基于深度學習算法的高校人才個性化智能推薦系統

陳慧

（西安航空職業技術學院黨委組織部，陜西西安710089）

畢業生就業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問題，高校人才推薦系統可有效提升高校人才信息共享自動化以及智能化，令人才接收單位以及人才推薦單位之間實現良好溝通，優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，網絡信息量呈爆炸式增長，人類生活均離不開網絡，從眾多信息中選取需要的信息有助于提升工作效率節省時間。推薦系統是高效的過濾工具，采用推薦系統可有效解決信息量過載的問題[3-5]。

卷積神經網絡是一種性能優異的深度學習算法，為了解決用人單位用人難以及高校人才就業難的問題，提出了深度學習算法的高校人才個性化智能推薦系統。

1 基于深度學習算法的高校人才個性化智能推薦系統介紹

1.1 系統總體架構

深度學習算法的高校人才個性化智能推薦系統包括信息獲取層、數據處理層、推薦服務層，高校人才個性化智能推薦系統總體結構如圖1所示。

圖1 系統總體結構

系統通過信息獲取層采集高校人才信息，所采集信息包括個人簡歷、求職信以及推薦信等各種與就業相關的文檔，個人簡歷中信息包括高校人才姓名、年齡、所屬院校、所學專業、獲獎情況、各種證書等具體信息；所采集信息發送至數據處理層通過深度學習算法中的卷積神經網絡算法實現高校人才個性化智能推薦[6]，并發送至推薦服務層；推薦服務層針對不同招聘單位需求，將數據處理層獲取的推薦結果通過個性化人機界面實現高校人才智能推薦。

系統通過服務器實現客戶端以及數據庫之間數據交互，系統服務器利用Web Service 技術以及MyBaits 框架技術實現，利用http 通信技術實現服務器與客戶端之間的溝通[7]，服務器接收客戶端用戶請求后返回服務器端，通過深度學習算法實現高校人才個性化智能推薦。

選取MySQL 數據庫為系統提供全部數據支持，利用分散式存儲方式提升數據庫訪問效率，選取MyBatis 框架技術實現服務器與MySQL 數據庫的連接。MySQL 數據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 系統功能結構

依據高校人才個性化智能推薦需求建立系統的功能結構如圖2所示。從圖2可以看出，深度學習算法的高校人才個性化智能推薦系統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 系統功能結構圖

高校人才管理模塊負責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，并可依據自身需求查詢全部用人單位信息[9]。高校人才用戶登錄系統后，系統依據高校人才需求為高校人才推薦用人單位信息。

招聘方管理模塊負責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]，并可依據自身需求查詢全部高校人才信息。系統依據用人單位需求為招聘方推薦高校人才信息。

管理員模塊負責管理高校人才以及用人單位的注冊信息和賬號信息。

1.3 卷積神經網絡

選取深度學習算法中卷積神經網絡算法實現高校人才個性化智能推薦[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網絡輸入層處理方式，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]。設輸入的海量高校人才數據格式為(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將全部信息合并后利用向量υeci表示，即：

通過式（1）將函數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，令所獲取向量體現訓練學習期間全信息的語義內容，用戶樣本信息通過文本向量化技術轉化為：

1.3.2 卷積層

在表示矩陣上將所輸入的經過文本向量化處理的信息實施卷積，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，該激活函數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現高校人才相關信息卷積特征獲取。

1.3.3 池化層

利用池化層對卷積層獲取的特征實施降維，通過降維保留卷積神經網絡中相對重要的特征，避免卷積神經網絡過擬合情況。用Kt={k1,k2,…,kz-s+1}與qt表示第t個卷積層獲取特征圖以及池化的結果，選取Kt作為池化層中的最大值，可得卷積神經網絡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果輸入全連接層中，設卷積神經網絡全連接層中含有神經元數量為m，選取Relu 函數作為全連接層激活函數，所獲取的固定向量vi即為高校人才信息隱含特征，全連接層計算公式如下：

式中，vi∈Rm，Qt與wt分別為卷積神經網絡池化層輸出以及全連接層權重，lt表示偏置系數。

1.3.5 輸出層

將矩陣分解方法應用于卷積神經網絡輸出層，矩陣分解方法通過矩陣相乘方法將全連接層內高維并具有稀疏性質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果。矩陣分解方法的卷積神經網絡輸出層公式如下：

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網絡權重集合。

2 系統測試結果

選取CPU 為Windows XP，硬盤為4 G、內存為8 G的計算機作為文中系統的服務器；選取MySQL8.0 作為文中系統數據庫；選取Eclipse 軟件作為文中系統的開發平臺；選取Java 語言作為文中系統開發語言搭建該系統。統計文中系統于2019年7月10日-2019年7月19日所收集高校人才實例26 806 個，其中包括機械、建筑、信息等眾多專業的本科以及本科以上的高校人才，統計10 天高校人才和用人單位推薦成功率，統計結果如表1所示。從表1測試結果可以看出，文中系統具有較高的推薦成功率。

表1 高校人才和用人單位推薦結果

選取均方根誤差作為推薦系統評價指標，均方根誤差常應用于推薦系統，均方根誤差可有效對比不同系統間的推薦精度，均方根誤差值越小表明系統推薦性能越高。選取協同過濾系統以及玻爾茲曼機系統作為對比系統，對比結果如圖3所示。從圖3測試結果可以看出，采用文中系統推薦高校人才在不同信息量大小時均方根誤差均較低，文中系統的均方根誤差明顯低于過濾系統以及玻爾茲曼機系統，驗證了文中系統具有較高的推薦精度。

圖3 均方根誤差對比

統計不同系統推薦過程中的覆蓋率，覆蓋率直接影響系統推薦性能，對比結果如圖4所示。

從圖4測試結果可以看出，文中系統具有較高的覆蓋率，協同過濾系統覆蓋率次之，玻爾茲曼機系統覆蓋率最低。測試結果表明，文中系統覆蓋率較高，可有效提升系統推薦性能。

圖4 覆蓋率對比

統計文中系統、協同過濾系統以及玻爾茲曼機系統作為對比系統的高校人才推薦響應時間，結果如表2所示。從表2可知，文中系統有較高的響應速度，響應速度均明顯高于協同過濾系統和玻爾茲曼機系統。

表2 高校人才推薦響應時間對比

文中系統服務對象為海量用戶，系統安全性極為重要，統計文中系統在不同攻擊頻率下的推薦性能，統計結果如表3所示。由表3測試結果可知，文中系統在不同攻擊頻率下仍可保持較高的推薦成功率及實時性，文中系統可有效保證數據安全性以及完整性，為高校人才個性化智能推薦提供技術基礎，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運行情況

3 結束語

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網絡構建高校人才智能推薦系統，該系統可有效改善以往人才推薦系統的缺陷，使高校人才以及用人單位解決人才資源合理調配問題，提升人才利用率，增加人才推薦性能，為用人單位、服務企業以及高校人才提供高效、精準的服務，為社會發展創造效益。