随着计算机网络的不断发展,在线求职类系统逐渐成为一种主流的求职方式,与此同时,招聘信息也呈现爆炸式的增长趋势,个性化职位推荐的应用能够帮助求职者更加快速地找到符合自身要求的职位。现有求职系统主要是以企业为核心服务,存在虚假招聘信息。其次,大多数职位推荐系统主要是利用求职者个人简历信息进行职位推荐,一旦发生信息安全问题将会对求职者带来不可估量的损失。此外,过高过低的推荐频率及不合时宜的推荐方式也会给求职者带来了一定程度的反感。本文在研究现有推荐系统相关算法的基础上,结合职位推荐的特性及求职过程的实际需求,利用web用户行为信息设计出一种针对个性化职位推荐的算法(J_Rec)。本文的算法设计主要分为推荐用户选择、用户行为分析、混合推荐算法、产生推荐结果四个部分。第一,推荐用户选择,结合求职需求的时效性,通过在线时间判断用户是否真的有求职需求,有则推荐,反之不推荐。第二,通过用户的web日志行为数据分析用户的潜在需求,避免使用用户的个人信息,保护用户隐私。第三、结合热门推荐、关联推荐及个性化混合推荐三种不同的推荐方式,从系统和用户的角度有效应对冷启动问题并更好地满足不同用户的职位需求。第四,推荐结果充分考虑职位及用户求职的时效性和离线推荐的可行性,向用户推荐更加合适的职位。通过在数据集Lagou_data(从“拉勾网”上通过爬虫技术获取的数据)进行算法实验,并与基于用户的协同过滤(User-CF)和基于项目的协同过滤(Item-CF)算法在precision,recall,coverage 和 F1-Measure 四个指标上进行对比。同时,User-CF 与 Item-CF相似度计算上分别对比了 Cosine相似度、Pearson相似度和Jaccard相似度的MAE表现。实验结果表明,采用Jaccard相似度公式的计算结果最优。比较三种算法的precision、recall和F1-Measure,J_Rec优于User-CF和Item-CF,coverage上随着推荐用户个数的增加,三种算法最终的结果趋于一致。