Volume 3,Issue 9
Fall 2025
多算法融合的就业推荐算法研究
本研究聚焦于多算法融合的就业推荐算法。综合运用基于用户、岗位的协同过滤融合算法，并结合TF-IDF构建用户－岗位特征矩阵能够更好地捕捉用户和岗位的文本特征。此外，引入AutoRec模型对用户－岗位特征数据进行低维特征提取与重构。经实验验证，融合协同过滤推荐和 AutoRec 模型的算法在推荐效果上更优于单一的协同过滤推荐算法，能够为实际就业推荐系统提供了更优的解决方案。
[1] 薛亮, 冯尊磊, 凌兴宏, 等. 基于标签聚类和协同过滤算法的就业推荐系统设计[J].微型电脑应用,2024,40(01):1-4.
[2] 韩义畴, 郑香山, 王广铭, 等. 高职院校学生就业能力现状分析与培育对策[J].现代商贸工业,2024,45(06):109-112.
[3] 蒋大锐, 徐胜超. 基于模糊层次聚类的大学生就业数据分类存储系统[J].现代电子技术,2024,47(03):123-129.
[4] 李龙, 金铄, 黄霞. 基于改进TF-IDF 算法的毕业生就业推荐算法研究[J].计算机与数字工程,2023,51(09):1985-1989+2118.
[5] 崔秀艳. 基于大数据分析与人工智能的智慧就业推荐系统设计与实现[J].河北软件职业技术学院学报,2023,25(02):15-19.
[6] 江宜橙. 基于深度学习的高校学生就业推荐系统研究与应用[D]. 哈尔滨工程大学,2022.
[7]金铄. 基于用户画像的高校毕业生就业推荐方法研究[D]. 东北石油大学,2022.
[8]Wan P .Development of the Employment Recommendation System based on K-Means Improved Collaborative Filtering Algorithm[J]. 2022.
[9]Huang S , Huang X , Zeng T ,et al.A long command subsequence algorithm for manufacturing industry recommendation systems with similarity connection technology[J].
Applied Mathematics and Nonlinear Sciences, 2022.
[10] 付洋, 周勇, 马凯.基于协同过滤的大学生就业推荐算法研究[J].黑龙江科学,2024,15(16):90-93.
[11] 张小雷. 协同过滤算法改进实验及对比分析[J].电脑知识与技术,2022,18(35):64-66.DOI:10.14004/j.cnki.ckt.2022.2147.
[12] 黄俊萍. 协同过滤算法在大学生就业推荐系统中的应用[J].信息技术与信息化,2023,(12):93-97.
[13] 林振荣, 黄虹霞, 舒伟红, 等. 基于TF-IDF 与用户聚类的推荐算法[J].计算机仿真,2022,39(06):341-345.
[14] 严武军, 刘守业, 贺娇娇. 基于AutoRec 的推荐系统模型研究[J].现代计算机,2023,29(24):69-73.
[15] 黄虹霞. 基于频繁项集挖掘和用户聚类的协同过滤算法研究[D]. 南昌大学,2021.