买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉淮阴工学院申请的专利基于对称深度网络和动态多交互人力资源岗位推荐方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115757919B 。

龙图腾网通过国家知识产权局官网在2025-06-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211487491.8，技术领域涉及：G06F16/951；该发明授权基于对称深度网络和动态多交互人力资源岗位推荐方法是由陈晓兵;康丽;张冰莹;王蓉蓉;张闯闯;郭舒心设计研发完成，并于2022-11-24向国家知识产权局提交的专利申请。

本基于对称深度网络和动态多交互人力资源岗位推荐方法在说明书摘要公布了：本发明公开了一种基于对称深度网络和动态多交互人力资源岗位推荐方法，对获取数据进行文本预处理，获得特征嵌入向量；构建改进的对称深度网络模型和动态细粒度多特征交互模块，进行并行训练；将向量化的用户行为交互信息池化操作，之后输入到胶囊网络里的多兴趣提取层，获得用户历史行为的多个兴趣胶囊表征；再输入到对称深度神经网络模型，模型由正向MLP和反向MLP组成的，通过添加横向连接，允许反向MLP包含更多信息；搭建动态细粒度多特征交互模块，通过输入用户行为特征信息到Transformer的Encoder模块中，挖掘用户历史行为中的偏好，输入到Attention机制中获得序列信息；将以上两个模块进行Softmax操作得到最后的预测结果，以提供更准确和及时的推荐。

本发明授权基于对称深度网络和动态多交互人力资源岗位推荐方法在权利要求书中公布了：1.一种基于对称深度网络和动态多交互人力资源岗位推荐方法，其特征在于，包括以下步骤： 步骤1：通过企业提供的数据信息以及个人网络爬取的岗位信息进行整合，对获取的用户信息、岗位信息、用户行为信息进行预处理； 步骤2：对预处理后的数据，进行one-hot向量化特征表示，根据数据的特征，对特征向量是高维的进行降维处理； 步骤3：将向量化的用户信息和用户行为交互信息输入到MaxPooling层，之后输入到胶囊网络里的多兴趣提取层，获取用户历史行为的多个兴趣胶囊； 步骤4：将用户特征向量结合多个兴趣胶囊向量经过全连接操作，得到用户最终的多兴趣向量表征； 步骤5：构建改进的对称深度网络模型，将用户多兴趣向量表征输入到改进的对称深度网络模型中；所述改进的对称深度网络模型通过正向MLP操作，得到低维特征映射，每层之间使用Leaky-Relu激活函数，同时加入横向连接，将正向的MLP结果输入到反向MLP中进行高维特征关系捕捉； 步骤6：搭建动态细粒度多特征交互模块，将用户行为特征信息输入到Transformer的改进Encoder模块中，所述改进Encoder模块将原始的Transformer中的encoder里layernormalization层由post_LN改为Pre-LN，将输出结果与岗位特征进行交互操作，结果输入到Attention机制中，之后输入到MLP中进行线性映射； 步骤6.1：首先输入用户行为特征信息到LayerNorm层，公式如下： γ和β是反向传播的超参数，μ和σ是输入矩阵的平均数和方差，∈防止分母为0的偏正因子，lb对应用户行为信息的归一化网络层输出，eb是向量化的用户行为交互信息； 步骤6.2：将网络层结果输入到Transformer的改进encoder模型中的多头自注意力模型中，进行FFN操作，得到交互的表征hl，直接与岗位的表征ei拼接，获得用户不同行为特征的表征Vl，得到下式： Vl＝Concatei,hl 步骤6.3：将输出的结果Vl作为Attention机制的输入，对不同时间的交互行为计算偏好权重，公式如下： 其中，θ得分函数，αl用户行为偏好权重，为偏差因子，Wl为权重矩阵，Relu为激活函数，L表示用户行为的总个数； 步骤6.4：获得权重之后，对表征进行加权Rib，之后输入到MLP层线性映射，获得更加细粒度的特征信息，输出最终的特征表示： 其中，Rib为岗位和用户行为信息细粒度交互的特征表征； 步骤7：将对称深度网络模型与动态细粒度多特征交互模块的输出，进行SoftMax操作，得到最终的预测推荐结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人淮阴工学院，其通讯地址为：223000 江苏省淮安市经济技术开发区枚乘东路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。