基于领域融合和时间权重的招工推荐模型

作     者：叶坤佩 熊熙 丁哲 YE Kunpei;XIONG Xi;DING Zhe

作者机构：成都信息工程大学网络空间安全学院成都610225 先进密码技术与系统安全四川省重点实验室(成都信息工程大学)成都610225 

出 版 物：《计算机应用》 (journal of Computer Applications)

年 卷 期：2023年第43卷第7期

页      面：2133-2139页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(81901389) 国家社会科学基金资助项目(19BGL123) 四川省科技计划项目(2021JDRC0046) 

主　　题：推荐系统 深度学习 注意力机制 招工信息 门控循环单元 领域融合 时间权重 

摘      要：针对推荐系统使用嵌入层&多层感知机(Embedding&MLP)范式学习用户表示时强特征过拟合和弱特征欠拟合的问题,以及使用门控循环单元(GRU)学习用户兴趣时没有考虑到当前行为对用户最终兴趣的影响力会随时间推移逐渐减弱的问题,设计了一种基于领域融合和时间权重的招工推荐模型(RecRec)。首先,RecRec采用新的领域融合层来代替传统的串联层,而领域融合层在多域特征上表现出显著的优越性能。然后,RecRec在兴趣演化层将时间权重融入GRU,并提出时间戳门控循环单元(TSGRU),而TSGRU能更准确地学习用户兴趣。最终,RecRec通过预测用户拨通率来实现个性化推荐。实验结果表明,相较于YouTube DNN、Wide&Deep、融合注意力LSTM的协同过滤算法(ALAMF)和分期序列自注意力网络(LSSSAN),RecRec的AUC提高了0.03~0.36个百分点,说明RecRec能有效学习用户表示和用户兴趣。