携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第31天，点击查看活动详情
总结
为实现基于Neo4j图数据库的职位推荐系统，我们首先从知识图谱以及推荐系统国内外的研究现状开始，又深入的探讨了知识图谱构建方式，以及目前基于知识图谱的推荐算法。在对其进行研究分析之后，开始构建职位知识图谱以及设计合适的推荐算法，再从用户的角度出发，分析高校毕业生的需求，设计实现相应的需求模块，将实现的效果进行展示。
该项目的目标是改进当前推荐系统推荐准确度、推荐效率等问题，通过构建职位知识图谱进行推荐，开发一个简洁高效的高校毕业生职位推荐平台，让每位毕业生精准的获取到适合自己的职位招聘信息，提高毕业生的求职效率以及职位满意程度，减缓学生的求职压力。首先利用爬虫在热门的求职网站上获得大量的职位信息，在Neo4j图表库中建立职位知识图谱，将知识图谱三元组嵌入向量空间，然后融合计算求职者简历信息与职位之间的相似度以及基于用户评分数据的职位相似度，来为用户选择更加合适的职位信息，解决传统推荐系统存在的数据稀疏和冷启动问题。
展望
基于知识图谱的推荐算法发展非常迅速，目前已经和很多神经网络进行了结合，在本次项目中也去学习了很多利用知识图嵌入任务来辅助推荐任务的深度端到端框架，但是由于缺乏完整的高校毕业生的就业数据以及他们个人的基本情况，很难去训练模型，数据匮乏模型也难以得到准确的推荐结果，所以最终放弃了在这个系统里使用。但是MKR模型通过再真实世界的大量数据证明在电影、书籍、音乐和新闻推荐方面有着出色的推荐效果，即使用户与项目交互很少也可以得到很优秀的实验效果，所以在未来如果有完整且大量的就业数据，使用MKR模型一定可以进一步的提高职位推荐的精准度。
