基于协同过滤和主题模型的毕业生就业双向推荐研究

摘要

随着高校毕业生人数的不断增多，高校毕业生就业问题越发得到重视。而高校毕业生在就业时往往会面临目标不明确，定位不准确以及迷茫的心理等问题，很多高校毕业生采取“遍地撒网，重点捞鱼”的简历投递策略，广投简历，这不仅给毕业生本身带来了很大的烦恼，同时也给企业带来了很多的不便，企业面对非常多的招聘选择，经常需要对毕业生进行筛选，使企业的人力成本居高不下。针对以上情况，本文以A招聘网站为平台，结合毕业生的简历数据，简历投递记录，企业的名称，招聘岗位，涉及城市，招聘简章以及网站相关数据等，研究了一种对毕业生和企业实现双向推荐的混合推荐模型，向毕业生推荐目标企业，能够减少毕业生在找工作过程中的迷茫，对企业推荐目标毕业生，企业可以直接向目标毕业生发送面试邀请，直接进行联系，减少企业在招聘过程中的成本浪费，从而对企业以及毕业生都非常有利。
　　本文主要采取改进协同过滤算法以及LDA主题模型等方法实现对企业以及毕业生的双向推荐。首先，对采集的数据进行规范化，分词，去停用词等预处理，然后对用户简历投递数据以及企业面试邀请数据，构建相应的矩阵，利用K-means聚类方法解决矩阵中数据稀疏性的问题，利用改进协同过滤算法进行处理，实现推荐;对用户简历文本以及企业招聘简章文本信息，数据进行预处理之后，利用LDA主题模型获取主题词信息，再利用TF-IDF方法确定主题词的权重，再结合招聘企业的招聘岗位，涉及城市，招聘简章标签信息等，分别建立毕业生与企业的向量空间模型，计算向量空间模型的相似度，实现推荐。最后结合两种方法建立混合推荐模型，在测试实验中，利用用户对推荐的满意度数据对混合推荐模型中的系数进行确定。通过设置对照实验的方法获取毕业生投递简历数量的变化，企业发送面试邀请的数量的变化以及企业填补职位空缺的时间数据，对三种算法推荐效果进行了比较，得出混合推荐的效果是最好的结论。再利用网站活跃度（用户平均在线时间），新用户人数，用户对网站满意度，毕业生投递简历的平均数量，企业发送面试邀请的平均数量等指标对推荐效果进行验证，证明了推荐是有效果的，对网站的发展是非常有利的。

目录

声明

致谢

摘要

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1推荐系统

1．2．2协同过滤

1．2．3 LDA主题模型

1．3 本文主要内容

1．4 论文技术路线

2相关理论概述

2．1 常用推荐算法简介

2．1．1 基于内容的推荐算法

2．1．2协同过滤推荐算法

2．1．3基于矩阵分解的推荐算法

2．1．4混合推荐算法

2．2 LDA主题模型

2．3推荐结果评价指标

2．3．1 准确率

2．3．2召回率

2．3．3 F值

2．4本章小结

3基于改进协同过滤推荐算法的毕业生-企业推荐

3．1 数据采集

3．1．1数据背景简介

3．1．2采集数据组成

3．2数据预处理

3．3毕业生及企业偏好模型建立

3．3．1 毕业生-企业矩阵的建立

3．3．2利用双重聚类解决数据稀疏性

3．3．3偏好模型的建立

3．4利用协同过滤算法实现推荐

3．5实验与分析

3．5．1 毕业生-企业矩阵的建立

3．5．2利用聚类结果填充矩阵

3．5．3利用协同过滤推荐得到推荐结果

3．6本章小结

4基于LDA主题模型的毕业生-企业推荐

4．1 基于LDA的主题词获取

4．1．1最优主题数

4．1．2文档主题词获取

4．2毕业生与企业的向量空间模型构建

4．2．1 向量空间模型

4．2．2毕业生向量空间模型的构建

4．2．3企业向量空间模型的构建

4．3毕业生和企业模型相似度计算

4．4实验与分析

4．5本章小结

5混合推荐模型的建立及效果评价

5．1混合推荐模型

5．1．1 混合推荐模型的建立

5．1．2混合推荐模型系数的确定

5．1．3混合推荐结果展示

5．2推荐效果评价

5．2．1推荐效果对比

5．2．2推荐效果对比实际检验

5．2．3推荐效果综合检验

5．3本章小结

6．1 总结

6．2展望

参考文献

附录

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集