基于互惠性约束的可解释就业推荐方法

朱海萍 赵成成 刘启东 郑庆华 曾疆维 田 锋 陈 妍

(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)

近年来，随着推荐系统的广泛应用，就业推荐在辅助大学生就业方面逐渐起到重要作用[1].但是，相比于一般的推荐场景，就业推荐除了需要考虑学生对于就业单位的兴趣，还需要考虑就业单位对于学生的能力要求[2].课题组发现，若忽略了就业单位对学生能力的要求，很可能导致学生与推荐的单位之间出现“能力失配”问题.同时，在就业推荐过程中，推荐结果的解释信息对于指导老师和学生都具有重要的参考价值.然而，当前大多数基于隐因子模型(latent factor model, LFM)来实现协同过滤[3](collaborative filtering, CF)的方法通常缺乏解释性.负样本不置信问题(即训练数据中的负样本通常从大量未交互样本中随机采样得到[4])是推荐系统研究中一个普遍存在的问题[5]，而在就业推荐数据中一个用户只有其就业单位一条交互记录，使得该问题更加严重.为了解决上述问题，本文开展基于互惠性约束的可解释就业推荐研究.

首先，借鉴文献[6]中拥有相似特征的人倾向于做出相似行为的结论，本文设计了一种基于相似度的随机负采样模块，即根据学生间和就业单位间的相似度从一个学生的负样本全集中划分出与其较为不相似的负样本集；再从该缩小范围的负样本集中，随机采样得到高置信度的负样本，结合已有正样本形成高质量训练样本集，从而提供数据级有效支撑.