金連旭 王洪國(guó) 丁艷輝 張 駿

(1.山東師范大學(xué)信息科學(xué)與工程學(xué)院 濟(jì)南 250014) (2.山東省分布式計(jì)算機(jī)軟件新技術(shù)重點(diǎn)實(shí)驗(yàn)室 濟(jì)南 250014) (3.山東省物流優(yōu)化與預(yù)測(cè)工程技術(shù)研究中心 濟(jì)南 250014)

基于興趣敏感度的高校畢業(yè)生就業(yè)推薦算法

金連旭1,2,3王洪國(guó)2,3丁艷輝2,3張 駿1,2,3

(1.山東師范大學(xué)信息科學(xué)與工程學(xué)院 濟(jì)南 250014) (2.山東省分布式計(jì)算機(jī)軟件新技術(shù)重點(diǎn)實(shí)驗(yàn)室 濟(jì)南 250014) (3.山東省物流優(yōu)化與預(yù)測(cè)工程技術(shù)研究中心 濟(jì)南 250014)

近幾年,隨著高校畢業(yè)生數(shù)量的逐年增長(zhǎng),高校畢業(yè)生的就業(yè)問(wèn)題已引起社會(huì)及相關(guān)學(xué)者的廣泛關(guān)注。高校畢業(yè)生在校歷史信息等數(shù)據(jù)獲取困難,導(dǎo)致傳統(tǒng)的就業(yè)推薦方法缺少對(duì)相關(guān)數(shù)據(jù)的綜合考慮和利用。論文提出一種基于興趣敏感度的就業(yè)推薦算法。首先,在充分利用高校畢業(yè)生與往屆就業(yè)數(shù)據(jù)的基礎(chǔ)上,提出Sensitive-PersonalRank算法,計(jì)算不同企業(yè)在歷史招聘數(shù)據(jù)中體現(xiàn)出的對(duì)應(yīng)屆畢業(yè)生的興趣敏感度;然后結(jié)合興趣敏感度改進(jìn)應(yīng)屆畢業(yè)生與往屆畢業(yè)生之間的相似度計(jì)算方法;最后,結(jié)合企業(yè)信任度,將相似的往屆畢業(yè)生的就業(yè)去向推薦給應(yīng)屆畢業(yè)生,為其就業(yè)提供參考和指導(dǎo)。通過(guò)對(duì)山東師范大學(xué)提供的歷史數(shù)據(jù)進(jìn)行評(píng)測(cè),實(shí)驗(yàn)結(jié)果表明,該方法可以有效地為應(yīng)屆畢業(yè)生提供就業(yè)指導(dǎo)和參考。

推薦系統(tǒng); 就業(yè)推薦; 歷史信息; 興趣敏感度; 相似度

Class Number TP391

1 引言

隨著國(guó)家大力發(fā)展高等教育事業(yè),高校的招生規(guī)模連年增長(zhǎng),越來(lái)越多的人獲得高等教育的機(jī)會(huì)。與此同時(shí),高校畢業(yè)生的數(shù)量也在逐年增長(zhǎng),畢業(yè)生們面臨著巨大的就業(yè)壓力,畢業(yè)生就業(yè)問(wèn)題越來(lái)越受到社會(huì)各界的關(guān)注[1]。2013年,我國(guó)高校畢業(yè)生規(guī)模達(dá)到699萬(wàn)。2014年,我國(guó)高校畢業(yè)生規(guī)模達(dá)到了727萬(wàn),再創(chuàng)歷史新高。2015年達(dá)到了歷史之最749萬(wàn)。大學(xué)生就業(yè)形勢(shì)一年比一年嚴(yán)峻,如何有效地提高高校畢業(yè)生的就業(yè)率和就業(yè)質(zhì)量,對(duì)于促進(jìn)經(jīng)濟(jì)發(fā)展和維護(hù)社會(huì)穩(wěn)定都具有十分重要的現(xiàn)實(shí)意義。

在就業(yè)信息推薦領(lǐng)域,眾多學(xué)者和相關(guān)機(jī)構(gòu)開展了一系列的積極研究工作。Hong Wenxing等[2]從產(chǎn)品的角度,提出一種基于求職者和招聘公司雙贏的工作推薦系統(tǒng)，該系統(tǒng)綜合用戶的簡(jiǎn)歷信息、主頁(yè)信息、日常瀏覽行為等生成用戶的需求概況,然后有效地利用求職者和招聘公司間的相互作用和聯(lián)系,最終實(shí)現(xiàn)雙贏推薦。Wu等[3]采用基于經(jīng)驗(yàn)公式和基于SimRank算法兩種方法來(lái)獲得兩名學(xué)生之間的相似度,運(yùn)用K-Means算法對(duì)學(xué)生進(jìn)行聚類分析,進(jìn)一步得到應(yīng)屆畢業(yè)生與企業(yè)間的相似度,最后將學(xué)生與企業(yè)的相似度同基于PageRank算法獲得的各個(gè)企業(yè)的“求職指數(shù)”結(jié)合,從而獲得企業(yè)的推薦排序權(quán)值,并根據(jù)這個(gè)權(quán)值將排序靠前的企業(yè)推薦給對(duì)應(yīng)的應(yīng)屆畢業(yè)生。魏麗芹等[5]充分考慮公司往年招聘人員的歷史信息,根據(jù)公司招聘人員的歷史信息預(yù)測(cè)公司以后招聘人員的趨勢(shì),進(jìn)行就業(yè)信息推薦。總體來(lái)說(shuō),由于高校學(xué)生的在校數(shù)據(jù)獲取較為困難,導(dǎo)致現(xiàn)有方法缺少對(duì)高校畢業(yè)生在校歷史信息和不同性質(zhì)單位招收應(yīng)屆畢業(yè)生偏好的綜合考慮和利用。

調(diào)查表明,同一高校同一院系的畢業(yè)生,受學(xué)校氛圍影響,在求職意向以及就業(yè)觀念上具有一定的相似性。同時(shí),不同企業(yè)用人單位在招收應(yīng)屆畢業(yè)生的時(shí)候,為了符合自身發(fā)展的需要對(duì)應(yīng)屆畢業(yè)生的要求會(huì)有一定側(cè)重與傾向性。例如,有的企業(yè)為符合工作的需要比較傾向招聘男畢業(yè)生;有的企業(yè)比較注重有無(wú)實(shí)習(xí)經(jīng)驗(yàn),會(huì)優(yōu)先考慮實(shí)習(xí)經(jīng)驗(yàn)豐富的畢業(yè)生。

針對(duì)以上特點(diǎn),本文提出一種基于興趣敏感度的就業(yè)推薦算法,充分利用高校畢業(yè)生歷史數(shù)據(jù),通過(guò)Sensitive-PersonalRank方法,計(jì)算不同企業(yè)在高校招聘畢業(yè)生的興趣敏感度,在此基礎(chǔ)上改進(jìn)傳統(tǒng)的相似度計(jì)算方法,并運(yùn)用該方法計(jì)算應(yīng)屆畢業(yè)生與往屆畢業(yè)生之間的相似度,最后結(jié)合企業(yè)信任度,將top-N個(gè)往屆畢業(yè)生的畢業(yè)去向推薦給應(yīng)屆畢業(yè)生,為其就業(yè)提供參考和指導(dǎo)。實(shí)驗(yàn)結(jié)果表明,該方法可以為應(yīng)屆畢業(yè)生提供有效的就業(yè)指導(dǎo)和參考。

2 基于興趣敏感度的高校就業(yè)推薦算法

2.1 相關(guān)定義

某個(gè)企業(yè)i的興趣敏感度定義為spri,spri={spri,j|j∈[1,n]},其中,j代表企業(yè)i已招聘學(xué)生具有的第j個(gè)屬性,spri,j代表企業(yè)i對(duì)屬性j的興趣敏感度。

2.2 算法描述

本文提出一種基于興趣敏感度的就業(yè)推薦算法,將企業(yè)與其招聘學(xué)生的信息構(gòu)造成企業(yè)-屬性二分圖模型,通過(guò)一種改進(jìn)的PersonalRank算法,計(jì)算企業(yè)i的興趣敏感度,并改進(jìn)基于興趣敏感度的相似度計(jì)算方法,最后結(jié)合企業(yè)求職指數(shù)進(jìn)行Top-N推薦。

本方法主要分為四個(gè)基本步驟:

第一步,構(gòu)造企業(yè)-屬性二分圖模型;

第二步,企業(yè)興趣敏感度計(jì)算;

第三步,應(yīng)屆生與往屆生的相似度計(jì)算;

第四歩,Top-N推薦。

2.3 企業(yè)-屬性二分圖構(gòu)造

通過(guò)對(duì)就業(yè)歷史數(shù)據(jù)分析,成績(jī)績(jī)點(diǎn)、班干經(jīng)歷等屬性在高校應(yīng)屆畢業(yè)生在就業(yè)選擇或升學(xué)過(guò)程中影響較大,具體屬性描述及其量化過(guò)程,如表1所示。

表1 畢業(yè)生屬性描述及量化標(biāo)準(zhǔn)

圖1 企業(yè)-屬性二分圖

此步中,將所有的企業(yè)與往屆畢業(yè)生[6]的屬性組織成企業(yè)-屬性二分圖,如圖1所示,G=(V,E)其中,V=Vcompany∪Vattribute,V由企業(yè)頂點(diǎn)集合Vcompany與屬性頂點(diǎn)集合Vattribute構(gòu)成,其中企業(yè)頂點(diǎn)集合Vcompany={Vc1,Vc2,…,Vci,…,Vcm},Vci表示第i個(gè)企業(yè)頂點(diǎn),m表示企業(yè)的數(shù)量,i∈[1,m],屬性頂點(diǎn)集合Vattribute={Va1,Va2,…,Vaj,…,Van},Vaj表示第j個(gè)企業(yè)頂點(diǎn),n表示屬性的數(shù)量,j∈[1,n]。

如果企業(yè)頂點(diǎn)Vci與屬性頂點(diǎn)Vaj存在一條邊,則在兩個(gè)頂點(diǎn)之間連接一條線。所構(gòu)成的企業(yè)屬性二分圖如圖1所示。

邊的集合E={e11,e22,e1j,…,e21,e2j,…,e31,e32,…,eij}其中,eij表示企業(yè)頂點(diǎn)Vci與屬性頂點(diǎn)Vaj之間存在一條邊,Vci與Vaj之間是否存在一條邊通過(guò)式(1)來(lái)確定。

2.4 企業(yè)興趣敏感度計(jì)算

本節(jié)首先對(duì)PersonalRank算法進(jìn)行介紹,然后提出一種Sensitive-PersonalRank算法,用于對(duì)企業(yè)的興趣敏感度計(jì)算。

2.4.1 PersonalRank算法

傳統(tǒng)的PersonalRank算法[10～12]其主要思想是在用戶-項(xiàng)目二分圖上沿著用戶節(jié)點(diǎn)Vu的邊任意游走,當(dāng)?shù)竭_(dá)任何一個(gè)節(jié)點(diǎn)時(shí),首先按照概率α決定是繼續(xù),還是停止游走并從Vu節(jié)點(diǎn)重新游走。如果繼續(xù)游走,那么就從當(dāng)前節(jié)點(diǎn)指向的節(jié)點(diǎn)中按照均勻分布隨機(jī)的選擇一個(gè)節(jié)點(diǎn)作為下次經(jīng)過(guò)的節(jié)點(diǎn),經(jīng)過(guò)很多次游走之后,每個(gè)物品節(jié)點(diǎn)被訪問(wèn)的概率會(huì)收斂到一個(gè)數(shù)值。最終推薦列表以物品的PersonalRank值排序推薦給用戶。以上描述可以用公式表示為

(2)

式(2)中α表示游走深度因子,0<α<1,PR(v′)為頂點(diǎn)v的一個(gè)鄰節(jié)點(diǎn)v′,PersonalRank值,out(v′)為v′的出度,vu為隨機(jī)游走的初始節(jié)點(diǎn),in(v)為頂點(diǎn)v的相鄰頂點(diǎn)的集合。

2.4.2 Sensitive-PersonalRank算法

傳統(tǒng)的PersonalRank算法在游走的過(guò)程中將二分圖中的每一條邊視等權(quán)重看待,忽略了企業(yè)對(duì)不同屬性的興趣。本文的二分圖模型中涉及企業(yè)對(duì)屬性多次選擇,并且每個(gè)屬性被企業(yè)選中的次數(shù)不同,所以企業(yè)在招收畢業(yè)生時(shí)對(duì)畢業(yè)生所具備的不同的屬性的興趣是敏感的。傳統(tǒng)的PersonalRank不能很好地體現(xiàn)這一特點(diǎn),本文提出一種Sensitive-PersonalRank方法,用來(lái)計(jì)算不同企業(yè)的興趣度,考慮到企業(yè)對(duì)不同屬性興趣的影響,將二分圖的每條邊不等權(quán)重看待,該屬性被企業(yè)選擇的次數(shù)越多,則該邊的權(quán)重應(yīng)該越大,該企業(yè)所產(chǎn)生興趣的屬性越多,則該權(quán)重應(yīng)該越小。綜上所述,二分圖的權(quán)重與同一屬性的選擇次數(shù)成正比,與產(chǎn)生興趣屬性選擇次數(shù)成反比。根據(jù)以上描述Sensitive-PersonalRank算法更新節(jié)點(diǎn)的公式可以定義為

(3)

其中,α為隨機(jī)游走深度因子,通過(guò)實(shí)驗(yàn)結(jié)果對(duì)比分析,α取值為0.80,PR(v′)為鄰接點(diǎn)的價(jià)值,cvv′為當(dāng)前節(jié)點(diǎn)到該節(jié)點(diǎn)邊的選擇次數(shù),cv′為該節(jié)點(diǎn)被所有節(jié)點(diǎn)選擇次數(shù)之和。

Sensitive-PersonalRank算法流程如下:

輸入:企業(yè)與企業(yè)招聘學(xué)生屬性二分圖G(V,E)初始節(jié)點(diǎn)vu,最大迭代次數(shù)p。

輸出:企業(yè)招聘興趣敏感度spr。

過(guò)程:

1) 選擇企業(yè)頂點(diǎn)vu作為隨機(jī)游走的起點(diǎn),并將該點(diǎn)的PR值初始化為1。

2) 以隨機(jī)游走概率α在企業(yè)屬性-二分圖上進(jìn)行隨機(jī)游走,并以式(3)更新各個(gè)頂點(diǎn)的PR(v)值。

3) 判斷各個(gè)頂點(diǎn)的PR(v)值是否收斂。如果PR(v)值收斂,則跳轉(zhuǎn)執(zhí)行步驟4),如果未收斂,則跳轉(zhuǎn)執(zhí)行步驟3)。

4) 輸出企業(yè)頂點(diǎn)vci對(duì)于每個(gè)連線屬性頂點(diǎn)vaj的PR值,記作企業(yè)i對(duì)于每個(gè)屬性j的興趣敏感度。

2.5 相似度計(jì)算

本文在進(jìn)行相似度計(jì)算時(shí),充分考慮不同企業(yè)對(duì)不同屬性的興趣敏感度,使相似度的計(jì)算結(jié)果滿足企業(yè)的需求,提高推薦結(jié)果的準(zhǔn)確率。結(jié)合不同的企業(yè)的興趣敏感度,本文提出一種基于興趣敏感度加權(quán)的余弦相似度計(jì)算方法,將企業(yè)對(duì)屬性的敏感度作為相應(yīng)屬性的權(quán)重,敏感度越大表明該企業(yè)在招聘時(shí)對(duì)該屬性越是重視,綜上應(yīng)屆生st與往屆生st′的相似度計(jì)算公式為

sim(st,st′)=

(4)

式中,stj為應(yīng)屆學(xué)生向量中的第j個(gè)屬性值,stj′為往屆生向量中的第j個(gè)屬性值,spri,j為企業(yè)i對(duì)該屬性j的興趣敏感度。

2.6 Top-N推薦

為了提高推薦準(zhǔn)確率,本文引入企業(yè)信任度Trust(comi),即一個(gè)企業(yè)招生的活躍程度,Trust(comi)與企業(yè)近期在高校招生人數(shù)有關(guān),人數(shù)越多,說(shuō)明該企業(yè)在該校的招生活動(dòng)越頻繁。公司的活躍度應(yīng)與招生人數(shù)成正比與招生間隔成反比,具體描述用公式可以表示為

(5)

式中cit表示企業(yè)comi在時(shí)刻t招生的人數(shù),β為時(shí)間影響因子,0<β<1,通過(guò)實(shí)驗(yàn)結(jié)果對(duì)比分析,本文中β取值為0.5,T代表最近一次招生的時(shí)間。

由于某些企業(yè)很久前在該校進(jìn)行過(guò)招聘活動(dòng),近期未曾招聘過(guò),可認(rèn)為該企業(yè)對(duì)該校學(xué)生認(rèn)可度較低,為使該類企業(yè)在推薦列表中排名靠后,進(jìn)行Top-N推薦時(shí),在考慮興趣敏感度的基礎(chǔ)之上,又綜合考慮企業(yè)的信任度Trust(comi),得到式(6),通過(guò)該公式把N個(gè)最相似的往屆生的工作,推薦給應(yīng)屆生作為就業(yè)參考的依據(jù)。一個(gè)應(yīng)屆生是否適合企業(yè)comi,用公式表示為

Pre(st,comi)=sim(st,st′)×Trust(comi)

(6)

由式(4)可以得到式(6)中sim(st,st′)的相似度計(jì)算結(jié)果,Trust(comi)為企業(yè)i的企業(yè)信任度可以由式(5)求得。

2.7 算法復(fù)雜度分析

設(shè)定企業(yè)數(shù)量為m,屬性數(shù)量為n,最大迭代次數(shù)為p,應(yīng)屆生數(shù)量為q,往屆生數(shù)量為z,推薦列表數(shù)量為N。

在算法的四個(gè)步驟中,第一步構(gòu)造用戶-項(xiàng)目二分圖模型的復(fù)雜度為O(m*n);第二步在企業(yè)興趣敏感度計(jì)算中復(fù)雜度為O(p*m*n);第三步在應(yīng)屆生與往屆生的相似度計(jì)算中時(shí)間復(fù)雜度為O(q*z);第四步Top-N推薦的復(fù)雜度為O(q*z*N)。綜上,算法的整體時(shí)間復(fù)雜度為O(m*n)+O(p*m*n)+O(q*z)+O(q*z*N)

3 實(shí)驗(yàn)

本文選取山東師范大學(xué)信息科學(xué)與工程學(xué)院2006級(jí)到2013級(jí)共3000名畢業(yè)生的歷史就業(yè)數(shù)據(jù)進(jìn)行測(cè)試,其中,將2013級(jí)350名畢業(yè)生中隨機(jī)選取200人作為測(cè)試集合W1,剩余150人作為測(cè)試W2,并與以往算法進(jìn)行對(duì)比分析,評(píng)價(jià)該算法的性能。

3.1 評(píng)價(jià)指標(biāo)

為了驗(yàn)證算法的有效性,本文選取準(zhǔn)確率、召回率、F1、用戶滿意度等四個(gè)評(píng)價(jià)指標(biāo)衡量算法的性能。

本文收集應(yīng)屆畢業(yè)生集合W1中任意一個(gè)應(yīng)屆畢業(yè)生w感興趣的單位列表,記為M(w),N(w)為給應(yīng)屆畢業(yè)生w推薦的單位集合。

則準(zhǔn)確率(precision)和召回率(recall)定義如下

(7)

(8)

F1綜合使用召喚率的準(zhǔn)確率,計(jì)算方法如下:

(9)

3.2 實(shí)驗(yàn)結(jié)果展示與分析

在Sensitive-PersonalRank算法中,為保證最終節(jié)點(diǎn)間的訪問(wèn)概率收斂,游走過(guò)程需要一個(gè)游走深度因子α來(lái)調(diào)節(jié)游走的深度,運(yùn)用Sensitive-PersonalRank算法篩選出合理的游走深度因子α,其對(duì)推薦性能指標(biāo)的影響,如圖2所示。

由圖2可以看出在數(shù)據(jù)集上隨著游走深度α增大,準(zhǔn)確率提高,綜合考慮準(zhǔn)確率與召回率,此處α取值為0.80。

在進(jìn)行推薦結(jié)果的運(yùn)算中,引入時(shí)間影響因子β,β表示企業(yè)興趣隨時(shí)間的變化情況,為提高實(shí)驗(yàn)的精確度,選擇游走因子α=0.80,實(shí)驗(yàn)中β分別取0、0.1、0.3、0.5、0.7、0.9,實(shí)驗(yàn)結(jié)果如圖3所示。

圖2 游走因子α對(duì)推薦的影響

圖3 時(shí)間影響因子對(duì)推薦的影響

由圖3可以看出,時(shí)間影響因子β對(duì)推薦影響很大。當(dāng)β=0時(shí),數(shù)據(jù)0表示未引進(jìn)時(shí)間影響因子的推薦效果,隨著β取值的增大,推薦的指標(biāo)都在上升,當(dāng)β=0.5時(shí),推薦效果最好。

本文分別記錄不同數(shù)量單位推薦給應(yīng)屆畢業(yè)生時(shí)的準(zhǔn)確率和召回率取值,結(jié)果如圖4和5所示。與傳統(tǒng)的PersonalRank方法作對(duì)比,可以看出,隨著單位推薦數(shù)量的增長(zhǎng),Sensitive-PersonalRank算法準(zhǔn)確率先上升再下降,推薦單位的數(shù)量超過(guò)20時(shí),由于用戶感興趣的項(xiàng)目有限,推薦列表準(zhǔn)確率開始下降;召回率隨著推薦單位的數(shù)量升高而不斷升高。綜上,當(dāng)畢業(yè)生推薦單位數(shù)量為20時(shí),推薦效果最好,可以取得較高的準(zhǔn)確率與召回率。結(jié)果表明,Sensitive-PersonalRank算法能夠很好地獲得不同企業(yè)招聘的興趣敏感度。

圖4 算法準(zhǔn)確率

為了進(jìn)一步驗(yàn)證算法的有效性,在已有數(shù)據(jù)基礎(chǔ)上,與基于公司招聘歷史信息的高校畢業(yè)生就業(yè)推薦算法[5]進(jìn)行比對(duì)。從圖6的比較結(jié)果可以看出,本文提出的算法,綜合考慮在校歷史信息和企業(yè)的興趣敏感度,隨著推薦列表數(shù)量的增加F1值增長(zhǎng),推薦列表數(shù)量到達(dá)20時(shí)效果最佳?？梢钥闯?興趣敏感度的就業(yè)推薦算法通過(guò)挖掘企業(yè)歷史招聘中的興趣敏感度,做出的推薦結(jié)果更加符合公司的需要,F1值優(yōu)于基于公司招聘信息的推薦算法。

圖5 算法召回率

圖6 算法對(duì)比結(jié)果

3.3 應(yīng)屆生使用評(píng)價(jià)

讓測(cè)試集合W2中的150名應(yīng)屆畢業(yè)生使用該推薦系統(tǒng),并根據(jù)體驗(yàn)情況做出“非常有幫助”、“有幫助”、“沒(méi)有幫助”三種選擇,具體評(píng)價(jià)結(jié)果如圖7所示。在本次測(cè)評(píng)中,共有150名同學(xué)參加,其中105名同學(xué)選擇“很有幫助”,占測(cè)評(píng)人數(shù)的70%;33名同學(xué)選擇“有幫助”,占測(cè)評(píng)人數(shù)的22%;12名同學(xué)選擇“沒(méi)有幫助”,占測(cè)評(píng)人數(shù)的8%。根據(jù)測(cè)評(píng)結(jié)果可知,大部分用戶(92%)對(duì)該系統(tǒng)的推薦效果表示贊同,極少部分用戶(8%)對(duì)該系統(tǒng)的推薦結(jié)果不滿意。由此表明,該算法產(chǎn)生的推薦結(jié)果具備一定的有效性,為應(yīng)屆畢業(yè)生提供了一定的就業(yè)參考。

4 結(jié)語(yǔ)

本文針對(duì)高校畢業(yè)生,提出一種基于興趣度敏感度的高校畢業(yè)生就業(yè)推薦算法。該算法充分利用高校學(xué)生的在校歷史信息和不同性質(zhì)的單位對(duì)高校同一院系畢業(yè)生不同屬性的興趣敏感度,以此為基礎(chǔ)改進(jìn)傳統(tǒng)相似度計(jì)算方法,結(jié)合企業(yè)求職指數(shù),將相似往屆畢業(yè)生的就業(yè)去向推薦給當(dāng)前應(yīng)屆畢業(yè)生提供就業(yè)指導(dǎo)。實(shí)驗(yàn)結(jié)果表明:該算法可以在一定程度上為應(yīng)屆畢業(yè)生提供就業(yè)指導(dǎo)和參考,能夠一定程度緩解就業(yè)壓力。本文算法也存在不足,只是在企業(yè)的角度考慮招聘偏好,沒(méi)有結(jié)合學(xué)生的求職偏好進(jìn)行互惠推薦,這將是下一步的研究方向。

[1] 荊德剛.新常態(tài)視角下的大學(xué)生就業(yè)形勢(shì)與任務(wù)[J].中國(guó)高教研究,2015(12):37-40. JING Degang. Study on the situation and Mission for Undergraduate in new Normal[J]. China Higher Education Research,2015(12):37-40.

[2] Hong W, Li L, Li T. iHR: an online recruiting system for Xiamen Talent Service Center[C]//ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,2013:1177-1185.

[3] 吳迪.高校畢業(yè)生就業(yè)推薦系統(tǒng)的設(shè)計(jì)與開發(fā)[D].大連:大連理工大學(xué),2010. WU Di. The design and implement of graduate occuption recommending system[D]. Dalian: Dalian University of Technology,2010.

[4] Lu Y, El Helou S, Gillet D. A recommender system for job seeking and recruiting website[C]//International Conference on World Wide Web Companion,2013:963-966.

[5] 魏麗芹.基于歷史信息的就業(yè)推薦算法研究與可視分析[D].濟(jì)南:山東大學(xué),2013. WEI Liqin. Research on history based employment recommendation and visual analsis[D]. Jinan:Shandong University,2013.

[6] 尹傳城,王洪國(guó),丁艷輝.一種基于在校歷史信息的就業(yè)推薦算法[J].計(jì)算機(jī)與數(shù)字工程,2015,10:1742-1745. YIN Chuancheng, WANG Hongguo, DING Yanhui. An employment recommendation algorithm based on historical information of college students[J]. Computer and Digital Engineering,2015,10:1742-1745.

[7] X. Cai, M. Bain, A. Krzywicki, W. Filtering for people to people recommendation in social networks[C]//Advances in Artificial Intelligence,2011:476-485.

[8] 馬宏偉,張廣衛(wèi),李鵬.協(xié)同過(guò)濾推薦算法綜述[J].小型微型計(jì)算機(jī)系統(tǒng),2009,30(7):1282-1288. MA Hongwei, ZHANG Guangwei, LI Peng. Survey of Collaborative Filtering Algorithms[J]. Computer Systems,2009,30(7):1282-1288.

[9] 陳天,劉文浩.相似度算法分析與比較研究[J].現(xiàn)代計(jì)算機(jī),2012(12):18-20. CHEN Tian, LIU Wenhao. Research on the Analysis and Comparisonon Similarity Algorithm[J]. Modern Computer,2012(12):18-20.

[10] Lu Y, El Helou S, Gillet D. Analyzing User Patterns to Derive Design Guidelines for Job Seeking and Recruiting Website[C]//Proceeding of The Fourth International Conferences on Pervasive Patterns and Applications,2012:11-16.

[11] Xu P, Ye M, Li X, et al. Object detection using voting spaces trained by few samples[J]. Optical Engineering,2013,52(9):501-513.

[12] Xu P, Ye M, Fu M, et al. Object Detection Based on Several Samples with Trained Hough Spaces[M]. Pattern Recognition. Springer Berlin Heidelberg,2012:235-242.

[13] Dalal N, Triggs B. Histograms of Oriented Gradients for Human Detection[C]//IEEE Conference on Computer Vision & Pattern Recognition,2013:886-893.

[14] 吳迪,周利娟,林鴻飛.基于隨機(jī)游走的就業(yè)推薦系統(tǒng)研究與實(shí)現(xiàn)[J].廣西師范大學(xué)學(xué)報(bào):自然科學(xué)版,2011,29(1):179-185. WU Di, ZHOU Lijuan, LIN Hongfei. Design and Implementation o f Recommendation Sy stem for Graduates Based on Random Walk[J]. Guangxi Normal University: Natural Science Edition,2011,29(1):79-185.

[15] 劉興林,吳明芬,劉利偉.基于向量相似度的招聘就業(yè)雙向推薦模型[J].中國(guó)科技信息,2013(21):174-179. LIU Xinglin, WU Mingfen, LIU Liwei. Bidirectional recommended model of recruitment and employment base on the vector similarity[J]. China Science and Technology Information,2013(21):174-179.

Recommendation Algorithm of College Graduates Employment Based on the Sensitivity of Interest

JIN Lianxu1,2,3WANG Hongguo2,3DING Yanhui2,3ZHANG Jun1,2,3

(1. College of Information Science and Engineering, Shandong Normal University, Jinan 250014) (2. Shandong Provincial Key Laboratory for Distributed Computer Software Novel Technology, Jinan 250014) (3. Shandong Provincial Logistics Optimization and Predictive Engineering Technology Research Center, Jinan 250014)

The number of college graduates has increased in recent years. The problem of college graduates’ employment has attracted more and more attention of scholars and the society. The traditional methods of job recommendtion usually lack of considering and utilizing the historical information of graduates. In this paper, a recommendation algorithm is proposed, which is based on the sensitivity of interest. firstly, the algorithm makes full use of employment data and improves PersonalRank method to calculate the sensitivity of interrest of different enterprises when they recruit graduates. Then, improves similarity calculation method between the graduates and previous graduates. Finally, the job of the similar previous students are recommended to the current user by combineing with the credibility of enterprises. Experimental results show that the algorithm can provide a guidance for the new graduates effectively.

recommender system, job recommendation, the historical information, the sensitivity of interest, similarity

2016年8月4日,

2016年9月20日

國(guó)家自然科學(xué)基金青年項(xiàng)目(編號(hào):61303007);山東優(yōu)秀中青年科學(xué)家科研獎(jiǎng)勵(lì)基金(編號(hào):BS2013DX044)資助。

金連旭,男,碩士,研究方向:推薦系統(tǒng)、數(shù)據(jù)挖掘。王洪國(guó),男,教授,博士生導(dǎo)師,研究方向:電子政務(wù),物流優(yōu)化等。丁艷輝,男,教授,研究方向:web數(shù)據(jù)集成,推薦系統(tǒng)。張駿,男,碩士,研究方向:推薦系統(tǒng)、數(shù)據(jù)挖掘。

TP391

10.3969/j.issn.1672-9722.2017.02.002