Abstract Purpose To solve the problems of difficult large-scale application cold start lack of novelty and interpretability in existing job recommendation a reinforcement learning interpretable recomm

摘要：[目的]为了解决现有的职位推荐存在的大规模应用困难、冷启动、缺乏新颖性和可解释性问题，提出了一种基于人才知识图谱推理的强化学习可解释推荐方法。[方法]基于真实简历数据集构建人才社交经验知识图谱，基于强化学习理论对知识图谱进行策略代理训练。将推荐过程分解为方向选择和节点选择两个子过程，使代理能够在知识图谱上搜索潜在的高质量推荐目标。[结果]与LR、BPR.JRL-int、JRL-rep和PGPR模型相比，基于人才知识图谱推理的强化学习可解释推荐模型在MRR@20（81.7%）、Hit@1（74.8%）、Hit@5（92.2%）和Hit@10（97.0%）方面表现最佳。[限制]实验数据集大小和任务类型相对较为有限。[结论]该模型有效地结合了人才的历史工作经验，基于相似的工作经验进行推荐，同时结合了知识图谱中职位属性的关联。在提供推荐结果的同时，还提供了推理路径，可以有效解决冷启动、缺乏新颖性和可解释性的问题。[关键词]职位推荐，知识图谱推理，强化学习可解释推荐。