(西安交通大学电子与信息学部 西安 710049) (智能网络与网络安全教育部重点实验室(西安交通大学) 西安 710049) (zhuhaiping@xjtu.edu.cn)
出版日期: 2021-12-01基金资助:国家重点研究与发展计划(2020AAA0108800)；国家自然科学基金(61937001，61877048，62177038)；国家自然科学基金创新研究团队(61721002)；教育部创新研究团队(IRT_17R86)；中国工程科技知识中心项目；陕西省自然科学基础研究计划(2020JM-070)；“人工智能”教育部-中国移动建设项目(MCM20190701)；中央高校基本科研业务费专项资金(sxzd012020003)Reciprocal-Constrained Interpretable Job Recommendation
Zhu Haiping, Zhao Chengcheng, Liu Qidong, Zheng Qinghua, Zeng Jiangwei, Tian Feng, Chen Yan(Faculty of Electronics and Information, Xi’an Jiaotong University, Xi’an 710049) (Key Laboratory of Intelligent Networks and Network Security (Xi’an Jiaotong University), Ministry of Education, Xi’an 710049)
Online: 2021-12-01Supported by:This work was supported by the National Key Research and Development Program of China (2020AAA0108800), the National Natural Science Foundation of China (61937001, 61877048, 62177038), the Innovative Research Group Project of the National Natural Science Foundation of China (61721002), the Ministry of Education Innovation Research Team (IRT_17R86), the Project of China Knowledge Centre for Engineering Sciences and Technology, the Natural Science Basic Research Plan in Shaanxi Province of China (2020JM-070), MoE-CMCC “Artifical Intelligence” Project (MCM20190701), and the Fundamental Research Funds for the Central Universities (sxzd012020003).摘要/Abstract
摘要： 当前，基于协同过滤和隐因子模型的大学生就业推荐方法，仅考虑学生对就业单位单向偏好易导致“能力失配”，且一个用户一次就业的历史记录极易致负样本不可信，影响推荐性能，同时忽略了对推荐结果的可解释性需求.针对此，依据多任务学习的思路，设计并构建了基于互惠性约束的可解释就业推荐方法.其中，引入注意力机制与模糊门机制，提取并自适应聚合学生与就业单位双向的偏好与需求，缓解“能力失配”问题；提出面向就业意图和就业特征的推荐解释方法，满足可解释性需求；提出基于相似度的随机负采样方法，克服负样本不置信问题.在某高校5届毕业生就业真实数据集上的实验结果表明：相比于多个经典和同时代的推荐方法，所提方法在AUC指标上提升超6%，并且通过消融实验验证了所提方法中各模块的有效性.
参考文献
相关文章 15
| [1] | 冯晨娇, 宋鹏, 王智强, 梁吉业. 一种基于3因素概率图模型的长尾推荐方法[J]. 计算机研究与发展, 2021, 58(9): 1975-1986. |
| [2] | 史存会, 胡耀康, 冯彬, 张瑾, 俞晓明, 刘悦, 程学旗. 舆情场景下基于层次知识的话题推荐方法[J]. 计算机研究与发展, 2021, 58(8): 1811-1819. |
| [3] | 张玲玲, 陈一苇, 吴文俊, 魏笔凡, 罗炫, 常晓军, 刘均. 基于对比约束的可解释小样本学习[J]. 计算机研究与发展, 2021, 58(12): 2573-2584. |
| [4] | 孙建文, 周建鹏, 刘三女牙, 何绯娟, 唐云. 基于多层注意力网络的可解释认知追踪方法[J]. 计算机研究与发展, 2021, 58(12): 2630-2644. |
| [5] | 马连韬, 张超贺, 焦贤锋, 王亚沙, 唐雯, 赵俊峰. Dr.Deep：基于医疗特征上下文学习的患者健康状态可解释评估[J]. 计算机研究与发展, 2021, 58(12): 2645-2659. |
| [6] | 张炳, 文峥, 魏筱瑜, 任家东. InterDroid：面向概念漂移的可解释性Android恶意软件检测方法[J]. 计算机研究与发展, 2021, 58(11): 2456-2474. |
| [7] | 陈珂锐, 孟小峰. 机器学习的可解释性[J]. 计算机研究与发展, 2020, 57(9): 1971-1986. |
| [8] | 郑值, 徐童, 秦川, 廖祥文, 郑毅, 刘同柱, 童贵显. 基于多源情境协同感知的药品推荐[J]. 计算机研究与发展, 2020, 57(8): 1741-1754. |
| [9] | 成科扬, 王宁, 师文喜, 詹永照. 深度学习可解释性研究进展[J]. 计算机研究与发展, 2020, 57(6): 1208-1217. |
| [10] | 陈嘉颖, 于炯, 杨兴耀. 一种融合语义分析特征提取的推荐算法[J]. 计算机研究与发展, 2020, 57(3): 562-575. |
| [11] | 曾义夫, 牟其林, 周乐, 蓝天, 刘峤. 基于图表示学习的会话感知推荐模型[J]. 计算机研究与发展, 2020, 57(3): 590-603. |
| [12] | 吴宾,娄铮铮,叶阳东. 一种面向多源异构数据的协同过滤推荐算法[J]. 计算机研究与发展, 2019, 56(5): 1034-1047. |
| [13] | 周俊,董晓蕾,曹珍富. 推荐系统的隐私保护研究进展[J]. 计算机研究与发展, 2019, 56(10): 2033-2048. |
| [14] | 纪守领,李进锋,杜天宇,李博. 机器学习模型可解释性方法、应用与安全研究综述[J]. 计算机研究与发展, 2019, 56(10): 2071-2096. |
| [15] | 张飞,张立波,罗铁坚,武延军. 一种基于特征的协同聚类模型[J]. 计算机研究与发展, 2018, 55(7): 1508-1524. |
PDF全文下载地址:
https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4543
