La clave para un buen sistema de recomendación de trabajo es combinar 3 bits de información. Las preferencias explícitas del usuario, el análisis / comportamiento implícito de los usuarios y todos los datos sobre sus pares. Por lo tanto, querrá comenzar permitiendo que los usuarios se suscriban o prefieran diferentes aspectos de su búsqueda de empleo. Ejemplos comunes incluyen guardar búsquedas de trabajo o permitir que los usuarios prefieran diferentes tipos de trabajos. (IE, estoy buscando trabajos de diseño en Nueva York, o programación de Ruby en SF). El segundo paso es rastrear con qué se comprometen realmente los usuarios. Entonces, si un usuario abre su correo electrónico y hace clic en una publicación de trabajo de Google que le dice algo. Todos estos eventos combinados le permiten crear un perfil de los intereses de un usuario. El último y tercer paso es analizar el comportamiento de los compañeros. Si los usuarios con un perfil similar se involucran con 1 trabajo con más frecuencia que otros trabajos en su sitio, querrá priorizar ese trabajo en sus recomendaciones. Estos 3 elementos combinados le permiten crear un poderoso ciclo de retroalimentación. Cada vez que el usuario vuelve a su sitio, usted aprende un poco más sobre ellos y las recomendaciones pueden mejorar. Gran parte de la mejor tecnología de personalización fue creada por sitios como Quora. Es sorprendente lo buenas que son sus recomendaciones para el resumen semanal de correo electrónico.
Sin necesidad de saber nada más, un buen enfoque de aprendizaje automático para combinar todos estos datos sería la factorización de matriz híbrida. Una gran biblioteca para comenzar es LightFM. Le permite combinar contenido y técnicas de filtrado colaborativo. Al agregar los datos explícitos recopilados anteriormente sobre usuarios individuales como características de usuario (Contenido) y completar la matriz de elementos de usuario con características implícitas, se puede construir un modelo poderoso que no solo mejora la mayor participación de los usuarios, sino que puede manejar el problema de arranque en frío gracias al contexto adicional que lo proporcionó. Incluso podría agregar características de elementos si sus trabajos fueron etiquetados, o etiquetarlos automáticamente utilizando técnicas de PNL como la asignación de Dirichlet Latente.
Soy científico de datos en Stream y hemos escrito sobre nuestro enfoque del aprendizaje automático y las recomendaciones para los sitios de trabajo aquí: https://getstream.io/blog/person…
- ¿Qué método de aprendizaje profundo usar para clasificar archivos de texto?
- ¿Alguna forma de dormir será esencial en la IA (inteligencia artificial)?
- ¿Cuál es el mejor marco de aprendizaje profundo que puedo usar para clasificar las imágenes de resonancia magnética? ¿Keras es adecuado para eso?
- ¿Por qué funciona la función de costo de regresión logística?
- ¿Cómo debo interpretar la probabilidad bayesiana?
