[发明专利]一种基于用户与专家耦合关系分析的协同过滤推荐方法

说明书

本发明属于专业人才选拔技术领域，尤其涉及一种基于用户与专家耦合关系分析的协同过滤推荐方法。本发明首先设计了两个基于用户与专家遴选过程耦合关系聚合性分析模型与基于用户与专家遴选过程耦合关系相对性分析模型；再将两个模型的输出作为输入，训练一个顶层DNN；最后将训练好的模型融合，并进行精调训练。本发明方法的精度优于目前已经公开的方法，具有良好的实用价值。能够有效针对国有大型企业在选拔人才、科技专家聘用方面存在的突出问题，大幅度提升各专业领域人才推荐效果和精度，促进公司业务建设和生产水平的全面提高。本发明为大型国有企业在科技项目评审、技术咨询以及项目建设和实施等多个领域都起到至关重要的作用。

技术领域

本发明属于专业人才选拔技术领域，尤其涉及一种基于用户与专家耦合关系分析的协同过滤推荐方法。

背景技术

由于国有企业业务体积庞大，各类专业领域繁多，专业性人才评价与人才选拔推荐等工作繁重。尤其是随着各行业新兴技术的不断发展，多领域交叉技术日新月异，对人才选拔和推荐提出了更高的要求，同时也增加了很大的难度。当前，实际工作多采用人工方式进行人才遴选和推荐。由于实际工作人员对领域知识的理解有限,且具有一定的主观性倾向,并且随着人才储备数量的不断增加,人工选择的效率和准确性逐渐降低。同时，专业人才库的信息缺乏有效的实时优化机制，信息结构和内容存在不合理等情况，无法满足不断变化的人才选拔需求。

基于协同过滤思想的方法目前在专家推荐系统中应用较广，它主要依赖用户与专家之间的历史的交互关系，用来分析用户对专家的选择偏好，交互过程包括用户对专家的打分、浏览痕迹以及实际的选拔行为。用户与专家的评分矩阵表明了用户对专家的偏好，矩阵中的每一个元素表明了这种一对一的关系。因此，评分矩阵在专家推荐领域通常被用作主要数据源。

在实际工作中，因为库内专家过多，因此这种评分矩阵是非常稀疏的。如果完全依靠这样的数据源很难得到合理的专家推荐精度。另外，如果使用流行的数据降维方法，很难从根本上改变这个问题。目前，常用的解决方法是引入额外的用户和专家信息参与到评分的估计，但这种思路对提高精度很有限。

发明内容

针对上述现有技术中存在的不足之处，本发明提供了一种基于用户与专家耦合关系分析的协同过滤推荐方法。其目的是为了实现通过融合多种用户-专家相关性特征，获取多种模型的优点，有效提升了领域专家推荐的精度的发明目的。

本发明为实现上述目的所采用的技术方案是：

一种基于用户与专家耦合关系分析的协同过滤推荐方法，包括以下步骤：

步骤1：专家属性信息以及用户与专家遴选交互信息获取及预处理；

步骤2：将数据集分割为三个部分：训练集用来训练模型，验证集用来验证训练结果；

步骤3：构造基于用户与专家遴选过程耦合关系聚合性分析模型、基于用户与专家遴选过程耦合关系相对性分析模型以及二者的融合模型；

步骤4：分别使用训练集训练步骤3的模型，同时使用验证集观察两个模型的训练效果，最后完成测试集的测试工作，证明两个模型的鲁棒性；

步骤5：将已经训练好的步骤3的模型并行排列，将各单独模型的输出结点作为顶层DNN的输入连接到DNN隐层，最后缩小融合模型的学习率进行精调；

步骤6：使用验证集验证训练好的模型，通过对比测试集和验证集的精度和误差，调整模型参数，通过多次训练，选择验证集表现最好的模型作为训练结果；

步骤7：在实际环境中运行模型，当预测值和实际值出现较大偏差时，将最新数据加入训练集再次训练模型。

进一步的，步骤1所述专家属性信息以及用户与专家遴选交互信息获取及预处理，包括以下步骤：

步骤1.1：采集专家属性信息以及用户与专家遴选交互信息；