基于人才知识图谱推理的强化学习可解释职位推荐方法

摘要

[目的] 针对现有职位推荐中存在的大规模应用难度、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] 在实际简历数据集基础上，构建了一个人才社交经验知识图谱，并基于强化学习理论在知识图谱上训练了一个策略代理。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。

[局限性] 实验数据集大小和任务类型相对有限。

[结论] 该模型有效地将人才的历史工作经验相结合，并基于相似的工作经验进行推荐，同时结合知识图谱中职位属性的关联性。在提供推荐结果的同时，还提供推理路径，可以有效地处理冷启动、缺乏新颖性和可解释性问题。

关键词

职位推荐, 知识图谱推理, 强化学习可解释推荐