HRGraph: 利用大型语言模型(LLMs)构建基于信息传播的HR数据知识图谱与职位推荐

基于知识图谱的职位推荐系统的设计与实现 在职位推荐系统中,实体可以包括职位、公司、技能等,而关系可以包括职位与公司的关联、职位与技能的关联等。基于知识图谱的职位推荐系统可以提供更加智能和精确的职位推荐服务。通过收集和预处理数据构建知识图谱,并设计推荐算法和用户界面,可以实现一个完整的职位推荐系统。通过利用知识图谱技术,我们可以构建一个更加智能和精确的职位推荐系统。本文将介绍如何设计和实现基于知识图谱的职位推荐系统,并提供相应的源代码。通过定义实体和关系的节点和边,可以将数据存储在图数据库中,并建立它们之间的关系。 阅读详情

知识图谱(KGs)作为语义网络,在管理不同领域复杂互联数据方面表现出极高的有效性,通过提供统一、上下文化和结构化的表示,具有灵活性,能够轻松适应不断发展的知识。在处理复杂的人力资源(HR)数据时,知识图谱可以帮助实现不同的人力资源功能,如招聘、职位匹配、识别学习差距和增强员工留存。尽管其潜力巨大,但在实施实际的人力资源知识图谱方面的努力有限。本研究通过提出一个框架,旨在有效地从文档中利用大型语言模型开发人力资源知识图谱,从而填补这一空白。生成的知识图谱可用于多种下游任务,包括职位匹配、识别员工技能差距等。在本研究中,我们展示了人力资源知识图谱在精确职位匹配中的重要作用,为雇主和员工带来了优势。来自知识图谱和图神经网络的信息传播实验的实证证据,以及案例研究,强调了知识图谱在职位和员工推荐、职位领域分类等任务中的有效性。代码和数据可在以下链接获取:https://github.com/azminewasi/HRGraph

1 引言

知识图谱(KG)是一个存储现实世界实体及其关系的语义网络。它使用表示对象、地点或个人的节点,通过定义关系的边连接这些节点。它可以整合多样化的数据,通过链接和语义元数据对信息进行上下文化,并保持灵活性,能够无缝适应动态知识的变化。

图片图1:我们HRGraph的整体框架。它涉及将从HR文档中提取的文本数据通过大型语言模型(LLM)传递,以获取实体和实体类型,这些实体和类型用于构建一个基础知识图谱,并可选地使用BERT嵌入作为节点特征。

知识图谱在管理HR数据方面可以非常有效,将多种来源整合成统一的结构化表示。这对于招聘和职业路径规划等应用至关重要。通过将数据与语义元数据链接,知识图谱可以防止误解,特别是在员工技能映射和发展方面。它们的灵活性使得在各种HR职能中轻松适应新数据和需求成为可能。知识图谱提高了招聘的精准度、技能和职业映射,优化了招聘流程,识别学习差距,改善留任策略,并促进组织知识共享。对于员工而言,知识图谱提供了更好的职位搜索和推荐,从他们的角度提供了强有力的支持。

在本研究中,我们介绍了一个名为HRGraph的框架,旨在从各种HR文档(如职位描述(JD)和简历(CV))构建HR知识图谱。我们通过两个实际示例作为下游任务来说明该框架的实用性:使用HR知识图谱进行员工和职位推荐。我们的方法采用大型语言模型(LLM)来识别和提取多样化的实体,然后使用预训练的BERT提取节点特征,形成知识图谱,并进行一些后处理。生成的知识图谱可以用于不同的下游任务。在这项工作中,我们将其用于有效的职位匹配和分类,以满足雇主和员工的需求。其基本思想是公司JD和员工CV或个人资料应共享匹配的实体,如技能、经验和教育(提案的示意图见图2),以便在求职和员工搜索场景中促进全面和准确的职位匹配。

图片图2:使用HR知识图谱进行职位匹配和推荐框架的概述。利用公司JD和员工简历或个人资料应共享匹配实体(如技能、经验和教育)的直觉,我们可以从知识图谱中匹配、查找和推荐员工。另一方面,利用包含多种职位描述的知识图谱,我们可以使用求职者的技能、教育和其他因素来找到合适的职位进行推荐。

2 相关工作

2.1 知识图谱的应用

知识图谱展示了其多功能性,在语义搜索、问答系统和推荐系统等应用中表现出色。它们的结构化表示增强了搜索引擎的结果并定制了建议。知识图谱在自然语言处理(NLP)中至关重要,提升了信息提取能力,并有助于更优的机器学习预测。从企业知识管理到生物医学研究,知识图谱展现了适应性。它们整合了多样化的数据、上下文化以及固有的灵活性,支撑了在医疗人工智能、无线通信网络、搜索引擎和大数据决策分析等不同领域中管理和提取洞察的有效性。知识图谱作为不可或缺的工具,能够无缝导航动态信息环境。我们的工作受到这些知识图谱不同应用的启发。

2.2 HR数据与知识图谱

尽管人力资源知识图谱具有良好的潜力,但在这一领域的努力有限。张等人采用自上而下的方法创建人力资源知识图谱的本体模型。该论文描述了最初建立本体的重要性,并定义了人力资源知识图谱中的实体和关系。崔提出了一个假设,旨在利用基于自然语言处理的语义实体提取构建职位描述知识图谱,但未提供详细的方法或实验。王等人提出了一种基于知识图谱的职位推荐算法,利用词语相似性来寻找推荐。Upadhyay等人使用基于命名实体识别的方法构建知识图谱,以帮助职位推荐。然而,尚未在基于大语言模型的实际场景中实施可触及的人力资源知识图谱,并利用一个图谱进行多个下游任务。

3 方法论

最近在大型语言模型(LLMs)、基于知识图谱的系统和图神经网络(GNNs)方面的发展为所提出的方法论提供了灵感。HR知识图谱利用大型语言模型(LLMs)进行实体提取,并使用预训练的自然语言处理模型来获取节点特征,从而通过利用先进的语言理解能力实现对HR数据的复杂表示。现有文献提出了其他方法,例如基于词相似度的职位推荐和命名实体识别(NER)来构建知识图谱。我们提出的方法通过利用LLMs进行实体提取,并使用BERT进行特征提取(长度为256),提供了一种灵活且全面的方法,解决了实际挑战并支持多种下游任务。

实体提取与精炼。我们首先处理职位描述(JD)或简历(CV)作为HR文档文本 ,使用大型语言模型Gemini。提示信息见B节。这一步骤的结果是从文本中提取出各种实体 ,捕捉实体和关系。随后,我们对实体集 进行后处理,以过滤掉潜在的噪声(例如,知识图谱节点包含超过3个单词或没有命名实体或动词),最终得到一个精炼的实体集 。

关系提取。为了建立这些实体之间的初始连接,我们利用信息拓扑和类型,创建初始连接集 。

节点特征提取。通过使用预训练的BERT模型,我们为每个实体生成特征向量,构建初始特征矩阵 。因此, 表示节点(实体)集合 ,而 包含边(关系)集合 ,其中 和 分别表示节点和边的数量。

知识图谱构建。结合 和 形成我们的知识图谱(KG),记作 。相应的邻接矩阵 的元素 ,如果一条边连接 和 。

每个节点 和每条边 都有相关的映射函数,记作 : 和 。这里, 表示边类型集合,A 是节点类型集合,其中 。如果我们选择使用知识图谱嵌入(KGE),特征向量 可以被排除,节点嵌入可以通过包含拓扑和结构知识的不同KGE模型获得。

4 知识图谱实验

我们从在线招聘门户收集了 和 200 个职位描述,确保简历中包含的个人信息最少,并经过人工审核以保护隐私。职位描述中公开可用的公司信息被保留。然后,数据在招聘门户的过滤器帮助下进行了手动标记,以便进行后续实验。任何类型的个人可识别信息(PII),如姓名、详细地址、电子邮件地址、手机号码等,均经过彻底检查并删除。

该数据集包括针对这些职位的 20 个类别的工作和简历。这些类别包括:信息技术、业务发展、金融、律师、会计、工程、厨师、航空、健身、销售、银行、医疗保健、顾问、建筑、公共关系、人力资源、设计师、艺术、教师、服装。在简历中,每个类别有 10 个,但在职位描述中,IT 和工程类的职位数量更多。

提示在 B 节中提供。虽然核心设计保持不变,但简历和职位描述的提示略有不同,各自针对其特定的模态进行了调整。完整的推理代码和示例可在 GitHub 仓库中找到。

图片图3:我们的简历知识图谱。绿色点表示个人(简历),蓝色点表示技能、教育和其他实体

4.1 可视化知识图谱

利用Gemini工具,我们系统地收集了数据,并构建了两个知识图谱,分别用于简历(CV)和职位描述(JD),作为人力资源知识库,遵循了定义的方法论。为了确保相关性,排除了长度超过4的实体。这些知识图谱(如图3和图4所示)表明,不同工作之间以及所需的技能、教育和经验之间存在巨大的联系。通过利用这些关系,可以完成许多下游任务。

图片图4:我们的职位描述知识图谱。红点代表职位,蓝点代表技能、教育和其他实体。

5 下游任务

5.1 HRGraph上的信息传播

图2提供了我们利用HR知识图谱为求职者或员工提供职位匹配和推荐框架的概述。通过利用职位描述图,我们识别出匹配的技能、教育和经验节点,形成一个包含3跳邻居节点的目标子图。该子图中的节点中心性使我们能够高效地找到并排名所有相关的职位节点。

5.2 任务 01:推荐

信息传播框架预测每个个体的前 个排名职位,使我们能够评估预测的准确性和精确性,从而优化职位推荐。同样,在上述任务中,我们扩展了职位推荐的方法,利用简历知识图谱根据匹配的技能、教育和经验识别员工。 表示随机推荐, 表示直接使用 LLM 实体进行前 5 个推荐的职位推荐。表 1 显示知识图谱信息传播和排名可以提供非常强的推荐,并且具有良好的准确性。案例研究见附录 A。

5.3 任务 02:职位领域分类

在此任务中,我们使用基于知识图谱的职位领域分类,采用两种基本的流行图神经网络(GNN):GCN 和 GAT。我们将结果与传统和常用的深度学习模型进行了比较。表 2 显示,基于知识图谱的 GNN 模型的效果与其他模型相当,且略有优势。更多细节请参见附录 A。

6 讨论

我们相信,将人力资源数据转化为知识图谱在塑造人力资源数据收集、管理和利用的未来方面具有巨大的潜力。通过将人力资源数据设想为这个互联的图谱,组织可以解锁前所未有的洞察,简化招聘流程,识别人才缺口,并促进员工成长。这种方法不仅增强了决策能力,还为一个动态和适应性强的人力资源生态系统铺平了道路,从而推动组织在不断变化的环境中的成功。

7 结论

本研究提出了一个框架,利用大规模语言模型(LLMs)和图神经网络(GNNs)从文档中构建人力资源知识图谱,作为不同人力资源任务的知识基础。所生成的知识图谱增强了多种人力资源功能,包括职位匹配、职位领域分类等,通过实证证据展示了其有效性,惠及雇主和员工。

限制

该框架的主要限制在于其对大型语言模型(LLMs)的依赖,尽管这些模型功能强大,但可能不可靠且容易产生幻觉。鉴于我们的模型完全依赖LLMs进行实体提取,我们观察到它们在某些情况下偏离了提供的指令。此外,可以设计一个更复杂的职位匹配算法。未来可以对此进行进一步研究。

伦理考虑

在进行本研究时,严格遵循伦理指南,以确保使用数据的个人的隐私和机密性。主要关注点是以极大的谨慎处理个人可识别信息(PII),以保护所有个人的身份和隐私。

数据匿名化。为了保护隐私,所有个人可识别信息,如姓名、详细地址、电子邮件地址和手机号码,均被仔细识别并从数据集中移除。此过程涉及彻底检查,以确保没有可追踪的信息留下,可能识别任何个人。

同意和许可。原始数据集是在获得适当许可并遵守相关数据使用协议的情况下访问的。通过遵守这些协议,我们确保数据在其预期目的范围内使用,尊重数据收集时的条件。

隐私保护。在本研究中,所使用的数据集是从现有的简历集合中整理而来,确保所有个人可识别信息(PII)被仔细移除,以维护隐私并遵循伦理指南。原始数据源是在获得适当许可的情况下访问的,并应用了严格的匿名化技术,以消除任何身份痕迹。

安全数据处理。在数据整理和分析过程中,实施了安全的数据处理实践。这包括使用加密存储解决方案,并限制对数据的访问,仅限于那些需要进行特定研究任务的团队成员。这些措施对于防止未经授权的访问和潜在的数据泄露至关重要。

数据的伦理使用。研究团队致力于以伦理方式使用数据,确保分析和解释公正且不偏不倚。数据仅用于本研究的目的,而不用于任何商业或剥削性活动。此外,研究结果以保护数据集中个人匿名性的方式进行报告。

透明性和问责制。在整个研究过程中,保持了方法的透明性和过程的问责制。详细记录了我们的数据处理和匿名化程序,确保采取的保护隐私的步骤可以在必要时由外部方进行审查和验证。

实验细节

A.1 实施细节

TF-IDF 向量化器:该模型采用了一个 n-gram 范围为 1 到 5 的 TF-IDF 向量化器,以捕捉多样的词组合,并将最大特征限制设置为计算得出的词汇大小。词汇大小的确定为数据的均值加上三倍的标准差,以确保相关术语的全面表示。此外,排除了英语停用词,以便在向量化过程中专注于有意义的内容。

传统模型:在从 TF-IDF 向量化器获取向量后,我们使用不同的方法进行分类。LogR 代表逻辑回归,DecT 代表决策树, 代表随机森林,GBC 代表梯度提升分类器。逻辑回归采用 L1 正则化,使用 ‘liblinear’ 求解器。决策树分类器的最大深度限制为 5。随机森林分类器由 50 棵决策树组成,并使用固定的随机状态以确保可重复性。梯度提升分类器结合了 50 个弱学习者的集成。

MLP:MLP 模型是一个简单的前馈神经网络,具有多个隐藏层,包括每层的 dropout 正则化。它由完全连接的层组成,维度从 2048 逐层减半到 64,所有层均使用 ReLU 激活函数。输出层采用 softmax 激活函数进行多类分类。

Transformer:该 transformer 模型与 AutoML 和 Hugging Face Transformers 库集成,利用 AutoTokenizer 对文本数据进行预处理。使用 Auto Model For Sequence-Classification 类,并配置 distilbert-base-uncased 模型,以处理与训练数据中的类对应的多个唯一标签的序列分类任务。

基于图神经网络的模型:使用的 GCN 和 GAT 模型均为 Pytorch Geometric 库中的默认模型,具有 64 个隐藏通道和 4 层。微调 GNN 将改善结果。

A.2 案例研究

在简历编号92中,这是一个销售人员的简历。它与职位描述图中的匹配实体包括:’会计’,’管理’,’Excel’,’办公室’,’外观’,’Microsoft Word’,’政策’,’销售’,’SAP’,’时间管理’。前五个匹配的职位描述是:150, 84, 103, 123, 163。它们的标签分别是会计、销售、销售、金融、销售。虽然该个人的主要专长在于销售,但“会计”技能的包含促使推荐了会计职位。其他技能如“管理”、“Excel”和“政策”也为金融行业的建议做出了贡献。这例证了知识图谱提供细致推荐解释的能力,提供了影响职位建议的多样因素的见解。这对于求职者进行职业转型非常有效。

如果信息是职位描述,请使用以下提示:

您是一位实体提取专家,可以从文本中识别和提取不同类型的实体。以下是职位描述中的一些信息。您的任务是查找并列出所有信息实体,如教育(学位要求)、技能(职位所需技能)、资格(技能)、经验(动词和名词)以及任何其他对职位重要的有用标记,并将它们以列表形式分享,其中实体用逗号分隔。不要写其他内容。仅以字典(JSON)形式列出小实体,实体之间用逗号分隔。每个实体只能包含1-2个单词。

<插入职位描述文本在这里>

这是预期输出的示例:

“教育”: [“ABC大学”, “CGPA 3.00”, “计算机科学与工程”, “学士学位”], “技能”: [“C”, “Python”, “R”, “机器学习”, “沟通”, “团队合作”], “经验”: “ABX信息技术”: [“团队管理”, “助理经理”], “技术”: [“经理”, “高级工程师”, “AWS”]

B 提示

如果信息是简历,请使用以下提示:

您是一位实体提取专家,可以从文本中识别和提取不同类型的实体。以下是一些来自简历的信息。您的任务是查找并列出所有信息实体,如教育(学位、成绩、学校名称)、技能(个人拥有的技能)、资格(技能)、经验(动词和名词)以及任何其他对工作重要的有用标记,并以列表形式分享它们,实体之间用逗号分隔。不要写其他内容。仅在字典(JSON)中以逗号分隔的小实体。每个实体只能包含1-2个词。

​

如何学习AI大模型?

作为一名热心肠的互联网老兵,我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!

img

二、640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img

四、AI大模型商业化落地方案

img

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。

人力资源知识图谱搭建及应用 背景介绍 人力资源行业其实是做关于人的决策的数据密集型行业,其中的传统数据就包括简历、JD、面试评价、绩效等。随着时代和技术的发展,对数据的处理已经从简单人工处理进入到了人工智能技术的应用,而知识图谱则能把这些数据连接起来,挖掘其中更多价值,帮助企业管理层及HR们更明智的做出关于人的决策。 什么是知识图谱? 在互联网时代,搜索引擎是人们在线获取信息和知识的重要工具。当用户输入一个查询词,搜索引擎会... 阅读详情

相关推荐

基于知识图谱的大学生就业能力评价和职位推荐系统——岗位推荐与招聘推荐部分:

招聘公司节点与招聘历史节点之间建立“发布过职位”关系,记录公司的招聘历史。招聘岗位节点与技能节点之间建立“需要技能”关系,明确职位对应的技能要求。用户节点与招聘岗位节点之间建立“匹配”关系,记录用户与招聘岗位的匹配度。招聘公司节点与行业节点之间建立“属于行业”关系,标明公司所属的行业领域。用户节点与培训资源节点之间建立“参与培训”关系,记录用户参与的培训信息。职位与职位描述之间的关系:职位描述详细说明了职位的技能和资格要求。职位与职位链接之间的关系:职位链接提供了更多关于该职位的信息。

m0_62848914的博客 2814

大学生就业服务网站-职位推荐算法-招聘发布企业认证审核-计算机毕业设计基于javaWebSSMspringboot框架idea开发工具asp.net和PHP

本文讲述了一个大学生就业服务网站的开发过程 它的部分数据库表摘录如下 其中部分关键的代码摘录如下 最终的界面演示截图

计算机程序开发设计 592

基于知识图谱的职位推荐系统代码

基于知识图谱的职位推荐系统通常包括以下步骤: 数据预处理: 对职位描述、用户简历等文本信息进行分词、词性标注、去停用词等预处理步骤。 知识图谱构建: 将职位描述、用户简历中的实体和关系抽取出来,并建立知识图谱。可以使用工具如 Stanford CoreNLP、Baidu NLP 和 OpenIE 等来帮助提取实体和关系。 知识图谱查询: 通过使用 SPARQL 或其他类似的语言,在知识图谱中...

weixin_42601134的博客 910

人力资源系统与大模型的结合点与场景一览

人力资源系统与大模型的结合正推动HR管理数字化转型。大模型可应用于招聘(智能生成职位描述、简历筛选)、入职培训(个性化计划、虚拟导师)、绩效管理(目标设定、职业规划)、员工体验(智能助手、情绪分析)等全流程。同时支持HR数据分析、合规审查等决策工作。尽管能显著提升效率,仍需平衡自动化与人性化,关注数据隐私与算法公平性。未来HR专业人员需转型为"人机协作"战略伙伴,在保持人文关怀的同时充分利用AI优势。

FreeAiHR的博客 1035

知识图谱在e成科技人才搜索引擎中的应用

背景介绍 人才搜索引擎是e成科技企业服务中的重要组成部分,为用户提供人才库搜索服务。e成科技早期的搜索引擎主要依赖于term weight、bm25等传统的信息检索相关技术,在语义匹配方面相对薄弱,而随着e成科技人力资源知识图谱的落地,搜索引擎引入知识图谱相关数据在效果上获得较大提升。 知识图谱 e成科技的知识图谱主要组成部分是实体(entity)和实体间关系,实体类型主要有职能、技能和行业等, ...

ifchange的博客 1296

人力资源知识图谱的构建和应用

在人力资源管理中,可以将员工、部门、职位、技能等作为实体,将员工与部门的关系、员工的技能与职位的要求等作为关系,将员工的个人信息、培训记录、绩效评估等作为属性,构建一个全面而丰富的人力资源知识图谱。通过构建全面而丰富的知识图谱,可以实现对组织结构、人才管理、绩效评估、招聘与人才储备等方面的深度分析和优化。根据定义的模型和结构,将数据映射到相应的实体、属性和关系上,逐步构建人力资源知识图谱。可以通过分析员工的离职数据,找出潜在的问题和改进点,采取相应的措施,减少员工的离职率和流失情况。

StnIot的博客 843

知识图谱架构(Knowledge Graph)

1. 前言 从一开始的Google搜索,到现在的聊天机器人、大数据风控、证券投资、智能医疗、自适应教育、推荐系统,无一不跟知识图谱相关。它在技术领域的热度也在逐年上升。 本文以通俗易懂的方式来讲解知识图谱相关的知识、尤其对从零开始搭建知识图谱过程当中需要经历的步骤以及每个阶段需要考虑的问题都给予了比较详细的解释。 知识图谱( Knowledge Graph)的概念由谷歌2012年正式提出,旨在...

赵英超的博客 2万+

自动化简历生成中的知识图谱构建对话生成与用户画像分析

《自动化简历生成中的知识图谱构建、对话生成与用户画像分析》 关键词 知识图谱、对话生成、用户画像、自动化简历生成、机器学习、自然语言处理、人工智能 摘要 本文深入探讨了自动化简历生成技术中的三个核心组成部分:知识图谱构建、

AI天才研究院 1270

知识图谱的应用

知识图谱的应用  雪姬 2015-12-07 13:13:18 今日话题 评论(0) 作者:普惠金融信息服务(上海)有限公司 大数据中心 首席科学家  李文哲 知识图谱 (Knowledge Graph) 是当前的研究热点。自从2012年Google推出自己第一版知识图谱以来,它在学术界和工业界掀起了一股热潮。各大互联网企业在之后的短短一年内纷纷推出了自己的知识图谱产品以

lionzl的专栏 2681

知识图谱在人力资源领域的应用:招聘与职业规划

1. 背景介绍 1.1 人力资源领域的挑战 在当今竞争激烈的市场环境中,企业对人力资源的需求越来越高。招聘和职业规划是人力资源管理的两个重要方面,它们对企业的成功至关重要。然而,随着技术的发展和市场的变化,企业面临着以下挑战: 大量的招聘信息和求职者信息,难以快速准确地匹

AI天才研究院 562

LLM在人力资源中的应用:AI招聘助手

Large Language Model (LLM), 人力资源 (HR), 招聘助手, AI 驱动的招聘, 自然语言处理 (NLP), 机器学习 (ML) 1. 背景介绍 人力资源 (HR) 部门一直是企业运营中不可或缺的一部分,招聘流程是 HR 工作的核心环节之一。传统的招聘流程

AI大模型应用之禅 1068

基于知识图谱推荐系统

个性化推荐系统作为一种信息过滤的重要手段,是当前解决信息超载问题的最有效的方法之一,是面向用户的互联网产品的核心技术。 推荐系统的任务和难点 按照预测对象的不同,推荐系统一般可以分成两类:一类是评分预测(rating prediction),例如在电影类应用中,系统需要预测用户对电影的评分,并以此为根据推送其可能喜欢的电影。这种场景下的用户反馈信息表达了用户的喜好程度,因此这种信息也叫显式反...

luobailian201308的博客 1万+

使用VS Code创建第一个Flutter工程

你可以使用任意文本编辑器结合命令行工具来开发Flutter应用。然而,我们推荐使用本文介绍的编辑器插件以获取更好的开发体验。这些插件提供了代码补全、代码高亮、widget辅助编辑等功能,以及为项目的运行和调试提供支持。推荐的开发工具有VS Code、Android Studio、IntelliJ。本文将重点介绍如何使用VS Code进行Flutter应用开发。

2501_91373349的博客 2129

一种基于知识图谱的新闻推荐模型

本篇博客参考了2018年WWW会议的paper《DKN: Deep Knowledge-Aware Network for News Recommendation》,即一种引入知识图谱的新闻推荐模型。其实和一般的推荐系统一样,结合目标用户过去一段时期内浏览过的新闻纪录信息,预测该用户是否对某一新闻感兴趣(和阿里淘宝系的商品推荐十分相似)。 首先作者列举了该类问题的3个难点: 1 新闻推荐是一个时效...

guoyuhaoaaa的博客 4486

VMware17安装教程(附安装包)VMware17小白详细一键安装教程

VMware 17.5 是一款强大的虚拟机软件。本安装教程将为您详细介绍VMware17安装教程其下载、安装步骤及验证方法,助您轻松完成安装,开启虚拟化体验。

2501_91538706的博客 2万+

均值场博弈_平均场博弈(mean field game)

The New Big Fish Called Mean-Field Game Theory原文链接http://www.science4all.org/article/mean-field-games/​www.science4all.org主要内容在经典博弈论中,它对附近其他鱼类的行为做出反应。这是非常复杂的,因为不同的鱼类之间会有大量的相互作用。这意味着经典博弈论对应于一长串高度耦合的方程。...

weixin_34773479的博客 3684

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 352

手把手教你用CEFSharp打造防关联指纹浏览器(附完整代码)

本文详细介绍了如何基于CEFSharp框架,从零开始构建一个企业级的防关联指纹浏览器。通过剖析核心架构、多进程隔离实现、动态指纹混淆(如Canvas、WebGL)的实战代码,以及代理集成与性能优化,为跨境电商、广告投放等场景提供了一套可控、安全的开源解决方案。

fern8的博客 967

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 293

Dynamics CRM证书更换

  Dynamics CRM产品一般有两种认证方式。第一种是基于声明的内部访问也就是无证书单纯用账号密码验证。第二种就是联合身份认证,需要安装网站证书。   对于联合身份认证的情况因为需要安装证书,而且证书是有一个一年的有效期,所以运维人员每年都需要进行证书更换的操作。以下就是更换证书的方法及过程。 证书根据申请方式一般也分两种,第一种是自建证书,这种证书是没有机构认证的所以安装上之后网站因为没...

bzpfly的博客 882

Coze智能体实战:接口需求分析和接口调试

AI智能体的需求:能根据接口文档提取接口信息以及设计接口测试点,并进行接口调试返回接口测试结果。

十二测试录 283

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 619

Cesium 实战 26 - 自定义纹理材质 - 箭头流动线(图片纹理)

Cesium 实战 - 自定义纹理材质 - 箭头流动线(图片纹理)。

非科班Java出身GISer的博客 1406
上一篇: 多模态大模型如何改变我们的生活?
下一篇: 【RAG】LongRAG:利用长上下文LLMs增强检索增强生成
冻感糕人~
博客等级 码龄3年 8926粉丝 2399原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值