中圖分類(lèi)號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10. 7535/hbkd. 2025yx03011

Multi-behavioral job recommendation integrating knowledge graph

LIU Bin ^1，2 ，LEI Xiaoyu ^1，2 ，LIU Gege ^1，2 ， ZHAN Shiyuan ^1，2 ，GAO Xin ^1，2_， ，YANG Xiaoyan ^1，2 （2 （1.School of Economicsand Management，Hebei Universityof Scienceand Technology，Shijiazhuang，Hebei O5oo18，China; 2. Research Center of Big Data and Social Computing，Hebei University of Science and Technology， Shijiazhuang，Hebei O50o18，China）

Abstract：Toimprove the accuracyof job recommendations，amulti-behavioral jobrecommendation integrating knowledge graph（MB-JRIKG）was proposed basedonthe implicit preference informationof both job seekers and recruiters inthe process of \"browsing job positions $$ submitting resumes $$ receiving feedback from recruiters\". This method constructed a knowledge graphof jobseeking basedonrealjobdata，andproposedamultibehaviorpreferencepropagationstrategybasedonpreference propagationtheory.\"Recruiterrecognition\"ineach stageof jobseekingwassetasthe targetbehavior，and theauxiliary behaviorsof job seekers browsing job positions and submiting resumes wereset tocomprehensively predict job seekers' preferences.Firstly，the user's historical records under diferent behaviors wereused as user-interested seed sets，and preference propagationwascarriedoutalong therelationshipsbetwee nodesinthe knowledgegraph toinfer theuser's potential preferences and enhanceuser representation；Then，the user representation vectorand positionrepresentatio vector were input intothe predictionfunction tocalculate the interactionprobabityof theuserundereach behaviortype，and the weightedsumwasusedastheinteractionprobabilityofthetargetbehavior.Finall，theclick-throughrateprediction experiment wasconductedusing thecompetition datasetof Alibaba'shuman job intellgent matching.Theresults showthat compared with the four benchmark models（MF，XGBost，KGCNandRippleNet），MB-JRIKG achievesa 0.014 5 improvementinAUCanda0.O288improvement in ACCover the sub optimal benchmark model RippleNet，verifying the effectivenessofthemodelandachievingfullutilizationofdata.Thismodelefectivelycombinestheinteractivebhaviorofboth parties seeking employmentfor recommendation，introduces atribute association of job knowledge graph，and has reference value for achieving personalized job recommendation.

Keywords：natural language procesing;jobrecommendation;knowledge graph；multiple behaviors；preference propagation

網(wǎng)絡(luò)招聘因其成本低、效率高、不受時(shí)空限制等特點(diǎn)而得到快速發(fā)展，相關(guān)平臺(tái)集聚了海量的簡(jiǎn)歷和職位信息，解決信息過(guò)載問(wèn)題、實(shí)現(xiàn)智能招聘是當(dāng)前的主要挑戰(zhàn)。推薦算法因其可以幫助用戶(hù)在海量?jī)?nèi)容中進(jìn)行高效遴選，提升了用戶(hù)體驗(yàn)，從而廣泛應(yīng)用于電影[1]、音樂(lè)[2]、新聞資訊[3]、電商[4]等推薦場(chǎng)景，并成為產(chǎn)業(yè)界和學(xué)術(shù)界持續(xù)研究的重點(diǎn)領(lǐng)域。當(dāng)前主流的推薦算法主要包括基于協(xié)同過(guò)濾的推薦算法[5]、基于內(nèi)容的推薦算法[6]和混合推薦算法[7]。基于協(xié)同過(guò)濾的推薦算法能夠有效捕捉用戶(hù)偏好，并易于在多種場(chǎng)景下實(shí)現(xiàn)，應(yīng)用較為廣泛。然而，數(shù)據(jù)稀疏性和冷啟動(dòng)問(wèn)題是推薦算法面臨的普遍性挑戰(zhàn)，相關(guān)工作將背景信息融合進(jìn)推薦過(guò)程，如用戶(hù)-項(xiàng)目屬性[8]、社交網(wǎng)絡(luò)[9]等，并獲得了良好收益。知識(shí)圖譜作為一種以圖結(jié)構(gòu)表示的語(yǔ)義知識(shí)庫(kù)，可以為推薦系統(tǒng)提供項(xiàng)目間豐富的語(yǔ)義信息和結(jié)構(gòu)關(guān)系，有助于挖掘其間的潛在聯(lián)系，提升推薦項(xiàng)目的有效性。

此外，與傳統(tǒng)的電商或社交推薦場(chǎng)景不同，求職者在網(wǎng)絡(luò)招聘平臺(tái)的求聘過(guò)程為“瀏覽崗位 -投遞簡(jiǎn)歷 -招聘者反饋”，求聘各環(huán)節(jié)行為存在遞進(jìn)關(guān)系，如該簡(jiǎn)歷和職位配對(duì)得到招聘者認(rèn)可的前提是求職者對(duì)該職位有瀏覽崗位并投遞簡(jiǎn)歷的行為。除了最終的目標(biāo)行為（招聘者認(rèn)可）外，其他輔助行為（瀏覽崗位、投遞簡(jiǎn)歷）的交互記錄同樣蘊(yùn)含著大量的求聘雙方偏好信息。然而，已有研究大多未考慮到求職者前序行為對(duì)后續(xù)求聘結(jié)果的影響。因此，本文將求聘各環(huán)節(jié)中“招聘者認(rèn)可\"視為目標(biāo)行為，求職者瀏覽崗位和投遞簡(jiǎn)歷視為輔助行為，綜合預(yù)測(cè)求職者的偏好。

基于以上思考，本文提出一種融合知識(shí)圖譜的多行為職位推薦模型（MB-JRIKG），利用職位知識(shí)圖譜作為輔助信息，緩解傳統(tǒng)推薦算法中的數(shù)據(jù)稀疏問(wèn)題，并提出多行為偏好傳播策略，在知識(shí)圖譜中傳播用戶(hù)的不同行為偏好以增強(qiáng)用戶(hù)表示。

1相關(guān)研究

1.1 職位推薦方法

推薦算法在職位推薦領(lǐng)域發(fā)展相對(duì)緩慢，大多數(shù)招聘網(wǎng)站采用的仍是傳統(tǒng)的協(xié)同過(guò)濾或基于內(nèi)容的推薦算法，所以推薦效果不盡如人意。隨著網(wǎng)絡(luò)招聘逐漸成為人力資源招聘的主要方式，越來(lái)越多的專(zhuān)家學(xué)者和技術(shù)人員開(kāi)始關(guān)注推薦算法在網(wǎng)絡(luò)招聘領(lǐng)域的研究。ALSAIF等[10使用自然語(yǔ)言處理技術(shù)來(lái)匹配簡(jiǎn)歷和職位描述之間的技能，以此來(lái)計(jì)算職位需求與求職者之間的相似性。YI等[1]采用了基于項(xiàng)目的協(xié)同過(guò)濾算法進(jìn)行職位推薦，并在偏好預(yù)測(cè)中加入了由職位描述計(jì)算的歷史投遞權(quán)重和由簡(jiǎn)歷信息計(jì)算的相似用戶(hù)權(quán)重2個(gè)影響因素。ZHOU等[12]首先對(duì)畢業(yè)生進(jìn)行群體劃分，然后根據(jù)群體的職位選擇記錄和畢業(yè)生對(duì)職位的偏好為畢業(yè)生推薦職位。丁健龍[13]建立了基于畫(huà)像的就業(yè)關(guān)聯(lián)知識(shí)庫(kù)的理論及方法體系，該體系由K -Means 聚類(lèi)算法構(gòu)建畫(huà)像、Apriori關(guān)聯(lián)規(guī)則算法獲取就業(yè)畫(huà)像關(guān)聯(lián)規(guī)則，并通過(guò)調(diào)用基于權(quán)重及興趣度模型的本體相容匹配算法實(shí)現(xiàn)就業(yè)推薦。張畫(huà)等[14]提出一種基于混合深度神經(jīng)網(wǎng)絡(luò)的就業(yè)推薦算法，將學(xué)生基本屬性、學(xué)生行為序列屬性、職業(yè)基本屬性、職業(yè)描述屬性的獨(dú)立嵌入作為模型輸入，使用多頭自注意力機(jī)制挖掘?qū)W生行為序列屬性與職業(yè)描述屬性中的序列特征。

1.2基于知識(shí)圖譜的推薦方法

知識(shí)圖譜是一種以異構(gòu)圖結(jié)構(gòu)表示的語(yǔ)義網(wǎng)絡(luò)知識(shí)庫(kù)，通常以“頭實(shí)體-關(guān)系-尾實(shí)體\"或“實(shí)體-屬性-值”的三元組形式存在，可以存儲(chǔ)實(shí)體間的關(guān)系信息以及實(shí)體的屬性背景信息，在一定程度上能夠解決數(shù)據(jù)稀疏問(wèn)題，提高推薦準(zhǔn)確性和推薦結(jié)果可解釋性?；谥R(shí)圖譜的推薦方法主要包括：基于嵌人的方法[15]、基于路徑的方法[16]以及基于傳播的方法[17]。基于嵌入的方法將實(shí)體和關(guān)系表示為低維向量，進(jìn)而實(shí)現(xiàn)豐富語(yǔ)義信息的目的?；诼窂降姆椒ㄖ饕窃谥R(shí)圖譜中探索求職者和職位資源間的連通路徑，進(jìn)而預(yù)測(cè)其交互概率?；趥鞑サ姆椒ńY(jié)合了上述兩大思路，同時(shí)利用實(shí)體的語(yǔ)義信息以及路徑連接關(guān)系。RippleNet是第1個(gè)引人傳播概念的方法[18]，該方法將每個(gè)用戶(hù)歷史交互過(guò)的實(shí)體作為種子集，沿著知識(shí)圖譜中的關(guān)系網(wǎng)絡(luò)擴(kuò)展用戶(hù)的潛在興趣。徐孟奇等[19]引人知識(shí)圖譜補(bǔ)全算法對(duì)RippleNet方法進(jìn)行改進(jìn)，并應(yīng)用于人崗?fù)扑]系統(tǒng)上，證實(shí)了融合知識(shí)圖譜的思路可以取得較好的效果。

1.3 多行為推薦方法

多行為推薦方法充分利用了目標(biāo)行為以外的輔助行為，能夠更準(zhǔn)確地挖掘用戶(hù)的潛在偏好。早期的一些研究使用矩陣分解的方法從多種類(lèi)型的交互數(shù)據(jù)中挖掘用戶(hù)的潛在偏好。如DING等[20]引入了用戶(hù)瀏覽數(shù)據(jù)，將瀏覽數(shù)據(jù)作為購(gòu)買(mǎi)和缺失數(shù)據(jù)之間的中間反饋。對(duì)購(gòu)買(mǎi)和瀏覽、瀏覽和未瀏覽交互之間的成對(duì)關(guān)系進(jìn)行建模，可以更好地區(qū)分用戶(hù)偏好。另一方面，研究者通常在訓(xùn)練時(shí)改進(jìn)采樣方法對(duì)模型進(jìn)行優(yōu)化，以充分利用多種類(lèi)型的交互數(shù)據(jù)。如LONI等[21]設(shè)計(jì)了一種擴(kuò)展的采樣方法，在訓(xùn)練時(shí)同時(shí)利用不同層次的單一類(lèi)型反饋，將不同層次的反饋映射到不同的級(jí)別，以反映每種類(lèi)型的反饋在訓(xùn)練階段的貢獻(xiàn)。近年來(lái)，圖神經(jīng)網(wǎng)絡(luò)作為一種基于深度學(xué)習(xí)的圖表示技術(shù)，在多行為推薦系統(tǒng)中顯現(xiàn)出優(yōu)越的性能。PENG等[22]提出了一種用于多行為推薦的注意力引導(dǎo)圖卷積網(wǎng)絡(luò)（MB-AGCN），利用注意力機(jī)制對(duì)用戶(hù)多行為關(guān)系進(jìn)行建模，并生成權(quán)重拒陣，指導(dǎo)圖神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)不同類(lèi)型用戶(hù)-項(xiàng)目交互中的復(fù)雜依賴(lài)關(guān)系，捕獲不同類(lèi)型行為之間的關(guān)系。XIA等[23]提出了一個(gè)圖神經(jīng)多行為增強(qiáng)推薦（GNMR）框架，探索了用戶(hù)-項(xiàng)目交互圖，通過(guò)設(shè)計(jì)一個(gè)關(guān)系聚合網(wǎng)絡(luò)來(lái)模擬用戶(hù)-項(xiàng)目交互的異質(zhì)性，以捕獲用戶(hù)多行為數(shù)據(jù)中的異構(gòu)協(xié)作信號(hào)。在求職招聘領(lǐng)域，SAITO等[24提出了動(dòng)態(tài)的多行為職位推薦模型（MBJ-DA），分為輔助行為學(xué)習(xí)模塊和目標(biāo)行為學(xué)習(xí)模塊，并提出了一種區(qū)分噪聲的方法。在后續(xù)研究中，，該學(xué)者又提出了一種同時(shí)使用輔助行為數(shù)據(jù)和用戶(hù)顯式偏好數(shù)據(jù)的職位推薦方法（JME），并利用知識(shí)圖譜嵌人方法學(xué)習(xí)求職者和職位的潛在表示[25]。

2 模型介紹

2.1 問(wèn)題描述

假設(shè) U={u₁，u₂，…} 和 I={i₁，i₂，…} 分別代表求職者和職位的集合， Y={Y¹，…，Yⁿ，…，Y^N} 表示求職者與職位以不同行為類(lèi)型交互的矩陣列表，其中 ?Γ?Γ）Γ?Γ）Γ?Γ）Γ?Γ） 為目標(biāo)行為的交互矩陣。具體來(lái)說(shuō)， y_uiⁿ 代表求職者 u 和職位i 在第 n 種行為類(lèi)型下的交互邊，若求職者 u 和職位 i 發(fā)生過(guò)交互， y_uiⁿ=1 ，否則 yⁿ_ui=0 。除了交互數(shù)據(jù)外，由大量實(shí)體-關(guān)系-實(shí)體三元組 （h，r，t） 組成的知識(shí)圖譜 G 也是提供求職者偏好信息的重要來(lái)源。知識(shí)圖譜可以定義為 G={（h，r，t）|h，t∈ε，r∈R} ，其中 ε 為招聘平臺(tái)數(shù)據(jù)集中選出的部分與職位相關(guān)的實(shí)體集合，其中包括職位、學(xué)歷、薪資等實(shí)體， R 是通過(guò)招聘平臺(tái)數(shù)據(jù)集構(gòu)造的12種關(guān)系集合。對(duì)于每個(gè)三元組 （h，r，t），h∈s，t∈s 和 r∈R 分別表示頭實(shí)體、尾實(shí)體和這兩個(gè)實(shí)體之間的關(guān)系。進(jìn)一步定義相關(guān)概念如下。

定義1（相關(guān)實(shí)體）給定某一行為類(lèi)型下的交互矩陣 Yⁿ 和知識(shí)圖譜 G ，定義求職者 u 的 k 跳相關(guān)實(shí)體集合為

式中： E_u^0（n）=Y_uⁿ={i∣y_uiⁿ=1} 是求職者 u 在第 n 種行為類(lèi)型下的歷史交互職位集合，也就是求職者 u 在知識(shí)圖譜中的種子集； H 為最大跳數(shù)。

給定相關(guān)實(shí)體的定義，定義求職者 u 的 k 跳偏好集合如下。

定義2（偏好集合）求職者 u 的 k 跳偏好集合定義為從 ε_u^{（k-1）（n）} 開(kāi)始的知識(shí)三元組的集合：

S_u^k（n）={（h，r，t）∣（h，r，t）∈G

h∈E_u^{（k-1）（n）}}，k=1，2，…，H°

給定多行為交互集合 Y 和知識(shí)圖譜 G ，本文旨在對(duì)求職者 u 在目標(biāo)行為下與職位 i 發(fā)生交互的可能性進(jìn)行預(yù)測(cè)。目標(biāo)是學(xué)習(xí)一個(gè)預(yù)測(cè)函數(shù) ，其中 表示求職者 u 在目標(biāo)行為下與職位i發(fā)生交互的可能性， Θ 表示函數(shù) F 的模型參數(shù)。

2.2 模型框架

模型結(jié)構(gòu)如圖1所示，MB-JRIKG采用了水波網(wǎng)絡(luò)的傳播理念，將求職者瀏覽過(guò)、投遞過(guò)、被認(rèn)可過(guò)的職位作為種子集，在知識(shí)圖譜中擴(kuò)展這些不同的行為偏好，以此增強(qiáng)求職者特征表示。隨后，將求職者的多行為表示向量和職位表示向量輸入預(yù)測(cè)函數(shù)中，計(jì)算用戶(hù)在每個(gè)行為類(lèi)型下的交互概率，并加權(quán)求和進(jìn)而預(yù)測(cè)求職者對(duì)候選職位的目標(biāo)行為交互概率。

2.3 知識(shí)圖譜構(gòu)建

知識(shí)圖譜是由實(shí)體和關(guān)系組成的知識(shí)語(yǔ)義庫(kù)，通常是以（頭實(shí)體-關(guān)系-尾實(shí)體）的三元組形式存在。知識(shí)圖譜分為通用知識(shí)圖譜與領(lǐng)域知識(shí)圖譜，應(yīng)用于求職招聘領(lǐng)域時(shí)可稱(chēng)為職位知識(shí)圖譜。本文采用自頂向下的構(gòu)建方式構(gòu)建職位知識(shí)圖譜，具體的構(gòu)建流程如圖2所示。

首先，構(gòu)建職位知識(shí)圖譜的模式層，定義求職領(lǐng)域的本體;其次，抽取職位知識(shí)，對(duì)于學(xué)歷要求、薪資這類(lèi)結(jié)構(gòu)化數(shù)據(jù)，可設(shè)計(jì)對(duì)應(yīng)的映射模板和規(guī)則，將數(shù)據(jù)映射為已定義的知識(shí)圖譜模式中的實(shí)體、關(guān)系或者屬性。對(duì)于崗位描述這一非結(jié)構(gòu)化數(shù)據(jù)，則需要使用命名實(shí)體識(shí)別模型 BERT-BiLSTM-CRF進(jìn)行知識(shí)抽取，進(jìn)而完成三元組的構(gòu)建。最后，利用實(shí)體鏈接技術(shù)，將抽取出的知識(shí)組織成知識(shí)圖譜的三元組形式，并利用 Neo4j圖數(shù)據(jù)庫(kù)進(jìn)行存儲(chǔ)。

2.4基于RippleNet的多行為偏好傳播

圖3給出了RippleNet模型[18]的偏好傳播過(guò)程，本文在其基礎(chǔ)上進(jìn)行改進(jìn)，將單一行為偏好傳播擴(kuò)展為多行為偏好傳播?；赗ippleNet的多行為偏好傳播過(guò)程如下。

Stepl首先獲取求職者 u 在行為類(lèi)型 n 下的歷史職位作為種子節(jié)點(diǎn)。Step2創(chuàng)建求職者在行為類(lèi)型 n 下的相關(guān)實(shí)體以及偏好集合。Step3給定職位 i 的嵌人表示和求職者 u 在行為類(lèi)型 n 下的1跳偏好集合 S_u^1（n） ，職位 i 分別與 S_u^1（n） （2中的頭實(shí)體 h_i 和關(guān)系 R_i 計(jì)算來(lái)為每一個(gè)三元組 （h_i，r_i，t_i） 分配一個(gè)關(guān)聯(lián)概率 ?_pi ，如式（3）所示。

Seeds Hop1 Hop2 HopH Knowledge graph 。 O . ripple setS1 ripple set S2 ripple set SH useru histrrick propagation （h，r）→t propagation （h，r）→t （h，r）→t itemv KD item weighted embedding average predicted Rh softmax t probability user embedding

其中 和 R_i 分別表示職位和關(guān)系嵌人。關(guān)聯(lián)概率 ?_Pi 可以表示為職位 i 和實(shí)體 h_i 在關(guān)系空間 R_i 中的相似程度。因?yàn)椴煌年P(guān)系會(huì)得到不同的相似性，故這里計(jì)算也包括關(guān)系 R_i 。

Step4得到關(guān)聯(lián)概率后，將其與 S_u^1（n） 中對(duì)應(yīng)的尾實(shí)體 t_i 相乘來(lái)得到求職者對(duì)歷史職位交互的第1次響應(yīng) ，如式（4）所示。

Step5將每次的響應(yīng)組合起來(lái)得到求職者 u 的嵌入表示，如式（5）所示。

Step6結(jié)合求職者和職位的嵌人表示來(lái)計(jì)算求職者在行為類(lèi)型 n 下對(duì)職位的交互概率，如式（6）所示。

其中：

Step7重復(fù)以上步驟，計(jì)算求職者在每個(gè)行為類(lèi)型下的交互概率，加權(quán)求和得到目標(biāo)行為的交互概率，如式（8）所示。

MB-RPNT方法的偽代碼見(jiàn)算法1。

算法1融合知識(shí)圖譜的多行為職位推薦算法

輸入：求職者-職位多行為交互矩陣 Y ，職位知識(shí)圖譜 G

輸出：預(yù)測(cè)函數(shù)

1.初始化所有參數(shù)

2.計(jì)算每個(gè)求職者在不同交互行為下的偏好集合

3.for模型迭代次數(shù)do

4. 從交互矩陣 Y^N 中抽取正負(fù)樣本

5. 根據(jù)樣本中每個(gè)求職者的偏好集合從中抽取三元組 （h_i，r_i，t_i）

6. 訓(xùn)練知識(shí)圖譜 G 中三元組的正負(fù)樣本

7. 通過(guò)梯度下降法更新 I，E，{R}_r∈R

8.end for

9.return F（u，i，θ）

3實(shí)驗(yàn)設(shè)計(jì)

3.1 數(shù)據(jù)集介紹

本文使用的數(shù)據(jù)來(lái)自天池競(jìng)賽平臺(tái)舉辦的\"大數(shù)據(jù)智能云上編程大賽-人崗智能招聘挑戰(zhàn)賽\"（https：//tianchi.aliyun.com/dataset/44080），競(jìng)賽中使用的職位和簡(jiǎn)歷數(shù)據(jù)均來(lái)自于真實(shí)數(shù)據(jù)。數(shù)據(jù)集包括求職者數(shù)據(jù)、職位數(shù)據(jù)和求職者與職位間的行為數(shù)據(jù)，數(shù)據(jù)集包含的特征如表1所示。

原始數(shù)據(jù)包含4500條求職者數(shù)據(jù)，269534條職位數(shù)據(jù)，700938條行為數(shù)據(jù)。對(duì)數(shù)據(jù)集進(jìn)行去重、缺失值填補(bǔ)和過(guò)濾等操作后，篩選出正負(fù)樣本數(shù)大于3的用戶(hù)數(shù)據(jù)集合，其中正樣本是指HR對(duì)求職者的崗位申請(qǐng)表示認(rèn)可，即行為交互表中的屬性satisfied =1 ，其余簡(jiǎn)歷崗位對(duì)作為負(fù)樣本。經(jīng)過(guò)篩選后的數(shù)據(jù)集信息如表2所示。

3.2 對(duì)比模型

為了驗(yàn)證本模型的有效性，本文選取以下模型與MB-JRIKG進(jìn)行比較。

1）MFMF方法的核心理念在于將協(xié)同過(guò)濾框架下的用戶(hù)-物品交互矩陣拆解為2個(gè)稠密矩陣——用戶(hù)的隱向量矩陣和物品的隱向量矩陣，通過(guò)這2個(gè)矩陣來(lái)學(xué)習(xí)用戶(hù)和物品的有效表示[26]。

2）XGBoost XGBoost是一種高效的梯度提升決策樹(shù)算法，是Boosting 算法的其中一種，其核心思想在于將多個(gè)弱分類(lèi)器整合，共同構(gòu)建一個(gè)強(qiáng)分類(lèi)器[27]。

3）KGCNKGCN是一種基于圖卷積神經(jīng)網(wǎng)絡(luò)的方法，它通過(guò)在知識(shí)圖譜上聚合鄰居節(jié)點(diǎn)的信息，來(lái)豐富每個(gè)節(jié)點(diǎn)的嵌入表示[28]。

4）RippleNet該模型將與用戶(hù)發(fā)生過(guò)交互的項(xiàng)目作為種子集，在知識(shí)圖譜上通過(guò)實(shí)體之間的關(guān)系傳播用戶(hù)的偏好并最終得到用戶(hù)的嵌入表示，最后計(jì)算用戶(hù)與項(xiàng)目的交互概率[18]。

3.3 評(píng)價(jià)指標(biāo)

本文模型進(jìn)行點(diǎn)擊率預(yù)測(cè)實(shí)驗(yàn)時(shí)，使用預(yù)測(cè)準(zhǔn)確率（accuracy，ACC）和線(xiàn)下面積（area under the curve，AUC）作為實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)，用以衡量各個(gè)模型的性能，實(shí)現(xiàn)本文模型數(shù)值表征。ACC計(jì)算公式如式（9）所示。

式中：TP（true positive）表示樣本的真實(shí)類(lèi)別為正，最后預(yù)測(cè)結(jié)果也為正;FP（1 positive）表示樣本的真實(shí)類(lèi)別為負(fù)，最后預(yù)測(cè)得到的結(jié)果卻為正;FN（1negative）表示樣本的真實(shí)類(lèi)別為正，最后預(yù)測(cè)得到的結(jié)果卻為負(fù)；TN（truenegative）表示樣本的真實(shí)類(lèi)別為負(fù)，最后預(yù)測(cè)得到的結(jié)果也為負(fù)。

AUC 是指接收者操作特征（receirer operating characteristic，ROC）曲線(xiàn)下的面積。AUC 數(shù)值為 0～1 數(shù)值越大，表明模型真實(shí)性、穩(wěn)健性越好。ROC 是將真正例率（true positive rate，TPR）繪制為假正例率（1 positiverate，F(xiàn)PR）在不同閾值設(shè)置下的變化曲線(xiàn)，即以FPR 為橫軸，TPR 為縱軸的曲線(xiàn)，其中 FPR和TPR公式如式（10）、（11）所示。

3.4實(shí)驗(yàn)設(shè)定與結(jié)果分析

本文模型基于TensorFlow框架實(shí)現(xiàn)，底層開(kāi)發(fā)語(yǔ)言采用Python3.7.7，優(yōu)化模型采用Adam優(yōu)化器，參數(shù)初始化采用Xavier方法。訓(xùn)練使用的負(fù)樣本是從求職者在目標(biāo)行為下未交互的職位集合中隨機(jī)采樣得到的，所有模型均采用“招聘者是否認(rèn)可求職者”作為目標(biāo)行為。實(shí)驗(yàn)數(shù)據(jù)按照 6：2：2 的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。為了避免偶然誤差對(duì)實(shí)驗(yàn)結(jié)果的影響，本文所有實(shí)驗(yàn)均運(yùn)行5次，最終用平均值進(jìn)行量化。

3.4.1整體性能及分析

表3展示了本文模型在AUC和ACC上與對(duì)比模型的性能比較。通過(guò)分析實(shí)驗(yàn)數(shù)據(jù)可知，本文模型相比參照模型中最好的模型RippleNet在指標(biāo)AUC和ACC上分別提高了0.0145和0.0288。通過(guò)對(duì)比分析實(shí)驗(yàn)數(shù)據(jù)可知，3種基于知識(shí)圖譜的模型MB-JRIKG、KGCN和Ripple-Net在AUC和ACC指標(biāo)上均優(yōu)于MF和XG-Boost模型，這說(shuō)明在引入知識(shí)圖譜后，知識(shí)圖譜中的實(shí)體與關(guān)系信息有利于提升推薦性能。相對(duì)于MF模型，XGBoost模型在ACC和AUC指標(biāo)上分別提升了大約11個(gè)百分點(diǎn)和7個(gè)百分點(diǎn)，這是因?yàn)閄GBoost模型相對(duì)于MF模型具有更強(qiáng)的擬合能力和泛化能力，能夠捕捉特征之間的復(fù)雜關(guān)系。相對(duì)于RippleNet模型，本模型在ACC 和AUC指標(biāo)上分別提升了大約1個(gè)百分點(diǎn)和2個(gè)百分點(diǎn)，這表明本文模型能夠更充分地利用多行為交互數(shù)據(jù)，有效提升推薦性能?？傊?，相比于其他推薦模型，MB-JRIKG都取得了最好的性能。其原因在于MB-JRIKG 借助知識(shí)圖譜中實(shí)體間的鏈接路徑，將實(shí)體語(yǔ)義表征在圖中傳播，直接建模實(shí)體間的高階關(guān)系，從而更合理地挖掘了知識(shí)圖譜所包含的信息；除此之外，MB-JRIKG能夠有效提取多行為交互特征來(lái)優(yōu)化節(jié)點(diǎn)嵌人，從而更好地預(yù)測(cè)用戶(hù)偏好。

3.4.2參數(shù)實(shí)驗(yàn)分析

本文測(cè)試了實(shí)驗(yàn)參數(shù)偏好傳播層數(shù) Hop、維度 Dim 以及嵌人更新方法對(duì)本文模型的影響。不同 Hop取值對(duì)本文模型的影響如圖4所示。從圖中可以看出，Hop 取值過(guò)低、過(guò)高都會(huì)影響AUC——過(guò)高會(huì)引人噪音，過(guò)低則會(huì)減少算法內(nèi)所聚合的信息，從而影響算法性能。不同Dim下模型性能的變化如圖5所示。從圖中可以看出，提高維度可以有效地提升AUC，但維度過(guò)高會(huì)導(dǎo)致AUC下降，說(shuō)明合適的嵌入維度可以更加有效地編碼信息，其中該模型在Dim值取16的時(shí)候效果最好。

不同的嵌人更新方法的選擇對(duì) ACC 和AUC 的影響如表4所示，包括 replace、plus、replace_transform和plus_transform，每種方法的解釋如下。

1）replace方法：用新的嵌入向量完全替換原來(lái)的項(xiàng)目嵌入向量。2）plus方法：將新的嵌入向量與原項(xiàng)目嵌入向量相加。3）replace_transform方法：將新的嵌人向量與變換矩陣相乘，然后用結(jié)果替換原項(xiàng)目嵌入向量。4）plus_transform方法：將新的嵌入向量與原項(xiàng)目嵌人向量相加，然后與變換矩陣相乘。

實(shí)驗(yàn)結(jié)果表明，本文模型使用plus_transform方法表現(xiàn)最好，這種處理策略結(jié)合了加法操作和變換操作的優(yōu)勢(shì)，能夠更好地捕捉項(xiàng)目嵌人的特征和關(guān)系，從而提高模型的表現(xiàn)。這也表明了不同的處理策略在嵌入更新過(guò)程中起著關(guān)鍵作用，選擇合適的更新方法可以提升模型的性能和效果。

4結(jié)語(yǔ)

本文提出了一種基于知識(shí)圖譜的多行為職位推薦模型（MB-JRIKG），通過(guò)引入知識(shí)圖譜豐富職位的背景信息，將實(shí)體語(yǔ)義表征在圖中傳播，直接建模實(shí)體間的高階關(guān)系，從而更合理地挖掘了知識(shí)圖譜所包含的信息。同時(shí)，考慮了求職者和招聘者在“瀏覽崗位 $$ 投遞簡(jiǎn)歷 $$ 招聘者反饋\"等環(huán)節(jié)表現(xiàn)出的行為，通過(guò)提取多行為交互特征來(lái)優(yōu)化求職者表示，激發(fā)求職者的潛在興趣，進(jìn)而提高推薦性能。在真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，MB-JRIKG在AUC和ACC評(píng)價(jià)指標(biāo)上均優(yōu)于基線(xiàn)模型，在提高推薦效果的同時(shí)較好地緩解了數(shù)據(jù)稀疏和數(shù)據(jù)利用率低的問(wèn)題。后續(xù)可以沿著時(shí)間線(xiàn)收集和利用求聘過(guò)程中的交互行為來(lái)捕獲用戶(hù)的動(dòng)態(tài)偏好，或者考慮更加細(xì)粒度的交互行為數(shù)據(jù)，例如瀏覽時(shí)間、搜索關(guān)鍵詞、面試情況等。

參考文獻(xiàn)/References：

[1]CHENGYa，LUNa，LUingetalRecurrntowledgeaetionntworkforoieeommendationC/3rdInteaal Conference on Electron Device and Mechanical Engineering（ICEDME）.Suzhou：[s.n.]，2020：648-651.

[2]BERTRAM N，DUNKEL J，HERMOSO R.IamallEARS：Using opendata and knowledge graph embedings for music recommendations [J].Expert Systems with Applications，2023.DOI：10.1016/j.eswa.2023.120347.

[3]王子巖，司亮，劉濱，等.基于系統(tǒng)動(dòng)力學(xué)的資訊個(gè)性化推薦研究[J].科技大學(xué)學(xué)報(bào)，2021，42（2）：170-179. WANG Ziyan，SLiang，LUBnetal.StudyonformationpersoalizedrecommendatioasedonstemdamicsJ]JoualfHebei University of Science and Technology，2021，42（2）：170-179.

[4]孫瑞雪，紀(jì)淑娟，梁永全.基于知識(shí)圖譜的用戶(hù)表征及在互補(bǔ)產(chǎn)品推薦中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用研究，2023，40（12）：3628-3635. SUNRuixue，JShujuanLIANGYongquan.Userrepresentationbasedonknowledgegraphanditsaplicationincomplementaryproduct recommendation[J].ApplicationResearch of Computers，2023，40（12）：3628-3635.

[5]HEXiana，AOii，ZaangetaleuralobotiigC/roegsfte26thIeatialofceo WorldWideWeb.Perth：[s.n.]，2017：173-182.

[6]ALMALISND，TSIHRINTZIS G A，KARAGIANNIS N.Acontent based approachforrecommending personnelforjobpostionsC/ The 5thInternational Conferenceon Information，Intelligence，SystemsandApplications.Chania：[s.n.]，o14：45-49.

[7]KUMAR N，GUPTAM，SHARMA D，et al. Technical jobrecommendationsystemusing APIs and web crawling[J].Computational Intelligence and Neuroscience，2022.DOI：10.1155/2022/7797548.

[8]SHIMIZU R，MATSUTAN M，GOTO M.An explainable recommendationframework basedonanimproved knowledge graph atention network with massivevolumesofsideinformationJ].Knowledge-Based Systems，2022.DOI：10.1016/j.knosys.221.107970.

[9]SHOKRZADEH Z，F(xiàn)EIZI-DERAKHSHI M R，BALAFAR MA，etal. Knowledge graph-based recommendation system enhanced by neuralcollboratieingndodgegrabedingsEgieigal，O16ej6.

[10]ALSAIFSIHLEAKH，etalLeaigbsedmatcedrepresentatiotefobecommendaioJtes， 2022.DOI：10.3390/computers11110161.

[11]YIPengYANGCheng，Chen，etal.Ajobecommendationmethdotiiedbypositiondescritosandresumeiforatio/ 2016IEEEAdvanced InformationManagement，Communicates，ElectronicandAutomationControlConference（IMCEC）.Xi'an：s.n.]， 2016：761-764.

[12]ZHOUQingIAOFenglu，GELiangetal.PersoaledpreferenecollbativeilteringJoecommendatiforgaduates9 IEEESmart World，UbiquitousIntellgenceamp;.Computing，Advancedamp;.TrustedComputing，ScalableComputing amp;.Communications， Cloudamp;.Big Data Computing，Internetof People and Smart City Inovation（Smart World/SCALCOM/UIC/ATC/CBDCom/IOP/SCD）. Leicester：[s.n.]，2019：1055-1062.

[13]丁健龍.一種基于畫(huà)像關(guān)聯(lián)及本體相容匹配的就業(yè)推薦方法[J].浙江工業(yè)大學(xué)學(xué)報(bào)，2022，50（3）：270-275. DINGJianlong.AnemploymentrecommendatiomethodbasedonportraitassociationandntologycompatibilitymatchingJJoualof ZhejiangUniversity of Technology，2022，50（3）：270-275.

[14]張婭，彭海英.基于混合深度神經(jīng)網(wǎng)絡(luò)的就業(yè)推薦方法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2022，43（4）：995-1001. ZHANG Hua，PENG Haiying.Jobrecommendation methodbasedonhybriddepneuralnetworkJ].Computer Engineeringand Design， 2022，43（4）：995-1001.

[15]JIGuoliang，HEuXUeng，etalKnowedggapmbedingviadamicmappingmatrixC]/roceedingsofthrdAal MeetingoftheAsociationforComputatioalLinguisticsandthe7thInternationalJointCoferenceonNaturalLanguageProsinBe jing：[s.n.]，2015：687-696.

[16]HUBinbnun，ZHOWX，etalLeveragigmetaathasedotextfotoeommdationwithraatentioodel// Proceedingsof the24thACMSGKDDInternationalConferenceoKnowledgeDiscoveryamp;Data Mining.NewYork：s.n.]181531- 1540.

[17]WANG Xiang，HEXianganCAOYixin，etal.KGAT：KowledgegraphatentionetworkforecommendationC//Prodingfte 25th ACM SIGKDD International Conference on Knowledge Discovery amp;.Data Mining.Anchorage：[s.n.]，2019：950-958.

[18]WANG Hongwei，ZHANGFuzheng，WANGJialin，etalRipleNet：Propagatinguserpreferencesontheknowledgegrahforoen dersystems[C]//Procedingsof the27thACM InternationalConferenceonInformationandKnowledge Management.NewYork： [s.n.]，2018：417-426.

[19］徐孟奇，熊熙，李斌勇，等.基于知識(shí)圖譜的人崗?fù)扑]系統(tǒng)構(gòu)建[J].計(jì)算機(jī)應(yīng)用研究，2022，39（1）：194-198. XU Mengqi，XIONG Xi，LI Binyong，et al.Constructionof person-post matching recommendedsystembased on knowledgegrap[J]. Application Research of Computers，2022，39（1）：194-198.

[20]DINGJingtao，YUGuanghuiHEXiangnanetal.ImprovingimplicitrecommendersystemswithviewataC]/Proceedingsofteth International Joint Conference on Artificial Intelligence.[S.1.]：AAAI Press，2018;3343-3349.

[21]LONIB，PAGANOR，LARSONM，etalBayesianpersonalizedranking withmulti-channeluserfedbackC]/Procedingsoftheoth ACMConference onRecommender Systems.New York：[s.n.]，2016：361-364.

[22]PENGXingchen，SUJing，Yingshi，etalAtentioguidedgaphconvolutioaletworkformulti-eaviorecommeatio]. Knowledge-Based Systems，2023.DOI：10.1016/j. knosys.2023.111040.

[23]XIALianghao，HUANGChao，XUYongetal.Knowledgeenhancedhierarchicalgraphtransformernetworkformulti-behaviorco mendation[C]//Proceedings of the AAAI Conference on Artificial Inteligence.[S.1.]：[s.n.]，2O21：4486-4493.

[24]SAITOYSUGYAMAK.Multi-behaviorjobrecommendationwithdynamicavailablityC//ProedingsoftheAnualInteatioal ACMSIGIRConferenceonResearchandDevelopmentinInformationRetrievalintheAsiaPacificRegion.NewYorks.n.，6 271.

[25]SAITOY，SUGYAMAK.LeveragingmultiplebhaviorsandexplicitpreferencesforjobrecommendationJ].ExpertSystemswith Applications，2024.DOI：10.1016/j.eswa.2024.125149.

[26]KORENY，BELR，VOLINSKYC.Matrixfactorizationtechiques forrecommendersystems[J].Computer，20o9，4（8）0-37.

[27]CHENTianqi，GUESRINC.XGBoost：Ascalable treebostingsysteC]/Procedingsofthe22ndACMSGKDInternatioalConference on Knowledge Discovery and Data Mining.San Francisco：[s.n.]，2o16：785-794.

[28]WANG Hongwei，ZHAO Miao，XIEXing，etal.Knowledge graphconvolutional networksforrecommendersystems[C]/The World Wide Web Conference.San Francisco：Association for Computing Machinery，2019：3307-3313.