问下一职业推荐系统

EN

我曾经尝试过类似的东西。我使用了一种你不希望看到的方法，但它带来了一些令人惊讶的好结果。

我在Tensorflow中使用了神经机器翻译( NMT )模型。网上有一些越南语->英语翻译的例子.我将其更改为从“旧职务名称”转换为“新职务名称”，并在数据集上对其进行了培训。这很容易做到，您不需要修改任何代码，除非可能稍微修改模型(例如，文档的长度现在比机器翻译示例中的长度短)。

这种方法的缺点是，在使用它进行推理时，只考虑了最近的职称。但是，您可以尝试将所有以前的职务和其他数据(学校等)作为输入文本连接起来，以生成一个单独的职位作为输出，这样您就可以确保您正在利用他们的整个职业生涯。

我建议调整架构的各个方面(层数、以前使用的作业数、现成的word2vec与特定领域的受过训练的word2vec等)，直到您在使用的评估指标中获得最佳性能为止。

您可以采取的另一种方法是获取每个标题的doc2vec，并训练某种RNN/LSTM来预测给定所有以前的vecs的下一个vec。然后，需要对输出进行后处理阶段，以便将输出vec转换为文本。不幸的是，我在这里不知道有什么捷径可以避免从头开始构建模型体系结构，所以这种方法需要更多的工作。

当然，解决这个问题还有其他方法，但由于没有其他人回答，我想我可以提出我的建议。

这是一个好主意，首先阐明系统的性能/准确性将如何衡量。

你说你的推荐系统的输出是“你职业生涯的下一步可以是什么”，但是如果这个系统告诉我我应该是一个面包师，你将如何衡量推荐的好程度？这是否取决于它对我下一个职业生涯的预测如何？该系统是否允许我对其建议给予反馈，并对其进行相应的评估？

一旦澄清了，你就进入了游戏。您有某种合适的函数g，您现在正在寻找一个函数f，以便g(f(x), y)最大化(或最小化，这取决于您的定义)，其中x是数据，y是推荐的。

然后还有两个问题:如何对解释性数据x和目标变量y进行编码？同样，这在很大程度上取决于目标是什么，但考虑到您拥有的数据是多么的不规范化，我确实会将所有的数据转换为文本挖掘问题:您需要将数据映射到一组标记(英文单词或任何其他符号)，过滤出您所知道的很少携带信息的模式(标点符号、数字等)，并将单词包转换为向量(例如，使用@Tom提到的word2vec )。您可能也希望将y划分为类别，或者相反，将其扩展到一个单词向量，这样就可以比较类似的作业。

得到一个基于y的预测/估计x的模型是很容易的。您会发现有很多现成的学习者可以尝试(例如在sklearn (python)或tensorflow中)。