Я вернулся ко второй части моего предыдущего блога, продолжая рассказывать о том, как создать систему рекомендаций для вакансий.
Краткое резюме первой части
В моем предыдущем блоге я обсуждал бизнес-задачу создания системы рекомендаций по вакансиям, метрики для измерения системы рекомендаций, а также обсуждал два подхода к персонализации каналов вакансий для пользователей.
1. Соответствие профиля пользователя и должностной инструкции
2. Рекомендация на основе активности пользователя на платформе и схожести вакансий (совместная фильтрация на основе элементов)
Давайте продолжим обсуждение подхода и различных стратегий
Подход
3. Совместная фильтрация на основе пользователей
Рекомендовать целевого пользователя на основе его сходства с другими пользователями на платформе; где сходство измеряется предыдущими работами.
Пример:
- UserA -> JobId1, JobId3, JobId5
- UserB -> JobId3, JobId1
- UserC -> JobId4, JobId3
Если вы хотите порекомендовать UserB, мы можем порекомендовать JobId5, так как UserA и UserB наиболее похожи.
4. Рекомендация на основе популярности и тенденций
Рекомендация, основанная на популярности или тренде объявления о вакансии. Пожалуйста, обратитесь к моей статье (ниже).
5. Стратегия исследования
Проблемы с созданием/ранжированием/рекомендацией ленты никогда не бывают простыми и однозначными. Нужно протестировать несколько подходов в разных сегментах пользователей, чтобы получить лучшее как для пользователя, так и для клиента, в нашем случае пользователь хочет, чтобы релевантные объявления о вакансиях были в его ленте, в то время как автор объявления о вакансии хочет, чтобы лучшие таланты с максимальным количеством впечатлений от их публикации о вакансии (больше потенциальных клиентов). к большему количеству приложений и вариантов постера о работе).
Система рекомендаций работает лучше всего, когда есть исследование. Эксплуатация всегда выглядит хорошо в большинстве каналов, но щепотка фактора исследования всегда помогает понять изменение моделей поведения.
Исследовать или использовать
а) Повышение квалификации пользователей с помощью LinkedIn Learning
Когда пользователь проходит курс LinkedIn Learning, т. е. приобретает новые навыки; продвижение объявлений о вакансиях, требующих этих навыков.
б) Пользователь подает заявку в другом месте
Изменение поведенческого шаблона, который ранее пользователь использовал для подачи заявки только в Индии, теперь также подает заявку на работу на борту. Смешанный корм с вакансиями в разных местах.
c) Изменение поведения: сообщения пользователей, связи и лайки
Общее изменение поведения на платформе на основе пользовательских постов, комментариев, связей и лайков на разных постах. Это неявные сигналы обратной связи для нашей рекомендации в ленте вакансий.
Заключение
Проблемы системы рекомендаций сложно решить, для этого требуется полное понимание бизнеса и пользователей на платформе. Я попробовал свои основные аспекты покрытия и понимание, чтобы создать рекомендацию в ленте вакансий, но это всегда намного больше, чем мы можем охватить, но потратьте некоторое время на то, чтобы ломать голову над этим ..!
Надеюсь, вы узнали что-то новое из этого блога. Если вам понравилось, нажмите 👏 и поделитесь этой статьей. Оставайтесь с нами для следующего!
Присоединяйтесь, следите за мной или поддержите меня в LinkedIn, если вы нашли это чтение полезным. Чтобы узнать больше обо мне, посетите: Здесь
Запланируйте сеанс DDIChat с Shaurya Uppal по ссылке ниже.
Подайте заявку на участие в программе DDIChat Expert здесь.
Работайте с DDI: https://datadriveninvestor.com/collaborate
Подпишитесь на DDIntel здесь.