融合知識圖譜的多行為職位推薦

中圖分類號：TP393 文獻標識碼：A DOI：10. 7535/hbkd. 2025yx03011

Multi-behavioral job recommendation integrating knowledge graph

LIU Bin ^1，2 ，LEI Xiaoyu ^1，2 ，LIU Gege ^1，2 ， ZHAN Shiyuan ^1，2 ，GAO Xin ^1，2_， ，YANG Xiaoyan ^1，2 （2 （1.School of Economicsand Management，Hebei Universityof Scienceand Technology，Shijiazhuang，Hebei O5oo18，China; 2. Research Center of Big Data and Social Computing，Hebei University of Science and Technology， Shijiazhuang，Hebei O50o18，China）

Abstract：Toimprove the accuracyof job recommendations，amulti-behavioral jobrecommendation integrating knowledge graph（MB-JRIKG）was proposed basedonthe implicit preference informationof both job seekers and recruiters inthe process of \"browsing job positions $$ submitting resumes $$ receiving feedback from recruiters\". This method constructed a knowledge graphof jobseeking basedonrealjobdata，andproposedamultibehaviorpreferencepropagationstrategybasedonpreference propagationtheory.\"Recruiterrecognition\"ineach stageof jobseekingwassetasthe targetbehavior，and theauxiliary behaviorsof job seekers browsing job positions and submiting resumes wereset tocomprehensively predict job seekers' preferences.Firstly，the user's historical records under diferent behaviors wereused as user-interested seed sets，and preference propagationwascarriedoutalong therelationshipsbetwee nodesinthe knowledgegraph toinfer theuser's potential preferences and enhanceuser representation；Then，the user representation vectorand positionrepresentatio vector were input intothe predictionfunction tocalculate the interactionprobabityof theuserundereach behaviortype，and the weightedsumwasusedastheinteractionprobabilityofthetargetbehavior.Finall，theclick-throughrateprediction experiment wasconductedusing thecompetition datasetof Alibaba'shuman job intellgent matching.Theresults showthat compared with the four benchmark models（MF，XGBost，KGCNandRippleNet），MB-JRIKG achievesa 0.014 5 improvementinAUCanda0.O288improvement in ACCover the sub optimal benchmark model RippleNet，verifying the effectivenessofthemodelandachievingfullutilizationofdata.Thismodelefectivelycombinestheinteractivebhaviorofboth parties seeking employmentfor recommendation，introduces atribute association of job knowledge graph，and has reference value for achieving personalized job recommendation.

Keywords：natural language procesing;jobrecommendation;knowledge graph；multiple behaviors；preference propagation

網絡招聘因其成本低、效率高、不受時空限制等特點而得到快速發(fā)展，相關平臺集聚了海量的簡歷和職位信息，解決信息過載問題、實現(xiàn)智能招聘是當前的主要挑戰(zhàn)。推薦算法因其可以幫助用戶在海量內容中進行高效遴選，提升了用戶體驗，從而廣泛應用于電影[1]、音樂[2]、新聞資訊[3]、電商[4]等推薦場景，并成為產業(yè)界和學術界持續(xù)研究的重點領域。當前主流的推薦算法主要包括基于協(xié)同過濾的推薦算法[5]、基于內容的推薦算法[6]和混合推薦算法[7]?；趨f(xié)同過濾的推薦算法能夠有效捕捉用戶偏好，并易于在多種場景下實現(xiàn)，應用較為廣泛。然而，數(shù)據(jù)稀疏性和冷啟動問題是推薦算法面臨的普遍性挑戰(zhàn)，相關工作將背景信息融合進推薦過程，如用戶-項目屬性[8]、社交網絡[9]等，并獲得了良好收益。知識圖譜作為一種以圖結構表示的語義知識庫，可以為推薦系統(tǒng)提供項目間豐富的語義信息和結構關系，有助于挖掘其間的潛在聯(lián)系，提升推薦項目的有效性。

此外，與傳統(tǒng)的電商或社交推薦場景不同，求職者在網絡招聘平臺的求聘過程為“瀏覽崗位 -投遞簡歷 -招聘者反饋”，求聘各環(huán)節(jié)行為存在遞進關系，如該簡歷和職位配對得到招聘者認可的前提是求職者對該職位有瀏覽崗位并投遞簡歷的行為。除了最終的目標行為（招聘者認可）外，其他輔助行為（瀏覽崗位、投遞簡歷）的交互記錄同樣蘊含著大量的求聘雙方偏好信息。然而，已有研究大多未考慮到求職者前序行為對后續(xù)求聘結果的影響。因此，本文將求聘各環(huán)節(jié)中“招聘者認可\"視為目標行為，求職者瀏覽崗位和投遞簡歷視為輔助行為，綜合預測求職者的偏好。

基于以上思考，本文提出一種融合知識圖譜的多行為職位推薦模型（MB-JRIKG），利用職位知識圖譜作為輔助信息，緩解傳統(tǒng)推薦算法中的數(shù)據(jù)稀疏問題，并提出多行為偏好傳播策略，在知識圖譜中傳播用戶的不同行為偏好以增強用戶表示。

1相關研究

1.1 職位推薦方法

推薦算法在職位推薦領域發(fā)展相對緩慢，大多數(shù)招聘網站采用的仍是傳統(tǒng)的協(xié)同過濾或基于內容的推薦算法，所以推薦效果不盡如人意。隨著網絡招聘逐漸成為人力資源招聘的主要方式，越來越多的專家學者和技術人員開始關注推薦算法在網絡招聘領域的研究。ALSAIF等[10使用自然語言處理技術來匹配簡歷和職位描述之間的技能，以此來計算職位需求與求職者之間的相似性。YI等[1]采用了基于項目的協(xié)同過濾算法進行職位推薦，并在偏好預測中加入了由職位描述計算的歷史投遞權重和由簡歷信息計算的相似用戶權重2個影響因素。ZHOU等[12]首先對畢業(yè)生進行群體劃分，然后根據(jù)群體的職位選擇記錄和畢業(yè)生對職位的偏好為畢業(yè)生推薦職位。丁健龍[13]建立了基于畫像的就業(yè)關聯(lián)知識庫的理論及方法體系，該體系由K -Means 聚類算法構建畫像、Apriori關聯(lián)規(guī)則算法獲取就業(yè)畫像關聯(lián)規(guī)則，并通過調用基于權重及興趣度模型的本體相容匹配算法實現(xiàn)就業(yè)推薦。張畫等[14]提出一種基于混合深度神經網絡的就業(yè)推薦算法，將學生基本屬性、學生行為序列屬性、職業(yè)基本屬性、職業(yè)描述屬性的獨立嵌入作為模型輸入，使用多頭自注意力機制挖掘學生行為序列屬性與職業(yè)描述屬性中的序列特征。

1.2基于知識圖譜的推薦方法

知識圖譜是一種以異構圖結構表示的語義網絡知識庫，通常以“頭實體-關系-尾實體\"或“實體-屬性-值”的三元組形式存在，可以存儲實體間的關系信息以及實體的屬性背景信息，在一定程度上能夠解決數(shù)據(jù)稀疏問題，提高推薦準確性和推薦結果可解釋性?；谥R圖譜的推薦方法主要包括：基于嵌人的方法[15]、基于路徑的方法[16]以及基于傳播的方法[17]。基于嵌入的方法將實體和關系表示為低維向量，進而實現(xiàn)豐富語義信息的目的?；诼窂降姆椒ㄖ饕窃谥R圖譜中探索求職者和職位資源間的連通路徑，進而預測其交互概率?；趥鞑サ姆椒ńY合了上述兩大思路，同時利用實體的語義信息以及路徑連接關系。RippleNet是第1個引人傳播概念的方法[18]，該方法將每個用戶歷史交互過的實體作為種子集，沿著知識圖譜中的關系網絡擴展用戶的潛在興趣。徐孟奇等[19]引人知識圖譜補全算法對RippleNet方法進行改進，并應用于人崗推薦系統(tǒng)上，證實了融合知識圖譜的思路可以取得較好的效果。

1.3 多行為推薦方法

多行為推薦方法充分利用了目標行為以外的輔助行為，能夠更準確地挖掘用戶的潛在偏好。早期的一些研究使用矩陣分解的方法從多種類型的交互數(shù)據(jù)中挖掘用戶的潛在偏好。如DING等[20]引入了用戶瀏覽數(shù)據(jù)，將瀏覽數(shù)據(jù)作為購買和缺失數(shù)據(jù)之間的中間反饋。對購買和瀏覽、瀏覽和未瀏覽交互之間的成對關系進行建模，可以更好地區(qū)分用戶偏好。另一方面，研究者通常在訓練時改進采樣方法對模型進行優(yōu)化，以充分利用多種類型的交互數(shù)據(jù)。如LONI等[21]設計了一種擴展的采樣方法，在訓練時同時利用不同層次的單一類型反饋，將不同層次的反饋映射到不同的級別，以反映每種類型的反饋在訓練階段的貢獻。近年來，圖神經網絡作為一種基于深度學習的圖表示技術，在多行為推薦系統(tǒng)中顯現(xiàn)出優(yōu)越的性能。PENG等[22]提出了一種用于多行為推薦的注意力引導圖卷積網絡（MB-AGCN），利用注意力機制對用戶多行為關系進行建模，并生成權重拒陣，指導圖神經網絡學習不同類型用戶-項目交互中的復雜依賴關系，捕獲不同類型行為之間的關系。XIA等[23]提出了一個圖神經多行為增強推薦（GNMR）框架，探索了用戶-項目交互圖，通過設計一個關系聚合網絡來模擬用戶-項目交互的異質性，以捕獲用戶多行為數(shù)據(jù)中的異構協(xié)作信號。在求職招聘領域，SAITO等[24提出了動態(tài)的多行為職位推薦模型（MBJ-DA），分為輔助行為學習模塊和目標行為學習模塊，并提出了一種區(qū)分噪聲的方法。在后續(xù)研究中，，該學者又提出了一種同時使用輔助行為數(shù)據(jù)和用戶顯式偏好數(shù)據(jù)的職位推薦方法（JME），并利用知識圖譜嵌人方法學習求職者和職位的潛在表示[25]。

2 模型介紹

2.1 問題描述

假設 U={u₁，u₂，…} 和 I={i₁，i₂，…} 分別代表求職者和職位的集合， Y={Y¹，…，Yⁿ，…，Y^N} 表示求職者與職位以不同行為類型交互的矩陣列表，其中 ?Γ?Γ）Γ?Γ）Γ?Γ）Γ?Γ） 為目標行為的交互矩陣。具體來說， y_uiⁿ 代表求職者 u 和職位i 在第 n 種行為類型下的交互邊，若求職者 u 和職位 i 發(fā)生過交互， y_uiⁿ=1 ，否則 yⁿ_ui=0 。除了交互數(shù)據(jù)外，由大量實體-關系-實體三元組 （h，r，t） 組成的知識圖譜 G 也是提供求職者偏好信息的重要來源。知識圖譜可以定義為 G={（h，r，t）|h，t∈ε，r∈R} ，其中 ε 為招聘平臺數(shù)據(jù)集中選出的部分與職位相關的實體集合，其中包括職位、學歷、薪資等實體， R 是通過招聘平臺數(shù)據(jù)集構造的12種關系集合。對于每個三元組 （h，r，t），h∈s，t∈s 和 r∈R 分別表示頭實體、尾實體和這兩個實體之間的關系。進一步定義相關概念如下。

定義1（相關實體）給定某一行為類型下的交互矩陣 Yⁿ 和知識圖譜 G ，定義求職者 u 的 k 跳相關實體集合為

式中： E_u^0（n）=Y_uⁿ={i∣y_uiⁿ=1} 是求職者 u 在第 n 種行為類型下的歷史交互職位集合，也就是求職者 u 在知識圖譜中的種子集； H 為最大跳數(shù)。

給定相關實體的定義，定義求職者 u 的 k 跳偏好集合如下。

定義2（偏好集合）求職者 u 的 k 跳偏好集合定義為從 ε_u^{（k-1）（n）} 開始的知識三元組的集合：

S_u^k（n）={（h，r，t）∣（h，r，t）∈G

h∈E_u^{（k-1）（n）}}，k=1，2，…，H°

給定多行為交互集合 Y 和知識圖譜 G ，本文旨在對求職者 u 在目標行為下與職位 i 發(fā)生交互的可能性進行預測。目標是學習一個預測函數(shù) ，其中 表示求職者 u 在目標行為下與職位i發(fā)生交互的可能性， Θ 表示函數(shù) F 的模型參數(shù)。

2.2 模型框架

模型結構如圖1所示，MB-JRIKG采用了水波網絡的傳播理念，將求職者瀏覽過、投遞過、被認可過的職位作為種子集，在知識圖譜中擴展這些不同的行為偏好，以此增強求職者特征表示。隨后，將求職者的多行為表示向量和職位表示向量輸入預測函數(shù)中，計算用戶在每個行為類型下的交互概率，并加權求和進而預測求職者對候選職位的目標行為交互概率。

2.3 知識圖譜構建

知識圖譜是由實體和關系組成的知識語義庫，通常是以（頭實體-關系-尾實體）的三元組形式存在。知識圖譜分為通用知識圖譜與領域知識圖譜，應用于求職招聘領域時可稱為職位知識圖譜。本文采用自頂向下的構建方式構建職位知識圖譜，具體的構建流程如圖2所示。

首先，構建職位知識圖譜的模式層，定義求職領域的本體;其次，抽取職位知識，對于學歷要求、薪資這類結構化數(shù)據(jù)，可設計對應的映射模板和規(guī)則，將數(shù)據(jù)映射為已定義的知識圖譜模式中的實體、關系或者屬性。對于崗位描述這一非結構化數(shù)據(jù)，則需要使用命名實體識別模型 BERT-BiLSTM-CRF進行知識抽取，進而完成三元組的構建。最后，利用實體鏈接技術，將抽取出的知識組織成知識圖譜的三元組形式，并利用 Neo4j圖數(shù)據(jù)庫進行存儲。

2.4基于RippleNet的多行為偏好傳播

圖3給出了RippleNet模型[18]的偏好傳播過程，本文在其基礎上進行改進，將單一行為偏好傳播擴展為多行為偏好傳播?；赗ippleNet的多行為偏好傳播過程如下。

Stepl首先獲取求職者 u 在行為類型 n 下的歷史職位作為種子節(jié)點。Step2創(chuàng)建求職者在行為類型 n 下的相關實體以及偏好集合。Step3給定職位 i 的嵌人表示和求職者 u 在行為類型 n 下的1跳偏好集合 S_u^1（n） ，職位 i 分別與 S_u^1（n） （2中的頭實體 h_i 和關系 R_i 計算來為每一個三元組 （h_i，r_i，t_i） 分配一個關聯(lián)概率 ?_pi ，如式（3）所示。

Seeds Hop1 Hop2 HopH Knowledge graph 。 O . ripple setS1 ripple set S2 ripple set SH useru histrrick propagation （h，r）→t propagation （h，r）→t （h，r）→t itemv KD item weighted embedding average predicted Rh softmax t probability user embedding

其中 和 R_i 分別表示職位和關系嵌人。關聯(lián)概率 ?_Pi 可以表示為職位 i 和實體 h_i 在關系空間 R_i 中的相似程度。因為不同的關系會得到不同的相似性，故這里計算也包括關系 R_i 。

Step4得到關聯(lián)概率后，將其與 S_u^1（n） 中對應的尾實體 t_i 相乘來得到求職者對歷史職位交互的第1次響應 ，如式（4）所示。

Step5將每次的響應組合起來得到求職者 u 的嵌入表示，如式（5）所示。

Step6結合求職者和職位的嵌人表示來計算求職者在行為類型 n 下對職位的交互概率，如式（6）所示。

其中：

Step7重復以上步驟，計算求職者在每個行為類型下的交互概率，加權求和得到目標行為的交互概率，如式（8）所示。

MB-RPNT方法的偽代碼見算法1。

算法1融合知識圖譜的多行為職位推薦算法

輸入：求職者-職位多行為交互矩陣 Y ，職位知識圖譜 G

輸出：預測函數(shù)

1.初始化所有參數(shù)

2.計算每個求職者在不同交互行為下的偏好集合

3.for模型迭代次數(shù)do

4. 從交互矩陣 Y^N 中抽取正負樣本

5. 根據(jù)樣本中每個求職者的偏好集合從中抽取三元組 （h_i，r_i，t_i）

6. 訓練知識圖譜 G 中三元組的正負樣本

7. 通過梯度下降法更新 I，E，{R}_r∈R

8.end for

9.return F（u，i，θ）

3實驗設計

3.1 數(shù)據(jù)集介紹

本文使用的數(shù)據(jù)來自天池競賽平臺舉辦的\"大數(shù)據(jù)智能云上編程大賽-人崗智能招聘挑戰(zhàn)賽\"（https：//tianchi.aliyun.com/dataset/44080），競賽中使用的職位和簡歷數(shù)據(jù)均來自于真實數(shù)據(jù)。數(shù)據(jù)集包括求職者數(shù)據(jù)、職位數(shù)據(jù)和求職者與職位間的行為數(shù)據(jù)，數(shù)據(jù)集包含的特征如表1所示。

原始數(shù)據(jù)包含4500條求職者數(shù)據(jù)，269534條職位數(shù)據(jù)，700938條行為數(shù)據(jù)。對數(shù)據(jù)集進行去重、缺失值填補和過濾等操作后，篩選出正負樣本數(shù)大于3的用戶數(shù)據(jù)集合，其中正樣本是指HR對求職者的崗位申請表示認可，即行為交互表中的屬性satisfied =1 ，其余簡歷崗位對作為負樣本。經過篩選后的數(shù)據(jù)集信息如表2所示。

3.2 對比模型

為了驗證本模型的有效性，本文選取以下模型與MB-JRIKG進行比較。

1）MFMF方法的核心理念在于將協(xié)同過濾框架下的用戶-物品交互矩陣拆解為2個稠密矩陣——用戶的隱向量矩陣和物品的隱向量矩陣，通過這2個矩陣來學習用戶和物品的有效表示[26]。

2）XGBoost XGBoost是一種高效的梯度提升決策樹算法，是Boosting 算法的其中一種，其核心思想在于將多個弱分類器整合，共同構建一個強分類器[27]。

3）KGCNKGCN是一種基于圖卷積神經網絡的方法，它通過在知識圖譜上聚合鄰居節(jié)點的信息，來豐富每個節(jié)點的嵌入表示[28]。

4）RippleNet該模型將與用戶發(fā)生過交互的項目作為種子集，在知識圖譜上通過實體之間的關系傳播用戶的偏好并最終得到用戶的嵌入表示，最后計算用戶與項目的交互概率[18]。

3.3 評價指標

本文模型進行點擊率預測實驗時，使用預測準確率（accuracy，ACC）和線下面積（area under the curve，AUC）作為實驗的評價指標，用以衡量各個模型的性能，實現(xiàn)本文模型數(shù)值表征。ACC計算公式如式（9）所示。

式中：TP（true positive）表示樣本的真實類別為正，最后預測結果也為正;FP（1 positive）表示樣本的真實類別為負，最后預測得到的結果卻為正;FN（1negative）表示樣本的真實類別為正，最后預測得到的結果卻為負；TN（truenegative）表示樣本的真實類別為負，最后預測得到的結果也為負。

AUC 是指接收者操作特征（receirer operating characteristic，ROC）曲線下的面積。AUC 數(shù)值為 0～1 數(shù)值越大，表明模型真實性、穩(wěn)健性越好。ROC 是將真正例率（true positive rate，TPR）繪制為假正例率（1 positiverate，F(xiàn)PR）在不同閾值設置下的變化曲線，即以FPR 為橫軸，TPR 為縱軸的曲線，其中 FPR和TPR公式如式（10）、（11）所示。

3.4實驗設定與結果分析

本文模型基于TensorFlow框架實現(xiàn)，底層開發(fā)語言采用Python3.7.7，優(yōu)化模型采用Adam優(yōu)化器，參數(shù)初始化采用Xavier方法。訓練使用的負樣本是從求職者在目標行為下未交互的職位集合中隨機采樣得到的，所有模型均采用“招聘者是否認可求職者”作為目標行為。實驗數(shù)據(jù)按照 6：2：2 的比例劃分為訓練集、驗證集和測試集。為了避免偶然誤差對實驗結果的影響，本文所有實驗均運行5次，最終用平均值進行量化。

3.4.1整體性能及分析

表3展示了本文模型在AUC和ACC上與對比模型的性能比較。通過分析實驗數(shù)據(jù)可知，本文模型相比參照模型中最好的模型RippleNet在指標AUC和ACC上分別提高了0.0145和0.0288。通過對比分析實驗數(shù)據(jù)可知，3種基于知識圖譜的模型MB-JRIKG、KGCN和Ripple-Net在AUC和ACC指標上均優(yōu)于MF和XG-Boost模型，這說明在引入知識圖譜后，知識圖譜中的實體與關系信息有利于提升推薦性能。相對于MF模型，XGBoost模型在ACC和AUC指標上分別提升了大約11個百分點和7個百分點，這是因為XGBoost模型相對于MF模型具有更強的擬合能力和泛化能力，能夠捕捉特征之間的復雜關系。相對于RippleNet模型，本模型在ACC 和AUC指標上分別提升了大約1個百分點和2個百分點，這表明本文模型能夠更充分地利用多行為交互數(shù)據(jù)，有效提升推薦性能?？傊啾扔谄渌扑]模型，MB-JRIKG都取得了最好的性能。其原因在于MB-JRIKG 借助知識圖譜中實體間的鏈接路徑，將實體語義表征在圖中傳播，直接建模實體間的高階關系，從而更合理地挖掘了知識圖譜所包含的信息；除此之外，MB-JRIKG能夠有效提取多行為交互特征來優(yōu)化節(jié)點嵌人，從而更好地預測用戶偏好。

3.4.2參數(shù)實驗分析

本文測試了實驗參數(shù)偏好傳播層數(shù) Hop、維度 Dim 以及嵌人更新方法對本文模型的影響。不同 Hop取值對本文模型的影響如圖4所示。從圖中可以看出，Hop 取值過低、過高都會影響AUC——過高會引人噪音，過低則會減少算法內所聚合的信息，從而影響算法性能。不同Dim下模型性能的變化如圖5所示。從圖中可以看出，提高維度可以有效地提升AUC，但維度過高會導致AUC下降，說明合適的嵌入維度可以更加有效地編碼信息，其中該模型在Dim值取16的時候效果最好。

不同的嵌人更新方法的選擇對 ACC 和AUC 的影響如表4所示，包括 replace、plus、replace_transform和plus_transform，每種方法的解釋如下。

1）replace方法：用新的嵌入向量完全替換原來的項目嵌入向量。2）plus方法：將新的嵌入向量與原項目嵌入向量相加。3）replace_transform方法：將新的嵌人向量與變換矩陣相乘，然后用結果替換原項目嵌入向量。4）plus_transform方法：將新的嵌入向量與原項目嵌人向量相加，然后與變換矩陣相乘。

實驗結果表明，本文模型使用plus_transform方法表現(xiàn)最好，這種處理策略結合了加法操作和變換操作的優(yōu)勢，能夠更好地捕捉項目嵌人的特征和關系，從而提高模型的表現(xiàn)。這也表明了不同的處理策略在嵌入更新過程中起著關鍵作用，選擇合適的更新方法可以提升模型的性能和效果。

4結語

本文提出了一種基于知識圖譜的多行為職位推薦模型（MB-JRIKG），通過引入知識圖譜豐富職位的背景信息，將實體語義表征在圖中傳播，直接建模實體間的高階關系，從而更合理地挖掘了知識圖譜所包含的信息。同時，考慮了求職者和招聘者在“瀏覽崗位 $$ 投遞簡歷 $$ 招聘者反饋\"等環(huán)節(jié)表現(xiàn)出的行為，通過提取多行為交互特征來優(yōu)化求職者表示，激發(fā)求職者的潛在興趣，進而提高推薦性能。在真實數(shù)據(jù)集上的實驗結果表明，MB-JRIKG在AUC和ACC評價指標上均優(yōu)于基線模型，在提高推薦效果的同時較好地緩解了數(shù)據(jù)稀疏和數(shù)據(jù)利用率低的問題。后續(xù)可以沿著時間線收集和利用求聘過程中的交互行為來捕獲用戶的動態(tài)偏好，或者考慮更加細粒度的交互行為數(shù)據(jù)，例如瀏覽時間、搜索關鍵詞、面試情況等。

參考文獻/References：

[1]CHENGYa，LUNa，LUingetalRecurrntowledgeaetionntworkforoieeommendationC/3rdInteaal Conference on Electron Device and Mechanical Engineering（ICEDME）.Suzhou：[s.n.]，2020：648-651.

[2]BERTRAM N，DUNKEL J，HERMOSO R.IamallEARS：Using opendata and knowledge graph embedings for music recommendations [J].Expert Systems with Applications，2023.DOI：10.1016/j.eswa.2023.120347.

[3]王子巖，司亮，劉濱，等.基于系統(tǒng)動力學的資訊個性化推薦研究[J].科技大學學報，2021，42（2）：170-179. WANG Ziyan，SLiang，LUBnetal.StudyonformationpersoalizedrecommendatioasedonstemdamicsJ]JoualfHebei University of Science and Technology，2021，42（2）：170-179.

[4]孫瑞雪，紀淑娟，梁永全.基于知識圖譜的用戶表征及在互補產品推薦中的應用[J].計算機應用研究，2023，40（12）：3628-3635. SUNRuixue，JShujuanLIANGYongquan.Userrepresentationbasedonknowledgegraphanditsaplicationincomplementaryproduct recommendation[J].ApplicationResearch of Computers，2023，40（12）：3628-3635.

[5]HEXiana，AOii，ZaangetaleuralobotiigC/roegsfte26thIeatialofceo WorldWideWeb.Perth：[s.n.]，2017：173-182.

[6]ALMALISND，TSIHRINTZIS G A，KARAGIANNIS N.Acontent based approachforrecommending personnelforjobpostionsC/ The 5thInternational Conferenceon Information，Intelligence，SystemsandApplications.Chania：[s.n.]，o14：45-49.

[7]KUMAR N，GUPTAM，SHARMA D，et al. Technical jobrecommendationsystemusing APIs and web crawling[J].Computational Intelligence and Neuroscience，2022.DOI：10.1155/2022/7797548.

[8]SHIMIZU R，MATSUTAN M，GOTO M.An explainable recommendationframework basedonanimproved knowledge graph atention network with massivevolumesofsideinformationJ].Knowledge-Based Systems，2022.DOI：10.1016/j.knosys.221.107970.

[9]SHOKRZADEH Z，F(xiàn)EIZI-DERAKHSHI M R，BALAFAR MA，etal. Knowledge graph-based recommendation system enhanced by neuralcollboratieingndodgegrabedingsEgieigal，O16ej6.

[10]ALSAIFSIHLEAKH，etalLeaigbsedmatcedrepresentatiotefobecommendaioJtes， 2022.DOI：10.3390/computers11110161.

[11]YIPengYANGCheng，Chen，etal.Ajobecommendationmethdotiiedbypositiondescritosandresumeiforatio/ 2016IEEEAdvanced InformationManagement，Communicates，ElectronicandAutomationControlConference（IMCEC）.Xi'an：s.n.]， 2016：761-764.

[12]ZHOUQingIAOFenglu，GELiangetal.PersoaledpreferenecollbativeilteringJoecommendatiforgaduates9 IEEESmart World，UbiquitousIntellgenceamp;.Computing，Advancedamp;.TrustedComputing，ScalableComputing amp;.Communications， Cloudamp;.Big Data Computing，Internetof People and Smart City Inovation（Smart World/SCALCOM/UIC/ATC/CBDCom/IOP/SCD）. Leicester：[s.n.]，2019：1055-1062.

[13]丁健龍.一種基于畫像關聯(lián)及本體相容匹配的就業(yè)推薦方法[J].浙江工業(yè)大學學報，2022，50（3）：270-275. DINGJianlong.AnemploymentrecommendatiomethodbasedonportraitassociationandntologycompatibilitymatchingJJoualof ZhejiangUniversity of Technology，2022，50（3）：270-275.

[14]張婭，彭海英.基于混合深度神經網絡的就業(yè)推薦方法[J].計算機工程與設計，2022，43（4）：995-1001. ZHANG Hua，PENG Haiying.Jobrecommendation methodbasedonhybriddepneuralnetworkJ].Computer Engineeringand Design， 2022，43（4）：995-1001.

[15]JIGuoliang，HEuXUeng，etalKnowedggapmbedingviadamicmappingmatrixC]/roceedingsofthrdAal MeetingoftheAsociationforComputatioalLinguisticsandthe7thInternationalJointCoferenceonNaturalLanguageProsinBe jing：[s.n.]，2015：687-696.

[16]HUBinbnun，ZHOWX，etalLeveragigmetaathasedotextfotoeommdationwithraatentioodel// Proceedingsof the24thACMSGKDDInternationalConferenceoKnowledgeDiscoveryamp;Data Mining.NewYork：s.n.]181531- 1540.

[17]WANG Xiang，HEXianganCAOYixin，etal.KGAT：KowledgegraphatentionetworkforecommendationC//Prodingfte 25th ACM SIGKDD International Conference on Knowledge Discovery amp;.Data Mining.Anchorage：[s.n.]，2019：950-958.

[18]WANG Hongwei，ZHANGFuzheng，WANGJialin，etalRipleNet：Propagatinguserpreferencesontheknowledgegrahforoen dersystems[C]//Procedingsof the27thACM InternationalConferenceonInformationandKnowledge Management.NewYork： [s.n.]，2018：417-426.

[19］徐孟奇，熊熙，李斌勇，等.基于知識圖譜的人崗推薦系統(tǒng)構建[J].計算機應用研究，2022，39（1）：194-198. XU Mengqi，XIONG Xi，LI Binyong，et al.Constructionof person-post matching recommendedsystembased on knowledgegrap[J]. Application Research of Computers，2022，39（1）：194-198.

[20]DINGJingtao，YUGuanghuiHEXiangnanetal.ImprovingimplicitrecommendersystemswithviewataC]/Proceedingsofteth International Joint Conference on Artificial Intelligence.[S.1.]：AAAI Press，2018;3343-3349.

[21]LONIB，PAGANOR，LARSONM，etalBayesianpersonalizedranking withmulti-channeluserfedbackC]/Procedingsoftheoth ACMConference onRecommender Systems.New York：[s.n.]，2016：361-364.

[22]PENGXingchen，SUJing，Yingshi，etalAtentioguidedgaphconvolutioaletworkformulti-eaviorecommeatio]. Knowledge-Based Systems，2023.DOI：10.1016/j. knosys.2023.111040.

[23]XIALianghao，HUANGChao，XUYongetal.Knowledgeenhancedhierarchicalgraphtransformernetworkformulti-behaviorco mendation[C]//Proceedings of the AAAI Conference on Artificial Inteligence.[S.1.]：[s.n.]，2O21：4486-4493.

[24]SAITOYSUGYAMAK.Multi-behaviorjobrecommendationwithdynamicavailablityC//ProedingsoftheAnualInteatioal ACMSIGIRConferenceonResearchandDevelopmentinInformationRetrievalintheAsiaPacificRegion.NewYorks.n.，6 271.

[25]SAITOY，SUGYAMAK.LeveragingmultiplebhaviorsandexplicitpreferencesforjobrecommendationJ].ExpertSystemswith Applications，2024.DOI：10.1016/j.eswa.2024.125149.

[26]KORENY，BELR，VOLINSKYC.Matrixfactorizationtechiques forrecommendersystems[J].Computer，20o9，4（8）0-37.

[27]CHENTianqi，GUESRINC.XGBoost：Ascalable treebostingsysteC]/Procedingsofthe22ndACMSGKDInternatioalConference on Knowledge Discovery and Data Mining.San Francisco：[s.n.]，2o16：785-794.

[28]WANG Hongwei，ZHAO Miao，XIEXing，etal.Knowledge graphconvolutional networksforrecommendersystems[C]/The World Wide Web Conference.San Francisco：Association for Computing Machinery，2019：3307-3313.