arXiv cs.AI· \"Ozkan Canay·· 14 小时前AI 评分18
CF-RL-TOPSIS：面向技能感知人才推荐的可解释融合模型
An Interpretable CF-RL-TOPSIS Fusion Model for Skills-Aware Talent Recommendation
AI 导读
研究提出可解释的后期融合模型 CF-RL-TOPSIS，整合转移感知协同过滤分支、轻量强化式职业族 bandit 分支与基于六项语义代理的熵权 TOPSIS 分支，融合系数经验证集选择且可审计。
正文 · AI 翻译
摘要：有效的技能感知人才推荐必须平衡行为转移模式、轨迹敏感的自适应以及可检查的职业层面标准。然而，关于这些信号如何相互作用的公开基准证据仍然有限。本研究提出 CF-RL-TOPSIS，一种可解释的后期融合模型，它整合了一个转移感知协同分支、一个紧凑的强化式职业族 bandit 分支，以及一个由六个语义代理构建的熵加权 TOPSIS 分支；经验证选择的融合系数保持可审计。该模型在两个冻结的公开 ICT 人才历史基准 JobHop 和 Karrierewege 上进行评估，采用重复的时间顺序 top-5 排序和配对 Wilcoxon 检验。在 JobHop 上，完整混合模型达到 NDCG@5 = 0.3040 +/- 0.0073，并显著优于 repeat-last、item Markov、转移感知协同过滤、CF+TOPSIS 混合模型、GRU4Rec 和 SASRec（在计划比较中 p <= 0.0039）。在 Karrierewege 上，该混合模型保持竞争力，但未显著超过最强的 Markov 基线，揭示了一个以持续性为主导的场景，其中 bandit 分支适当地收缩至接近零的权重。代理敏感性、族级深度 Q 网络和运行时检查支持这一解释，一个完整的用户级案例展示了如何针对单个推荐检查分支分数、标准权重和排名变化。其贡献并非声称跨基准的普遍优越性，而是对透明后期融合在何种条件下能超越简单延续启发式带来价值的可复现说明。在语义丰富、非饱和的人才历史场景中，三个分支相互增强；在以持续性为主导的场景中，同一架构通过其协同主干保持竞争力，而自适应分支则正确地处于非活动状态。
| 评论： | v2：修正了数学符号和作者姓名首字母的渲染；改进了页面布局；内容未变。预印本提交至 Knowledge-Based Systems；23 页，4 幅图，8 张表 |
| 主题： | 信息检索（cs.IR）；人工智能（cs.AI）；机器学习（cs.LG） |
| MSC 分类： | 68T05, 68T09, 90B50 |
| ACM 分类： | H.3.3; I.2.6; I.2.8; H.4.2 |
| 引用为： | arXiv:2605.24155 [cs.IR] |
| （或 arXiv:2605.24155v2 [cs.IR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.24155 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Özkan Canay [查看电子邮件]
[v1]
2026 年 5 月 22 日星期五 19:22:58 UTC（154 KB）
[v2]
2026 年 10 月 26 日星期一 13:46:48 UTC（154 KB）
来源：arXiv cs.AI · arxiv.org