[发明专利]基于简历内容的职位推荐方法

说明书

本发明公开了一种基于简历内容的职位推荐方法，包括以下步骤：获取每个招聘职位的招聘信息，依据招聘信息为每个招聘职位生成一个职位向量P_i，所有职位向量构成职位向量集P；获取每个用户简历中的简历信息，依据简历信息为每个用户简历生成一个简历向量R_j，所有简历向量构成简历向量集R；依据目标简历的简历向量遍历职位向量集中职位向量，对职位向量采用一票否决法进行排除，剩余职位向量生成候选职位向量集；计算目标简历对应简历信息与候选职位向量集每个职位向量对应招聘信息的相似度，生成职位推荐列表，并推荐给求职者。本发明具有采用一票否决法进行预排除，有效减少相似度算法的计算量，提高推荐效率的有益效果。

技术领域

本发明涉及网络招聘技术领域。更具体地说，本发明涉及一种基于简历内容的职位推荐方法。

背景技术

随着国际互联网在中国的普及，中国的网络招聘领域表现出了蓬勃发展之势。迅速增长的网络招聘规模在给求职者带来更多的选择机会的同时，也增加了求职者搜索所需要职位的成本。为此各大著名的网络招聘网站都不同程度的引入了职位推荐系统，帮助求职者决定投递什么职位。当前网络招聘推荐技术研究的热点是协同排除推荐技术(Collaborative Filtering)，协同排除推荐算法主要是基于一组兴趣相同的求职者进行推荐。其最大优点是不需要分析对象的特征属性，对推荐对象没有特殊的要求，当数据密度达到一定程度时表现出较好的推荐质量。但是这种方法有如下明显的不足之处：一是数据稀疏性问题(sparsity problem)，即求职者对职位评分数据比较少的时候推荐质量比较低，特别是在职位数据非常多而求职者数据较少时该问题尤为突出；并且当新添加一件职位时没有评分数据，则协同排除技术无法向求职者推荐这样的职位，这种问题称为新职位问题，同样，一个新求职者没有对任何数据做过评分，协同排除技术也无法向该求职者推荐职位，此种问题称为新求职者问题。新职位问题和新求职者问题都称为冷启动问题(cold-start problem)。二是可扩展性问题(scalability)，协同排除算法的计算时间随着求职者和职位数量的增加而成线性关系增加，从而导致可扩展性比较差，不能适应大型招聘网站的推荐需要。

发明内容

本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。

本发明还有一个目的是提供一种基于简历内容的职位推荐方法，其采用一票否决法进行预排除，有效减少相似度算法的计算量，提高推荐效率。

为了实现根据本发明的这些目的和其它优点，提供了一种基于简历内容的职位推荐方法，包括以下步骤：

获取每个招聘职位的招聘信息，依据招聘信息为每个招聘职位生成一个职位向量P_i，所有职位向量构成职位向量集P，P＝(P₁、P₂、…、P_i、…、P_m)；

获取每个用户简历中的简历信息，依据简历信息为每个用户简历生成一个简历向量R_j，所有简历向量构成简历向量集R，R＝(R₁、R₂、…、R_j、…、R_m)，其中，每个招聘职位的职位信息、每个用户简历中的简历信息均包括用于表示职位信息、工作地信息、薪资信息、职位类型信息、学历信息、工作经验信息、行业信息的关键词；

选中一份用户简历作为目标简历，依据目标简历的简历向量遍历职位向量集中职位向量，对职位向量按照职位信息、工作地信息、薪资信息、职位类型信息、学历信息采用一票否决法进行排除，剩余职位向量生成候选职位向量集；

依据职位信息、工作地信息、薪资信息、学历信息、工作经验信息、行业信息计算目标简历对应简历信息与候选职位向量集每个职位向量对应招聘信息的相似度，筛选出与目标简历相似度最高的前N个招聘职位生成职位推荐列表，并推荐给求职者。