基于历史信息的就业推荐算法研究与可视分析

摘要

随着社会的发展以及高校毕业生数量的连年增长，高校毕业生的就业问题越来越受到政府和学校以及学生个人的关注。就业推荐就是向学生推荐合适的公司以及职位的过程，它的核心问题是选择合适的推荐算法有效地找到准确的“最近邻居”。现在最常见的就业推荐平台是根据用户的信息以及公司职位的招聘条件进行匹配来产生推荐结果，这种推荐的缺点在于缺少对公司往年招聘人员的历史信息的挖掘和分析，导致推荐结果缺乏对历史信息的参考。
　　 针对现在就业推荐系统中存在的问题，本文提出了一种基于历史信息的就业推荐算法，并使用非对称Sierpinski Carpet技术对推荐结果进行可视分析。本文算法的核心思想是首先获取到往年的就业数据并对数据进行过滤，综合利用多种方法对就业信息进行分析和建模，计算公司之间的相似度并产生推荐结果，最后利用非对称Sierpinski Carpet技术对推荐结果进行分层展现和可视分析。
　　 本文设计的基于历史信息的就业推荐算法与可视分析主要包括三部分，分别是就业推荐算法、推荐结果的可视化以及用户交互。本文研究的内容具有三方面的意义:第一，就业推荐算法的研究与设计充分挖掘了历史信息，弥补了现在其他就业推荐算法存在的缺陷，是对现今就业推荐算法的完善和修正;第二，数据分析过程综合用多种分析方法，从多个角度分析就业信息，保证了推荐结果的正确性;第三，加速学生的就业过程，提升认知能力，通过合理使用可视化技术、交互技术，向用户展现推荐结果，并描述推荐结果间的异同，有助于学生挖掘深层关系，制定就业决策。
　　 针对目前的就业推荐平台忽略公司往年招聘人员的问题，本文提出的推荐算法充分考虑了公司往年招聘人员的历史信息，其核心思想是通过公司招聘人员的历史预测公司以后招聘人员的趋势。公司往年招聘人员的信息对学生的就业选择具有很大的参考价值，通过招聘的历史信息，可以分析并发现公司之间的相似度。在计算相似度的过程中，对于可量化和比较的因素以及不可比较的因素要分别采用不同的模型来进行计算。
　　 Sierpinski Carpet的结构是递归、分层、对称的，Sierpinski Carpet的对称性导致我们无法区分同一层次的对象。针对Sierpinski Carpet存在的问题和缺陷，为了更好的达到可视化效果，使用户通过图形展示获取更多的推荐信息，本文在推荐结果可视化阶段采用了非对称Sierpinski Carpet。从而可以将不同重要程度的推荐结果分层展现，并且利用非对称关系描述不同的对象被推荐的程度。

目录

声明

摘要

第1章 绪论

1．1 研究背景和意义

1．1．1 研究背景

1．1．2 研究意义

1．2 国内外研究现状

1．2．1 推荐系统的研究现状

1．2．2 数据可视化技术的研究现状

1．3 主要研究内容和创新点

1．3．1 主要研究内容

1．3．2 创新点

1．4 本文组织结构

第2章 推荐算法的研究

2．1 推荐算法的概念

2．2 常用推荐算法

2．2．1 基于人口统计学的推荐

2．2．2 基于内容的推荐

2．2．3 协同过滤

2．3 本文选用的推荐算法

第3章 基于历史信息的数据建模与分析

3．1 数据过滤与建模

3．1．1 数据过滤

3．1．2 数据建模

3．2 计算公司之间相似度

3．2．1 simx(c1，c2)的计算

3．2．2 simy(c1，c2)的计算

3．2．3 权重的确定

3．3 算法流程图

3．4 实例分析

3．4．1 数据过滤与建模

3．4．2 计算相似度

第4章 数据可视化与用户交互设计

4．1 Sierpinski Carpet

4．2 数据可视化

4．2．1 坐标计算

4．2．2 基于对称sierpinski carpet技术的数据展示

4．2．3 基于非对称sierpinski carpet技术的数据展示

4．3 用户交互设计

4．3．1 鼠标移动

4．3．2 鼠标点击

4．4 实例分析

4．4．1 推荐结果展示

4．4．2 推荐结果分析

第5章 总结与展望

5．1 总结

5．2 展望

参考文献

致谢

攻读学位期间发表学术论文目录

攻读学位期间参与科研项目情况