匹配推荐算法的尝试与优化

我们团队关于如何实现岗位推荐的核心算法部分，不断地通过模型的学习与比较、代码编写的尝试、运行结果的调优，在多种深度学习模型的摸索中，尝试了几类匹配推荐算法的实现方式，经历了不小的思路转变过程。最终我们的算法实现在不断地优化，实现的人岗匹配模型更精确、更贴合实际。

初始思路与尝试：

一开始，我们的思路是对于简历数据集和岗位数据集的文字进行自然语言处理后，取出其中的关键词，再利用action表中的两者是否投递、是否成功就职这些信息数据进行计算，计算出每个关键词的权重进行排序。但是后来我们又发现了一个实际情况中可能存在的问题：
假如现在有一份简历，和两个岗位进行匹配连接。
考虑第一个简历-岗位连接，假若岗位有10个关键词，简历符合4个；
考虑第二个简历-岗位连接，假若岗位有5个关键词，简历符合3个。

那么，假若这两份岗位最后计算出的对于该简历的权重相等，但是我们凭直觉来考虑，第一个连接中，简历只“符合”了岗位的4/10，而第二个连接中简历却“符合”了岗位的3/5。我们认为，倾向于选择第二个岗位为首选在现实中会更符合常理，但是，我们目前的权重算法不支持这种看似合理的选择。

各类神经网络的学习与模型的选择：

随后我们团队成员继续去学习新的方法。后来我们接触到了许多神经网络，处理方式也渐渐有了头绪。首先我们考虑到简历蕴含的信息十分复杂，人们的学习是贯穿于工作期间的，同时也有大学毕业第一份工作非大学专业相关，第二份工作为专业相关等情况，即简历体现的信息对于单一一份岗位可能过于饱和。因此我们舍弃了决策树等机器学习模型，认为其太过暴力；利用贪