專利名稱：基于gpu加速的招聘職位智能推薦方法
技術(shù)領(lǐng)域：
本發(fā)明一般涉及計(jì)算機(jī)推薦引擎領(lǐng)域，具體涉及基于GPU加速的招聘職位智能推薦方法。
背景技術(shù)：
網(wǎng)上招聘和和網(wǎng)上求職已經(jīng)成為當(dāng)今社會(huì)人才交流的一種主要方式。用人單位和應(yīng)聘者在第三方的人才招聘網(wǎng)站上注冊(cè)賬號(hào)，相互之間進(jìn)行搜索和交流，以尋求最滿意的對(duì)象。人才招聘網(wǎng)站擁有大量的職位，一個(gè)應(yīng)聘者登錄網(wǎng)站之后，只能從職位列表中瀏覽職位，或者依靠關(guān)鍵字去搜索可能適合自己的職位。職位列表往往數(shù)量巨大，應(yīng)聘者無(wú)法在短時(shí)間內(nèi)找到自己感興趣的職位；而使用關(guān)鍵字搜索，應(yīng)聘者使用的關(guān)鍵字的數(shù)量和精確性很有限，搜索出來(lái)的職位數(shù)量常常很大，很難找到適合自己的職位。為了解決這種情況，招聘網(wǎng)站可以為應(yīng)聘者推薦職位，網(wǎng)站主動(dòng)地把可能適合的職位推送給應(yīng)聘者。這就是招聘網(wǎng)站的推薦系統(tǒng)。現(xiàn)在招聘網(wǎng)站的推薦方法，主要是采用基于統(tǒng)計(jì)的方法，也即統(tǒng)計(jì)所有職位被瀏覽的次數(shù)以及被關(guān)注的程度，得到職位的熱度，然后把熱度最高的職位推薦給應(yīng)聘者。這種推薦方法存在如下缺點(diǎn)(一)為每一個(gè)應(yīng)聘者所推薦的職位都是一樣的，缺乏個(gè)性化；(二)那些雖然熱度不高但很適合應(yīng)聘者的職位不能被推薦到；(三)傳統(tǒng)的計(jì)算只使用CPU進(jìn)行數(shù)值運(yùn)算，面對(duì)海量的應(yīng)聘者和職位數(shù)據(jù)，計(jì)算性能極低。在提高數(shù)據(jù)挖掘的運(yùn)算性能方面，很多企業(yè)和科研單位采用計(jì)算機(jī)集群，利用集群的并發(fā)性來(lái)提高計(jì)算速度，但是基于成本的考慮，很多單位無(wú)法布置昂貴的的計(jì)算機(jī)集群。而GPU相對(duì)成本較低，性價(jià)比高，并且大部分普通用戶PC上裝配的GPU使用率很低，將軟件的大規(guī)模計(jì)算任務(wù)分配到GPU上，能有效提高GPU的利用率，從而實(shí)現(xiàn)高性能、低功耗的最終目標(biāo)。GPU英文全稱Graphic Processing Unit,中文翻譯為“圖形處理器”。GPU從誕生之日起就以超越摩爾定律的速度發(fā)展，運(yùn)算能力不斷提升。業(yè)界很多研究者注意到GPU進(jìn)行計(jì)算的潛力，于 2003 年 SIGGRAPH 大會(huì)上提出了 GPGPlXGeneral-purpose computing ongraphics processing units)的概念。GPU在處理能力和存儲(chǔ)器帶寬上相對(duì)于CPU有明顯優(yōu)勢(shì)，在成本和功耗上也不需要付出太大代價(jià)。目前最頂級(jí)的英特爾Core i7 965處理器，在默認(rèn)情況下，它的浮點(diǎn)計(jì)算能力只有NVIDIA GeForce GTX 280的1/13。GPU通用計(jì)算通常采用CPU+GPU異構(gòu)模式，由CPU負(fù)責(zé)執(zhí)行復(fù)雜邏輯處理和事務(wù)處理等不適合數(shù)據(jù)并行的計(jì)算，由GPU負(fù)責(zé)計(jì)算密集型的大規(guī)模數(shù)據(jù)并行計(jì)算。這種利用GPU強(qiáng)大處理能力和高帶寬彌補(bǔ)CPU性能不足的計(jì)算方式極大地發(fā)掘計(jì)算機(jī)潛在性能，在成本和性價(jià)比方面有顯著的優(yōu)勢(shì)。在2007年NVIDIA推出CUDA(Compute Unified DeviceArchitecture，統(tǒng)一計(jì)算設(shè)備架構(gòu))，GPU通用計(jì)算擺脫了受硬件可編程性和開發(fā)方式的制約，開發(fā)難度大大降低。
發(fā)明內(nèi)容
本發(fā)明針對(duì)當(dāng)前招聘職位推薦技術(shù)的不足，提供了基于GPU加速的招聘職位智能推薦方法。本發(fā)明的目的在于，通過(guò)記錄應(yīng)聘者的訪問(wèn)歷史，把訪問(wèn)數(shù)據(jù)表達(dá)為適合GPU處理的矩陣格式，利用GPU強(qiáng)大處理能力和高帶寬彌補(bǔ)CPU性能不足的計(jì)算方式，同時(shí)使用數(shù)千個(gè)GPU線程進(jìn)行計(jì)算，使用歐幾里德距離公式計(jì)算應(yīng)聘者兩兩之間的相似程度，然后根據(jù)應(yīng)聘者的屬性信息，智能地預(yù)測(cè)所有職位對(duì)應(yīng)聘者的適合程度，最后把最合適的職位推薦給應(yīng)聘者。具體的技術(shù)方案如下所述。基于GPU加速的招聘職位智能推薦方法，包括以下步驟
(a)記錄應(yīng)聘者的注冊(cè)和訪問(wèn)信息，注冊(cè)的信息作為應(yīng)聘者靜態(tài)屬性，訪問(wèn)的信息作為應(yīng)聘者動(dòng)態(tài)屬性；
(b)根據(jù)應(yīng)聘者的動(dòng)態(tài)屬性，計(jì)算應(yīng)聘者對(duì)職位的評(píng)分，形成評(píng)分矩陣；
(C)根據(jù)應(yīng)聘者的靜態(tài)屬性、動(dòng)態(tài)屬性和對(duì)職位的評(píng)分，計(jì)算所有應(yīng)聘者中任意兩個(gè)之間的相似度，形成相似度矩陣；
(d)利用評(píng)分矩陣和相似度矩陣，預(yù)測(cè)應(yīng)聘者對(duì)職位的評(píng)分，形成預(yù)測(cè)矩陣；
(e)根據(jù)步驟(d)中預(yù)測(cè)出來(lái)的評(píng)分，去除應(yīng)聘者關(guān)注過(guò)的職位，然后按評(píng)分從高到低的順序?qū)β毼贿M(jìn)行排序，取最前面設(shè)定個(gè)數(shù)Q的職位作為推薦職位。上述的基于GPU加速的招聘職位智能推薦方法，步驟(a)中所記錄的靜態(tài)屬性包括年齡、最高學(xué)歷、工作經(jīng)驗(yàn)、現(xiàn)居城市、專長(zhǎng)、期望職位和期望薪酬范圍；所記錄的動(dòng)態(tài)屬性包括職位的瀏覽次數(shù)、是否關(guān)注了職位、是否投遞了簡(jiǎn)歷和職位的搜索次數(shù)。上述的基于GPU加速的招聘職位智能推薦方法，在步驟(b)中，應(yīng)聘者對(duì)職位的評(píng)分的計(jì)算方法如下首先設(shè)定各種動(dòng)態(tài)屬性的權(quán)重，其次把各種動(dòng)態(tài)屬性的數(shù)值與相應(yīng)的權(quán)重相乘，最后把所有乘積相加所得的和作為職位評(píng)分。上述的基于GPU加速的招聘職位智能推薦方法，在步驟(b)中，對(duì)數(shù)值進(jìn)行運(yùn)算時(shí)，使用GPU加速，一個(gè)GPU線程計(jì)算一個(gè)應(yīng)聘者對(duì)于一個(gè)職位的評(píng)分，最終生成評(píng)分矩陣；評(píng)分矩陣的大小為M*N, M為職位數(shù)量，N為應(yīng)聘者數(shù)量,矩陣的元素(i, j)表示應(yīng)聘者j對(duì)于職位i的評(píng)分。上述的基于GPU加速的招聘職位智能推薦方法，在步驟(C)中，在計(jì)算任意兩個(gè)應(yīng)聘者之間的相似度時(shí)，對(duì)于應(yīng)聘者A，需要計(jì)算應(yīng)聘者A和其他所有應(yīng)聘者的相似度，此時(shí)根據(jù)應(yīng)聘者A的屬性分為兩種情況
(c-1)應(yīng)聘者A不存在動(dòng)態(tài)屬性利用應(yīng)聘者A的靜態(tài)屬性計(jì)算與其他應(yīng)聘者的相似度；計(jì)算方法如下首先設(shè)定各種靜態(tài)屬性的權(quán)重，其次對(duì)兩個(gè)應(yīng)聘者的所有靜態(tài)屬性進(jìn)行比較，當(dāng)某種靜態(tài)屬性相同時(shí)，則把相應(yīng)的權(quán)重累加起來(lái)，最后得到的累加和作為相似度；
(c-2)應(yīng)聘者A存在動(dòng)態(tài)屬性利用應(yīng)聘者A的動(dòng)態(tài)屬性計(jì)算與其他應(yīng)聘者的相似度；計(jì)算兩個(gè)應(yīng)聘者的相似度的方法如下從步驟(b)生成的評(píng)分矩陣中，分別讀取評(píng)分矩陣中這兩個(gè)應(yīng)聘者的評(píng)分向量，運(yùn)用歐幾里德距離的方法計(jì)算這兩個(gè)向量的距離，把這個(gè)距離作為這兩個(gè)應(yīng)聘者的相似度。上述的基于GPU加速的招聘職位智能推薦方法，在步驟(C)中，每?jī)蓚€(gè)應(yīng)聘者的相似度由一個(gè)GPU線程進(jìn)行運(yùn)算，運(yùn)算的結(jié)果保存為相似度矩陣的一個(gè)元素；相似度矩陣大小為N*N, N為應(yīng)聘者的數(shù)量,矩陣元素(i, j)的值表示應(yīng)聘者i和應(yīng)聘者j的相似度。上述的基于GPU加速的招聘職位智能推薦方法，在步驟(d)中，預(yù)測(cè)矩陣的生成過(guò)程如下
(c-3)把評(píng)分矩陣(M*N)和相似度矩陣(N*N)讀入到顯存；
(c-4)使用GPU計(jì)算評(píng)分矩陣與相似度矩陣的乘積，得到矩陣(M*N)，此矩陣即為預(yù)測(cè)矩陣。上述的基于GPU加速的招聘職位智能推薦方法，在步驟(e)中，為每一個(gè)應(yīng)聘者計(jì)算預(yù)測(cè)評(píng)分最大的Q個(gè)職位，其計(jì)算方法如下對(duì)于步驟(d)中求出的預(yù)測(cè)矩陣，每一個(gè)GPU線程讀取一個(gè)列向量，即一個(gè)應(yīng)聘者對(duì)所有職位的預(yù)測(cè)評(píng)分向量，然后把此應(yīng)聘者關(guān)注過(guò)的職位的對(duì)應(yīng)元素的值設(shè)置為0，然后求取向量中前Q個(gè)最大的元素，把這些元素對(duì)應(yīng)的職位構(gòu)成一個(gè)推薦職位向量；最終把所有應(yīng)聘者的推薦向量合并得到推薦矩陣。 與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)和效果
(一)把應(yīng)聘者的注冊(cè)信息和訪問(wèn)信息表達(dá)成適合GPU處理的矩陣形式，整個(gè)推薦過(guò)程利用GPU的高性能的并發(fā)運(yùn)算能力和高帶寬特性進(jìn)行計(jì)算，大大縮短計(jì)算時(shí)間；
(二)與傳統(tǒng)的CPU計(jì)算相比，在同等的硬件成本的條件下，在處理海量的應(yīng)聘者數(shù)量和職位數(shù)量時(shí)，性能可以提高十倍、甚至百倍以上；
(三)通過(guò)計(jì)算應(yīng)聘者之間的相似性，分析與應(yīng)聘者最為相似的應(yīng)聘者所關(guān)注的職位，為應(yīng)聘者推薦職位，這可以為應(yīng)聘者推薦個(gè)性化的職位，與傳統(tǒng)的基于統(tǒng)計(jì)的推薦方法相t匕，推薦結(jié)果更適合應(yīng)聘者；
(四)使用這種新型推薦方法，可以把那些并不熱門但卻可能適合應(yīng)聘者的職位推薦給應(yīng)聘者，而這是傳統(tǒng)技術(shù)的推薦方法所力不能及的；
(五)本發(fā)明在處理海量數(shù)據(jù)時(shí)，避開了傳統(tǒng)的昂貴的計(jì)算機(jī)集群技術(shù)，而采用高性價(jià)比的GPU技術(shù)，最終實(shí)現(xiàn)高性能、低功耗、低成本的目標(biāo)。


圖I為智能推薦方法的原理圖。圖2為實(shí)施方式中基于GPU加速的招聘職位智能推薦方法的流程圖。
具體實(shí)施例方式以下結(jié)合附圖對(duì)本發(fā)明的實(shí)施方式作進(jìn)一步說(shuō)明，但本發(fā)明的實(shí)施不限于此。圖I為智能推薦方法原理圖，應(yīng)聘者注冊(cè)和訪問(wèn)招聘網(wǎng)站的信息被記錄為靜態(tài)和動(dòng)態(tài)屬性信息，儲(chǔ)存在數(shù)據(jù)庫(kù)中；根據(jù)應(yīng)聘者的屬性信息生成“相似度矩陣”和“評(píng)分矩陣”；根據(jù)“相似度矩陣”和“評(píng)分矩陣”計(jì)算生成“預(yù)測(cè)矩陣”，此矩陣包含了應(yīng)聘者對(duì)所有職位的評(píng)分的預(yù)測(cè)值；最后根據(jù)“評(píng)分矩陣”和“預(yù)測(cè)矩陣”生成“推薦矩陣”，此矩陣包含了為應(yīng)聘者推薦的職位的數(shù)據(jù)。本實(shí)施例需要獨(dú)立顯卡的支持，顯卡選擇NVIDIA GeForce GTX 590，核心頻率為612MHz，有1024個(gè)流處理單元，顯存為DDR5 3G。如圖2，基于GPU加速的招聘職位智能推薦方法的主要流程包括以下步驟
(I)當(dāng)應(yīng)聘者在招聘網(wǎng)站注冊(cè)為用戶時(shí)，網(wǎng)站記錄應(yīng)聘者的靜態(tài)屬性，靜態(tài)屬性包括年齡、最高學(xué)歷、工作經(jīng)驗(yàn)、現(xiàn)居城市、專長(zhǎng)、期望職位和期望薪酬范圍；當(dāng)應(yīng)聘者注冊(cè)成功，并訪問(wèn)網(wǎng)站進(jìn)行職位搜索和瀏覽時(shí)，網(wǎng)站記錄應(yīng)聘者的動(dòng)態(tài)屬性，動(dòng)態(tài)屬性包括職位的瀏覽次數(shù)、是否關(guān)注了職位、是否投遞了簡(jiǎn)歷和職位的搜索次數(shù)。為了節(jié)約數(shù)據(jù)的儲(chǔ)存空間和方便計(jì)算，各類信息都以數(shù)字形式儲(chǔ)存，取值如表I所示。表I
類別名稱取值
靜態(tài)屬性^
最高學(xué)歷數(shù)字，比如I (代表“大專，
工作經(jīng)驗(yàn)數(shù)字，比如2 (代表“二年,
現(xiàn)居城市數(shù)字，比如020 (代表“廣州3
專長(zhǎng)數(shù)字，比如0123(代表rtJava編程
期望職位數(shù)字，比如1234 (代表“程序員，
期望薪酬葙圍數(shù)字，比如3(代表“5000-7000元，
動(dòng)態(tài)屬性職位瀏覽次數(shù)數(shù)字
是否關(guān)注數(shù)字，關(guān)注為I否則為0
是否投遞筒歷數(shù)字，投遞為I否則為0
搜索次數(shù)數(shù)字
(1-1)靜態(tài)屬性中的“最高學(xué)歷”，依據(jù)下列對(duì)應(yīng)關(guān)系取值“初中”為1，“高中”為2，“大專”為3，“本科”為4，“碩士”為5，“博士”為6。( 1-2)靜態(tài)屬性中的“現(xiàn)居城市”，其值為對(duì)應(yīng)城市的電話區(qū)號(hào)。(1-3)靜態(tài)屬性中的“專長(zhǎng)”，其值為招聘網(wǎng)站上此應(yīng)聘者的專長(zhǎng)對(duì)應(yīng)的編號(hào)。專長(zhǎng)編號(hào)的編制方法是根據(jù)招聘網(wǎng)站上所有職位的專長(zhǎng)技能按職位類別進(jìn)行排序，排序后的序號(hào)為相應(yīng)專長(zhǎng)的編號(hào)。
(1-4)靜態(tài)屬性中的“期望職位”，其值為招聘網(wǎng)站上此應(yīng)聘者的期望職位的編號(hào)。期望職位編號(hào)的編制方法是招聘網(wǎng)站上所有職位按職位名稱進(jìn)行排序，排序后的序號(hào)為相應(yīng)職位的編號(hào)。(1-5)靜態(tài)屬性中的“期望薪酬范圍”，其值為薪酬范圍對(duì)應(yīng)的編號(hào)。薪酬范圍編號(hào)的編制方法是1 :1000-3000 元，2 =3000-5000 元，3 :5000-7000 元，4 :7000-9000 元，5 9000元以上。(2)根據(jù)應(yīng)聘者的動(dòng)態(tài)屬性，計(jì)算應(yīng)聘者對(duì)其瀏覽過(guò)的職位的評(píng)分，形成評(píng)分矩陣。計(jì)算評(píng)分時(shí)，我們采用加權(quán)求和的方式
(2-1)創(chuàng)建評(píng)分矩陣，大小為M*N(M為職位數(shù)量，N為應(yīng)聘者數(shù)量)，矩陣的元素(i，j)表示應(yīng)聘者j對(duì)于職位i的評(píng)分，所有元素值初始化為0 ;
(2-2)設(shè)定各類動(dòng)態(tài)屬性的權(quán)重“職位瀏覽次數(shù)”權(quán)重為0. 3，“是否關(guān)注”為0. 2，“是 否投遞簡(jiǎn)歷”為0. 4，“搜索次數(shù)”為0. I ;
(2-3)運(yùn)用GPU進(jìn)行評(píng)分計(jì)算，每一個(gè)GPU線程計(jì)算一個(gè)應(yīng)聘者對(duì)一個(gè)職位的評(píng)分。計(jì)算方法為各類動(dòng)態(tài)屬性的數(shù)值與相應(yīng)的權(quán)重的乘積相加，即，評(píng)分=職位瀏覽次數(shù)X 0.3+是否關(guān)注X 0. 2 +是否投遞簡(jiǎn)歷X 0. 4 +搜索次數(shù)X 0. I。(2-4)把步驟(2-3)的計(jì)算結(jié)果存為評(píng)分矩陣的對(duì)應(yīng)元素的值。(3)計(jì)算應(yīng)聘者兩兩之間的相似度，形成相似度矩陣。如果應(yīng)聘者是新注冊(cè)會(huì)員，則網(wǎng)站只有他的靜態(tài)屬性；如果是操作過(guò)相關(guān)職位的老會(huì)員，則網(wǎng)站擁有他的靜態(tài)屬性和動(dòng)態(tài)屬性。計(jì)算步驟如下
(3-1)創(chuàng)建相似度矩陣，大小為N*N (N為應(yīng)聘者的數(shù)量)，矩陣元素(i，j)表示應(yīng)聘者i和應(yīng)聘者j的相似度，所有元素值初始化為0 ;
(3-2)對(duì)于新注冊(cè)會(huì)員，利用應(yīng)聘者A的靜態(tài)屬性計(jì)算與其他應(yīng)聘者的相似度。計(jì)算步驟如下
(3-2-1)設(shè)定各種靜態(tài)屬性的權(quán)重，年齡權(quán)重為0.05，最高學(xué)歷為0. 1，工作經(jīng)驗(yàn)為0. 15,現(xiàn)居城市為0. I,專長(zhǎng)為0. 2,期望職位為0. 2,期望薪酬范圍為0. 2 ；
(3-2-2)利用GPU計(jì)算此會(huì)員與其他應(yīng)聘者的相似度，每個(gè)GPU線程負(fù)責(zé)其與另一個(gè)應(yīng)聘者的靜態(tài)屬性的比較當(dāng)某種靜態(tài)屬性相同時(shí)，則把相應(yīng)的權(quán)重累加起來(lái)，最后得到的累加和即為相似度；
(3-3)對(duì)于老會(huì)員，利用應(yīng)聘者A的動(dòng)態(tài)屬性計(jì)算與其他應(yīng)聘者的相似度。使用GPU進(jìn)行高性能計(jì)算，每個(gè)GPU線程兩個(gè)應(yīng)聘者之間的相似度，線程從步驟⑵生成的評(píng)分矩陣中分別讀取這兩個(gè)應(yīng)聘者的評(píng)分向量，運(yùn)用歐幾里德距離的方法計(jì)算這兩個(gè)向量的距離，把這個(gè)距離作為這兩個(gè)應(yīng)聘者的相似度；
(3-4)把步驟(3-2)或者步驟(3-3)的計(jì)算結(jié)果存為相似度矩陣的對(duì)應(yīng)元素。(4)利用評(píng)分矩陣和相似度矩陣，預(yù)測(cè)應(yīng)聘者對(duì)職位的評(píng)分，形成預(yù)測(cè)矩陣；步驟為(M為職位數(shù)量，N為應(yīng)聘者數(shù)量)
(4-1)把評(píng)分矩陣(大小為M*N)和相似度矩陣(大小為N*N)讀入到顯存；
(4-2)使用GPU計(jì)算評(píng)分矩陣與相似度矩陣的乘積，得到一個(gè)矩陣，矩陣大小為M*N。(4-3)步驟(4-2)生成的矩陣就是預(yù)測(cè)矩陣(大小為M*N)，矩陣的元素(i，j)表示我們預(yù)測(cè)應(yīng)聘者j對(duì)于職位i的評(píng)分。
(5)為應(yīng)聘者推薦職位，形成推薦矩陣。步驟(d)中生成的預(yù)測(cè)矩陣，每一個(gè)列向量都表示對(duì)應(yīng)的應(yīng)聘者對(duì)各個(gè)職位的預(yù)測(cè)評(píng)分，只要把其中應(yīng)聘者已經(jīng)關(guān)注過(guò)的職位去除，在剩下的職位中選取預(yù)測(cè)評(píng)分最高的前5個(gè)職位，就可以把它們推薦給應(yīng)聘者。推薦矩陣的生成步驟如下(N為應(yīng)聘者的數(shù)量)
(5-1)創(chuàng)建推薦矩陣，大小為5*N，矩陣的元素(i，j)的值就是應(yīng)聘者j的第i個(gè)推薦職位，所有元素值初始化為0 ;
(5-2)把步驟(2)求出的評(píng)分矩陣和步驟(4)中求出的預(yù)測(cè)矩陣讀入顯存；
(5-3)在GPU中，創(chuàng)建N個(gè)GPU線程，每個(gè)線程負(fù)責(zé)一個(gè)應(yīng)聘者的職位推薦計(jì)算。GPU線程讀取從評(píng)分矩陣和預(yù)測(cè)矩陣中分別讀取一個(gè)列向量，即一個(gè)應(yīng)聘者對(duì) 所有職位的評(píng)分向量和預(yù)測(cè)評(píng)分向量，這兩個(gè)向量長(zhǎng)度一樣，元素一一對(duì)應(yīng)。然后對(duì)預(yù)測(cè)評(píng)分向量作如下操作對(duì)于預(yù)測(cè)評(píng)分向量的每個(gè)元素e，如果評(píng)分向量的對(duì)應(yīng)元素的值不為0，則把元素e的值設(shè)為0，否則不改變。(5-4)每個(gè)GPU線程求取預(yù)測(cè)評(píng)分向量中元素值最大的前5個(gè)元素的位置，把這些位置數(shù)據(jù)存入到推薦矩陣中對(duì)應(yīng)的列上。(5-6)當(dāng)預(yù)測(cè)評(píng)分矩陣的每一列都處理完畢之后，推薦矩陣就完成了。
權(quán)利要求
1.基于GPU加速的招聘職位智能推薦方法，其特征在于，包括以下步驟 (a)記錄應(yīng)聘者的注冊(cè)和訪問(wèn)信息，注冊(cè)的信息作為應(yīng)聘者靜態(tài)屬性，訪問(wèn)的信息作為應(yīng)聘者動(dòng)態(tài)屬性； (b)根據(jù)應(yīng)聘者的動(dòng)態(tài)屬性，計(jì)算應(yīng)聘者對(duì)職位的評(píng)分，形成評(píng)分矩陣； (C)根據(jù)應(yīng)聘者的靜態(tài)屬性、動(dòng)態(tài)屬性和對(duì)職位的評(píng)分，計(jì)算所有應(yīng)聘者中任意兩個(gè)之間的相似度，形成相似度矩陣； (d)利用評(píng)分矩陣和相似度矩陣，預(yù)測(cè)應(yīng)聘者對(duì)職位的評(píng)分，形成預(yù)測(cè)矩陣； (e)根據(jù)步驟(d)中預(yù)測(cè)出來(lái)的評(píng)分，去除應(yīng)聘者關(guān)注過(guò)的職位，然后按評(píng)分從高到低的順序?qū)β毼贿M(jìn)行排序，取最前面設(shè)定個(gè)數(shù)Q的職位作為推薦職位。
2.根據(jù)權(quán)利要求I所述基于GPU加速的招聘職位智能推薦方法，其特征在于步驟(a)中所記錄的靜態(tài)屬性包括年齡、最高學(xué)歷、工作經(jīng)驗(yàn)、現(xiàn)居城市、專長(zhǎng)、期望職位和期望薪酬范圍；所記錄的動(dòng)態(tài)屬性包括職位的瀏覽次數(shù)、是否關(guān)注了職位、是否投遞了簡(jiǎn)歷和職位的搜索次數(shù)。
3.根據(jù)權(quán)利要求I所述基于GPU加速的招聘職位智能推薦方法，其特征在于在步驟(b)中，應(yīng)聘者對(duì)職位的評(píng)分的計(jì)算方法如下首先設(shè)定各種動(dòng)態(tài)屬性的權(quán)重，其次把各種動(dòng)態(tài)屬性的數(shù)值與相應(yīng)的權(quán)重相乘，最后把所有乘積相加所得的和作為職位評(píng)分。
4.根據(jù)權(quán)利要求I所述基于GPU加速的招聘職位智能推薦方法，其特征在于在步驟(b)中，對(duì)數(shù)值進(jìn)行運(yùn)算時(shí)，使用GPU加速，一個(gè)GPU線程計(jì)算一個(gè)應(yīng)聘者對(duì)于一個(gè)職位的評(píng)分，最終生成評(píng)分矩陣；評(píng)分矩陣的大小為M*N，M為職位數(shù)量，N為應(yīng)聘者數(shù)量，矩陣的元素(i, j)表示應(yīng)聘者j對(duì)于職位i的評(píng)分。
5.根據(jù)權(quán)利要求I所述基于GPU加速的招聘職位智能推薦方法，其特征在于在步驟(c)中，在計(jì)算任意兩個(gè)應(yīng)聘者之間的相似度時(shí)，對(duì)于應(yīng)聘者A，需要計(jì)算應(yīng)聘者A和其他所有應(yīng)聘者的相似度，此時(shí)根據(jù)應(yīng)聘者A的屬性分為兩種情況 (c-1)應(yīng)聘者A不存在動(dòng)態(tài)屬性利用應(yīng)聘者A的靜態(tài)屬性計(jì)算與其他應(yīng)聘者的相似度；計(jì)算方法如下首先設(shè)定各種靜態(tài)屬性的權(quán)重，其次對(duì)兩個(gè)應(yīng)聘者的所有靜態(tài)屬性進(jìn)行比較，當(dāng)某種靜態(tài)屬性相同時(shí)，則把相應(yīng)的權(quán)重累加起來(lái)，最后得到的累加和作為相似度； (c-2)應(yīng)聘者A存在動(dòng)態(tài)屬性利用應(yīng)聘者A的動(dòng)態(tài)屬性計(jì)算與其他應(yīng)聘者的相似度；計(jì)算兩個(gè)應(yīng)聘者的相似度的方法如下從步驟(b)生成的評(píng)分矩陣中，分別讀取評(píng)分矩陣中這兩個(gè)應(yīng)聘者的評(píng)分向量，運(yùn)用歐幾里德距離的方法計(jì)算這兩個(gè)向量的距離，把這個(gè)距離作為這兩個(gè)應(yīng)聘者的相似度。
6.根據(jù)權(quán)利要求I所述基于GPU加速的招聘職位智能推薦方法，其特征在于在步驟(c)中，每?jī)蓚€(gè)應(yīng)聘者的相似度由一個(gè)GPU線程進(jìn)行運(yùn)算，運(yùn)算的結(jié)果保存為相似度矩陣的一個(gè)元素；相似度矩陣大小為N*N，N為應(yīng)聘者的數(shù)量，矩陣元素(i，j)的值表示應(yīng)聘者i和應(yīng)聘者j的相似度。
7.根據(jù)權(quán)利要求I所述基于GPU加速的招聘職位智能推薦方法，其特征在于在步驟(d)中，預(yù)測(cè)矩陣的生成過(guò)程如下 (c-1)把評(píng)分矩陣(M*N)和相似度矩陣(N*N)讀入到顯存； (c-2)使用GPU計(jì)算評(píng)分矩陣與相似度矩陣的乘積，得到矩陣(M*N)，此矩陣即為預(yù)測(cè)矩陣。
8.根據(jù)權(quán)利要求I所述基于GPU加速的招聘職位智能推薦方法，其特征在于在步驟(e)中，為每一個(gè)應(yīng)聘者計(jì)算預(yù)測(cè)評(píng)分最大的Q個(gè)職位，其計(jì)算方法如下對(duì)于步驟(d)中求出的預(yù)測(cè)矩陣，每一個(gè)GPU線程讀取一個(gè)列向量，即一個(gè)應(yīng)聘者對(duì)所有職位的預(yù)測(cè)評(píng)分向量，然后把此應(yīng)聘者關(guān)注過(guò)的職位的對(duì)應(yīng)元素的值設(shè)置為O，然后求取向量中前Q個(gè)最大的元素，把這些元素對(duì)應(yīng)的職位構(gòu)成一個(gè)推薦職位向量；最終把所有應(yīng)聘者的推薦向量合并得到推薦矩陣。
全文摘要
本發(fā)明提供基于GPU加速的招聘職位智能推薦方法，應(yīng)用于人才招聘網(wǎng)站上的推薦引擎。本發(fā)明把應(yīng)聘者的注冊(cè)信息和訪問(wèn)信息表達(dá)成適合GPU處理的矩陣形式，利用GPU強(qiáng)大處理能力和高帶寬彌補(bǔ)CPU性能不足的計(jì)算方式，使用數(shù)千個(gè)GPU線程進(jìn)行并發(fā)計(jì)算。本發(fā)明使用歐幾里德距離公式計(jì)算應(yīng)聘者兩兩之間的相似程度，然后根據(jù)應(yīng)聘者的屬性信息，智能地預(yù)測(cè)所有職位對(duì)應(yīng)聘者的適合程度，最后把最合適的職位推薦給應(yīng)聘者。本發(fā)明在處理海量數(shù)據(jù)時(shí)，避開了傳統(tǒng)的昂貴的計(jì)算機(jī)集群技術(shù)，而采用高性價(jià)比的GPU技術(shù)，最終實(shí)現(xiàn)高性能、低功耗、低成本的最終目標(biāo)。
文檔編號(hào)G06Q50/10GK102708525SQ20121015909
公開日2012年10月3日 申請(qǐng)日期2012年5月22日 優(yōu)先權(quán)日2012年5月22日
發(fā)明者楊忠明, 林泳, 林鎮(zhèn)澤, 秦勇, 蔡昭權(quán), 黃翰 申請(qǐng)人:華南理工大學(xué)