就业推荐系统对于解决就业问题具有良好的效果,因此受到国内外学者广泛关注,取得了丰富的成果。但是,就业推荐领域中,仍然存在以下不足之处有待进一步完善:第一,推荐结果过于单一,用户视野被局限。第二,热门职位被推荐给过多的求职者,降低了求职成功几率。第三,冷门职位得不到有效推荐,损害了招聘企业的利益。本文以就业推荐多样性优化为主要目标,针对上述问题进行了深入的研究。本文主要创新点及贡献如下:(1)针对推荐系统中的个体多样性问题,提出一种基于聚类的个体多样性优化推荐算法。本文针对传统就业推荐算法缺少对个体多样性的考虑,推荐结果过于单一,提出一种基于聚类的个体多样性优化推荐算法。首先,算法针对系统中项目差异度进行计算,充分考虑了项目属性值间的差异;其次,基于项目差异度采用k-means聚类算法对系统中项目进行聚类;然后,基于现有推荐算法获得预测评分矩阵,设置评分阈值,筛选预测评分大于阈值的项目构建用户候选推荐列表;最后,结合项目聚类信息从用户候选列表中获得一组多样性好的项目推荐给用户。实验结果表明,对于用户个体而言,该算法在保证推荐准确率的同时,能有效提高推荐结果的多样性。通过将算法应用于就业推荐原型系统表明,基于聚类的个体多样性优化推荐算法,可有效提高就业推荐的个体多样性与用户满意度。(2)针对推荐系统中的总体多样性问题,提出一种基于二分图网络的总体多样性优化推荐算法。本文针对传统就业推荐算法缺少对总体多样性的考虑,造成系统“马太效应”日益严重,“长尾”职位数量增多的现象,提出一种基于二分图网络的总体多样性优化推荐算法。首先,算法基于现有推荐算法获得预测评分矩阵,设置评分阈值,筛选预测评分大于阈值的项目构建用户候选推荐列表。其次,基于用户候选推荐列表构建推荐二分图。最后,基于构建的推荐二分图,采用置换增广路中匹配边与非匹配边方法,提高推荐总体多样性。实验结果表明,对于系统整体而言,该算法在保证推荐准确率的同时,能有效提高推荐总体多样性。应用于就业推荐领域的基于二分图网络的总体多样性优化推荐算法,可有效提高就业推荐的总体多样性与用户满意度。(3)基于上述两种多样性优化策略,实现了就业推荐原型系统。