[发明专利]一种职位推荐方法及系统

权利要求书

1.一种职位推荐方法，其特征在于，包括以下步骤

步骤S1：获取用户访问数据，生成数据矩阵；

步骤S2：对数据矩阵执行监督学习算法；

步骤S3：对数据矩阵执行无监督学习算法并生成预测结果数据；

步骤S4：依据预测结果数据和人物画像数据生成职位预推荐数据；

所述步骤S1包括，

步骤S11：收集用户浏览招聘网站过程中的浏览职位数据、浏览企业数据、用户数据；

步骤S12：将步骤S11收集的数据以预设数据格式存储；

步骤S13：对所述以预设数据格式存储的数据分析数据特征并生成数据矩阵；

所述用户访问数据包括，设备类型、设备品牌、设备型号、浏览器类别、信息渠道、搜索内容、访问时间、访问职位,、是否投递、是否获取联系方式、访问企业中的多种或一种；

所述数据矩阵的数据特征包括，类别、薪酬、经验、学历、职别、群体中的多种或一种；

步骤21：对所述数据矩阵进行分解和降噪；

步骤22：基于访问记录进行相似度计算；

步骤23：从数据矩阵中抽取知识数据并存储；

所述步骤S21包括，

采用奇异值分解算法对原始数据矩阵进行处理，将原始数据矩阵分解为三个子矩阵U、∑和VT；原始矩阵Data是m行n列，对应的U、∑和VT分别为m行m列、m行n列和n行n列；计算表达式为：

所述步骤S22包括，

采用余弦相似度算法对用户数据中访问职位、企业的数据向量进行相似度计算，并得到访问职位、企业的数据向量夹角的余弦值；

若访问职位、企业的数据向量夹角的余弦值为90度，则相似度设定为0；

若访问职位、企业的数据向量的方向相同，则相似度设定为1.0；

计算表达式如下：

其中‖A‖和‖B‖表示向量A、B的2范数；

所述步骤S23包括，

获取访问职位的样本点中包含的数值型特征X1和X2；

通过梯度上升算法获取回归系数作为Logistic回归模型的参数；

所述步骤S23包括，

步骤S231：初始化每个回归系数为1；

步骤S232：重复若干次计算整个数据矩阵的梯度，采用alpha*gradient更新回归系数的向量；alpha是向目标移动的步长；

步骤S233：存储回归系数，并完成监督学习算法训练；

所述步骤S3包括，

步骤S31：采用k均值聚类算法对数据矩阵进行相似聚类；

步骤S32：采用FP-growth算法对数据矩阵进行关联性分析并生成预测结果数据；

所述步骤S31包括，

步骤S311：随机创建k个点作为起始质心；

步骤S312：若任意一个点的簇心分配结果发生改变，则对数据集中的每个数据点，对每个质心，计算质心与数据点之间的距离，并将数据点分配到距其最近的簇；

步骤S313：对每一个簇计算簇中所有点的均值并将均值作为质心；

步骤S314：使用量化的误差指标对算法结果进行评价；

所述步骤S32包括，

步骤S321：将数据矩阵中访问职位数据集离散化，将其量化位离散值；

步骤S322：第一次遍历数据矩阵，获取每个元素项的出现频率，去掉不满足的元素项，读入每个项集并将其保存，并按照出现的频率进行排序并过滤后，构建FP树并对树进行挖掘，完成无监督学习算法训练；

步骤S323：提取经常出现的元素项生成预测结果数据；

所述步骤S4包括，

步骤41：将预测结果数据与人物画像进行相似度计算生成关键元素信息，用于预推荐；

步骤42：向用户展示预推荐的职务信息；

数据矩阵为：[a1[职位1,职位2,…,职位n],a2[职位1,职位2,…,职位n],…,an[职位1,职位2,…,职位n]]，[a1[企业1,企业2,…,企业n],a2[企业1,企业2,…,企业n],…,am[企业1,企业2,…,企业n]]；[职位1[类别1,薪酬1,…,区域1],职位2[类别2,薪酬2,…,区域2],…,职位n[类别n,薪酬n,…,区域n]]；[企业1[行业1,薪酬1,…,规模1],企业2[行业2,薪酬2,…,规模2],…,企业z[行业z,薪酬z,…,规模z]]]。

2.一种职位推荐系统，包括以下模块：

数据获取模块，用于获取用户访问数据，生成数据矩阵；

监督学习模块，用于对数据矩阵执行监督学习算法；

无监督学习模块，用于对数据矩阵执行无监督学习算法并生成预测结果数据；

预测模块，用于依据预测结果数据和人物画像数据生成职位预推荐数据；

所述数据获取模块执行以下步骤，

步骤S11：收集用户浏览招聘网站过程中的浏览职位数据、浏览企业数据、用户数据；

步骤S12：将步骤S11收集的数据以预设数据格式存储；

步骤S13：对所述以预设数据格式存储的数据分析数据特征并生成数据矩阵；

所述用户访问数据包括，设备类型、设备品牌、设备型号、浏览器类别、信息渠道、搜索内容、访问时间、访问职位,、是否投递、是否获取联系方式、访问企业中的多种或一种；

所述数据矩阵的数据特征包括，类别、薪酬、经验、学历、职别、群体中的多种或一种；

所述监督学习模块执行以下步骤，

步骤21：对所述数据矩阵进行分解和降噪；

步骤22：基于访问记录进行相似度计算；

步骤23：从数据矩阵中抽取知识数据并存储；

所述步骤S21包括，

采用奇异值分解算法对原始数据矩阵进行处理，将原始数据矩阵分解为三个子矩阵U、∑和VT；原始矩阵Data是m行n列，对应的U、∑和VT分别为m行m列、m行n列和n行n列；计算表达式为：

所述步骤S22包括，

采用余弦相似度算法对用户数据中访问职位、企业的数据向量进行相似度计算，并得到访问职位、企业的数据向量夹角的余弦值；

若访问职位、企业的数据向量夹角的余弦值为90度，则相似度设定为0；

若访问职位、企业的数据向量的方向相同，则相似度设定为1.0；

计算表达式如下：

其中‖A‖和‖B‖表示向量A、B的2范数；

所述步骤S23包括，

获取访问职位的样本点中包含的数值型特征X1和X2；

通过梯度上升算法获取回归系数作为Logistic回归模型的参数；

所述步骤S23包括，

步骤S231：初始化每个回归系数为1；

步骤S232：重复若干次计算整个数据矩阵的梯度，采用alpha*gradient更新回归系数的向量；alpha是向目标移动的步长；

步骤S233：存储回归系数，并完成监督学习算法训练；

所述无监督学习模块执行以下步骤，

步骤S31：采用k均值聚类算法对数据矩阵进行相似聚类；

步骤S32：采用FP-growth算法对数据矩阵进行关联性分析并生成预测结果数据；

所述步骤S31包括，

步骤S311：随机创建k个点作为起始质心；

步骤S312：若任意一个点的簇心分配结果发生改变，则对数据集中的每个数据点，对每个质心，计算质心与数据点之间的距离，并将数据点分配到距其最近的簇；

步骤S313：对每一个簇计算簇中所有点的均值并将均值作为质心；

步骤S314：使用量化的误差指标对算法结果进行评价；

所述步骤S32包括，

步骤S321：将数据矩阵中访问职位数据集离散化，将其量化位离散值；

步骤S322：第一次遍历数据矩阵，获取每个元素项的出现频率，去掉不满足的元素项，读入每个项集并将其保存，并按照出现的频率进行排序并过滤后，构建FP树并对树进行挖掘，完成无监督学习算法训练；

步骤S323：提取经常出现的元素项生成预测结果数据；

所述预测模块执行以下步骤，

步骤41：将预测结果数据与人物画像进行相似度计算生成关键元素信息，用于预推荐；

步骤42：向用户展示预推荐的职务信息；

数据矩阵为：[a1[职位1,职位2,…,职位n],a2[职位1,职位2,…,职位n],…,an[职位1,职位2,…,职位n]]，[a1[企业1,企业2,…,企业n],a2[企业1,企业2,…,企业n],…,am[企业1,企业2,…,企业n]]；[职位1[类别1,薪酬1,…,区域1],职位2[类别2,薪酬2,…,区域2],…,职位n[类别n,薪酬n,…,区域n]]；[企业1[行业1,薪酬1,…,规模1],企业2[行业2,薪酬2,…,规模2],…,企业z[行业z,薪酬z,…,规模z]]]。