基于深度学习的跨境电商人才推荐模型研究

作     者：汪杨 

作者单位：广东财经大学 

学位级别：硕士

导师姓名：贺敏伟

授予年度：2020年

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)] 08[工学] 081104[工学-模式识别与智能系统] 081203[工学-计算机应用技术] 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）] 

主      题：跨境电商人才 深度学习 关键词提取 神经网络 注意力机制 

摘      要：国际贸易在国民经济发展中发挥着越来越重要的作用,跨境电商已经在我国的跨境贸易中占据越来越大的比重,对于跨境电商人才的培训也越来越引起国家相关部门的重视。国家出台了一系列政策扶持跨境电商专业人才的培养,但人才信息庞大而冗余,存在着严重的信息过载问题,推荐系统能够对这些信息进行有效的筛选。本文主要是对以下两方面进行研究并开展工作:(1)基于传统关键词提取算法Text Rank,利用共现词以及文本互信息对其进行改进,降低了原始算法对于词频的依赖性,扩充了词图的信息量,从统计学角度考虑了频率,提出了新的关键词提取算法,从而对爬取到的简历信息中富含丰富信息的人才的自我评价文本,以及公司发布的职位信息中的岗位职责数据进行抽取。这两个数据文本较长,不适合直接处理,我们需要进行关键词的提取。(2)构建包含CNN卷积神经网络以及LSTM长短期记忆网络的混合神经网络,再加入注意力机制,进行推荐。首先通过Word2vec词向量工具对原始文本进行处理。公司职位信息输入到卷积神经网络中,提取卷积特征。把获得的卷积特征和包含人才工作经验这一时序数据的简历信息输入到LSTM网络中进行处理。该网络能够很好的利用上下文的交互信息,通过在RNN循环神经网络中加入细胞状态以及门的机制,能够解决项目的长期依赖性。最后加入一层Attention层,从而对于每一个部分自动进行分配权重的操作,对不同的部分分配不同的权重,高影响力的部分会获得高的权重,从而对结果进行更好地优化。通过人工去除人才简历中的最后一份工作经验,与模型预测出的工作相比较,进行准确率的判断。在我们通过对网上公司发布的职位信息以及简历数据进行收集与爬取来构建的数据集上进行实验,取得了不错的效果。