职业推荐系统如何更「懂」求职者？ IBM 将交互性对话引入了推荐系统

雷锋网 AI 科技评论按：职业推荐可以视作推荐系统中的一个特例，因为它们需要同时考虑短期和长远目标，这是现有的推荐算法所较难实现的（现有的推荐算法重点关注的是推荐的即时价值）。同时，用户的个人档案所包含的工作经历以及专长等都无法体现评级信息（例如用户可能对此前的工作并不满意想要换工作，但是系统无法识别，反而为其推荐与此前工作相关的岗位），这在某种程度上也加大了系统提供符合用户期许的职业推荐的难度。对此，IBM 开发了一个交互式职业目标推荐系统（ICGR）框架，该框架利用对话的功能，让用户以交互式的方式引导推荐系统改进职业推荐，并将用户的个人偏好带入到系统中。这一成果发布在了 IBM 的官方博客上，雷锋网(公众号：雷锋网) AI 科技评论编译如下。

采用交互式推荐系统的职业推荐代表着一个吸引用户的独特机会。IBM 研究院在 ACM IUI 会议的一篇论文《我的职业生涯通向何处？利用对话来实现交互式的职业目标推荐》（「Where Can My Career Take Me? Harnessing Dialogue for Interactive Career Goal Recommendations」，论文下载地址：https://dl.acm.org/citation.cfm?id=3302311）中，提出了一个交互式的职业目标推荐框架，该框架利用对话的功能，让用户以交互式的方式引导推荐系统改进职业推荐，并将用户的个人偏好带入到系统中。

职业目标是推荐系统中的一个特例，因为它们需要同时考虑短期和长远目标，这就为推荐系统增加了标准技术所无法应对的挑战。

考虑到用户的当前需求，现有的推荐算法重点关注的是推荐的即时价值。但是从另一个方面来说，职业目标需要考虑的不仅仅是接下来（短期内）要做的事情，而是要帮助用户确定长远目标，并让他们探索自己的职业生涯应通向何处。同时，这些目标还需要是用户能够实现并与之相关的，因此职业目标推荐需要在相关性、可实现性以及用户期许三者间进行权衡。

图 1 ：诱发用户动机

人们在考虑新的长远目标时可能会有不同的动机和关注点，因此让他们参与推荐过程非常重要。以两个具有相似工作经历和专长的人为例，他们其中一位有清晰的职业目标，并且对于他（或她）目前的职业道路非常满意；而另一位则可能觉得他（或她）目前的职业不是最优选择，正在寻求职业改变。这两个个体都一致希望利用他们（或她们）当前的专长，然而对于未来职业方向的期望却是完全不同的。大多数推荐系统都难以在不了解两位截然不同用户的动机的情况下，为他们提供不同的推荐。

因此，让用户参与到推荐生成过程中去很重要，这样的话他们就可以引导推荐系统（为他们提供满意的推荐）。将用户置于「圈内」最终会增加整个解决方案的信任度和透明度。此外，与选择一部电影或者一首歌曲用以自娱自乐相比，人们在做出职业决定时所承担的风险要高一些。因而，IBM 的研究人员认为，使用一个交互式的推荐系统来进行职业推荐会是吸引用户的一个独特的机会，因为研究人员相信他们的动机会引导推荐系统做出更好的推荐。

对此，IBM 研究院开发了一个交互式职业目标推荐系统（ICGR）框架，该框架利用对话的功能，让用户以交互式的方式引导推荐系统改进职业推荐，并将用户的个人偏好带入到系统中。该框架的基础推荐算法是一种新颖的解决方案，其通过利用从（经过支持用户个人档案的特征强化的）职业轨迹中提取的序列模式，来提供短期和长远目标推荐。

图 1 ：探究系统推荐的结果

典型的推荐系统提出一串推荐清单，而用户的交互仅限于接受或者拒绝这些推荐。为了让用户实现真正的互动，ICGR 支持多种交互方式从而让他们能够理解每一项推荐并向推荐系统进行反馈，这样的话，系统就能够在下一轮对话中生成与用户的需求更加匹配的建议。这些可能的交互能够实现包括针对每一项推荐进一步询问细节、给予反馈以及针对单个推荐的特征给予反馈，例如告诉系统他们希望开发哪些技能。

用户的偏好信息将存储于他们的个人档案中，之后再由推荐系统使用以向用户推荐需要这些偏好技能的工作。与大多数推荐系统应用程序不同，职业目标推荐所使用的这些用户技能或工作经历是没有评级信息的。例如，用户的工作经历可能包括其不喜欢的工作，而这样的信息是没有在他们的工作经历中体现的。对于推荐系统创建一个可行的解决方案来说，通过与用户交互来引出这些偏好与细节变得至关重要。

IBM 的 ICGR 框架采用两种方式来解决这个问题。首先，它允许用户浏览推荐结果并查看系统这样推荐的原因。通过这种方式，用户可以理解推荐系统为什么会推荐这样的职业目标，并且当他们发现系统基于他们的兴趣做出了任何错误的设想时，可以向系统提供反馈。例如，系统推荐一个高级测试架构师岗位的解释可能是「75% 的 QA 工程师都会发展为一位高级测试架构师」。QA 工程师的岗位实际上可能就是用户个人档案中的一部分，但是如果用户并不喜欢这个岗位时，他（或她）就通过与推荐系统进行对话告知它这件事情，推荐系统就会降低 QA 工程师这一岗位对于未来职业推荐的影响。

图 3：推荐系统对于推荐结果的解释和正确假设

ICGR 框架采用的另一种机制是，用一个对于当前推荐的微调具有最大影响的明确的偏好引导问题来提示用户。此过程使用对推荐职业目标中所体现的每项技能进行计算所得到的信息增益指标（Information Gain metric）来实现。而其中对于推荐的职业目标具有最高信息增益的技能，则被用于制定引导问题。因此，一旦用户在回答该问题时选择了某项技能，推荐系统就会对其推荐结果进行筛选，例如包含用户所选择/偏好的技能的推荐结果就会排到前面，而对于包含了用户不喜欢的技能的推荐结果，推荐系统就会将其从推荐列表中清除掉。

IBM 研究人员使用了来自两个相关研究领域（推荐系统和对话系统）的典型指标，以及两个真实世界数据集对 ICGR 框架进行了大量实验。此外，他们还根据通过对话模拟的用户与系统的交互来设计评价方法。总体而言，最终的实验结果证明，由于能够与用户进行更复杂的交互，ICGR 在对话的有效性、响应率以及推荐结果的准确率上都实现了出色的表现。这一推荐解决方案也作为一项新功能添加到了 IBM Watson Career Coach 上，可供选定的用户使用。同时，公民金融集团（Citizens Financial Group）等客户还将这项新功能视为一项重要的功能。