[发明专利]一种基于SWPEM路由算法的职位推荐方法

说明书

本发明公开了一种基于SWP EM路由算法的职位推荐方法，包括：将用户信息和职位浏览历史数据所对应的高维稀疏特征进行编码,转化为低维稠密向量；将低维稠密向量输入特征聚类层，使用GMM对低维稠密向量中职位特征进行聚类,获得多个聚类簇；计算聚类簇向量与职位向量间的相似性，并根据相似性对不同的候选职位分配注意力权重；根据用户对每个职位的注意力权重大小倒序排列，利用注意力机制抽取用户不同的职位期望胶囊；使用softmax函数输出多个期望胶囊转化成的实际推荐职位，将用户排序在前的多个聚类簇的注意力权重的最大值所对应的推荐职位组合返回给用户。应用本发明实施例，解决了过长的职位浏览历史序列扰乱注意力机制的权重分配问题。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于SWP EM路由算法的职位推荐方法。

背景技术

互联网的迅速发展使人们进入了信息繁杂的时代，比如在人力资源招聘需求场景下，招聘信息成千上万，面试者对职位信息的需求变得多元化和个性化，也就是说，面试者可能无法从海量的职位信息中搜索出有价值的职位。为了更好的为用户提供服务，辅助用户更快地找到那些真正符合自己期望的职位，这种个性化的推荐技术应运而生。

对于推荐技术的研究，早期的推荐系统是基于协同过滤的，后来逐步发展成基于机器学习，最终，深度学习正式进入推荐系统领域。目前，主流的推荐方法是使用注意力机制来提取用户的不同职位期望用于职位组合或者序列的推荐。注意力机制对于推荐任务的正面效果已经得到了充分的证实。但是，当推荐模型需要处理的任务越来越多元化和个性化时，传统的注意力机制已经无法满足推荐模型的需要。

目前，融合传统注意力机制的推荐模型主要面临以下几个固有问题：

1.缺乏多目标的提取：用户不同职位期望的提取对于合理的推荐至关重要，例如在简历投递中，面试者为了增大自己拿到录用通知的概率，可能会面试多家公司，并且会对自己期望职位的多个相关岗位进行投递，单个职位嵌入向量的表达能力是不够的，往往会给出不合理的推荐，因此需要用多向量来表示用户的不同的职位期望。

2.超长行为序列下的注意力分散：许多职位组合之间是存在关系的，我们普遍认为用户职位浏览历史序列的长度越长，越能够清晰的描述用户的职位期望。然而，过长的职位浏览历史序列会扰乱注意力机制的权重分配，可能会对非期望职位赋予较高注意力权重，影响职位推荐的准确性。

3.高维度下的特征混淆：使用高维向量以抽象的表示该用户的职位期望，难以捕获职位间的相似性，导致职位特征表达过于泛化进而失去了聚焦能力。

发明内容

本发明的目的在于提供一种基于SWP EM路由算法的职位推荐方法，相对于现有技术，能够针对不同的期望职位分别进行推荐，在多目标提取的条件下，本发明联合SWP EM路由算法的职位推荐方法机制提高了推荐的准确性和多元性，并且能够解决用户量过大的问题，提升了用户体验。

为了实现上述目的，本发明提供了一种基于SWP EM路由算法的职位推荐方法，包括：

将用户信息和职位浏览历史数据所对应的高维稀疏特征进行编码,以转化为低维稠密向量；

将所述低维稠密向量输入特征聚类层，使用GMM对所述低维稠密向量中的职位特征进行聚类，已获得多个聚类簇；

通过SWP EM路由算法并行计算聚类簇向量与职位向量间的相似性，并根据所述相似性对不同的候选职位分配注意力权重；

根据用户对每个职位的注意力权重大小倒序排列，并利用注意力机制抽取用户不同的职位期望胶囊；

使用softmax函数输出多个期望胶囊转化成的实际推荐职位，将用户排序在前的多个聚类簇的注意力权重的最大值所对应的推荐职位组合返回给用户。

可选的，所述将用户信息和职位浏览历史数据所对应的高维稀疏特征进行编码，以转化为低维稠密向量的步骤，包括：