互联网和终端技术的发展实现了数据共享,使网络求职成为寻找工作的主流途径。但同时也出现了信息过载问题,目前多数职位推荐系统对隐式反馈考虑不足,也未充分挖掘职位描述的文本价值。因此,本文提出基于数据挖掘的职位信息可视化分析与个性化推荐,主要工作包括:（1）对职位数据进行预处理和可视化分析。基于网络爬虫技术采集到的真实职位数据进行特征清洗,然后从数值分布、单因素分析、多因素分析和词云图等多角度进行可视化分析,生成更直观的职位画像,为后续建模中的特征处理阶段奠定了基础。（2）构建了基于注意力机制的多元动态个性化职位推荐模型。通过引入注意力机制,结合用户的显式反馈和隐式反馈,构建动态人才画像,根据求职者对各特征的关注程度动态调整权重。然后用类别重组法和Keras框架对前馈神经网络进行训练,并通过网格搜索法探究了超参数的设置。（3）构建了基于文本主题的个性化职位推荐模型。从已经投过简历的用户中计算出与目标求职者最相似的用户集合,基于相似用户已投递职位的文本描述,利用TF-IDF算法构建职位主题。最后,基于归一化Google距离,对职位主题和候选职位计算相似度,得到最终的Top-N推荐列表。（4）基于Flask框架对个性化职位推荐系统进行实现。对职位信息的个性化推荐系统进行了需求分析和系统设计,并结合本文构建的基于注意力机制的多元动态个性化职位推荐模型和基于文本主题的个性化职位推荐模型,通过Hadoop环境和Flask框架进行了系统实现。对模型的评估表明,新模型在Top-N推荐列表长度取10的情况下,相比于UPCC模型,点击率（HR）指标和标准化代价累计增益（NDCG）指标都有显著提升。本文方法加深了对职位特征的理解,提高了推荐成功率,进而更好地满足求职者的个性化需求。