摘要

本文介绍了一种名为BISTRO的新型会话式框架，旨在通过融合语义和行为信息的融合学习，及时建模用户偏好，以适应在线求职中用户偏好不断调整的问题。论文提出的解决方案包括三个阶段：粗粒度语义聚类、细粒度职位偏好提取和个性化顶级职位推荐。通过在三个真实世界的离线招聘数据集上进行广泛实验，以及在在线招聘环境中的应用，证明了该框架的有效性和效率。

原理

BISTRO框架的核心在于通过融合用户的行为数据和语义信息来捕捉用户的动态偏好变化。首先，通过粗粒度语义聚类，将用户和职位根据语义进行广泛匹配。接着，利用超图小波学习方法捕捉细微的职位偏好变化，并通过自适应小波滤波技术去除交互中的噪声。最后，使用循环神经网络分析会话式交互，推断个性化偏好，生成顶级职位推荐。

流程

BISTRO的工作流程包括三个主要模块：粗粒度语义聚类、细粒度职位偏好提取和个性化顶级职位推荐。首先，将用户交互序列分割成会话，并利用会话式语义聚类进行广泛的人职匹配识别。然后，设计超图小波学习方法捕捉细微的职位偏好变化，并通过自适应小波滤波技术去除噪声。最后，利用循环神经网络分析会话式交互，推断个性化偏好，生成顶级职位推荐。

应用

BISTRO框架在在线招聘推荐系统中具有广泛的应用前景，能够有效适应用户偏好的动态变化，提高推荐的准确性和用户满意度。该框架不仅适用于大型招聘平台，也适用于需要个性化推荐的任何场景，如电子商务、内容推荐等。