面向人岗匹配的双向选择偏好数学模型

力学习路由表说明。与在此之前的GCN研究并不有所不同，我们对每个互为关的外派和坪位有两种并不有所不同的边，因此我们提议了一种混和比如说传播方式迭代来努力学习路由表说明。无需特别注意的是，这些差别体现在在边类别而不是路由表类别上，因此可以统合定义所有路由表的比如说传播方式：

在三幅差分的第l层，对于每个路由表n，重新考虑来自两个并不有所不同交互集的比如说传播方式：与路由表n特别的也就是说集和与路由表n特别的单向交互集。多种形式上，使用了一种轻量级的传播方式机制来更是新路由表说明：

其中都和分别说明带有也就是说交互和单向交互的房东，、和是路由表n、路由表u和路由表v的房东，这里因为这两种交互在努力学习路由表说明时传达了并不有所不同宏观的比如说，我们扩展一个特定的；也变量 ω 来平衡点两种传播方式类别。

我们将来自(L+1)层的说明最低为每个路由表n的事与愿违说明，如下附注：

4.预测

在努力学习了路由表说明之前，我们可以近似值双向为了让比如说(外派为了让该坪位的主动)和(出国留学方为了让该外派的主动)，从双认角对意三幅顺利完成构建。多种形式上，formula_外派和坪位，我们常用内积来近似值这两种意三幅全队：

之前，我们融汇两种意三幅全队来预测事与愿违也就是说全队：

自都由减慢的双认角顺序优化

1.四元损失惨重变量

我们提议了一种新的四元损失惨重变量。在出国留学出国留学布景中都，一个成功的也就是说通常意味着从外派的本质来看，该岗位的顺序某种程度很高，互为反。这两种认角都同样最主要，必须同时受限制任何一方比如说。

formula_一个也就是说的人坪对，通过谐波提供一个与该坪位不也就是说的外派以及一个与该外派不也就是说的坪位，互为结合一个四元组，清晰上看，也就是说近代记录的全队即正例全队某种程度同时低于经济关系负例全队，因此将广泛常用的BPR损失惨重扩展为四元损失惨重如下：

2.双认角对比努力学习

对于每个外派和坪位，我们设置了两种并不有所不同的说明，这两种说明某种程度带有一定的互为似之处，受上述论调的深刻影响，我们新设计了一个双认角对比努力学习优化变量，确切来讲，我们将同一外派（坪位）的执意和正向说明视为正例对，外派间（坪位间）的说明视为负例对，正例对的都由促进同一外派（或坪位）并不有所不同认角表征的精确性，而负例的都由则试三幅扩大并不有所不同其余大部分彼此间的差别性。多种形式上，使用InfoNCE来均衡正例对的精确性，以及均衡负例对的差别性：

其中都，t为；也变量，配对外派和坪位双端的对比损失惨重之前，事与愿违自都由使命说明如下：

迭代程序

试验中都结果

数据资料集介绍

本文基于在线出国留学游戏平台BOSS直聘的数据资料集顺利完成特别试验中都，该数据资料集以外三个岗位类别：技术性、经销类和新设计类。下表总和了处理后的试验中都数据资料总和个人信息：

对比试验中都

本文选取的两条线三维以外三类：基于协同过滤的方法有（BPRMF [1]，NCF [2]，LightGCN [3]，LFRR [4]），基于概要的方法有（PJFNN [5]，BPJFNN [6]，APJFNN [6]），混和方法有（LIGCN_BERT，IPJF [7]，PJFFF [8]），主试验中都的试验中都结果如下三幅：

根据表中都的试验中都结果，对于4种协同过滤三维，LightGCN的稳定性最差，但与BPRMF、NCF和LFRR互为比改进不特别是在。对于BPJFNN、PJFNN和APJFNN这三种基于概要的三维，其对文档概要的依赖程度较高，在大多数意味着观感不佳，也许的也许是，他们承诺消息来源和坪位文档的不特别的和完整性，而在我们的布景中都，游戏平台上的用户有并不有所不同的文档有组织习惯。IPJF在经销总体观感不佳，这是由于并不有所不同类别交互的数量不平衡点造成的。在大多数意味着，PJFFF的稳定性更是好，因为PJFFF集成了近代交互消息来源或岗位所述。此外，技术性的坪位通常比其他坪位有更是确切的专业知识承诺，使得基于文档的三维在技术性中都一般来说更是必需。之前，正如我们所看不到的，LIGCN_BERT同时借助于了交互不道德和文档个人信息，它在两条线三维中都观感最差，这说明了同时借助于文档所述和交互不道德是很最主要的。

我们的方法有在三个数据资料集的大多数指标上都取得了最差的稳定性。确切来说，在技术、经销和新设计类数据资料集上，对比最佳两条线三维，最低分别提升了7.12%、4.81%和7.73%。与两条线三维并不有所不同的是，我们的方法有模拟了外派和坪位的双向为了让比如说，更是适宜该布景。

消融试验中都

本文所提议方法有的主要技术杰出贡献在于双认角交互三幅的互为结合，以及互为关的两个优化目标，现在我们来数据分析每个大部分对事与愿违稳定性的制约。我们重新考虑DPGNN的以下三种变体:

(A) DPGNN w/o DPG：将提议的双认角交互三幅替换为每个用户只有一种说明的传统交互三幅；

(B) DPGNN w/o QL：将四元损失惨重改称BPR损失惨重；

(C) DPGNN w/o SSL：移除双认角对比损失惨重。

在下表中都，我们可以看不到稳定性顺序为 DPGNN w/o QL

供参考

[1] Steffen Rendle, Christoph Freudenthaler, Zeno Gantner, and Lars Schmidt-Thieme. 2009. BPR: Bayesian Personalized Ranking from Implicit Feedback. In UAI.

[2]Xiangnan He, Lizi Liao, Hanwang Zhang, Liqiang Nie, Xia Hu, and Tat-Seng Chua. 2017. Neural collaborative filtering. In WWW.

[3] Xiangnan He, Kuan Deng, Xiang Wang, Yan Li, Yongdong Zhang, and Meng Wang. 2020. Lightgcn: Simplifying and powering graph convolution network for recommendation. In SIGIR.

[4] James Neve and Ivan Palomares. 2019. Latent factor models and aggregation op- erators for collaborative filtering in reciprocal recommender systems. In RecSys.

[5] ChenZhu,HengshuZhu,HuiXiong,ChaoMa,FangXie,PengliangDing,and Pan Li. 2018. Person-job fit: Adapting the right talent for the right job with joint representation learning. TMIS (2018).

[6] Chuan Qin, Hengshu Zhu, Tong Xu, Chen Zhu, Liang Jiang, Enhong Chen, and Hui Xiong. 2018. Enhancing person-job fit for talent recruitment: An ability- aware neural network approach. In SIGIR.

[7] RanLe,WenpengHu,YangSong,TaoZhang,DongyanZhao,andRuiYan.2019. Towards effective and interpretable person-job fitting. In CIKM.

[8] Junshu Jiang, Songyun Ye, Wei Wang, Jingran Xu, and Xiaosheng Luo. 2020. Learning Effective Representations for Person-Job Fit by Feature Fusion. In CIKM.

。

什么药可以治疗牙疼
白银哪家白癜风医院最专业
成都妇科医院去哪家好
南京男科医院挂号咨询
北京精神病医院怎么样