随着人类进入互联网时代,信息技术的高速发展带来网络信息量激增,急剧增长的网络信息导致严重的信息过载问题。为了有效地帮助用户在海量数据中获取自己感兴趣的信息,推荐系统应运而生并在各领域广泛应用。然而推荐系统的核心——推荐技术因受数据稀疏性和冷启动等问题的影响在推荐准确度和推荐效率上远未达到用户的希望,因此在职位推荐领域也未能取得理想的效果。当前我国就业形势依然严峻,特别是新冠肺炎疫情的突发,增加了我国经济发展环境的不确定因素,给就业工作带来很多困难和不利影响,对于疫情形势下的高校毕业生来说,即快速又准确地从大量招聘数据中获取所需的职位信息成为困扰学生们的一大难题。因此,本文对知识图谱在职位推荐领域的推广与应用开展研究,提出一种基于知识图谱的职位推荐方法,并基于此方法开发了职位推荐系统,主要研究内容如下:本文提出了一种基于知识图谱的职位推荐方法。首先着重介绍了知识图谱的构建技术,通过将知识图谱的概念引入到求职招聘领域,对招聘领域知识特征进行分析,实现了实体和关系的划分;从而完成该求职招聘领域本体库的构建,继而抽取求职招聘领域的实体和关系,并用Neo4j完成知识的存储工作;通过将知识图谱中的实体与关系嵌入到低维稠密向量空间里,从而完成简历和职位信息中实体和关系的向量化表示,以此计算简历与职位之间的相似度;通过用户对职位的行为矩阵,得到职位的相似性。将两种职位相似度进行融合,生成职位融合相似度矩阵。以此矩阵为基础,计算出用户对职位库中所有职位的预测评分,根据预测评分生成职位推荐列表,并根据用户行为更新职位推荐列表,最终将推荐列表中排序靠前的职位信息推荐给用户以满足用户的求职需求。本文使用基于知识图谱的职位推荐方法开发了职位推荐系统。在对用户和市场进行充分调研的基础上,首先对系统进行需求分析,根据用户的需求完成本系统的概要设计;详细分析系统的每一个功能模块,并完成数据库的设计;最终用Neo4j将结构化的数据用图谱的形式展现出来,以此开发的系统可以最大程度满足用户的需求,并根据求职者的偏好推荐职位。最终实验结果表明,本文提出的基于知识图谱的职位推荐方法在准确率和召回率等指标上都有显著提升,推荐的职位精准度更高。基于此方法开发的系统能够更好地满足用户的期望,提升招聘平台的用户黏性,因此具有良好的应用前景。