[发明专利]一种基于深度学习的人才推荐方法、系统及存储介质

说明书

本发明公开了一种基于深度学习的人才推荐方法、系统及存储介质。该方法包括步骤：读取训练集中的用户日志样本并进行解析，获得多组关联数据样本和人才查看数据样本，关联数据为预先定义的对人才查看行为具有影响的数据；将关联数据样本封装成对象样本，获得对象样本序列；从人才查看数据样本中提取特征序列样本，特征序列为预先定义的区别不同人才的属性序列；将多组特征序列样本作为标签对对象样本序列进行标注，获得标注样本序列；将对象样本序列和标注样本序列输入到人才推荐模型进行训练。本发明能够基于用户的操作习惯、位置信息等对用户查看行为具有影响的关联数据，实现个性化推荐。

技术领域

本发明属于信息技术领域，更具体地，涉及一种基于深度学习的人才推荐方法、系统及存储介质。

背景技术

现有技术中的人才推荐方法主要有：招聘网中的人才推荐系统、基于合作者网络的人才推荐系统算法、基于项目标签的人才推荐模型、基于文本分类的人才自动推荐系统。

(1)招聘网中的人才推荐系统，用户需上传简历，系统会自动提取用户特征和职位特征进行匹配并将匹配度高的职位推荐给人才用户。同时通过对企业招聘信息的分析，将招聘条件和招聘要求同个人用户的特征进行匹配，将匹配度高的人才简历推荐给企业。

该项技术的不足之处是，推荐系统倾向于搜索引擎，而不是推荐算法。虽然可以推荐简历和职位相匹配的人才，但是该系统依赖于用户上传的简历和企业上传的招聘信息进行文本分析和搜索，用户的需求必须十分明确，缺少协同过滤或者内容推荐等推荐算法，因此缺少个性化特点推荐。

(2)基于合作者网络的人才推荐系统算法，主要研究的问题是在合作者网络里找到度量学者之间关联强度的指标，并为高校推荐潜在的学术人才。

该项技术的不足之处是，数据收集，需要收集大量人才之间合作的关系，然后根据指标计算出关联强度，而这些合作关系需要耗费大量时间人力去收集，并且收集的信息不一定可靠，极有可能限制在某一范围内，对推荐结果造成很大影响。

(3)基于项目标签的人才推荐模型，选取了五个重点指标，例如服务类别、服务对象、所属行业、作品风格、项目报价作为项目标签，通过相对比较法获得各个标签的权重，接着结合基于内容的推荐和基于项目的协同过滤推荐思想构建了基于项目标签的人才推荐基本模型，推荐适合完成该项目的人才。

该项技术的不足之处是，数据收集，需要收集大量关于人才的项目信息，数据的完整性、及时性无法保证，缺失的人才项目信息会导致推荐结果的精确度。另一方面，该算法着重研究人才的项目信息，出发点是做过类似项目的人适合做项目，容易导致推荐结果始终在一个群体中，其他人没有被推荐的机会，即马太效应。

(4)基于文本分类的人才自动推荐系统。系统采用了向量空间模型,通过构造文本分类器，对求职文本信息进行自动分类，并与单位招聘的岗位类别自动匹配，从而实现自动推荐人才的系统。

该项技术与招聘系统的人才推荐方法实现方法不同，但是思想一致，倾向于搜索引擎而不是推荐算法。虽然可以推荐简历和职位相匹配的人才，但是该系统依赖于用户上传的简历和企业上传的招聘信息进行文本分析和搜索，用户的需求必须十分明确，缺少协同过滤或者内容推荐等推荐算法，因此缺少个性化特点推荐。

发明内容

针对现有技术的至少一个缺陷或改进需求，本发明提供了一种基于深度学习的人才推荐方法、系统及存储介质，能够基于用户的操作习惯、位置信息等对用户查看行为具有影响的关联数据，实现个性化推荐。

为实现上述目的，按照本发明的第一方面，提供了一种基于深度学习的人才推荐方法，包括步骤：

读取训练集中的用户日志样本并进行解析，获得多组关联数据样本和对应的人才查看数据样本，关联数据样本为预先定义的对人才查看行为具有影响的数据样本；

将所述关联数据样本封装成对象样本，获得对象样本序列；