[發明專利]一種學生工作崗位推薦的方法和裝置

在審

• 申請號: 202011556026.6
• 申請日: 2020-12-24
• 公開（公告）號: CN112686624A
• 公開（公告）日: 2021-04-20
• 發明（設計）人: 湯若聰;宋晨靜;劉林峰;黃敏;李桐;巨澤建;侯登學;張宜紅;王曉東
• 申請（專利權）人: 江蘇金智教育信息股份有限公司
• 主分類號: G06Q10/10
• 分類號: G06Q10/10;G06K9/62;G06N3/04
• 代理公司: 江蘇銀創律師事務所 32242
• 代理人: 孫計良

本發明公開了一種學生工作崗位推薦的方法和裝置。該方法基于WideDeep模型。該方法根據聯合特征表構建學生和崗位的聯合樣本。通過對歷史學生的聯合樣本的訓練得到模型數據。最后根據模型數據評估學生從事各個崗位的概率，依據該概率獲得向學生推薦的工作崗位。試驗數據表明本發明的方法具有很高的準確率。此外，本發明采用了聯合特征表作為配置項，數據基于聯合特征表的配置項進行分析，因此本發明的方法具有很強的可擴展性，當需要擴展工作崗位時，只需要修改聯合特征表。

技術領域

本發明涉及基于人工智能的數據分析技術，尤其涉及個性化推薦技術。

背景技術

近年來，隨著大數據與人工智能的不斷發展，大學校園管理開始步入數據化時代，而校園招聘是大學生步入社會的途徑之一。校園招聘的主要形式為學生從網絡、宣講會和年級群等渠道獲知招聘信息，當然最普遍的還是大型招聘會，學生需要去現場投遞簡歷。但是，以上所述的校園招聘形式都是面向全體畢業生的，每位學生需要花費大量時間去篩選合適的崗位，將會導致由于無關崗位過多帶來的時間浪費甚至可能錯失合適的崗位。

發明內容

本發明所要解決的問題：為學生個性化推薦工作崗位。

為解決上述問題，本發明采用的方案如下：

根據本發明的一種學生工作崗位推薦的方法，該方法包括數據預處理步驟、模型訓練步驟和崗位推薦分析步驟；所述數據預處理步驟包括聯合特征預處理步驟、聯合特征數值化樣本生成步驟以及聯合特征離散化樣本生成步驟；

所述聯合特征預處理步驟用于根據聯合特征表和聯合特征相關性值表對所述聯合特征相關性值表中的聯合特征之間的相關性值進行二值化處理得到聯合特征之間的相關性二值化值c_i,k；若r_i,kR_threshold，則c_i,k＝1，否則c_i,k＝0；其中，c_i,k為第i個聯合特征和第k個聯合特征的相關性二值化值，r_i,k表示為第i個聯合特征和第k個聯合特征的相關性值，i∈[1..N]，k∈[1..N]，N是所述聯合特征表中聯合特征數，R_threshold是預先設定的閾值；

所述聯合特征數值化樣本生成步驟用于根據輸入的學生的畫像信息和崗位的特征信息，基于所述聯合特征表構建聯合樣本的數值化向量；

所述聯合特征離散化樣本生成步驟用于根據輸入的學生的畫像信息、崗位的特征信息，基于所述聯合特征表構建聯合樣本的低維稠密的實數化嵌入向量；

所述模型訓練步驟包括以下步驟：

S21：獲取歷史學生的畫像信息以及歷史學生與崗位的交互關注記錄；所述交互關注記錄包括關注記錄和交互記錄；

S22：若某個歷史學生is和某個崗位iw之間存在相應的交互關注記錄，則通過所述聯合特征數值化樣本生成步驟生成聯合樣本的數值化向量S_p、通過所述聯合特征離散化樣本生成步驟生成聯合樣本對應的低維稠密的實數化嵌入向量E_p和該聯合樣本的樣本標簽Y_p；各聯合樣本的數值化向量S_p、低維稠密的實數化嵌入向量E_p和該聯合樣本的樣本標簽Y_p組成聯合樣本集S＝{{S_p,E_p,Y_p,is,iw}|p∈[1..Q]}，Q為聯合樣本數；

S_p為第p個聯合樣本的數值化向量：