计算机研究与发展

作者：朱海萍,赵成成,刘启东,郑庆华,曾疆维,田锋,陈妍,

关键词：推荐系统, 就业推荐, 互惠推荐, 可解释性, 负采样,

当前，基于协同过滤和隐因子模型的大学生就业推荐方法，仅考虑学生对就业单位单向偏好易导致“能力失配”，且一个用户一次就业的历史记录极易致负样本不可信，影响推荐性能，同时忽略了对推荐结果的可解释性需求.针对此，依据多任务学习的思路，设计并构建了基于互惠性约束的可解释就业推荐方法.其中，引入注意力机制与模糊门机制，提取并自适应聚合学生与就业单位双向的偏好与需求，缓解“能力失配”问题；提出面向就业意图和就业特征的推荐解释方法，满足可解释性需求；提出基于相似度的随机负采样方法，克服负样本不置信问题.在某高校5届毕业生就业真实数据集上的实验结果表明：相比于多个经典和同时代的推荐方法，所提方法在AUC指标上提升超6%，并且通过消融实验验证了所提方法中各模块的有效性.

来源：2021年第12期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2021年第12期