基于深度學(xué)習(xí)算法的高校人才個(gè)性化智能推薦系統(tǒng)

陳慧

（西安航空職業(yè)技術(shù)學(xué)院黨委組織部，陜西西安710089）

畢業(yè)生就業(yè)問題以及用人單位招聘人才問題已成為近年來急需解決的社會(huì)問題，高校人才推薦系統(tǒng)可有效提升高校人才信息共享自動(dòng)化以及智能化，令人才接收單位以及人才推薦單位之間實(shí)現(xiàn)良好溝通，優(yōu)化高校人才資源的配置[1-2]。隨著人類步入信息化以及智能化，網(wǎng)絡(luò)信息量呈爆炸式增長，人類生活均離不開網(wǎng)絡(luò)，從眾多信息中選取需要的信息有助于提升工作效率節(jié)省時(shí)間。推薦系統(tǒng)是高效的過濾工具，采用推薦系統(tǒng)可有效解決信息量過載的問題[3-5]。

卷積神經(jīng)網(wǎng)絡(luò)是一種性能優(yōu)異的深度學(xué)習(xí)算法，為了解決用人單位用人難以及高校人才就業(yè)難的問題，提出了深度學(xué)習(xí)算法的高校人才個(gè)性化智能推薦系統(tǒng)。

1 基于深度學(xué)習(xí)算法的高校人才個(gè)性化智能推薦系統(tǒng)介紹

1.1 系統(tǒng)總體架構(gòu)

深度學(xué)習(xí)算法的高校人才個(gè)性化智能推薦系統(tǒng)包括信息獲取層、數(shù)據(jù)處理層、推薦服務(wù)層，高校人才個(gè)性化智能推薦系統(tǒng)總體結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)總體結(jié)構(gòu)

系統(tǒng)通過信息獲取層采集高校人才信息，所采集信息包括個(gè)人簡歷、求職信以及推薦信等各種與就業(yè)相關(guān)的文檔，個(gè)人簡歷中信息包括高校人才姓名、年齡、所屬院校、所學(xué)專業(yè)、獲獎(jiǎng)情況、各種證書等具體信息；所采集信息發(fā)送至數(shù)據(jù)處理層通過深度學(xué)習(xí)算法中的卷積神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)高校人才個(gè)性化智能推薦[6]，并發(fā)送至推薦服務(wù)層；推薦服務(wù)層針對(duì)不同招聘單位需求，將數(shù)據(jù)處理層獲取的推薦結(jié)果通過個(gè)性化人機(jī)界面實(shí)現(xiàn)高校人才智能推薦。

系統(tǒng)通過服務(wù)器實(shí)現(xiàn)客戶端以及數(shù)據(jù)庫之間數(shù)據(jù)交互，系統(tǒng)服務(wù)器利用Web Service 技術(shù)以及MyBaits 框架技術(shù)實(shí)現(xiàn)，利用http 通信技術(shù)實(shí)現(xiàn)服務(wù)器與客戶端之間的溝通[7]，服務(wù)器接收客戶端用戶請(qǐng)求后返回服務(wù)器端，通過深度學(xué)習(xí)算法實(shí)現(xiàn)高校人才個(gè)性化智能推薦。

選取MySQL 數(shù)據(jù)庫為系統(tǒng)提供全部數(shù)據(jù)支持，利用分散式存儲(chǔ)方式提升數(shù)據(jù)庫訪問效率，選取MyBatis 框架技術(shù)實(shí)現(xiàn)服務(wù)器與MySQL 數(shù)據(jù)庫的連接。MySQL 數(shù)據(jù)庫可滿足海量高校人才以及用人單位信息的完整性、一致性以及安全性[8]。

1.2 系統(tǒng)功能結(jié)構(gòu)

依據(jù)高校人才個(gè)性化智能推薦需求建立系統(tǒng)的功能結(jié)構(gòu)如圖2所示。從圖2可以看出，深度學(xué)習(xí)算法的高校人才個(gè)性化智能推薦系統(tǒng)包括高校人才管理模塊、招聘方管理模塊以及管理員模塊。

圖2 系統(tǒng)功能結(jié)構(gòu)圖

高校人才管理模塊負(fù)責(zé)錄入以及修改高校人才基本信息，具有增加、刪除、修改高校人才基本信息的功能，并可依據(jù)自身需求查詢?nèi)坑萌藛挝恍畔9]。高校人才用戶登錄系統(tǒng)后，系統(tǒng)依據(jù)高校人才需求為高校人才推薦用人單位信息。

招聘方管理模塊負(fù)責(zé)錄入以及修改用人單位基本信息，具有增加、刪除、修改自身單位基本信息的功能[10]，并可依據(jù)自身需求查詢?nèi)扛咝Ｈ瞬判畔ⅰＯ到y(tǒng)依據(jù)用人單位需求為招聘方推薦高校人才信息。

管理員模塊負(fù)責(zé)管理高校人才以及用人單位的注冊(cè)信息和賬號(hào)信息。

1.3 卷積神經(jīng)網(wǎng)絡(luò)

選取深度學(xué)習(xí)算法中卷積神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)高校人才個(gè)性化智能推薦[11]，該算法包括輸入層、卷積層、池化層、全連接層以及輸出層五部分。

1.3.1 輸入層

選取文本向量化方法作為卷積神經(jīng)網(wǎng)絡(luò)輸入層處理方式，將輸入海量信息通過單詞嵌入方式映射至n維向量空間，將全部的輸入信息合并[12]。設(shè)輸入的海量高校人才數(shù)據(jù)格式為(useri,ci0⊕ci1⊕其中⊕表示高校人才信息通過卷積符連接，可得高校人才用戶信息()useri,gi,。其中，gi表示高校人才的全部信息，表示用人單位全部信息，利用文本向量化技術(shù)將全部信息合并后利用向量υeci表示，即：

通過式（1）將函數(shù)Doc2VecC返回至n維向量，將用戶全部信息表示為文本嵌入的簡單平均值，令所獲取向量體現(xiàn)訓(xùn)練學(xué)習(xí)期間全信息的語義內(nèi)容，用戶樣本信息通過文本向量化技術(shù)轉(zhuǎn)化為：

1.3.2 卷積層

在表示矩陣上將所輸入的經(jīng)過文本向量化處理的信息實(shí)施卷積，信息卷積與圖像卷積形式并不相同[13]，信息可通過一維空間實(shí)施卷積，用cj∈R1表示文本卷積后特征，卷積公式如式（3）所示：

式中，*表示卷積操作，lcj∈R表示偏置向量，f為卷積層的Relu 激活函數(shù)，該激活函數(shù)可有效避免梯度消失情況[14]。

特征向量cj∈Ri-WS+1，利用卷積核Wcj的卷積公式如下：

通過以上過程利用多組卷積核實(shí)現(xiàn)高校人才相關(guān)信息卷積特征獲取。

1.3.3 池化層

利用池化層對(duì)卷積層獲取的特征實(shí)施降維，通過降維保留卷積神經(jīng)網(wǎng)絡(luò)中相對(duì)重要的特征，避免卷積神經(jīng)網(wǎng)絡(luò)過擬合情況。用Kt={k1,k2,…,kz-s+1}與qt表示第t個(gè)卷積層獲取特征圖以及池化的結(jié)果，選取Kt作為池化層中的最大值，可得卷積神經(jīng)網(wǎng)絡(luò)池化層處理公式如下：

1.3.4 全連接層

將池化層處理完成的輸入結(jié)果輸入全連接層中，設(shè)卷積神經(jīng)網(wǎng)絡(luò)全連接層中含有神經(jīng)元數(shù)量為m，選取Relu 函數(shù)作為全連接層激活函數(shù)，所獲取的固定向量vi即為高校人才信息隱含特征，全連接層計(jì)算公式如下：

式中，vi∈Rm，Qt與wt分別為卷積神經(jīng)網(wǎng)絡(luò)池化層輸出以及全連接層權(quán)重，lt表示偏置系數(shù)。

1.3.5 輸出層

將矩陣分解方法應(yīng)用于卷積神經(jīng)網(wǎng)絡(luò)輸出層，矩陣分解方法通過矩陣相乘方法將全連接層內(nèi)高維并具有稀疏性質(zhì)信息的矩陣分解為低維度特征矩陣[15-16]，所獲取低維度特征矩陣即為最終高校人才智能推薦結(jié)果。矩陣分解方法的卷積神經(jīng)網(wǎng)絡(luò)輸出層公式如下：

式中，ej表示高校人才推薦信息向量，Xj與Z分別表示用戶信息輸入以及卷積神經(jīng)網(wǎng)絡(luò)權(quán)重集合。

2 系統(tǒng)測試結(jié)果

選取CPU 為Windows XP，硬盤為4 G、內(nèi)存為8 G的計(jì)算機(jī)作為文中系統(tǒng)的服務(wù)器；選取MySQL8.0 作為文中系統(tǒng)數(shù)據(jù)庫；選取Eclipse 軟件作為文中系統(tǒng)的開發(fā)平臺(tái)；選取Java 語言作為文中系統(tǒng)開發(fā)語言搭建該系統(tǒng)。統(tǒng)計(jì)文中系統(tǒng)于2019年7月10日-2019年7月19日所收集高校人才實(shí)例26 806 個(gè)，其中包括機(jī)械、建筑、信息等眾多專業(yè)的本科以及本科以上的高校人才，統(tǒng)計(jì)10 天高校人才和用人單位推薦成功率，統(tǒng)計(jì)結(jié)果如表1所示。從表1測試結(jié)果可以看出，文中系統(tǒng)具有較高的推薦成功率。

表1 高校人才和用人單位推薦結(jié)果

選取均方根誤差作為推薦系統(tǒng)評(píng)價(jià)指標(biāo)，均方根誤差常應(yīng)用于推薦系統(tǒng)，均方根誤差可有效對(duì)比不同系統(tǒng)間的推薦精度，均方根誤差值越小表明系統(tǒng)推薦性能越高。選取協(xié)同過濾系統(tǒng)以及玻爾茲曼機(jī)系統(tǒng)作為對(duì)比系統(tǒng)，對(duì)比結(jié)果如圖3所示。從圖3測試結(jié)果可以看出，采用文中系統(tǒng)推薦高校人才在不同信息量大小時(shí)均方根誤差均較低，文中系統(tǒng)的均方根誤差明顯低于過濾系統(tǒng)以及玻爾茲曼機(jī)系統(tǒng)，驗(yàn)證了文中系統(tǒng)具有較高的推薦精度。

圖3 均方根誤差對(duì)比

統(tǒng)計(jì)不同系統(tǒng)推薦過程中的覆蓋率，覆蓋率直接影響系統(tǒng)推薦性能，對(duì)比結(jié)果如圖4所示。

從圖4測試結(jié)果可以看出，文中系統(tǒng)具有較高的覆蓋率，協(xié)同過濾系統(tǒng)覆蓋率次之，玻爾茲曼機(jī)系統(tǒng)覆蓋率最低。測試結(jié)果表明，文中系統(tǒng)覆蓋率較高，可有效提升系統(tǒng)推薦性能。

圖4 覆蓋率對(duì)比

統(tǒng)計(jì)文中系統(tǒng)、協(xié)同過濾系統(tǒng)以及玻爾茲曼機(jī)系統(tǒng)作為對(duì)比系統(tǒng)的高校人才推薦響應(yīng)時(shí)間，結(jié)果如表2所示。從表2可知，文中系統(tǒng)有較高的響應(yīng)速度，響應(yīng)速度均明顯高于協(xié)同過濾系統(tǒng)和玻爾茲曼機(jī)系統(tǒng)。

表2 高校人才推薦響應(yīng)時(shí)間對(duì)比

文中系統(tǒng)服務(wù)對(duì)象為海量用戶，系統(tǒng)安全性極為重要，統(tǒng)計(jì)文中系統(tǒng)在不同攻擊頻率下的推薦性能，統(tǒng)計(jì)結(jié)果如表3所示。由表3測試結(jié)果可知，文中系統(tǒng)在不同攻擊頻率下仍可保持較高的推薦成功率及實(shí)時(shí)性，文中系統(tǒng)可有效保證數(shù)據(jù)安全性以及完整性，為高校人才個(gè)性化智能推薦提供技術(shù)基礎(chǔ)，為用人單位以及高校人才供需平衡提供支持。

表3 不同攻擊頻率下系統(tǒng)運(yùn)行情況

3 結(jié)束語

由輸入層、卷積層、池化層、全連接層以及輸出層組成的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建高校人才智能推薦系統(tǒng)，該系統(tǒng)可有效改善以往人才推薦系統(tǒng)的缺陷，使高校人才以及用人單位解決人才資源合理調(diào)配問題，提升人才利用率，增加人才推薦性能，為用人單位、服務(wù)企業(yè)以及高校人才提供高效、精準(zhǔn)的服務(wù)，為社會(huì)發(fā)展創(chuàng)造效益。