(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211048512.6 (22)申请日 2022.08.30 (71)申请人 西安交通大 学 地址 710049 陕西省西安市碑林区咸宁西 路28号 (72)发明人 朱海萍　赵怡菲　田锋　武雨辰　 陈妍　郑庆华　王茜莺　张晓平　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 钱宇婧 (51)Int.Cl. G06Q 50/20(2012.01) G06Q 10/10(2012.01) G06K 9/62(2022.01) (54)发明名称 基于集成学习模型的就业推荐方法、 系统、 设备及介质 (57)摘要 本发明公开了一种基于集成学习模型的就 业推荐方法、 系统、 设备及介质， 包括： 获取用户u 及各推荐项目c， 将用户u的特征及各推荐项目c 的特征进行向量化编码； 将用户u的特征向量、 用 户u已有的交互记录向量和用户u与各推荐项目c 的特征向量输入到训练后的集 成学习模型中， 得 到各推荐项目的得分， 完成基于集成学习模型的 就业推荐， 其中， 所述集成学习模型由相似性信 息组件、 全局交互信息组件和特征匹配信息组件 构成， 该方法、 系统、 设备及介质能够提高模型的 泛化能力及可扩展性， 继而提高就业推荐的准确 性。 权利要求书2页 说明书11页 附图2页 CN 115409661 A 2022.11.29 CN 115409661 A 1.一种基于集成学习模型的就 业推荐方法， 其特 征在于， 包括： 获取用户u及各推荐 项目c， 将用户u的特 征及各推荐 项目c的特 征进行向量 化编码； 将用户u的特征向量、 用户u已有的交互记录向量和用户u与各推荐项目c的特征向量输 入到训练后的集成学习模型中， 得到各推荐项目的得分， 完成基于集成学习模型 的就业推 荐， 其中， 所述集成学习模型由相似性信息组件、 全局交互信息组件和特征匹配信息组件构 成。 2.根据权利要求1所述的基于集成学习 模型的就业推荐方法， 其特征在于， 所述将用户 u的特征向量、 用户u已有的交互记录向量和用户u与各推荐项目c的特征向量输入到训练后 的集成学习模型中， 得到各推荐 项目的得分的具体过程 为： 将用户u的特 征向量输入到训练后的相似性信息组件中， 得推荐得分S(u,c)； 将用户u已有的交 互记录向量输入到训练后的全局交 互信息组件， 得推荐得分 G(u,c)； 将用户u与各推荐项目c的特征向量输入到训练后的特征匹配信息组件， 得推荐得分M (u,c)； 计算推荐 项目c对于该用户u的推荐得分为： 其中， αi(i＝1,2,3)分别表示相似 性信息组件、 全局交互信息组件和特征匹配信息组件 的权重。 3.根据权利要求1所述的基于集成学习 模型的就业推荐方法， 其特征在于， 所述将用户 u的特征及各推荐 项目c的特 征进行向量 化编码的具体过程 为： 设用户u有m维特征， 用户u表示为 其中， 表示用户u第i维特 征的值， 设推荐项目c有n维特征， 推荐项目c表示为 构建推荐项目c 的池化用户向量uc。 4.根据权利要求3所述的基于集成学习 模型的就业推荐方法， 其特征在于， 所述构建推 荐项目c的池化用户向量uc的具体过程 为： 对于推荐项目c， 将交互记录中包含该推荐项目的用户集合记为Uc， 则推荐项目c的池 化 用户向量uc为： 5.根据权利要 求2所述的基于集成学习模型的就业推荐方法， 其特征在于， 对于用户ui， 项目c的推荐评分S(ui,c)为： 其中， 为用户uj的交互记录集合， si m(ui,uj)为用户ui与用户uj的相似度， sim(ui,uc) 为用户ui与用户uc的相似度， ε1及 ε2为权重系数。 6.根据权利要求1所述的基于集成学习 模型的就业推荐方法， 其特征在于， 全局交互信 息组件训练过程中的优化目标为：权　利　要　求　书 1/2 页 2 CN 115409661 A 2其中， U为所有用户的集合， Iu为用户u的交互记录的向量表示， θ 为自编码器的可训练参 数， h(Iu； θ )为自编码器的输出结果， λ为正则化参数， V为输入层到隐层间的转换矩阵， W为 隐层到输出层间的转换矩阵； 全局交互信息组件训练过程中的损失函数为： 其中， Iv表示用作验证集的所有交互记录向量的集合， 表示该交互记录中用户u与 项目c交互记录的真实值， 为对该交 互的预测值。 7.根据权利要求1所述的基于集成学习 模型的就业推荐方法， 其特征在于， 特征匹配信 息组件包括依次相连接的输入层、 嵌入层、 注意力得分层、 连接层 及评分层； 将存在的岗位投递记录， 描述为(用户ID， 岗位ID)的元组形式， 视为正例， 给予正例标 签， 从用户未投递过的岗位中通过随机负采样生成负例元组， 给予负例标签， 负采样比例设 置为正例数量的40％， 通过拼接每个元组中用户的表征向量 及项目 向量 作为正负样本进行训练； 输入层的输入为正负样本， 评分层的输出为表示用户与 岗位的匹配程度得分， 即推荐 评分， 嵌入层用于将编码的高维稀疏特征向量转化为低 维稠密向量， 注意力得分层采用交 叉的注意力机制， 分别给 出用户侧 和推荐项目侧的注意力得分。 8.一种基于集成学习模型的就 业推荐系统， 其特 征在于， 包括： 编码模块， 用于获取用户u及各推荐项目c， 将用户u的特征及各推荐项目c的特征进行 向量化编码； 推荐模块， 用于将用户u的特征向量、 用户u已有的交互记录向量和用户u与各推荐项目 c的特征向量输入到训练后的集成学习模型中， 得到各推荐项目的得分， 完成基于集成学习 模型的就业推荐， 其中， 所述集成学习模型由相似性信息组件、 全局交互信息组件和特征匹 配信息组件构成。 9.一种计算机设备， 包括存储器、 处理器以及存储在所述存储器中并可在所述处理器 上运行的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求 1‑7 任一项所述基于集成学习模型的就 业推荐方法的步骤。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于， 所述计算机程序被处理器执行时实现如权利要求1 ‑7任一项所述基于集成学习模型 的 就业推荐方法的步骤。权　利　要　求　书 2/2 页 3 CN 115409661 A 3