CN119474542A 基于深度神经网络模型的职位推 荐方法、模型及设备 （前锦网络信息技术(上海)有限公司）

本申请公开了基于深度神经网络模型的职公共特征层，将私有特征向量输入至私有特征共特征向量矩阵和私有特征向量矩阵输入门控2家子神经网络模型为预测职位的转化概率的第二专家子神基于公共特征层对目标用户的用户画像特征向量、目标用户的用户行为序列特征向基于私有特征层中的目标私有子神经网络模型对私有特征向量进将公共特征向量矩阵和私有特征向量矩阵输入至专家层中的多个专家子神经网络模将公共特征向量矩阵和私有特征向量矩阵输入至门控将各个第一专家子神经网络模型输出的目标职位的点击概率及其个私有子神经网络模型用于通过掩盖操作将除第i个场景之外的其他场景对应的私有特征其中，推荐职位场景的私有特征包括用户的求职意向，搜34.根据权利要求1所述的方法，其特征在于，公共特征层设置有Trans基于公共特征层对目标用户的用户画像特征向量、目标用户的用户行为序列特征向将目标职位ID向量和目标用户历史投递的职位序列特征向量输入编码器，户历史投递的职位序列特征向量中的各个职位ID向量与目标职位ID向量之间匹配度的第将目标职位ID向量和目标用户历史被邀约面试的职位序列特征向量输入编目标用户历史被邀约面试的职位序列特征向量中的各个职位ID向量与目标职位ID向量之所述公共特征向量矩阵至少包括第一注意力矩阵和将待推荐列表中的下一待推荐职位作为目标职位，重复上述步骤，直至得到待按照排序分值从高到低的顺序，对待推荐列表中的多个待推荐职位进行还将目标用户的上下文特征输入深度神经网络模型，以结合在检测到目标用户所选择的场景由第一场景切换至第二场9.一种用于职位推荐的深度神经网络模型，其特征在4共享嵌入层用于对输入的特征和ID进行嵌入操作，得到用户画公共特征层用于对目标用户的用户画像特征向量、目标用户的用户行为序列特征向私有特征层中的目标私有子神经网络模型用于对私有特征专家层中的多个专家子神经网络模型用于输入公共特征向量矩阵和私有特征向量矩任务特有层用于基于各个第一专家子神经网络模型输出的目标职位的点击概率及其令的存储器；所述电子设备执行所述计算机程序指令时实现如权利要求1_8中任一项所述5络模型，第二部分专家子神经网络模型为预测职位的转化概率的第二专家子神经网络模6[0009]将公共特征向量矩阵和私有特征向量矩阵输入至专家层中的多个专家子神经网[0010]将公共特征向量矩阵和私有特征向量矩阵输入至门控层中的门控子神经网络模的目标点击概率；基于各个第二专家子神经网络模型输出的目标职位的转化概率及其权有子神经网络模型用于通过掩盖操作将除第i个场景之外的其他场景对应的私有特征向量[0014]根据本申请的一些实施例，可选地，公共特征层设置有Transformer模型的编码7[0024]专家层中的多个专家子神经网络模型用于输入公共特征向量矩阵和私有特征向[0025]门控层中的门控子神经网络模型用于基于公共特征向量矩阵和私有特征向量矩[0026]任务特有层用于基于各个第一专家子神经网络模型输出的目标职位的点击概率8和/或公共特征层可以捕捉不同场景的公共特征之间的潜在关系和相似性，有利于实现不不同场景下的各个专家子神经网络模型的权重，进一步使得模型可以适配不同场景的需[0033]图2为本申请实施例提供的基于深度神经网络模型的职位推荐方法的一种流程示[0034]图3为本申请实施例提供的深度神经网络模型中的私有子神经网络模型的一种结9[0039]下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更[0047]下面首先对本申请实施例所提供的基于深度神经网络模型的职位推荐方法进行[0048]本申请实施例提供的深度神经网络模型例如以多门混合专家(Multi_gate许每个任务根据其特定需求选择性地利用一组专家网络(Experts)，从而更好地捕获任务[0051]专家网络(Experts)：MMoE模型包含多个专家，每个专家都是一个独立的神经网分专家子神经网络模型可以为预测职位的点击概率的第一专家子神经网络模型141，第二部分专家子神经网络模型可以为预测职位的转化概率的第二专家子神经网络模型142。职[0055]图2为本申请实施例提供的基于深度神经网络模型的职位推荐方法的一种流程示[0056]如图2所示，本申请实施例提供的职位购买广告的预测方法可以包括以下步骤荐职位场景时，目标场景的私有特征可以包括用户的求职意向(如期望的工作职能或行[0060]共享嵌入层11对输入的目标用户的用户画像特征、目标用户的用户行为序列特[0065]私有特征层13可以包括与多个不同场景一一对应的私有子神经网络模型131~子神经网络模型输出的目标职位的点击概率和各个第二专家子神经网络模型输出的目标[0073]任务特有层16可以用于基于各个第一专家子神经网络模型输出的目标职位的点[0074]任务特有层16还可以用于基于各个第二专家子神经网络模型输出的目标职位的共特征层和私有特征层，共享嵌入层和/或公共特征层可以捕捉不同场景的公共特征之间职位的目标转化概率，引入多个第一专家子神经网络模型和多个第二专家子神经网络模型参数和/或私有特征之间可能存在相互影响，进而可能影响深度神经网络模型预测的准[0081]图3为本申请实施例提供的深度神经网络模型中的私有子神经网络模型的一种结构示意图。如图3所示，在一些示例中，例如私有子神经网络模型可以包括随机失活层(Dropoutlayer)131、批归一化层(Batchnormalization)132、特征掩码层(Featuremask)133和残差连接层(Residualconnection)134。随机失活层131可以用于减缓场景对层133可以用于通过掩盖(Mask)操作将非该场景的私有特征向量置零，提高私有特征在不标场景可以为多个场景中的任意一个场景。[0086]本申请的发明人进一步意识到在进行职位推荐时，除了基础的用户画像特征以(Attention)捕获用户的历史行为偏好，分析用户行为序列特征与目标职位ID之间的匹配[0088]具体而言，在一些实施例中，公共特征层设置有Transformer模型的编码器[0089]目标用户的用户行为序列特征可以包括目标用户历史投递的职位序列和目标用面试的职位序列特征向量包括目标用户历史被邀约面试的多[0092]步骤一：将目标职位ID向量和目标用户历史投递的职位序列特征向量输入编码[0093]图5为Transformer模型的编码器的一种结构示意图。如图5所示，多注意力机制器(Encoder)包含一个Multi_HeadAttention。Multi_HeadAttention上方还包括一个位序列特征向量中的各个职位ID向量与目标职位ID向量之间匹历史被邀约面试的职位序列特征向量中的各个职位ID向量与目标职位ID向量之间匹配度[0101]图6为本申请实施例提供的深度神经网络模型的另一种结本用户发起请求的时刻、样本用户所使用的招聘平台和样本用户所使用的终端设备的型目标用户的上下文特征可以作为公共特征，在经过共享嵌入层的Embedding操作后得到目[0125]本申请实施例的深度神经网络模型与传统MMoE模型做了AB实验，进行效果对线下模型训练的评估方法，可以采用曲线下面积(AreaUndertheCurve，AUC)的评估指[0133]基于与上述实施例提供的基于深度神经网络模型的职位推荐方法相同的技术构概率的第一专家子神经网络模型141，第二部分专家子神经网络模型可以为预测职位的转标职位ID向量和职位信息特征向量输入至公共特征层，将私有特征向量输入至私有特征[0137]私有特征层13中的目标私有子神经网络模型用于对私有[0138]专家层14中的多个专家子神经网络模型用于输入公共特征向量矩阵和私有特征[0139]门控层15中的门控子神经网络模型用于基于公共特征向量矩阵和私有特征向量[0140]任务特有层16用于基于各个第一专家子神经网络模型输出的目标职位的点击概征层和私有特征层，共享嵌入层和/或公共特征层可以捕捉不同场景的公共特征之间的潜专家子神经网络模型输出的目标职位的点击概率及其权重，计算目标职位的目标点击概位的目标转化概率，引入多个第一专家子神经网络模型和多个第二专家子神经网络模型，[0142]图1所示深度神经网络模型中的各个层/模块/单元已在上文详细描述，在此不再神经网络模型的职位推荐方法具有相同或相应的技术特征，并能达到其相应的技术效果，该电子设备可以包括处理器701以及存储有计算机程序指令的存储器702，处理器701执行是非易失性固态存储器。换句话说，通常存储器702包