Um)和被單位發(fā)布出來(lái)的n個(gè)職位I=(I1，I2，…，In)，那么用戶(hù)對(duì)職位的評(píng)分信息可以表示為如公式(8)所示的m×n矩陣Rm×n：

(8)

接下來(lái)，要把職位Ii表示成如公式(9)所示的一個(gè)m維的向量，它的數(shù)值意味著在每一個(gè)維度上都有相應(yīng)的求職者對(duì)職位的一個(gè)打分.

Ii=(R1i，R2i，…，Rmi)T

(9)

這里利用余弦相似度公式得到基于用戶(hù)行為的職位信息相似度[15]，具體的計(jì)算如公式(10)所示：

(10)

公式(10)計(jì)算出來(lái)的數(shù)值越大，就代表職位Ii與職位Ij之間被用戶(hù)行為的影響程度越深.一旦計(jì)算結(jié)果等于1，就可以說(shuō)這2個(gè)職位從某種程度上來(lái)講是一樣的；如果計(jì)算結(jié)果等于0，就意味著這2個(gè)職位之間完全無(wú)關(guān).另外，如果這個(gè)用戶(hù)u沒(méi)有給職位i打出評(píng)分?jǐn)?shù)據(jù)，那么Rui的數(shù)值就是零.

2.2.3 相似度融合

根據(jù)獲取到的簡(jiǎn)歷信息對(duì)于職位相關(guān)信息的嵌入向量，可以獲得基于簡(jiǎn)歷信息的職位相似度simknowledge_graph.同時(shí)，依據(jù)用戶(hù)行為而生成的職位相關(guān)的評(píng)分矩陣，可以獲得基于用戶(hù)行為的職位相似度simusers_behavior.這里用加權(quán)的方法對(duì)這2種相似度進(jìn)行融合計(jì)算，可以獲取所需的最終相似度數(shù)值，詳細(xì)的計(jì)算方式如公式(11)所示：

sim(Ii，Ij)=α·simknowledge_graph(Ii，Ij)+(1-α)simusers_behavior(Ii，Ij)

(11)

這里α代表2種相似度算法的融合度，它的區(qū)間在[0，1]，表示最終職位相似度中根據(jù)簡(jiǎn)歷信息計(jì)算的職位相似度的占比大小.α的數(shù)值等于1說(shuō)明最終相似度的結(jié)果全部是根據(jù)簡(jiǎn)歷中用戶(hù)信息獲取的職位相似度數(shù)值；α的數(shù)值等于0說(shuō)明最終相似度結(jié)果全部是根據(jù)用戶(hù)行為計(jì)算出來(lái)的相似度值.職位相似度融合之后的區(qū)間也是[0，1].

對(duì)全部用戶(hù)信息與職位信息之間的相似度進(jìn)行融合以后，基于職位信息的相似度通過(guò)矩陣的方式展現(xiàn)如下：

這里，sij表示職位Ii和職位Ij之間的相似度，sij=sji.另外，如果i等于j，sij的值為1，即這里全部的職位信息和它們自己的相似度數(shù)值都是1.

2.3 推薦列表生成

這里幫助求職者進(jìn)行偏好職位推薦的基本思想：首先根據(jù)2.2節(jié)計(jì)算獲取到的簡(jiǎn)歷信息與職位之間生成的相似度矩陣以及求職者對(duì)于職位的用戶(hù)行為生成的矩陣，然后通過(guò)預(yù)測(cè)來(lái)獲得每個(gè)求職者給未評(píng)價(jià)過(guò)的職位內(nèi)容的打分?jǐn)?shù)值；最后系統(tǒng)根據(jù)求職者對(duì)每個(gè)職位內(nèi)容的預(yù)測(cè)評(píng)分生成一個(gè)按照評(píng)分由高到低排序的職位列表.

生成職位相似度矩陣之后，這里通過(guò)pui指代預(yù)估出來(lái)的用戶(hù)u對(duì)職位i的分值，借助公式(12)就可以計(jì)算出pui的數(shù)值.

(12)

其中sij表示職位Ii和職位Ij之間的相似度，Ruj指代現(xiàn)存評(píng)分矩陣?yán)镉脩?hù)u給職位j打出的分值，N(u)是用戶(hù)u已經(jīng)給出評(píng)分的職位信息的全部集合，S(i，k)指代和職位i相關(guān)性最高的k個(gè)職位的全部集合.

經(jīng)過(guò)公式(12)計(jì)算得出的預(yù)測(cè)評(píng)分?jǐn)?shù)值越高，代表該職位與用戶(hù)過(guò)往評(píng)分?jǐn)?shù)值很大的職位相似程度越高，其在系統(tǒng)中職位推薦列表里的位置排列更靠上些.

在本文實(shí)現(xiàn)的職位推薦系統(tǒng)中，系統(tǒng)給每位求職者都推薦一個(gè)含有N個(gè)職位在內(nèi)的詳情列表.系統(tǒng)給求職者作出推薦的依據(jù)如下：如果求職者對(duì)職位的預(yù)測(cè)評(píng)分?jǐn)?shù)值很高，那么就有理由認(rèn)定該用戶(hù)對(duì)這個(gè)職位偏好強(qiáng)烈，這個(gè)職位信息在列表中的位置就靠前，也更易被訪問(wèn)系統(tǒng)的求職者注意到；反之，這個(gè)職位的信息可能出現(xiàn)在列表中相對(duì)靠后的位置，甚至可能因?yàn)閿?shù)值過(guò)低沒(méi)有出現(xiàn)在列表中.按照這個(gè)思路，系統(tǒng)最終會(huì)生成一個(gè)包括N個(gè)職位信息在內(nèi)的、依據(jù)數(shù)值由高至低排列的職位推薦列表.

3 實(shí)驗(yàn)分析

3.1 數(shù)據(jù)集與實(shí)驗(yàn)環(huán)境介紹

本系統(tǒng)通過(guò)網(wǎng)絡(luò)爬取技術(shù)抓取互聯(lián)網(wǎng)招聘數(shù)據(jù)[16]，數(shù)據(jù)包括23 213條節(jié)點(diǎn)數(shù)據(jù)，11種關(guān)系類(lèi)型在內(nèi)的關(guān)系數(shù)據(jù)126 559條.下面將其按照7∶3的比例分為訓(xùn)練集和測(cè)試集，并針對(duì)這2個(gè)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn).

本文實(shí)驗(yàn)環(huán)境如下：

1)操作系統(tǒng)：Windows 7

2)CPU：頻率 2.60 GHz

3)編程工具：PyCharm Community Edition 2019.2.3和Python

4)顯卡信息：Intel(R)HD Graphics 4000

3.2 指標(biāo)和參數(shù)選取

本文實(shí)現(xiàn)的職位推薦系統(tǒng)是向用戶(hù)推薦偏好的職位信息，因此針對(duì)系統(tǒng)生成的職位推薦列表，選取2個(gè)數(shù)據(jù)集采用交叉驗(yàn)證的方法進(jìn)行實(shí)驗(yàn)分析，從準(zhǔn)確率(Precision)和召回率(Recall)2個(gè)指標(biāo)評(píng)價(jià)職位推薦系統(tǒng)的推薦結(jié)果.

為了更加清楚地解釋準(zhǔn)確率和召回率，本文定義一些符號(hào)如下：

TP(True Positive)代表推薦系統(tǒng)已經(jīng)推薦，且實(shí)際的用戶(hù)行為也確實(shí)發(fā)生了的樣本；

FP(False Positive)代表推薦系統(tǒng)已經(jīng)推薦，但實(shí)際的用戶(hù)行為并沒(méi)有發(fā)生的樣本；

FN(False Negative)代表推薦系統(tǒng)沒(méi)有推薦，但實(shí)際的用戶(hù)行為發(fā)生了的樣本.

準(zhǔn)確率的定義如公式(13)所示：

(13)

準(zhǔn)確率計(jì)算公式的含義是，在所有被職位推薦系統(tǒng)預(yù)測(cè)推薦的樣本中實(shí)際推薦的概率.

召回率的定義如公式(14)所示：

(14)

召回率計(jì)算公式的含義是，在職位推薦系統(tǒng)實(shí)際推薦的樣本中被預(yù)測(cè)推薦的職位概率.

這里融合度的變化范圍是[0，1]，設(shè)定融合度的變化數(shù)值為0.1，共做11組實(shí)驗(yàn)，即觀察融合度數(shù)值以0.1為步長(zhǎng)的情況下準(zhǔn)確率和召回率的變化情況.融合度數(shù)值等于0，代表職位推薦方法全部采用基于簡(jiǎn)歷信息與職位信息的相似度算法；融合度數(shù)值等于1，代表推薦方法使用的都是基于用戶(hù)行為的相似度算法.隨后，用數(shù)據(jù)集對(duì)這些算法做實(shí)驗(yàn)分析，以此得到指標(biāo)狀況最佳時(shí)的融合度數(shù)值.下面對(duì)不同融合度數(shù)值下的各個(gè)算法進(jìn)行實(shí)驗(yàn)分析.

圖2為2種相似度算法在不同融合度數(shù)值下準(zhǔn)確率指標(biāo)變化情況，圖3為相同條件下召回率的變化情況，當(dāng)融合度數(shù)值為0時(shí)，表示基于簡(jiǎn)歷信息與職位信息的相似度算法的指標(biāo)情況.由圖2和圖3可以發(fā)現(xiàn)，當(dāng)融合度值在0.6的時(shí)候，融合相似度算法在2個(gè)指標(biāo)上都達(dá)到了最高點(diǎn)，表明在這個(gè)融合度下，該融合算法在準(zhǔn)確率、召回率上的表現(xiàn)都是最佳的.

圖2 不同融合度下的準(zhǔn)確率

圖3 不同融合度下的召回率

3.3 實(shí)驗(yàn)結(jié)果

本文選取使準(zhǔn)確率和召回率都到達(dá)最理想效果的融合度0.6，驗(yàn)證當(dāng)融合度值確定時(shí)本方法在不同近鄰數(shù)K下的準(zhǔn)確率和召回率，使用主流應(yīng)用的基于內(nèi)容的推薦方法、協(xié)同過(guò)濾推薦方法以及混和推薦方法作為本文提出的推薦方法的對(duì)比方法.通過(guò)對(duì)比實(shí)驗(yàn)比較這4種方法在近鄰數(shù)的不同選值下準(zhǔn)確率和召回率的情況.近鄰數(shù)K的值分別選取50，70，90，110和130，實(shí)驗(yàn)10次取得平均值作為實(shí)驗(yàn)的最終結(jié)果.

從圖4和圖5中可以看出，本文提出的推薦方法在準(zhǔn)確率和召回率上表現(xiàn)良好，說(shuō)明在引入知識(shí)圖譜概念的基礎(chǔ)上，對(duì)2種相似度進(jìn)行融合，推薦的效果比基于內(nèi)容的推薦方法和協(xié)同過(guò)濾推薦方法相比要更好，當(dāng)近鄰數(shù)為100時(shí)，本文提出的方法在準(zhǔn)確率上提升了約5%，在召回率上提升了約3%，彌補(bǔ)了當(dāng)前推薦方法的不足，同時(shí)也說(shuō)明了本文提出的職位推薦方法的優(yōu)越性.

圖4 不同近鄰數(shù)K下的準(zhǔn)確率

圖5 不同近鄰數(shù)K下的召回率

4 結(jié)束語(yǔ)

針對(duì)大學(xué)生面對(duì)海量招聘信息時(shí)的職位選擇困惑，本文提出了基于知識(shí)圖譜的職位推薦方法，通過(guò)使用圖形數(shù)據(jù)庫(kù)Neo4j構(gòu)建一個(gè)求職招聘領(lǐng)域知識(shí)圖譜，將知識(shí)圖譜中的實(shí)體映射到低維稠密向量空間里，對(duì)其中的實(shí)體和關(guān)系進(jìn)行向量化表示，計(jì)算用戶(hù)的簡(jiǎn)歷信息與職位信息之間的相似度，同時(shí)根據(jù)用戶(hù)行為計(jì)算其與職位間的相似度，通過(guò)融合相似度計(jì)算得到用戶(hù)對(duì)職位的預(yù)測(cè)評(píng)分，進(jìn)而生成職位推薦列表，以提高推薦系統(tǒng)的精準(zhǔn)度.經(jīng)對(duì)比實(shí)驗(yàn)驗(yàn)證，本文所提職位推薦方法能夠更好地滿足當(dāng)前大學(xué)生的就業(yè)需求.