面向技能感知人才推荐的可解释CF-RL-TOPSIS融合模型

有效的技能感知人才推荐必须在行为转换模式、轨迹敏感适应性和可检验的占用层级标准之间取得平衡。然而，关于这些信号如何相互作用的证据在公共基准上仍有限。本研究提出CF-RL-TOPSIS，一个可解释的晚期融合模型，集成一个转换感知的协同分支、一个紧凑的强化学习风格占用家族bandit，以及基于六个语义代理构建的熵加权TOPSIS分支；验证选取的融合系数保持可审计。该模型在两个冻结的公共ICT人才历史基准上进行评估——JobHop和Karrierewege——使用重复的时间顺序Top-5排序和配对Wilcoxon检验。在JobHop上，完整的混合模型NDCG@5 = 0.3040 ± 0.0073，显著优于重复-上一次、项目马尔可夫、转换感知协同过滤、CF+TOPSIS混合模型、GRU4Rec和SASRec（在计划比较中p <= 0.0039）。在Karrierewege上，该混合模型保持竞争力，但未显著超过最强的马尔可夫基线，这表明该设置受持续性支配，bandit分支适当地缩小为接近零权重。代理灵敏度、家族级别深度Q网络和运行时检查支持这一解释，一个 worked 用户级别案例显示如何检查单个推荐的分支得分、准则权重和排名变更。该工作的贡献并非对所有基准均实现优势，而是可重复描述在何种条件下透明的晚期融合在简单继续启发式方法之外添加价值。在语义丰富、非饱和的人才历史情境中，三个分支相互加强；在持续性支配的情境中，相同架构通过其协同主干保持竞争力，适应性分支正确地保持非活跃状态。