基于GPU加速的招聘职位智能推荐方法技术

本发明专利技术提供基于GPU加速的招聘职位智能推荐方法，应用于人才招聘网站上的推荐引擎。本发明专利技术把应聘者的注册信息和访问信息表达成适合GPU处理的矩阵形式，利用GPU强大处理能力和高带宽弥补CPU性能不足的计算方式，使用数千个GPU线程进行并发计算。本发明专利技术使用欧几里德距离公式计算应聘者两两之间的相似程度，然后根据应聘者的属性信息，智能地预测所有职位对应聘者的适合程度，最后把最合适的职位推荐给应聘者。本发明专利技术在处理海量数据时，避开了传统的昂贵的计算机集群技术，而采用高性价比的GPU技术，最终实现高性能、低功耗、低成本的最终目标。

【技术实现步骤摘要】

本专利技术一般涉及计算机推荐引擎领域，具体涉及基于GPU加速的招聘职位智能推荐方法。
技术介绍
网上招聘和和网上求职已经成为当今社会人才交流的一种主要方式。用人单位和应聘者在第三方的人才招聘网站上注册账号，相互之间进行搜索和交流，以寻求最满意的对象。人才招聘网站拥有大量的职位，一个应聘者登录网站之后，只能从职位列表中浏览职位，或者依靠关键字去搜索可能适合自己的职位。职位列表往往数量巨大，应聘者无法在短时间内找到自己感兴趣的职位；而使用关键字搜索，应聘者使用的关键字的数量和精确性很有限，搜索出来的职位数量常常很大，很难找到适合自己的职位。为了解决这种情况，招聘网站可以为应聘者推荐职位，网站主动地把可能适合的职位推送给应聘者。这就是招聘网站的推荐系统。现在招聘网站的推荐方法，主要是采用基于统计的方法，也即统计所有职位被浏览的次数以及被关注的程度，得到职位的热度，然后把热度最高的职位推荐给应聘者。这种推荐方法存在如下缺点(一)为每一个应聘者所推荐的职位都是一样的，缺乏个性化；(二)那些虽然热度不高但很适合应聘者的职位不能被推荐到；(三)传统的计算只使用CPU进行数值运算，面对海量的应聘者和职位数据，计算性能极低。在提高数据挖掘的运算性能方面，很多企业和科研单位采用计算机集群，利用集群的并发性来提高计算速度，但是基于成本的考虑，很多单位无法布置昂贵的的计算机集群。而GPU相对成本较低，性价比高，并且大部分普通用户PC上装配的GPU使用率很低，将软件的大规模计算任务分配到GPU上，能有效提高GPU的利用率，从而实现高性能、低功耗的最终目标。GPU英文全称Graphic Processing Unit,中文翻译为“图形处理器”。GPU从诞生之日起就以超越摩尔定律的速度发展，运算能力不断提升。业界很多研究者注意到GPU进行计算的潜力，于 2003 年 SIGGRAPH 大会上提出了 GPGPlXGeneral-purpose computing ongraphics processing units)的概念。GPU在处理能力和存储器带宽上相对于CPU有明显优势，在成本和功耗上也不需要付出太大代价。目前最顶级的英特尔Core i7 965处理器，在默认情况下，它的浮点计算能力只有NVIDIA GeForce GTX 280的1/13。GPU通用计算通常采用CPU+GPU异构模式，由CPU负责执行复杂逻辑处理和事务处理等不适合数据并行的计算，由GPU负责计算密集型的大规模数据并行计算。这种利用GPU强大处理能力和高带宽弥补CPU性能不足的计算方式极大地发掘计算机潜在性能，在成本和性价比方面有显著的优势。在2007年NVIDIA推出CUDA(Compute Unified DeviceArchitecture，统一计算设备架构)，GPU通用计算摆脱了受硬件可编程性和开发方式的制约，开发难度大大降低。
技术实现思路
本专利技术针对当前招聘职位推荐技术的不足，提供了基于GPU加速的招聘职位智能推荐方法。本专利技术的目的在于，通过记录应聘者的访问历史，把访问数据表达为适合GPU处理的矩阵格式，利用GPU强大处理能力和高带宽弥补CPU性能不足的计算方式，同时使用数千个GPU线程进行计算，使用欧几里德距离公式计算应聘者两两之间的相似程度，然后根据应聘者的属性信息，智能地预测所有职位对应聘者的适合程度，最后把最合适的职位推荐给应聘者。具体的技术方案如下所述。基于GPU加速的招聘职位智能推荐方法，包括以下步骤 (a)记录应聘者的注册和访问信息，注册的信息作为应聘者静态属性，访问的信息作为应聘者动态属性； (b)根据应聘者的动态属性，计算应聘者对职位的评分，形成评分矩阵； (C)根据应聘者的静态属性、动态属性和对职位的评分，计算所有应聘者中任意两个之间的相似度，形成相似度矩阵； (d)利用评分矩阵和相似度矩阵，预测应聘者对职位的评分，形成预测矩阵； (e)根据步骤(d)中预测出来的评分，去除应聘者关注过的职位，然后按评分从高到低的顺序对职位进行排序，取最前面设定个数Q的职位作为推荐职位。上述的基于GPU加速的招聘职位智能推荐方法，步骤(a)中所记录的静态属性包括年龄、最高学历、工作经验、现居城市、专长、期望职位和期望薪酬范围；所记录的动态属性包括职位的浏览次数、是否关注了职位、是否投递了简历和职位的搜索次数。上述的基于GPU加速的招聘职位智能推荐方法，在步骤(b)中，应聘者对职位的评分的计算方法如下首先设定各种动态属性的权重，其次把各种动态属性的数值与相应的权重相乘，最后把所有乘积相加所得的和作为职位评分。上述的基于GPU加速的招聘职位智能推荐方法，在步骤(b)中，对数值进行运算时，使用GPU加速，一个GPU线程计算一个应聘者对于一个职位的评分，最终生成评分矩阵；评分矩阵的大小为M*N, M为职位数量，N为应聘者数量,矩阵的元素(i, j)表示应聘者j对于职位i的评分。上述的基于GPU加速的招聘职位智能推荐方法，在步骤(C)中，在计算任意两个应聘者之间的相似度时，对于应聘者A，需要计算应聘者A和其他所有应聘者的相似度，此时根据应聘者A的属性分为两种情况 (c-1)应聘者A不存在动态属性利用应聘者A的静态属性计算与其他应聘者的相似度；计算方法如下首先设定各种静态属性的权重，其次对两个应聘者的所有静态属性进行比较，当某种静态属性相同时，则把相应的权重累加起来，最后得到的累加和作为相似度； (c-2)应聘者A存在动态属性利用应聘者A的动态属性计算与其他应聘者的相似度；计算两个应聘者的相似度的方法如下从步骤(b)生成的评分矩阵中，分别读取评分矩阵中这两个应聘者的评分向量，运用欧几里德距离的方法计算这两个向量的距离，把这个距离作为这两个应聘者的相似度。上述的基于GPU加速的招聘职位智能推荐方法，在步骤(C)中，每两个应聘者的相似度由一个GPU线程进行运算，运算的结果保存为相似度矩阵的一个元素；相似度矩阵大小为N*N, N为应聘者的数量,矩阵元素(i, j)的值表示应聘者i和应聘者j的相似度。上述的基于GPU加速的招聘职位智能推荐方法，在步骤(d)中，预测矩阵的生成过程如下 (c-3)把评分矩阵(M*N)和相似度矩阵(N*N)读入到显存； (c-4)使用GPU计算评分矩阵与相似度矩阵的乘积，得到矩阵(M*N)，此矩阵即为预测矩阵。上述的基于GPU加速的招聘职位智能推荐方法，在步骤(e)中，为每一个应聘者计算预测评分最大的Q个职位，其计算方法如下对于步骤(d)中求出的预测矩阵，每一个GPU线程读取一个列向量，即一个应聘者对所有职位的预测评分向量，然后把此应聘者关注过的职位的对应元素的值设置为0，然后求取向量中前Q个最大的元素，把这些元素对应的职位构成一个推荐职位向量；最终把所有应聘者的推荐向量合并得到推荐矩阵。 与现有技术相比，本专利技术具有如下优点和效果 (一)把应聘者的注册信息和访问信息表达成适合GPU处理的矩阵形式，整个推荐过程利用GPU的高性能的并发运算能力和高带宽特性进行计算，大大缩短计算时间； (二)与传统的CPU计算相比，在同等的硬件成本的条件下，在处理海量的应聘者数量和职位数量时，性能可以提高十倍、甚至百倍以上； 本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于GPU加速的招聘职位智能推荐方法，其特征在于，包括以下步骤 (a)记录应聘者的注册和访问信息，注册的信息作为应聘者静态属性，访问的信息作为应聘者动态属性； (b)根据应聘者的动态属性，计算应聘者对职位的评分，形成评分矩阵； (C)根据应聘者的静态属性、动态属性和对职位的评分，计算所有应聘者中任意两个之间的相似度，形成相似度矩阵； (d)利用评分矩阵和相似度矩阵，预测应聘者对职位的评分，形成预测矩阵； (e)根据步骤(d)中预测出来的评分，去除应聘者关注过的职位，然后按评分从高到低的顺序对职位进行排序，取最前面设定个数Q的职位作为推荐职位。2.根据权利要求I所述基于GPU加速的招聘职位智能推荐方法，其特征在于步骤(a)中所记录的静态属性包括年龄、最高学历、工作经验、现居城市、专长、期望职位和期望薪酬范围；所记录的动态属性包括职位的浏览次数、是否关注了职位、是否投递了简历和职位的搜索次数。3.根据权利要求I所述基于GPU加速的招聘职位智能推荐方法，其特征在于在步骤(b)中，应聘者对职位的评分的计算方法如下首先设定各种动态属性的权重，其次把各种动态属性的数值与相应的权重相乘，最后把所有乘积相加所得的和作为职位评分。4.根据权利要求I所述基于GPU加速的招聘职位智能推荐方法，其特征在于在步骤(b)中，对数值进行运算时，使用GPU加速，一个GPU线程计算一个应聘者对于一个职位的评分，最终生成评分矩阵；评分矩阵的大小为M*N，M为职位数量，N为应聘者数量，矩阵的元素(i, j)表示应聘者j对于职位i的评分。5.根据权利要求I所述基于GPU加速的招聘职位智能推荐方法，其特征在于在步骤(c)中，在计算任意两个应聘者之间的相似度时，对于应聘者A，需要计算应聘者A和其他所有应聘...

【专利技术属性】
技术研发人员：黄翰，林泳，林镇泽，蔡昭权，秦勇，杨忠明，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：