基于多种算法策略分桶测试的兼职岗位推荐系统

技术领域

本发明涉及数据读取处理应用领域，具体涉及一种基于多种算法策略分桶测试的兼职岗位推荐系统。

背景技术

当前招聘行业正经历快速发展和变革，一方面，随着互联网和全民创业的浪潮涌现，各个行业都面临产业升级，企业的竞争重点在于人才的竞争，而人才招聘则成为各家企业的头等大事。兼职岗位属于灵活用工范畴，相对比较特殊。不仅岗位类型多种多样、工作周期短，技能和经验等要求与普通的全职岗位也有很大不同，所以为了做出最好的兼职岗位推荐效果就需要根据不同的用户特征和岗位特征建造不同的算法模型，但是如何对各算法模型进行测试以提高推荐服务器岗位推荐的匹配度成为了本领域技术人员亟待解决的问题。

发明内容

本发明的目的在于，提供一种基于多种算法策略分桶测试的兼职岗位推荐系统。本发明可以保证推荐服务器的推荐效果，具有推荐报名率高的优点。

为解决上述技术问题，本发明提供的技术方案如下：基于多种算法策略分桶测试的兼职岗位推荐系统,包括推荐服务器，推荐服务器连接有多个端口，每个端口对应不同的兼职岗位业务需求；所述推荐服务器内设有白名单策略和多端口分桶流量策略；所述多端口分桶流量策略配置有多个算法桶，每个算法桶配置有不同的算法策略；其中一个桶接收白名单策略指定的用户请求；

每个端口的用户请求首先通过推荐服务器的白名单策略进行判断，若是白名单用户则进入指定接收白名单策略的算法桶中，若不是白名单用户则通过多端口分桶流量策略进行处理，多端口分桶流量策略按照初始流量比例将用户请求分配到相应的算法桶中，通过算法桶中的算法策略输出推荐结果，然后将每个推荐结果做上标识后上传至埋点系统，通过对埋点系统的埋点数据进行分析，从而测试出每种算法策略的推荐效果，再根据推荐效果来调整多端口分桶流量策略以应对不同端口的用户请求以及调整白名单策略中白名单用户列表，形成推荐系统的最优推荐。

上述的基于多种算法策略分桶测试的兼职岗位推荐系统，根据推荐效果来调整多端口分桶流量策略以应对不同端口的用户请求具体是将各端口进入的用户请求对应进入到推荐效果最好的算法桶中。

前述的基于多种算法策略分桶测试的兼职岗位推荐系统，各算法桶上传到埋点系统的推荐结果形成数据集，数据集通过实时处理框架fink进行分析对比，达到快速得到每种算法策略的推荐效果。

与现有技术相比，本发明每个端口的用户请求首先通过推荐服务器的白名单策略进行判断，若是白名单用户则进入指定接收白名单策略的算法桶中，若不是白名单用户则通过多端口分桶流量策略进行处理，多端口分桶流量策略按照初始流量比例将用户请求分配到相应的算法桶中，通过算法桶中的算法策略输出推荐结果，然后将每个推荐结果做上标识后上传至埋点系统，由于与用户匹配度更高的岗位往往更能促进用户报名，通过对埋点系统的埋点数据进行分析，决策出推荐算法策略在不同兼职岗位推荐上的优劣，从而测试出每种算法策略在兼职岗位推荐上的推荐效果，由此可以及时针对性根据推荐效果来调整多端口分桶流量策略以应对不同端口的用户请求以及调整白名单策略中白名单用户列表，形成推荐系统的最优推荐，从而更好地提升推荐出的岗位与用户的匹配度，同时也更好地提升了给用户推荐的岗位的转化率。本发明基于多种算法策略分桶测试的兼职岗位推荐，既包含对兼职岗位推荐算法策略的普通的分桶测试，又包含一种基于用户维度的白名单机制，能够对兼职岗位推荐服务器中多种不同的算法策略的推荐效果进行分桶测试比对，从而在后续能够实时兼职岗位推荐系统的算法策略，降低了某种表现不好的算法策略推出匹配较低的岗位列表引起用户体验不好的风险，能够快速选择出较好的算法策略，提高了兼职岗位与用户的匹配度，保证了推荐服务器的推荐效果和智能化。

附图说明

图1是本发明的流程示意图。

具体实施方式

下面结合实施例和附图对本发明作进一步的说明，但并不作为对本发明限制的依据。

实施例：基于多种算法策略分桶测试的兼职岗位推荐系统，如图1所示，包括推荐服务器，推荐服务器连接有多个端口，该端口包括安卓APP端口、iOS APP端口、支付宝小程序端口、微信小程序端口等，由于兼职岗位商家的需求不同，因此每种端口形成的业务形态具有不同区别。所述推荐服务器内设有白名单策略和多端口分桶流量策略。白名单策略的实质是为某种算法策略绑定一个白名单列表，属于这个白名单列表的用户会进入到该种算法策略的逻辑中来，白名单可以以配置的方式形成，也可以通过Kmeans等聚类算法根据用户画像进行用户聚类，然后将某一类人群与某种算法策略的白名单进行绑定，这样在用户请求进入后就能精准地将白名单中的用户请求路由到与之绑定的算法策略中去。在现有的推荐系统中，由于多端口分桶流量策略是按照设备id进行hash后使用MT19937随机算法随机打散得到一个随机数对分桶的总数取模的方式进行分桶路由的，因此它没有办法精准地实现将某一种算法策略只对某一类人群生效的效果，因此当一种新的算法策略推出后，在上线初期会无法预知这种算法策略的好坏，这时候就需要将该算法策略精准地只针对某一类人群生效，小范围观察一段时间之后再与老的算法策略进行多端口分桶流量策略的测试，从而实现互补。所述白名单策略的用户是一份“已知为良好”的实体名单，包括具有相关电子邮件、联系方式和个人简介的新用户、VIP用户或测试人员等等，具体可以根据实际所需进行列表；所述多端口分桶流量策略配置有多个算法桶，每个算法桶配置有不同的算法策略。其中多端口分桶流量策略的原理是：1.先对需要进行推荐算法测试比对的业务场景进行配置，也就是兼职推荐场景下的端口和页面，以对不同业务场景之间进行有效隔离；2.对需要进行比对测试的算法策略进行配置，例如常用的LightGbm模型算法策略和LR模型算法策略进行效果比对，需要将这两种算法策略加入到的分桶配置中来；3.确定每种算法策略的流量比例，总的桶数为100个，如LightGbm模型算法策略占20的流量，即拥有20个桶，LR模型算法策略占80的流量，即拥有80个桶(由于在兼职推荐多端口这种特殊的业务场景下每种新的算法策略会造成什么样的影响前期无法评估，所以只能先给新的算法策略部分流量来进行初试，当这种算法策略不会造成太大影响时调整成50和50来进行对比，能在一定程度上规避风险)；4.对用户请求的设备id进行hash之后作为seed传入到MT19937随机算法中得到一个随机值，使用该值对100取模，结果为0-19的会被路由到LightGbm模型的算法策略中结果为20-99的被路由到LR模型的算法策略中。

每个端口的用户请求进入后会先判断是否会触发该端口的白名单策略，如果触发白名单策略则白名单用户进入指定接收白名单策略的算法桶中；若没有触发白名单策略则通过多端口分桶流量策略进行处理，多端口分桶流量策略按照初始流量比例将用户请求分配到相应的算法桶中，通过算法桶中的算法策略输出推荐结果，然后将每个推荐结果做上标识后上传至埋点系统，通过对埋点系统的埋点数据进行实时分析，从而实时测试出每种算法策略在对应端口和页面上的推荐效果，再及时根据推荐效果来调整多端口分桶流量策略的比例形成推荐系统的最优推荐。在本实施例中，白名单策略和多端口分桶流量策略可以分开使用，也可以组合在一起使用。使用白名单策略的场景主要是在对某个兼职端口上的算法策略进行优化时，需要率先让某一类人先来试用下该算法策略，这就需要将这类人的请求精确定位到某种算法策略上，此过程可以方便开发或测试人员得到对推荐服务器某个算法策略的推荐效果，进而方便进行后续推荐服务器的优化和开发。使用多端口分桶流量策略的主要场景是需要对某些端口进行算法策略效果比对时，能同时对多个端口进行算法策略效果比对优化并快速得到最适合某个端口的算法策略。

具体过程如图1所示，该推荐服务器连接有三个端口，分别为安卓APP端口、iOSAPP端口和小程序客户端，且具有三个算法桶，分别为算法桶A(以下简称A桶，配置有A算法策略)，算法桶B(以下简称B桶，配置有B算法策略)和算法桶C(以下简称C桶，配置有C算法策略)，本实施例中只为A桶配置了用户白名单。以安卓APP端口的用户请求为例，假如安卓APP端口对应的人群为较低收入的人员，对应兼职岗位需求如搬运、外卖、配送等，首先安卓APP端口的用户请求通过API网关进入推荐服务器，通过推荐服务器中白名单策略进行判断，若是白名单用户(例如新注册用户、VIP用户等)，则将白名单列表中的用户直接分配到算法桶A，执行A桶对应的推荐算法策略。剩余的用户请求通过流量分桶策略按照初始流量比例再分配到A桶、B桶和C桶中，在初始状态下，每个桶的流量比例可以是相同的也可以是不同(流量调整比例是根据具体的推荐效果来的，比如起初该端口的算法策略为A，后来又准备增加算法策略B和算法策略C，由于不确定B和C的效果会怎么样，会先各给10％的流量进行分桶测试，一段时间后发现B的效果比较好后会相应地从A那里划分来10％的流量给到B。如果B和C的推荐效果一直比不上A，那么可能需要针对这两种策略进行相应的优化，而不会增加相应的分桶流量了)。进入A桶的用户请求会使用A算法策略进行兼职岗位推荐，进入B桶的用户请求会使用B算法策略进行兼职岗位推荐，进入C桶的用户请求会使用C算法策略进行兼职岗位推荐。A桶、B桶和C桶中三个算法策略推荐出来的岗位列表除返回给前端外，会分别打上相应桶标识上报到埋点系统中，各算法桶上传到埋点系统的推荐结果形成数据集，数据集通过实时处理框架fink进行分析对比，找到兼职岗位推荐报名转化率高的算法桶(例如算法桶A)，然后调整流量分配策略，将安卓APP端口进入的用户请求指定进入到该推荐效果最好的算法桶A中，同理，假如iOS APP端口对应的人群为中等收入的人员，对应兼职岗位需求如模特、摄影、网红等，根据上述步骤后，测试出对该端口进入的用户需求具有最好推荐效果是算法桶B，假如小程序端口对应的人群为学生家庭主妇等人群，对应兼职岗位需求如打字员、传单发送员等，根据上述步骤后，测试出对该端口进入的用户需求具有最好推荐效果是算法桶C,由此经过分桶测试后调整多端口分桶流量策略，使得各端口进入的用户请求对应进入到推荐效果最好的算法桶中。同时，白名单用户也是采用埋点系统的数据分析来获取不同端口不同算法策略的推荐效果，调整手段为调整白名单策略，该白名单策略的调整是通过调整白名单策略中的白名单用户列表来进行，从而测试出最适合当前场景的算法桶分配流量和白名单用户列表的推荐系统。

进一步地，本发明还可以在每个算法桶绑定相应的人群标签和/或城市标签，在多端口流量分桶模式下，可以针对某个端口下特定人群和/或城市来进行针对性地进行算法策略比对测试，从而确定出最适合这个端口、这个人群和/或城市的兼职岗位算法策略，既可以全方位地进行不同推荐算法对具有人群标签和/或城市标签的推荐效果表现的对比，又可以精确到特定人群、特定城市范围内对几个推荐算法推荐效果进行对比。

综上，本发明基于多种算法策略分桶测试的兼职岗位推荐，既包含对兼职岗位推荐算法策略的普通的分桶测试，又包含一种基于用户维度的白名单机制，能够对兼职岗位推荐服务器中多种不同的算法策略的推荐效果进行分桶测试比对，从而在后续能够实时兼职岗位推荐系统的算法策略，降低了某种表现不好的算法策略推出匹配较低的岗位列表引起用户体验不好的风险，能够快速选择出较好的算法策略，提高了兼职岗位与用户的匹配度，保证了推荐服务器的推荐效果和智能化。