雷鋒網(wǎng) AI 科技評論按：職業(yè)推薦可以視作推薦系統(tǒng)中的一個特例，因為它們需要同時考慮短期和長遠(yuǎn)目標(biāo)，這是現(xiàn)有的推薦算法所較難實現(xiàn)的（現(xiàn)有的推薦算法重點(diǎn)關(guān)注的是推薦的即時價值）。同時，用戶的個人檔案所包含的工作經(jīng)歷以及專長等都無法體現(xiàn)評級信息（例如用戶可能對此前的工作并不滿意想要換工作，但是系統(tǒng)無法識別，反而為其推薦與此前工作相關(guān)的崗位），這在某種程度上也加大了系統(tǒng)提供符合用戶期許的職業(yè)推薦的難度。對此，IBM 開發(fā)了一個交互式職業(yè)目標(biāo)推薦系統(tǒng)（ICGR）框架，該框架利用對話的功能，讓用戶以交互式的方式引導(dǎo)推薦系統(tǒng)改進(jìn)職業(yè)推薦，并將用戶的個人偏好帶入到系統(tǒng)中。這一成果發(fā)布在了 IBM 的官方博客上，雷鋒網(wǎng) AI 科技評論編譯如下。

采用交互式推薦系統(tǒng)的職業(yè)推薦代表著一個吸引用戶的獨(dú)特機(jī)會。IBM 研究院在 ACM IUI 會議的一篇論文《我的職業(yè)生涯通向何處？利用對話來實現(xiàn)交互式的職業(yè)目標(biāo)推薦》（「Where Can My Career Take Me? Harnessing Dialogue for Interactive Career Goal Recommendations」，論文下載地址：https://dl.acm.org/citation.cfm?id=3302311）中，提出了一個交互式的職業(yè)目標(biāo)推薦框架，該框架利用對話的功能，讓用戶以交互式的方式引導(dǎo)推薦系統(tǒng)改進(jìn)職業(yè)推薦，并將用戶的個人偏好帶入到系統(tǒng)中。

職業(yè)目標(biāo)是推薦系統(tǒng)中的一個特例，因為它們需要同時考慮短期和長遠(yuǎn)目標(biāo)，這就為推薦系統(tǒng)增加了標(biāo)準(zhǔn)技術(shù)所無法應(yīng)對的挑戰(zhàn)。

考慮到用戶的當(dāng)前需求，現(xiàn)有的推薦算法重點(diǎn)關(guān)注的是推薦的即時價值。但是從另一個方面來說，職業(yè)目標(biāo)需要考慮的不僅僅是接下來（短期內(nèi)）要做的事情，而是要幫助用戶確定長遠(yuǎn)目標(biāo)，并讓他們探索自己的職業(yè)生涯應(yīng)通向何處。同時，這些目標(biāo)還需要是用戶能夠?qū)崿F(xiàn)并與之相關(guān)的，因此職業(yè)目標(biāo)推薦需要在相關(guān)性、可實現(xiàn)性以及用戶期許三者間進(jìn)行權(quán)衡。

圖 1 ：誘發(fā)用戶動機(jī)

人們在考慮新的長遠(yuǎn)目標(biāo)時可能會有不同的動機(jī)和關(guān)注點(diǎn)，因此讓他們參與推薦過程非常重要。以兩個具有相似工作經(jīng)歷和專長的人為例，他們其中一位有清晰的職業(yè)目標(biāo)，并且對于他（或她）目前的職業(yè)道路非常滿意；而另一位則可能覺得他（或她）目前的職業(yè)不是最優(yōu)選擇，正在尋求職業(yè)改變。這兩個個體都一致希望利用他們（或她們）當(dāng)前的專長，然而對于未來職業(yè)方向的期望卻是完全不同的。大多數(shù)推薦系統(tǒng)都難以在不了解兩位截然不同用戶的動機(jī)的情況下，為他們提供不同的推薦。

因此，讓用戶參與到推薦生成過程中去很重要，這樣的話他們就可以引導(dǎo)推薦系統(tǒng)（為他們提供滿意的推薦）。將用戶置于「圈內(nèi)」最終會增加整個解決方案的信任度和透明度。此外，與選擇一部電影或者一首歌曲用以自娛自樂相比，人們在做出職業(yè)決定時所承擔(dān)的風(fēng)險要高一些。因而，IBM 的研究人員認(rèn)為，使用一個交互式的推薦系統(tǒng)來進(jìn)行職業(yè)推薦會是吸引用戶的一個獨(dú)特的機(jī)會，因為研究人員相信他們的動機(jī)會引導(dǎo)推薦系統(tǒng)做出更好的推薦。

對此，IBM 研究院開發(fā)了一個交互式職業(yè)目標(biāo)推薦系統(tǒng)（ICGR）框架，該框架利用對話的功能，讓用戶以交互式的方式引導(dǎo)推薦系統(tǒng)改進(jìn)職業(yè)推薦，并將用戶的個人偏好帶入到系統(tǒng)中。該框架的基礎(chǔ)推薦算法是一種新穎的解決方案，其通過利用從（經(jīng)過支持用戶個人檔案的特征強(qiáng)化的）職業(yè)軌跡中提取的序列模式，來提供短期和長遠(yuǎn)目標(biāo)推薦。

圖 1 ：探究系統(tǒng)推薦的結(jié)果

典型的推薦系統(tǒng)提出一串推薦清單，而用戶的交互僅限于接受或者拒絕這些推薦。為了讓用戶實現(xiàn)真正的互動，ICGR 支持多種交互方式從而讓他們能夠理解每一項推薦并向推薦系統(tǒng)進(jìn)行反饋，這樣的話，系統(tǒng)就能夠在下一輪對話中生成與用戶的需求更加匹配的建議。這些可能的交互能夠?qū)崿F(xiàn)包括針對每一項推薦進(jìn)一步詢問細(xì)節(jié)、給予反饋以及針對單個推薦的特征給予反饋，例如告訴系統(tǒng)他們希望開發(fā)哪些技能。

用戶的偏好信息將存儲于他們的個人檔案中，之后再由推薦系統(tǒng)使用以向用戶推薦需要這些偏好技能的工作。與大多數(shù)推薦系統(tǒng)應(yīng)用程序不同，職業(yè)目標(biāo)推薦所使用的這些用戶技能或工作經(jīng)歷是沒有評級信息的。例如，用戶的工作經(jīng)歷可能包括其不喜歡的工作，而這樣的信息是沒有在他們的工作經(jīng)歷中體現(xiàn)的。對于推薦系統(tǒng)創(chuàng)建一個可行的解決方案來說，通過與用戶交互來引出這些偏好與細(xì)節(jié)變得至關(guān)重要。

IBM 的 ICGR 框架采用兩種方式來解決這個問題。首先，它允許用戶瀏覽推薦結(jié)果并查看系統(tǒng)這樣推薦的原因。通過這種方式，用戶可以理解推薦系統(tǒng)為什么會推薦這樣的職業(yè)目標(biāo)，并且當(dāng)他們發(fā)現(xiàn)系統(tǒng)基于他們的興趣做出了任何錯誤的設(shè)想時，可以向系統(tǒng)提供反饋。例如，系統(tǒng)推薦一個高級測試架構(gòu)師崗位的解釋可能是「75% 的 QA 工程師都會發(fā)展為一位高級測試架構(gòu)師」。QA 工程師的崗位實際上可能就是用戶個人檔案中的一部分，但是如果用戶并不喜歡這個崗位時，他（或她）就通過與推薦系統(tǒng)進(jìn)行對話告知它這件事情，推薦系統(tǒng)就會降低 QA 工程師這一崗位對于未來職業(yè)推薦的影響。

圖 3：推薦系統(tǒng)對于推薦結(jié)果的解釋和正確假設(shè)

ICGR 框架采用的另一種機(jī)制是，用一個對于當(dāng)前推薦的微調(diào)具有最大影響的明確的偏好引導(dǎo)問題來提示用戶。此過程使用對推薦職業(yè)目標(biāo)中所體現(xiàn)的每項技能進(jìn)行計算所得到的信息增益指標(biāo)（Information Gain metric）來實現(xiàn)。而其中對于推薦的職業(yè)目標(biāo)具有最高信息增益的技能，則被用于制定引導(dǎo)問題。因此，一旦用戶在回答該問題時選擇了某項技能，推薦系統(tǒng)就會對其推薦結(jié)果進(jìn)行篩選，例如包含用戶所選擇/偏好的技能的推薦結(jié)果就會排到前面，而對于包含了用戶不喜歡的技能的推薦結(jié)果，推薦系統(tǒng)就會將其從推薦列表中清除掉。

IBM 研究人員使用了來自兩個相關(guān)研究領(lǐng)域（推薦系統(tǒng)和對話系統(tǒng)）的典型指標(biāo)，以及兩個真實世界數(shù)據(jù)集對 ICGR 框架進(jìn)行了大量實驗。此外，他們還根據(jù)通過對話模擬的用戶與系統(tǒng)的交互來設(shè)計評價方法。總體而言，最終的實驗結(jié)果證明，由于能夠與用戶進(jìn)行更復(fù)雜的交互，ICGR 在對話的有效性、響應(yīng)率以及推薦結(jié)果的準(zhǔn)確率上都實現(xiàn)了出色的表現(xiàn)。這一推薦解決方案也作為一項新功能添加到了 IBM Watson Career Coach 上，可供選定的用戶使用。同時，公民金融集團(tuán)（Citizens Financial Group）等客戶還將這項新功能視為一項重要的功能。

via：https://www.ibm.com/blogs/research/2019/03/career-goals/ 雷鋒網(wǎng) AI 科技評論編譯

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。