[發(fā)明專利]一種職位推薦方法及計(jì)算設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 201710534021.5
• 申請(qǐng)日: 2017-07-03
• 公開（公告）號(hào): CN107341233B
• 公開（公告）日: 2020-11-06
• 發(fā)明（設(shè)計(jì)）人: 張朝陽(yáng);謝雙賓;郭旺平
• 申請(qǐng)（專利權(quán)）人: 北京拉勾科技有限公司
• 主分類號(hào): G06F16/33
• 分類號(hào): G06F16/33;G06F16/335;G06Q50/20
• 代理公司: 北京思睿峰知識(shí)產(chǎn)權(quán)代理有限公司 11396
• 代理人: 謝建云;趙愛軍

本發(fā)明公開了一種職位推薦方法，用于推薦與目標(biāo)職位相關(guān)的職位，該方法在計(jì)算設(shè)備中執(zhí)行，包括步驟：根據(jù)多個(gè)用戶的行為日志計(jì)算目標(biāo)職位與其他職位的共現(xiàn)次數(shù)；按共現(xiàn)次數(shù)值從高到低的順序依次選取第一數(shù)量個(gè)職位，生成目標(biāo)職位的推薦候選集；分別計(jì)算目標(biāo)職位與推薦候選集中每個(gè)職位的文本相似度；以及選取文本相似度值大于閾值的職位進(jìn)行推薦。本發(fā)明一并公開了相應(yīng)的計(jì)算設(shè)備。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)處理領(lǐng)域，特別涉及一種職位推薦方法及計(jì)算設(shè)備。

背景技術(shù)

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，網(wǎng)絡(luò)應(yīng)聘/招聘已經(jīng)成了求職者應(yīng)聘工作、用人單位招聘員工的主要途徑。用人單位和求職者在第三方的人才招聘網(wǎng)站上注冊(cè)賬號(hào)，相互之間進(jìn)行搜索和交流，以尋求最滿意的對(duì)象。

人才招聘網(wǎng)站擁有大量的職位，一個(gè)應(yīng)聘者登錄網(wǎng)站之后，可以從職位列表中瀏覽職位，也可以依靠關(guān)鍵字去搜索可能適合自己的職位。一般地，職位列表數(shù)量巨大，應(yīng)聘者無法在短時(shí)間內(nèi)找到自己感興趣的職位；而使用關(guān)鍵字搜索，應(yīng)聘者使用的關(guān)鍵字的數(shù)量和精確性有限，搜索出來的職位數(shù)量常常很大，很難快速找到適合自己的職位。為了解決這種情況，現(xiàn)在招聘網(wǎng)站常采用的做法是：為應(yīng)聘者推薦職位，網(wǎng)站主動(dòng)地把可能適合的職位推送給應(yīng)聘者。

目前的職位推薦方法，主要是采用基于統(tǒng)計(jì)的方法，也即統(tǒng)計(jì)所有職位被瀏覽的次數(shù)以及被關(guān)注的程度，作為職位的熱度，然后把熱度最高的職位推薦給應(yīng)聘者。但是招聘網(wǎng)站上有很多職位收到的簡(jiǎn)歷投遞很少，或者是有些剛發(fā)布沒多久的職位，其簡(jiǎn)歷投遞量還是0，在這種情況下，這種職位推薦方法存在推薦不準(zhǔn)和覆蓋率低的問題。

因此，需要一種能夠解決由于數(shù)據(jù)稀疏性引起推薦不準(zhǔn)的問題的職位推薦方法。

發(fā)明內(nèi)容

為此，本發(fā)明提供了一種職位推薦方法及計(jì)算設(shè)備，以力圖解決或者至少緩解上面存在的至少一個(gè)問題。

根據(jù)本發(fā)明的一個(gè)方面，提供了一種職位推薦方法，用于推薦與目標(biāo)職位相關(guān)的職位，該方法在計(jì)算設(shè)備中執(zhí)行，包括步驟：根據(jù)多個(gè)用戶的行為日志計(jì)算目標(biāo)職位與其他職位的共現(xiàn)次數(shù)；按共現(xiàn)次數(shù)值從高到低的順序依次選取第一數(shù)量個(gè)職位，生成目標(biāo)職位的推薦候選集；分別計(jì)算目標(biāo)職位與推薦候選集中每個(gè)職位的文本相似度；以及選取文本相似度值大于閾值的職位進(jìn)行推薦。

可選地，在根據(jù)本發(fā)明的推薦方法中，根據(jù)多個(gè)用戶的行為日志計(jì)算目標(biāo)職位與其他職位的共現(xiàn)次數(shù)的步驟包括：獲取多個(gè)用戶的職位投遞記錄，根據(jù)職位投遞記錄分別計(jì)算目標(biāo)職位與其他每個(gè)職位的投遞共現(xiàn)次數(shù)；獲取多個(gè)用戶的職位瀏覽記錄，根據(jù)職位瀏覽記錄分別計(jì)算目標(biāo)職位與其他每個(gè)職位的瀏覽共現(xiàn)次數(shù)；以及根據(jù)投遞共現(xiàn)次數(shù)和瀏覽共現(xiàn)次數(shù)分別計(jì)算目標(biāo)職位與其他每個(gè)職位的共現(xiàn)次數(shù)。

可選地，在根據(jù)本發(fā)明的推薦方法中，根據(jù)投遞共現(xiàn)次數(shù)和瀏覽共現(xiàn)次數(shù)分別計(jì)算目標(biāo)職位與其他每個(gè)職位的共現(xiàn)次數(shù)的步驟包括：用第一系數(shù)和第二系數(shù)分別與投遞共現(xiàn)次數(shù)和瀏覽共現(xiàn)次數(shù)相乘，得到處理后的投遞共現(xiàn)次數(shù)和瀏覽共現(xiàn)次數(shù)；將處理后的投遞共現(xiàn)次數(shù)和瀏覽共現(xiàn)次數(shù)相加，得到共現(xiàn)次數(shù)。

可選地，在根據(jù)本發(fā)明的推薦方法中，分別計(jì)算目標(biāo)職位與推薦候選集中每個(gè)職位的文本相似度的步驟包括：計(jì)算每個(gè)職位的特征向量，其中所述特征向量用于描述該職位在各主題上的概率分布；以及計(jì)算目標(biāo)職位的特征向量與推薦候選集中每個(gè)職位的特征向量的夾角余弦相似度，作為文本相似度。

可選地，在根據(jù)本發(fā)明的推薦方法中，計(jì)算每個(gè)職位的特征向量的步驟包括：利用文檔主題生成模型生成每個(gè)職位的特征向量。

可選地，在根據(jù)本發(fā)明的推薦方法中，還包括訓(xùn)練生成文檔主題生成模型的步驟：對(duì)訓(xùn)練樣本中的每個(gè)職位中的每個(gè)詞，隨機(jī)賦一個(gè)主題，作為初始主題；掃描訓(xùn)練樣本，利用吉布斯采樣法采樣得到每個(gè)詞屬于各主題的概率；以及重復(fù)所述采樣步驟，直到所述概率趨于穩(wěn)定，得到文檔主題生成模型。