基于知識圖譜的人崗?fù)扑]系統(tǒng)構(gòu)建

摘 要： 為解決傳統(tǒng)人崗?fù)扑]系統(tǒng)存在的三個常見問題，即數(shù)據(jù)稀疏性、數(shù)據(jù)冷啟動和數(shù)據(jù)利用率低，提出了基于知識圖譜的人崗?fù)扑]系統(tǒng)構(gòu)建方法。該方法通過改進傳統(tǒng)推薦模型，將知識圖譜作為輔助邊信息融合到推薦系統(tǒng)中進行人崗?fù)扑]，有效解決了數(shù)據(jù)稀疏性和數(shù)據(jù)冷啟動問題;引入知識圖譜補全算法提高了數(shù)據(jù)利用率。提出的方法在人崗?fù)扑]上準確率可達92%，比現(xiàn)有人崗?fù)扑]方法準確率提高約1%。實驗結(jié)果表明該方法是可行的，知識圖譜的加入可以提升人崗?fù)扑]系統(tǒng)的推薦效果。

關(guān)鍵詞： 知識圖譜； 推薦系統(tǒng)； 人崗?fù)扑]； 知識圖譜補全

中圖分類號： TP18"" 文獻標志碼： A

文章編號： 1001-3695（2022）01-034-0194-05

doi：10.19734/j.issn.1001-3695.2021.06.0228

Construction of person-post matching recommended system based on knowledge graph

Xu Mengqi1， Xiong Xi1，2， Li Binyong1， Li Zhongzhi1

（1.School of Cybersecurity， Chengdu University of Information Technology， Chengdu 610225， China; 2.School of Aeronautics amp; Astronautics， Sichuan University， Chengdu 610065， China）

Abstract： To solve the three common problems in the traditional person-post matching recommended system： data sparsiness， data cold start and low data utilization rate， this paper proposed knowledge graph-based person-post matching recommended system construction methods. By improving traditional recommendations， it integrated knowledge graph as auxiliary side information to the recommended system to carry out person-post matching recommended system， effectively solved data sparsiness and data cold start issues， and introduced knowledge graph completion algorithm to improve data utilization， the proposed method could reach 92% in the recommended accuracy rate， and the accuracy rate was increased by about 1% more than the existing person-post matching recommended methods. The experimental results show that the method is feasible， and the addition of the knowledge graph can improve the recommendation effect of the person-post matching recommended system.

Key words： knowledge graph; recommended system; person-post matching recommended; knowledge graph completion

0 引言

大數(shù)據(jù)時代，信息過載使人們面臨大量商品時需要花更多時間進行挑選，推薦系統(tǒng)［1］ （recommender system）可以幫助用戶從互聯(lián)網(wǎng)數(shù)據(jù)中更全面和更精準地篩選內(nèi)容，比如在購物推薦、書籍推薦、游戲推薦、音樂推薦［2］和電影推薦［3］等場景均有廣泛應(yīng)用。人崗?fù)扑]系統(tǒng)作為推薦系統(tǒng)的主要應(yīng)用方向之一，能夠幫助求職人員快速高效地匹配到求職崗位，同時也能降低招聘企業(yè)的篩選工作量，提高招聘效率，因而日漸受到用人單位與社會的廣泛關(guān)注。主流的推薦系統(tǒng)是基于協(xié)同過濾（collaborative filtering-based recommendation，CF）的推薦系統(tǒng)［4］，基于CF的推薦主要是以用戶或交互數(shù)據(jù)項的相似度來建模用戶偏好，目前基于CF的推薦系統(tǒng)仍然被廣泛應(yīng)用，因為它可以有效地捕獲用戶偏好，并且容易在多個場景中實現(xiàn)，而不需要在基于內(nèi)容的推薦系統(tǒng)［5］中提取特征。雖然基于CF的推薦系統(tǒng)多年來廣受青睞，但其存在的數(shù)據(jù)稀疏性和冷啟動問題［6］不容忽視，為了減少其固有問題的影響，不少研究人員提出將側(cè)邊信息整合到CF中，如用戶/項目屬性［7］、項目評論［8］、社交網(wǎng)絡(luò)［9］、混合推薦系統(tǒng)［4］等，有了這些額外整合的側(cè)邊信息，可以有效減少數(shù)據(jù)的稀疏性和數(shù)據(jù)冷啟動問題。受此啟發(fā)，本文嘗試通過融合知識圖譜的方式來進一步提高人崗?fù)扑]系統(tǒng)的準確率。

知識圖譜以結(jié)構(gòu)化的方式對所有知識作出表示，這種表示方式越來越受學(xué)術(shù)和工業(yè)應(yīng)用的青睞，簡單明了的三元組形式的結(jié)構(gòu)就能組成知識圖譜網(wǎng)絡(luò)，雖然其結(jié)構(gòu)簡單，僅由實體—關(guān)系—語義描述這三部分組成，但仍能完整地表示出現(xiàn)實世界中的各種知識。其中實體可以是現(xiàn)實世界中的對象和抽象概念，關(guān)系表示兩個實體之間的關(guān)聯(lián)，實體及其關(guān)系的語義描述包含了具有明確含義的類型和屬性。為了解決傳統(tǒng)推薦系統(tǒng)存在的數(shù)據(jù)稀疏和冷啟動問題，將知識圖譜引入推薦系統(tǒng)作為輔助信息已經(jīng)引起了研究者的關(guān)注，并且將知識圖譜引入到人崗?fù)扑]系統(tǒng)中，可以有效解決簡歷數(shù)據(jù)的稀疏性和冷啟動問題，使得人崗?fù)扑]系統(tǒng)的推薦效果更加精準。

本文在人崗數(shù)據(jù)庫的基礎(chǔ)上構(gòu)建知識圖譜，提高了人崗?fù)扑]和崗位匹配效果，同時利用知識圖譜補齊算法，有效解決了數(shù)據(jù)稀疏性問題。本文通過融合知識圖譜的推薦算法，基于知識圖譜進行人崗?fù)扑]，大大提高了人崗數(shù)據(jù)的利用率，同時也有效緩解了人崗?fù)扑]無歷史參考數(shù)據(jù)的問題。對RippleNet模型進行改進，增加了知識圖譜補全功能，提高人崗數(shù)據(jù)的利用率，實驗證明知識圖譜補全后人崗?fù)扑]效果有明顯提升。

1 相關(guān)工作

人崗?fù)扑]系統(tǒng)又稱職位推薦系統(tǒng)，隨著推薦系統(tǒng)研究的快速發(fā)展，人崗?fù)扑]是推薦系統(tǒng)很重要的應(yīng)用方向之一。對現(xiàn)有文獻進行歸納發(fā)現(xiàn)，截止到目前，并沒有相關(guān)人員將知識圖譜算法應(yīng)用到人崗?fù)扑]系統(tǒng)，自知識圖譜被提出以來，基于知識圖譜的推薦方法多被應(yīng)用到電影、音樂和書籍推薦系統(tǒng)等方面，對比傳統(tǒng)的基于協(xié)同過濾等的推薦方法，基于知識圖譜的推薦算法確實可以取到意想不到的效果，但是在人崗?fù)扑]領(lǐng)域，尚無研究人員將知識圖譜結(jié)合推薦算法成功應(yīng)用到人崗?fù)扑]上來，并且當前對人崗?fù)扑]系統(tǒng)的研究成果并不多見，主要的研究內(nèi)容如下：2006年何峰［10］提出將求職要求的文本信息向量化，建立向量空間模型，利用文本分類進行人才推薦系統(tǒng)，該推薦系統(tǒng)能智能分類求職文本信息，并與招聘單位發(fā)布的職位智能匹配，進而實現(xiàn)個性化推薦功能；2007 年，黃海江等人［9］設(shè)計研發(fā)了一款職位推薦系統(tǒng)，在功能上基本實現(xiàn)了職位信息與求職者信息的匹配，但是該推薦系統(tǒng)并沒有考慮到求職者的求職意向和招聘單位的招聘意向;郭軍軍［11］于2009年提出個性化的職位推薦系統(tǒng)，采用輪盤模型表征用戶的求職意向，使用反饋用戶空間向量模型對用戶和職位建模，最后應(yīng)用基于內(nèi)容和協(xié)同過濾算法的混合模型進行推薦;2014年路小瑞［12］提出利用Hadoop平臺設(shè)計的職位推薦系統(tǒng)，該系統(tǒng)通過用戶的點擊獲取用戶偏好并且結(jié)合用戶的個人信息等判斷職位的匹配程度，從而給出推薦;2016年文獻［13］提出了基于社交網(wǎng)絡(luò)的職位推薦系統(tǒng)，給用戶推薦其好友工作過的或是正在工作的公司職位，來解決職位相關(guān)度不足和過載的問題。通過對之前的相關(guān)文獻進行歸納總結(jié)后發(fā)現(xiàn)，雖然人崗?fù)扑]系統(tǒng)的研究已經(jīng)初具規(guī)模，并且這些研究成果在解決數(shù)據(jù)稀疏性或數(shù)據(jù)冷啟動問題上都有些許改善，但是其推薦效果還是不能令人滿意，所以為了提高推薦系統(tǒng)的推薦效果，嘗試將知識圖譜作為額外的輔助邊信息融入到推薦系統(tǒng)上進行實驗。

2012年，Google提出知識圖譜用于改善搜索體驗［14］，提高搜索質(zhì)量，引起了社會各界紛紛關(guān)注。比如清華大學(xué)建成了第一個大規(guī)模中英文跨語言知識圖譜Xlore、上海交通大學(xué)構(gòu)建并發(fā)布了中文知識圖譜研究平臺Zhishi.me、復(fù)旦大學(xué)GDM實驗室推出了中文知識圖譜項目等［15］。受到知識圖譜在多種領(lǐng)域上成功應(yīng)用的啟發(fā)，研究人員開始嘗試利用知識圖譜來提高推薦系統(tǒng)的推薦效果，且取得了良好的效果。

現(xiàn)有的基于知識圖譜的推薦方法可以分為基于嵌入的方法（embedding-based methods）和基于路徑的方法（path-based methods）兩類［16］。基于嵌入的應(yīng)用知識圖譜在推薦系統(tǒng)的方法主要是通過圖嵌入的方法對實體和關(guān)系進行表征，進而擴充原有物品和用戶表征的語義信息，其中包括基于Trans系列的圖譜嵌入方法和基于異質(zhì)信息網(wǎng)絡(luò)的圖嵌入方法。Trans系列的嵌入方法是比較典型的一類對知識圖譜中的實體、關(guān)系進行表征的方法，主要包括TransE［0］、TransH［18］、TransR［19］和TransD［20］。知識圖譜因其節(jié)點和邊具有不同的類別，又可以被稱做一種異質(zhì)信息網(wǎng)絡(luò)圖，因此可以使用一些異質(zhì)信息網(wǎng)絡(luò)圖嵌入的方法對圖上的實體和關(guān)系進行表征。Wang等人［21］從異質(zhì)信息網(wǎng)絡(luò)圖中抽取和用戶節(jié)點相連的N-hop實體節(jié)點，設(shè)計了基于RippleNet的方法，該方法利用這些實體節(jié)點的嵌入表征更新用戶的表征，從而利用用戶和物品表征的點積去預(yù)測推薦結(jié)果。本文也是基于此對RippleNet方法進行改進，應(yīng)用于人崗?fù)扑]系統(tǒng)上。知識圖譜在推薦系統(tǒng)上的應(yīng)用往往能起到很好的輔助推薦效果，所以本文首次嘗試在人崗?fù)扑]系統(tǒng)上結(jié)合知識圖譜進行推薦，并取得了不錯的效果。

2 人崗?fù)扑]系統(tǒng)構(gòu)建

本文在傳統(tǒng)人崗?fù)扑]系統(tǒng)上融合知識圖譜進行構(gòu)建，從而提高人崗?fù)扑]系統(tǒng)的推薦效果。本文知識圖譜總體構(gòu)建流程如圖1所示，原始數(shù)據(jù)的格式可能是多樣的，這些原始數(shù)據(jù)經(jīng)過處理后，再用知識抽取的方法表示為三元組形式，然后進行知識圖譜補全操作進一步完善所得三元組數(shù)據(jù)，最后構(gòu)建知識圖譜。其中重要的是對獲取的數(shù)據(jù)進行知識抽取和知識圖譜補全操作。

2.1 圖譜構(gòu)建方案

2.1.1 知識圖譜邏輯結(jié)構(gòu)

知識圖譜在邏輯上可分為模式層與數(shù)據(jù)層兩個層次，數(shù)據(jù)層主要是由一系列的事實組成，而知識將以事實為單位進行存儲。如果用（實體1，關(guān)系，實體2）（實體，屬性，屬性值）這樣的三元組來表達事實，可選擇圖數(shù)據(jù)庫作為存儲介質(zhì)，本文選用開源的Neo4j圖數(shù)據(jù)庫進行數(shù)據(jù)的存儲，對于知識圖譜的構(gòu)建效果，圖數(shù)據(jù)庫能更加直觀地展示圖譜的結(jié)構(gòu)。模式層是構(gòu)建在數(shù)據(jù)層之上的，主要是通過本體庫來規(guī)范數(shù)據(jù)層的一系列事實表達，通過本體庫而形成的知識庫不僅層次結(jié)構(gòu)較強，并且冗余程度較小。

2.1.2 知識圖譜架構(gòu)體系

知識圖譜構(gòu)建主要分為自頂向下（top-down）與自底向上（bottom-up）兩種構(gòu)建方式。自頂向下的構(gòu)建方式適用于知識內(nèi)容比較明確，關(guān)系比較清晰的領(lǐng)域構(gòu)建知識圖譜。自底向上構(gòu)建方式則是從開放的Open Linked Data中抽取置信度高的知識，或從非結(jié)構(gòu)化文本中抽取知識，完成知識圖譜的構(gòu)建，該方式更適用于常識性的知識，比如人名、機構(gòu)名等通用知識圖譜的構(gòu)建。然而在實際構(gòu)建過程中，兩種方法并不是孤立進行的，本文在構(gòu)建人崗?fù)扑]系統(tǒng)知識圖譜時采用兩種方法的結(jié)合，首先采用自頂向下的方式構(gòu)建本體庫，然后采用自底向上的方式提取人員的簡歷信息擴展知識圖譜。

2.1.3 數(shù)據(jù)獲取與預(yù)處理

知識圖譜構(gòu)建的首要任務(wù)就是對數(shù)據(jù)的處理，本文基于公司人崗數(shù)據(jù)進行推薦，數(shù)據(jù)來源于公司招聘收集的個人用戶人崗信息，常見的人崗信息提交格式有PDF文件、JPG圖片、Word文檔等，對不同的數(shù)據(jù)進行OCR識別與文本信息提取等操作后，將得到的文本數(shù)據(jù)進一步進行自然語言處理（natural language processing，NLP）操作，獲得標準化人崗數(shù)據(jù)，從而構(gòu)建標準化人崗數(shù)據(jù)庫，知識圖譜的數(shù)據(jù)處理流程如圖2所示。

對于非結(jié)構(gòu)化數(shù)據(jù)，比如純文本數(shù)據(jù)等，需要進行信息抽?。╥nformation extraction） ［22］技術(shù)來完成三元組的構(gòu)建。首先通過對個人簡歷信息的實體抽取，獲取到求職人員的一些基本信息，比如姓名、畢業(yè)院校、年齡、期望薪資、就職公司等信息；然后采用半監(jiān)督算法Bootstrapping算法［23］進行關(guān)系抽取，得出求職人員和不同實體之間的關(guān)聯(lián)信息，比如張三—朋友—李四，李四—任職過—公司A，王五—居住于—上海等;同時也進行屬性的抽取，比如抽取到張三—年齡—25，李四—學(xué)歷—碩士，王五—工作經(jīng)驗—3年等信息。

在人崗?fù)扑]系統(tǒng)中，將公司獲取到的人崗信息經(jīng)過信息抽取后，得到構(gòu)建人崗知識圖譜的人崗三元組數(shù)據(jù)，其格式類似于：（張三，年齡，25）（張三，學(xué)歷，本科）（張三，精通，Python）。但是得到的數(shù)據(jù)并不全都是完善準確的，有時會出現(xiàn)信息抽取錯誤的情況，導(dǎo)致抽取到的三元組信息缺失或者錯誤，這時就需要進行知識圖譜補全任務(wù)來完善圖譜。

2.2 知識圖譜補全

由于知識圖譜存在不完整的問題，多數(shù)現(xiàn)有知識圖庫都是稀疏的。由此引出了知識圖譜補全（knowledge graph completion，KGC）來向知識圖譜添加新的三元組。在初步獲取到所需要的人崗三元組數(shù)據(jù)后，對于缺失的三元組數(shù)據(jù)，為了達到更好的數(shù)據(jù)處理效果，需要進行知識圖譜補全操作，主要分為頭實體缺失補全、關(guān)系缺失補全和尾實體缺失補全三部分操作，如圖3所示。在補全過程中，需要對圖譜中的頭尾實體和關(guān)系進行知識表示，將這些信息進行嵌入表示后，就可以進行缺失信息的預(yù)測。如圖4所示，可以將這種預(yù)測過程抽象成一個有向圖的結(jié)構(gòu)，其中實體表示節(jié)點、關(guān)系表示邊，要實現(xiàn)的知識圖譜補全操作其實就是給知識圖譜中的不同節(jié)點尋找有向邊的過程。

在圖4中，一共包含a、b、c、d、e、f六個節(jié)點，補全的目標就是找到a和f中的對應(yīng)關(guān)系，而且這個關(guān)系是a與{b，c，d，e}對應(yīng)關(guān)系中的一個。本文采用最經(jīng)典的TransE［17］模型進行知識表示，該模型的核心假設(shè)如下：

對于正確的三元組（h，r，t）而言，需要滿足的是h+r=t，也就是尾實體是頭實體通過關(guān)系r的平移而得到的。通過TransE模型，可以將知識圖譜中的關(guān)系和實體轉(zhuǎn)換成編碼的方式，通過式（1）得到缺失的關(guān)系編碼表示，最終通過相似度比較的方式來確定實際的關(guān)系。對于關(guān)系預(yù)測問題，目前的方法" 多是采用打分的機制，對于一個三元組，給出這個三元組可信的評分。在關(guān)系預(yù)測問題中，就是給定頭節(jié)點和尾節(jié)點，在所有待選的關(guān)系集合中，選出評分最高的作為關(guān)系預(yù)測的結(jié)果。

t=h+r（1）

通過知識圖譜補全技術(shù)，可以更好地完善數(shù)據(jù)內(nèi)容，使得數(shù)據(jù)更加健壯，訓(xùn)練效果更好，最終使得推薦的效果得以提高。

2.3 人崗?fù)扑]算法

人崗?fù)扑]算法與常見的傳統(tǒng)推薦算法不同的地方在于結(jié)合了知識圖譜，本文的主要推薦算法基于RippleNet模型，通過改進算法模型將其應(yīng)用到人崗?fù)扑]系統(tǒng)中，最后在人崗?fù)扑]上取得了不錯的效果。如圖5所示，為本文改進后的RippleNet算法框架主要構(gòu)建架構(gòu)。其輸入為一個招聘需求信息u和一個候選的人員簡歷信息v，輸出為招聘需求對應(yīng)人員簡歷的可能性。其中Rh表示關(guān)系R和頭節(jié)點h的嵌入表示，t代表尾節(jié)點嵌入表示。對輸入的招聘需求u來說，與求職人員交互的歷史信息作為種子存儲到圖譜網(wǎng)絡(luò)中，即先將所有和招聘需求有過關(guān)聯(lián)的求職人員作為歷史記錄形成種子集合構(gòu)建到圖譜網(wǎng)絡(luò)中，方便提取參照這些歷史交互信息，而傳播到一跳或者兩跳，甚至多跳種子人員集合，就是根據(jù)不同的關(guān)聯(lián)信息來劃分的歷史交互種子集合，類似于直接將招聘需求相關(guān)聯(lián)的人員當做一跳人員集合，然后間接和招聘需求相關(guān)聯(lián)的人員作為兩跳關(guān)聯(lián)人員集合。這些種子集合信息和人員簡歷信息的嵌入表示進行迭代交互，獲取招聘需求信息與人員信息的反饋信息，將這些信息聯(lián)合形成最終的招聘需求表示，最終通過招聘需求的嵌入表示和人員簡歷信息的嵌入表示共同預(yù)測出招聘需求對此簡歷信息的招聘可能性。

uv=σ（uTv）（2）

可能性計算公式如式（2）所示，其中σ（x）=1/[1+exp（-x）]是sigmoid激活函數(shù)。

在進行公司需求和招聘人員簡歷信息的嵌入表示前，首先將存入知識圖譜的不完整信息進行知識圖譜補全，把抽取到的三元組信息通過圖譜補全技術(shù)來完善數(shù)據(jù)內(nèi)容，使得推薦算法取得更好的推薦效果。在下面的實驗中對比了圖譜補全前后的簡歷推薦準確率，實驗證明這種改進方式可以提高簡歷推薦效果。

2.4 人崗?fù)扑]系統(tǒng)圖譜構(gòu)建效果

基于知識圖譜的人崗?fù)扑]系統(tǒng)圖譜數(shù)據(jù)構(gòu)建效果如下：

a）簡歷人員信息的圖譜構(gòu)建。將人員的簡歷信息抽取解析后，抽取三元組信息存放到neo4j圖數(shù)據(jù)庫中，如圖6所示（出于隱私保護，圖中未顯示真實公司名和項目名）。

根據(jù)不同需求，建立人員主要的個人信息三元組信息，比如擅長的技術(shù)技能、任職過的公司、參與的項目經(jīng)歷、期望薪資水平等，將這些信息構(gòu)建到圖譜中，以便與應(yīng)聘崗位需求進行關(guān)聯(lián)。

b）公司招聘需求信息圖譜構(gòu)建。將公司招聘信息、崗位需求抽取解析，以三元組的形式存放到圖數(shù)據(jù)庫中，如圖7所示。

崗位需求信息主要就是招聘公司對于不同崗位的招聘要求，包括招聘崗位的技術(shù)要求、年齡要求、學(xué)歷要求、技能熟練度要求等。

c）崗位推薦結(jié)果的圖譜構(gòu)建。通過圖譜推薦算法計算出招聘公司在某一崗位推薦的人員，并將推薦結(jié)果存放到圖數(shù)據(jù)庫中，如圖8所示。

崗位推薦結(jié)果展示了與公司需求的崗位對應(yīng)較匹配的人員，過濾了大量和崗位要求不一致的求職人員，從而提高了招聘效率。在進行人崗?fù)扑]系統(tǒng)構(gòu)建的過程中，對比傳統(tǒng)人崗?fù)扑]，本文方法的關(guān)鍵技術(shù)在于知識圖譜的構(gòu)建和知識圖譜補全技術(shù)的應(yīng)用。在人崗?fù)扑]算法上，本文通過改進基于知識圖譜的推薦算法，結(jié)合知識圖譜補全技術(shù)，使得在人崗?fù)扑]上構(gòu)建的知識圖譜數(shù)據(jù)利用率更高、更完善，通過知識圖譜的構(gòu)建和知識圖譜補全算法這兩個關(guān)鍵技術(shù)的應(yīng)用，成功提升了傳統(tǒng)人崗?fù)扑]系統(tǒng)的推薦效果，下面的實驗部分展示了實驗的具體細節(jié)。

3 崗位推薦結(jié)果展示了公司需求的崗位對應(yīng)較實驗

本章通過在真實的公司求職數(shù)據(jù)場景中評估基于知識圖譜的人崗?fù)扑]系統(tǒng)的實現(xiàn)效果。首先簡單介紹了實驗數(shù)據(jù)集的選取，然后解釋了實驗評估指標的符號及含義，最后呈現(xiàn)了實驗結(jié)果。

3.1 實驗數(shù)據(jù)集

本文采取的是真實的公司求職簡歷數(shù)據(jù)，由于影響推薦準確率的因素主要包括數(shù)據(jù)因素和算法因素，為了突出本文提出的融合知識圖譜及知識圖譜補全算法在人崗?fù)扑]系統(tǒng)中的有效性，在進行對比不同算法時，選取同一數(shù)據(jù)集，將基于圖譜的人崗?fù)扑]算法、圖譜補全后的人崗?fù)扑]算法分別與傳統(tǒng)人崗?fù)扑]算法進行對比，并且訓(xùn)練、評估和測試集的比例均為6∶2∶2，每個實驗重復(fù)三次，取平均值進行對比。

3.2 實驗評估指標

本次實驗結(jié)果的評價標準是AUC（area under curve）和ACC（accuracy）。其中ROC（receiver operating characteristic）曲線所覆蓋的面積稱為AUC，AUC越大則性能越好。準確率ACC如式（3）所示。

accuracy=TP+TNTP+FP+TN+FN（3）

其中：TP（true positive）表示樣本的真實類別為正，最后預(yù)測結(jié)果也為正；FP（1 positive）表示樣本的真實類別為負，最后預(yù)測得到的結(jié)果卻為正；FN（1 negative）表示樣本的真實類別為正，最后預(yù)測得到的結(jié)果卻為負；TN（true negative）表示樣本的真實類別為負，最后預(yù)測得到的結(jié)果也為負。

3.3 實驗結(jié)果

本次實驗數(shù)據(jù)來自招聘公司提供的相關(guān)簡歷研究數(shù)據(jù)，將這些數(shù)據(jù)進行數(shù)據(jù)清洗后，抽取出需要的簡歷三元組信息，存放到neo4j圖數(shù)據(jù)庫中，然后構(gòu)建知識圖譜，經(jīng)過基于知識圖譜的推薦算法得出相應(yīng)崗位推薦的人員，在三種不同的算法下，主要對比了有無知識圖譜構(gòu)建算法的推薦準確率，除了模型訓(xùn)練算法不同，其余對數(shù)據(jù)的處理方式和準確率評估方式均保持一致，將這些個人簡歷信息對應(yīng)招聘信息進行評分表示，比如根據(jù)招聘要求，將技能要求評為（精通，4分）（掌握，3分）（熟練，2分）（了解，1分）（其他，0分）。然后根據(jù)個人簡歷介紹，對應(yīng)進行個人標簽的評分，使得每個簡歷人員都有相應(yīng)的技能分值。根據(jù)簡歷要求，比如大于等于3分的進行推薦，這樣就可以過濾掉此項要求不符合的求職人員。同理在其他招聘要求項上均可進行此操作，需要根據(jù)具體的招聘需求，進行不同的評分表示，比如招聘要求年齡在35歲以下，此項分值就為0或1。最后滿足每個招聘要求的求職人員，將被保留下來，并且保留下來的人員中，也根據(jù)評分有相應(yīng)的排名，招聘公司可以根據(jù)分值排名取前多少名作為候選人。

如圖9所示，展示了傳統(tǒng)人崗匹配算法的訓(xùn)練結(jié)果AUC和ACC曲線結(jié)果。圖10是基于知識圖譜的人崗?fù)扑]系統(tǒng)AUC和ACC結(jié)果，實驗表明經(jīng)過傳統(tǒng)的人崗匹配系統(tǒng)融合知識圖譜后，其推薦效果提高了0.5%～0.7%。圖11是經(jīng)過知識圖譜補全算法后的AUC和ACC結(jié)果，實驗表明經(jīng)過知識圖譜補全后，相比傳統(tǒng)人崗匹配方式，其推薦效果提高了約1%。

表1、2列出了基于傳統(tǒng)方式進行人崗?fù)扑]和基于圖譜方式及圖譜補全方式進行人崗?fù)扑]的實驗AUC和ACC結(jié)果。實驗共進行20輪訓(xùn)練，雖然受訓(xùn)練集規(guī)模有限的影響，導(dǎo)致訓(xùn)練提升效果有限，但仍可證明在人崗?fù)扑]系統(tǒng)上結(jié)合基于知識圖譜的推薦算法進行構(gòu)建是可行的，且有不錯的提升效果。

通過表1、2的實驗數(shù)據(jù)可以看出，在未進行基于知識圖譜構(gòu)建的情況下，傳統(tǒng)推薦算法在人崗?fù)扑]上的訓(xùn)練AUC值和ACC值均低于圖譜補全后的人崗?fù)扑]算法?；趫D譜構(gòu)建效果的提升，得益于知識圖譜作為輔助信息，大大降低了人崗?fù)扑]模型訓(xùn)練過程中的數(shù)據(jù)稀疏和數(shù)據(jù)冷啟動問題，知識圖譜的應(yīng)用使得人崗?fù)扑]系統(tǒng)中的個人簡歷數(shù)據(jù)與招聘需求信息聯(lián)系緊密，所以推薦算法能夠更加準確地進行兩者之間的關(guān)聯(lián)推薦。同時知識圖譜補全算法的加入更是充分利用了簡歷數(shù)據(jù)，將原本殘缺需要拋棄的數(shù)據(jù)內(nèi)容補全后加入到圖譜網(wǎng)絡(luò)中，無疑增加了數(shù)據(jù)的健壯性，使得推薦算法能夠獲取更多的數(shù)據(jù)信息，從而更準確地進行模型的訓(xùn)練預(yù)測。

實驗最終結(jié)果是在同一數(shù)據(jù)集下，每種構(gòu)建方式進行三次實驗后的平均結(jié)果。通過實驗對比，傳統(tǒng)的推薦方式構(gòu)建人崗匹配系統(tǒng)平均準確率約為91%，本文提出的基于圖譜的構(gòu)建方式在經(jīng)過圖譜補全后平均準確率約為92%，提升了約1%，說明人崗?fù)扑]系統(tǒng)是可以融合知識圖譜來進一步提高人崗?fù)扑]效果的。

4 結(jié)束語

本文主要介紹了推薦系統(tǒng)、知識圖譜和人崗?fù)扑]的相關(guān)背景知識，提出將知識圖譜融合推薦系統(tǒng)進行人崗?fù)扑]的方法，并取得了不錯的效果。目前在人崗?fù)扑]系統(tǒng)上的研究，傳統(tǒng)的方法仍然存在很多問題，比如簡歷數(shù)據(jù)的稀疏性和簡歷人員歷史數(shù)據(jù)缺失導(dǎo)致的冷啟動問題等，同時由于數(shù)據(jù)的缺失，導(dǎo)致很多數(shù)據(jù)不能正常使用。而隨著對知識圖譜的研究發(fā)現(xiàn)，將知識圖譜融合人崗?fù)扑]系統(tǒng)能夠很好地解決傳統(tǒng)人崗?fù)扑]方法的弊端，故本文嘗試構(gòu)建基于知識圖譜的人崗?fù)扑]系統(tǒng)，并加入了圖譜補全算法，用于提高數(shù)據(jù)利用率，通過實驗得出此方法構(gòu)建效果良好。

傳統(tǒng)人崗?fù)扑]系統(tǒng)只是基于推薦方法來改進推薦效果，本文提供了融合知識圖譜的思路來改進推薦效果。實驗表明基于知識圖譜的人崗?fù)扑]系統(tǒng)方案是可行的，將知識圖譜應(yīng)用到人崗?fù)扑]系統(tǒng)中確實可以取得較好的效果，接下來可以進一步研究如何提高人崗?fù)扑]系統(tǒng)的準確率，比如可以通過數(shù)據(jù)增強、知識圖譜補全糾錯等方式來優(yōu)化系統(tǒng)推薦效果，同時表明基于知識圖譜的人崗?fù)扑]系統(tǒng)的研究是值得探索的有前景的方向。

參考文獻：

[1]Zhang Fuzheng， Yuan N J， Lian Defu， et al. Collaborative know-ledge base embedding for recommender systems［C］//Proc of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.New York：ACM Press，2016：353-362.

［2]Zhao Huan， Yao Quanming， Li Jianda， et al. Meta-graph based re-commendation fusion over heterogeneous information networks［C］//Proc of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.New York：ACM Press，2017：635-644.

［3]Padhi A K， Mohanty A， Sahoo S. FindMoviez：a movie recommendation system［M］//Intelligent Systems.Berlin：Springer，2021：49-57.

［4]Sun Zhu， Guo Qing， Yang Jie， et al. Research commentary on recom-mendations with side information： a survey and research directions［J］.Electronic Commerce Research and Applications，2019，37：100879.

［5]Javed U， Shaukat K， Hameed I A， et al. A review of content-based and context-based recommendation systems［J］.International Journal of Emerging Technologies in Learning，2021，16（3）：274-306.

［6]Natarajan S， Vairavasundaram S， Natarajan S， et al. Resolving data sparsity and cold start problem in collaborative filtering recommender system using linked open data［J］.Expert Systems with Applications，2020，149：113248.

［7]Paparrizos I， Cambazoglu B B， Gionis A. Machine learned job recom-mendation［C］//Proc of the 5th ACM Conference on Recommender Systems.New York：ACM Press，2011：325-328.

［8]Singh A， Rose C， Visweswariah K， et al. PROSPECT： a system for screening candidates for recruitment［C］//Proc of the 19th ACM International Conference on Information and Knowledge Management.New York：ACM Press，2010：659-668.

［9]黃海江，楊貫中.基于本體的學(xué)習(xí)內(nèi)容個性化推薦［J］.科學(xué)技術(shù)與工程，2007，7（14）：3394-3398.（Huang Haijiang， Yang Guanzhong. Ontology-based personalized recommendation in E-learning［J］.Science Technology and Engineering，2007，7（14）：3394-3398.）

［10]何峰.基于文本分類的人才自動推薦系統(tǒng)［D］.蘇州：蘇州大學(xué)，2006.（He Feng. An automatic recommended system talents based on text classification［D］.Suzhou：Soochow University，2006.）

［11]郭軍軍.個性化職位推薦系統(tǒng)研究與實現(xiàn)［D］.西安：西安電子科技大學(xué)，2009.（Guo Junjun. Research and realization on personalized post recommender system［D］.Xi’an：Xidian University，2009.）

［12]路小瑞.基于Hadoop平臺的職位推薦系統(tǒng)的設(shè)計與實現(xiàn)［D］.上海：上海交通大學(xué)，2014.（Lu Xiaorui. The design and implementation of job recommendation system based on Hadoop［D］.Shanghai：Shanghai Jiao Tong University，2014.）

［13]何俊.基于社交網(wǎng)絡(luò)的個性化推薦系統(tǒng)的設(shè)計與實現(xiàn)［D］.貴陽：貴州大學(xué)，2015.（He Jun. Design and implementation of persona-lized recommendation system based on social network［D］.Guiyang：Guizhou University，2015.）

［14]Singhal A. Introducing the knowledge graph： things， not strings［M］.［S.l.］：Official Google Blog，2012.

［15]Cheng Xueqi， Jin Xiaolong， Wang Yuanzhuo， et al. Survey on big data system and analytic technology［J］.Journal of Software，2014，25（9）：1889-1908.

［16]Wang Hongwei， Zhang Fuzheng， Wang Jialin， et al. Exploring high-order user preference on the knowledge graph for recommender systems［J］.ACM Trans on Information Systems，2019，37（3）：1-26.

［17]Bordes A， Usunier N， Garcia-Duran A， et al. Translating embeddings for modeling multi-relational data［C］//Proc of the 26th International Conference on Neural Information Processing Systems.Red Hook，NY：Curran Associates Inc.，2013：2787-2795.

［18]Wang Zhen， Zhang Jianwen， Feng Jianlin， et al. Knowledge graph embedding by translating on hyperplanes［C］//Proc of the 28th AAAI Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2014：1112-1119.

［19]Lin Yankai， Liu Zhiyuan， Sun Maosong， et al. Learning entity and relation embeddings for knowledge graph completion［C］//Proc of the 29th AAAI Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2015：2181-2187.

［20]Ji Guoliang， He Shizhu， Xu Liheng， et al. Knowledge graph embedding via dynamic mapping matrix［C］//Proc of the 53rd Annual Mee-ting of the Association for Computational Linguistics and the 7th International Joint Conference on Natural Language Processing. Stroudsburg，PA：Association for Computational Linguistics，2015：687-696.

［21]Wang Hongwei， Zhang Fuzheng， Wang Jialin ， et al. RippleNet： propagating user preferences on the knowledge graph for recommender systems［C］//Proc of the 27th ACM International Conference on Information and Knowledge Management.2018：417-426.

［22]Zong C， Xia R， Zhang J. Information extraction［M］//Text Data Mining.Berlin：Springer，2021：227-283.

［23]Zhang Chunyun. The study of entity relation extraction algorithm［D］.Beijing：Beijing University of Posts and Telecommunications，2015.