研究人员提出CF-RL-TOPSIS可解释人才推荐模型

研究人员Özkan Canay提出了一种名为CF-RL-TOPSIS的可解释后期融合模型，旨在改进人才推荐系统。该模型整合了过渡感知的协作分支、紧凑的强化学习风格职业族类多臂赌博机（bandit）以及基于熵权重的TOPSIS分支。 实验结果显示，在JobHop基准测试中，该模型NDCG@5达到0.3040，显著优于GRU4Rec等基线模型。然而，在Karrierewege基准上，模型虽保持竞争力但未显示出显著优势。研究进一步揭示了透明融合在语义丰富且非饱和的人才历史环境中的价值及其适用条件。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。