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！

龙图腾网获悉西安电子科技大学申请的专利一种基于图神经网络和协同注意力机制的双向就业推荐系统及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：CN119578455B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202411732403.5，技术领域涉及：G06N3/042；该发明授权一种基于图神经网络和协同注意力机制的双向就业推荐系统及方法是由冯军美;杨佳睿;苗启广;李书春;赵耀民;王俊泽;计钟;郗岳设计研发完成，并于2024-11-29向国家知识产权局提交的专利申请。

本一种基于图神经网络和协同注意力机制的双向就业推荐系统及方法在说明书摘要公布了：本发明属于推荐系统领域，公开了一种基于图神经网络和协同注意力机制的双向就业推荐系统及方法，针对现有就业推荐方法在候选人不同工作经验对特定职位需求贡献度上的区分不足、缺少对招聘者经验的考量等局限性，本发明做出如下创新：1构建双视角异构图，将求职和招聘双方的选择偏好分别建模为主动和被动选择节点，从而捕捉双向互动关系；2设计分层能力感知模块，利用多层注意力机制解析职位要求与候选人经历间的匹配度，增强了对细粒度特征的理解；3引入协同注意力机制，通过映射招聘者的历史招聘经验到当前场景，优化推荐的适应性与精确性。该发明能够更全面地建模招聘过程中的双向选择行为，显著提升就业推荐的准确性。

本发明授权一种基于图神经网络和协同注意力机制的双向就业推荐系统及方法在权利要求书中公布了：1.一种基于图神经网络和协同注意力机制的双向就业推荐系统，其特征在于，包括： 节点初始化模块：结合偏好嵌入和文本嵌入，对每个节点进行初始化，并通过分层能力感知功能进一步提取文本嵌入，以获得候选人工作经历的对特定职位需求的不同贡献度，最终得到初始表示具体执行操作如下： 步骤1.1：偏好嵌入，在初始阶段采用随机生成的方式，以便模型在训练过程中逐步调整嵌入，使其更贴近数据中的真实偏好模式；具体而言，通过查找表操作为双视角异构图中的每个节点生成偏好嵌入； 步骤1.2：文本嵌入，使用BiLSTM模型对职位描述和简历中的词级别进行建模得到职位需求文本表示和候选人能力表示在获得词级表示后，通过分层能力感知功能进一步提取更高层次的表示，以区分候选人不同工作经验对特定职位需求的贡献度； 步骤1.3：将步骤1.1～步骤1.2中的偏好嵌入表示和文本嵌入表示融合作为节点n的初始表示 步骤1.2中，所述分层能力感知执行如下操作： 步骤2.1：对职位需求的单一能力进行感知，首先基于BiLSTM模型提取的职位需求文本表示进行注意力计算，评估职位描述中不同语义片段的重要性，得到权重αl,t；然后通过softmax归一化处理后加权求和，得到该职位需求的综合表示有效提取了职位需求中每个能力需求的关键语义信息； 步骤2.2：对职位需求的多能力进行感知聚合，将所有职位的能力需求表示输入BiLSTM模型，以建模能力需求的顺序信息并生成职位的隐藏状态表示然后，通过添加注意力层计算每个能力需求的重要性，并通过softmax归一化得到权重βt，最终对不同需求的隐藏状态进行加权求和，得到职位的整体需求表示gJ，该步骤通过赋予各能力需求不同权重来生成职位的综合需求表示； 步骤2.3：针对候选人经历的单一能力感知，首先，基于BiLSTM模型提取的候选人能力表示结合特定职位需求jk的单一能力感知表示，利用协同注意力机制计算候选人经历中每个词的权重接着，通过softmax函数得到注意力权重γl′,k,t′，以衡量每个词对该职位需求的贡献；最后，对加权的词表示求和，得到候选人针对职位需求jk的单一经历表示从而筛选出简历中与特定职位需求相关的关键信息； 步骤2.4：对候选人经历的多能力感知进行聚合处理，首先对每段候选人经历的表示进行均值池化，生成每段经历的语义表示接着，使用BiLSTM模型将这些语义表示串联起来，生成候选人经历序列的隐藏状态随后，计算每段经历的隐藏状态的重要性分数并通过softmax函数获得注意力权重δt，最终，基于权重加权求和得到候选人的综合表示gR，全面整合候选人的所有经历信息，以形成整体的能力表示； 双视角异构图构建模块：节点初始化模块将节点初始化后，通过创建双视角异构图，将候选人和职位节点分别分为主动选择节点和被动选择节点，并根据双向互动建立边，从而细致建模招聘中的双向选择行为； 双视角偏好学习模块：使用图卷积网络传播节点偏好信息，通过双视角交互关系更新双视角异构图构建模块构建的节点表示，捕捉候选人和职位间的多层次互动特征，得到双方的最终被动节点表示和初步的主动节点表示； 招聘经验学习模块：引入协同注意力机制，将历史招聘经验融入当前场景，优化双视角偏好学习模块更新后的初步主动节点表示，从而进一步优化职位与候选人的匹配精度与推荐效果，即双方的最终主动节点表示； 预测和模型优化模块：在预测阶段，计算候选人和职位间的双向选择意图，根据招聘经验学习模块优化得到的双方的最终节点表示分别通过内积公式得到候选人对职位的选择意图ri→k和职位对候选人的选择意图sk→i，并综合两者计算匹配分数在模型优化阶段，采用扩展的BPR四元组损失函数，通过对比匹配分数与未匹配得分的偏序关系进行优化，提升匹配预测的准确性。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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”。

以上内容由龙图腾AI智能生成。