基于行为-语义融合学习适应用户偏好漂移的职位推荐
信息检索
2024-07-02 v1 人工智能
机器学习
摘要
职位推荐系统对于将职位机会与求职者对齐至关重要。然而，用户倾向于不断调整求职偏好以争取就业机会，这限制了推荐效果。偏好漂移的内在频率构成了及时精准捕捉用户偏好的挑战。为此，本文提出一种新颖的基于会话的框架BISTRO，通过语义与行为信息的融合学习来及时建模用户偏好。具体而言，BISTRO包含三个阶段：1) 粗粒度语义聚类，2) 细粒度职位偏好提取，3) 个性化top-k职位推荐。首先，BISTRO将用户交互序列分为会话，并利用基于会话的语义聚类实现人才与职位匹配的宽泛识别。随后，本文设计了超图小波学习方法以捕捉细微的职位偏好漂移。为缓解频繁偏好漂移导致的交互噪声影响，本文创新性地提出了自适应小波滤波技术以去除噪声交互。最后，采用循环神经网络分析基于会话的交互，以推断个性化偏好。在三个真实世界离线招聘数据集上进行的广泛实验表明，我们的方法具有显著性能。显然，BISTRO在线上实验中也表现出色，确认了其在实际招聘场景中的有效性。这一双重成功凸显了BISTRO的鲁健性与适应性。源代码已公开于https://github.com/Applied-Machine-Learning-Lab/BISTRO。
引用
@article{arxiv.2407.00082,
title = {Adapting Job Recommendations to User Preference Drift with Behavioral-Semantic Fusion Learning},
author = {Xiao Han and Chen Zhu and Xiao Hu and Chuan Qin and Xiangyu Zhao and Hengshu Zhu},
journal= {arXiv preprint arXiv:2407.00082},
year = {2024}
}
备注
Accepted by KDD 24 Research Track