地理区域推荐框架与机器学习的职业定向优势

可持续运营与计算机3（2022）83利用机器学习程序和基于地理区域的推荐框架Binny Parida，Prashanta KumarPatra，SthitapragyanMohantyDepartment of Computer Science Engineering，Odisha University of Technology and Research，Bhubaneswar，India-751029aRT i cL e i nf o保留字：社交网络推荐框架工作门户网站推荐系统机器学习技术随机森林分类器优化技术基于地理区域的推荐框架工作推荐系统a b sTR a cT近年来，随着互联网使用率的提高，社交网络的增长速度越来越快。本文主要研究就业门户网站。本文的研究目标是，推荐框架从网站中提取候选人的能力，并对描述与其个人资料最匹配的职位进行推荐。本文还介绍了一个简短的介绍推荐框架，并讨论了该框架的不同类别。从一开始，信息就通过将填充的信息作为额外的空间和副本排出而被清理。然后根据目标申请人的偏好向他们推荐工作。它利用不同的机器学习程序，结果表明，与不同的程序相比，随机森林分类器（RFC）给出了最值得注意的期望准确性。最后，利用优化技术得到最准确的结果。说明了推荐框架在职业定向方面的优势。基于地理区域的推荐框架用于找到组织的位置，可以帮助理想的申请人到达目的地。本研究显示，利用工作推荐系统可以协助改善求职者的适当就业推荐1. 介绍在目前失业现象不断扩大的情况下，必须有一个适当的框架来招聘有工作抱负的人。人们有太多的选择，这使他们很难在不同的工作中脱颖而出。这导致信息过载。为了减轻这个问题，我们提出了一个信息过滤工具，它从根本上使用候选人的个人资料和公司的需求来过滤工作推荐系统[1]只是一个基于用户偏好或兴趣推荐产品的决策工具。它作为一种信息检索工具，有助于过滤和优先化数据。在这一点上，该框架建议求职者找到适合他们的适当工作，并根据需要匹配他们的个人资料。工作推荐框架随后作为有工作抱负的候选人和招聘人员之间的中间人。本文的研究目标是，推荐系统框架能够从网站上获取应聘者的能力，并根据应聘者的描述与其个人特征最吻合的职位向其推荐职位。因此，它使用推荐系统将候选人与工作人员联系起来。该框架通过协调有工作抱负的候选人与适当的工作候选人节省了大量时间。在当今社会中，大量的数据可以在网络中访问这些人是有很多选择要遵循。沿着这些路线，需要一个合法的框架，帮助个人区分正确的项目或物质，无论是否重要，并根据需要进行选择。推荐系统在这里扮演着不可或缺的角色，通过预测每个项目的准确性来发现新的项目或内容。它建议的项目，具有最高的精度，就像不同的东西，目前在该纲要。它利用用户的倾向，他们提供的项目或内容。本研究以用户为主要研究对象， 从求职网站上推荐工作。给出了大量的数据，其中数据被过滤以获得特定的突出信息。该数据提供了公司状态的详细信息，其员工它侧重于所提供信息的每一个属性，并以同样的方式向候选人推荐工作。世界各地的组织都使用工作推荐框架来推荐合适的工作给求职者利用的特征信息。与传统的职业定位系统相比，本研究为职业定位提供了更好的建议推荐框架利用用户信息建立用户档案.这有助于预测合适的公司为候选人和公司得到*通讯作者。电子邮件地址：msthitapragyan@gmail.com（新加坡）Mohanty）。https://doi.org/10.1016/j.susoc.2021.11.001接收日期：2021年7月10日;接收日期：2021年9月20日;接受日期：2021年11月19日2021年11月21日网上发售2666-4127/© 2021作者。由Elsevier B.V.代表KeAi Communications Co.出版，这是一篇CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）可在ScienceDirect上获得目录列表可持续运营和计算机期刊主页：http://www.keaipublishing.com/en/journals/sustainable-operations-and-computers/B. Parida，P. KumarPatra和S. Mohanty可持续运营与计算机3（2022）8384它直接需要员工，而不需要在招聘过程中花费大量时间。世界各地的许多组织使用的框架需要关于候选人的重要信息，以便从一开始就推荐他们。它减少了时间冲突，因此，帮助候选人得到他们正确的职业选择。它使用用户的属性、偏好、喜好和倾向来跟踪有关用户的信息。推荐系统[2]对于定制化的建议书来说是一个特别重要的工具。它帮助用户获得他们需要的东西没有麻烦的路它从多个角度帮助用户，例如，在线交流，展示部分，电影推荐，工作建议等等。在这个时代，由于网络的深远影响，个人有各种各样的替代品来获取他们的相关沿着这些路线，为了解决这个问题，推荐起着至关重要的作用，通过向用户推荐最重要的项目来摆脱它全球各地的许多组织利用这些推荐算法来推荐项目，工作，就业机会等。它帮助这些组织通过向用户提供理想的推荐来同样，公司采用职位推荐系统，招聘过程从选择合适的候选人开始，一封任命信，使程序更简单。招聘过程需要大量的时间，通过查看个人资料和能力形成大量的数据。结果并不总是给合适的候选人合适的工作机会。互联网的巨大增长使电子注册的使用变得普遍，公司使用工作推荐系统，帮助求职者获得更好的符合其个人资料的运营商选择。它减少了注册过程的时间，使程序可靠。本文的研究目标是，推荐框架从网站上获取候选人的能力[6，8]，并向他们推荐描述与他们的个人资料最协调的工作。本文的研究对象主要是在求职者从招聘网站上推荐职位的过程中进化而来的用户，工作推荐框架为求职者提供了一种获得相关职位的方法，为招聘者提供了一种获得熟练员工的方法。它为用户提供了一种方法来获得他们的自定义的建议，而不使用大量的时间。推荐框架从多个角度来看都很有用：i 它有助于限制从在线条件中挑选和选择物品的理想机会，因此没有任何问题。ii 推荐系统框架对决策产生过程进行了重新设计iii 它为用户提供了一种方法来获得他们的定制建议，而无需花费大量时间。iv 它被用于如此巨大数量的不同领域，（例如，书籍，媒体，工作场所，旅行，游戏，餐馆等）。建议客户。v 工作推荐框架为求职者提供了一种找到相关工作的方法，也为招聘人员提供了一种找到熟练员工的方法。vi 它通过推荐系统将候选人与工作人员联系起来，以便就业。2. 相关工作2.1. 导论. 推荐系统人们 在rec-commender 系统 领域进 行了 大量的 研究工 作。F.O.Isinkaye等人[1]讨论了推荐系统的各个方面。它提供了更多的重点推荐系统的过滤它通过区分实际评级与预测评级，使用统计准确性指标Gediminas Adomavicious等人[2]对推荐系统的它提供了关于当前的简要信息推荐系统的方法和技术，包括局限性和扩展。Shuo Yang等人[3]讨论了与内容和协作过滤技术相关的各个方面。它结合了这两种技术，以获得混合技术。该模型是通过使用统计关系学习（SRL）表示的概率依赖。2.2. 使用. 推荐系统Sidahmed Benabderrahmane等人[4]提出了一种决策工具，为招聘人员提供了一条帮助他们获得有效求职者的路径。它代表了一个Doc2Vec嵌入式系统，它将求职者的点击流历史信息存储在数据库中。它还使用深度神经网络来预测未来的点击量，使用各种工作板数据库。它克服了使用dropout层过度拟合的问题。Nedra Mellouli等[5]在类似的背景下，代表了一个smart4job推荐系统，该系统将求职者与最匹配其个人资料的求职者联系起来。该模型的工作时间预测和领域知识分析。苗江等[6]通过引入电子邮件模式进一步改进了模型。在这个系统中，候选人提供他们的简历，以获得有关新工作人员的电子邮件提醒。但上述模型部分解释了上下文。 为了解决这个问题，Priscila Valdiviezo Diaz等人[7]使用贝叶斯模型进行推荐过程。该模型基于使用用户-项目相关性的协作过滤方法协作过滤技术建立了用户兴趣的数据库。然后将这些相关兴趣与其他类似用户进行匹配，以进行准确的推荐。这类用户基本上构成了一个由更多数量的用户组成的组。Shibbir Ahmed等人[8]介绍了一个在线招聘系统，招聘人员将使用该系统来获得有效的候选人。它在训练和测试数据集之间使用混合过滤技术。它选择最好的工作人员作为推荐列表 ， 并 在 此 基 础 Shiqiang Guo et al.[9] 的 文 件 。 提 出 了 一 个 名 为ResuMatcher的系统它基本上是将简历与相应的工作人员进行匹配。它使用机器学习技术来获得有效的结果。本文还讨论了自然语言处理（NLP）的推荐过程。2.3. Social. 网络职业推荐系统尽管上述模型较使用各种过滤技术的传统模型但是，有必要在社交上推荐，其中包括有相似兴趣的朋友。Mamadou Diaby等人[10]使用Facebook和LinkedIn数据集来实现他们的工作。该系统从社交网络收集关于用户的信息，用于向他们推荐合适的工作。提出了基于分类法的职位推荐系统的体系结构。但它的局限性在于某些信息是以私人的方式提供的，这会导致错误的假设。线性SVM需要训练以进行准确的预测。Fan等人[11]介绍了一种名为GraphRec的图形网络，用于使用社交网络进行推荐它通过对图形数据进行建模，将用户的交互和意见用于推荐过程。Ma等人[12]还讨论了包含潜在因素的社交网络。它侧重于矩阵分解，以改善推荐结果。但是，仍然需要探索各种工具和技术，以更好地实现社会化。3. 拟议框架通过理解上述观察结果，我们提出了各种机器学习分类器[13]，以提高推荐的性能。这些分类器预测给定数据库的准确性。它有助于对从输入变量（即X）到目标或输出变量（即Y. 机器学习是一种从经验中自动学习的学习[14]。没有令人信服B. Parida，P. KumarPatra和S. Mohanty可持续运营与计算机3（2022）8385原因是显式地组成机器执行的每一条指令它使用一些训练数据来获取有关输入变量的信息这些变量帮助求职者根据他们的特点找到工作。当分类器被训练成具有准确的值时，它可以用于推荐合适的工作。为了获得更精确的有效结果，我们使用分层k倍交叉验证[15]技术来优化预测精度。它帮助我们达到我的公司将使用的高级分类器找到有效的求职者。后来，我们提出了基于地理区域的推荐框架[16]来获得理想组织的区域。它直接展示了所有可能的附近地区的组织，这将有助于求职者到达合理的组织接近他/她的区域。在实验中，我们使用两个不同的社交网络数据集评估了我们提出的方法，并在两个数据集的相同分类器中获得了最高的预测精度。所提出的模型处理的候选人数据，提供的简历和生物数据的形式。这些信息是从各种社交网站收集的，并由希望为他们提供工作机会的招聘人员使用。整个工作分为顶部和底部的方法。顶部方法基本上处理前端，而底部方法处理后端。各种各样的工作板提供了候选人和公司的详细信息。因此，在本发明中，收集有效的数据集用于该过程的工作。数据集存储在数据库中以供进一步处理。由于数据集已经从Hadoop的map-reduce函数中缩减，因此它使用机器学习来实现模型。该框架使用各种机器学习技术来展示预测准确性。顶部包含所有后端工作，而底部包括前端工作。对所有特征进行了分析和可视化。数据库的性能是使用机器学习分类器来衡量的，这表明与不同的分类器相比，随机森林分类器的预测精度最高。然后对结果进行优化，以获得用于推荐过程的精确分类器。机器收集申请人因此，世界各地的不同组织可以利用该职位推荐系统来推荐排名靠前的职位。为了帮助竞争对手达到他们的目标，该框架利用基于地理区域的推荐框架。该框架缓解了从组织区域转移的问题求职者可以利用这个框架，通过在地理地图中跟随它来到达该组织结果将给出该组织的精确区域。图1示出了所提出的用于评估工作推荐过程的模型。4. 数据预处理和验证4.1. 数据集。源在这个工作推荐系统中，我们考虑了两个求职数据集：LinkedIn和Facebook。LinkedIn数据集由39，538名候选人组成首先，进行特征提取。系统提取数据系统从大型数据集中提取数据，这将有助于进一步向候选人推荐工作。在最终表格形成后，我们仅考虑与候选人相关的特征以进行适当推荐。候选人由于其职务特征中缺少值而被删除。因此，选择了具有8个作业特征的39，535个候选人。年龄估计给出了公司要求的年龄值。公司统计描述了公司的总体统计。连接数是指在公司内部传播的网络。一个特定的ID被提供给公司，称为职位ID。平均成员职位持续时间是每个员工在特定职位上的持续时间。平均公司地位持续时间描述了特定公司在全球网络中的地位一家公司有时决定以高于面值的价格发行股票，这被称为溢价。公司名称是一个特定公司的注册名称。这些特征使用各种机器学习分类器进行分析。它是一种分析方法，用于分析数据以建立模型。机器学习是人工智能的一个子集。特征提取是从原始数据集中去除额外特征以进行处理的过程。同样，对Face-book数据集也进行了特征分析.考虑到数据集太大，在特征提取过程之后，选择了6425个特征，其中7个作业特征。采用Python作为实现语言，在推荐过程中取得了显著的效果.使用各种库来提取数据。NumPy用于对给定数据执行数学运算。Pandas用于分析数据。导入CSV文件的数据集Python平台。Matplotlib用于可视化技术，例如嵌入直方图，热图和散点图。Seaborn是Numpy和Matplotlib的主干。LinkedIn数据集的所有功能每个特征的频率使用核密度估计的直方图显示。使用Heatmap可视化整个数据集，以获得最常用的功能。这将有助于系统获得与候选人最相关的职务说明。散点图描述了两个不同特征之间的关系。4.2. 频率. 使用KDE的功能核密度估计是一种有助于以有效的方式可视化特征分布的方法通过使用各种参数进行估计 图 2和3分别表示使用LinkedIn数据集在特定特征中发生的年龄估计和公司统计计数的密度。图4. 和5分别表示使用LinkedIn数据集在特定特征中出现的连接计数和位置id的密度。图 6表示使用LinkedIn数据集的每个特定功能中出现的平均成员位置持续时间的频率。4.3. 热图为数据集热图是一种二维矩阵表示，它使用颜色显示值它使用从深到浅的颜色标度来显示哪个功能使用得更多。招聘人员使用最多的功能是使用深色表示，而使用最少的功能是使用浅色表示。图7表示使用热图的LinkedIn数据集的候选人特征的可视化4.4. 散点图可视化散点图是一种数据可视化技术，它使用点来显示候选人在水平和垂直平面上的两个不同特征。它主要用于观察候选人不同特征之间的协调性。本文将年龄估计特征与其他特征进行比较，得到了年龄估计特征的变化情况.它解释了年龄与数据集其他特征的协调。将根据候选人的年龄优先于与其个人资料匹配的其他特征向其推荐工作。图8显示了给定数据集的年龄估计和公司统计特征之间的散点图表示。图9示出了给定数据集的年龄估计和平均成员位置持续时间特征之间的散点图表示。图10示出了给定数据集的年龄估计和位置Id特征之间的散点图表示。图图11显示了给定数据集的年龄估计和连接计数特征之间的散点图表示。B. Parida，P. KumarPatra和S. Mohanty可持续运营与计算机3（2022）8386图2. 年龄估计的密度。Fig. 1. 提出的模型。图4. 连接密度计数。图3. 公司统计数据的密度。4.5. 采用的方法机器学习[17]被称为人工学习（AI）的子领域。机器学习的目标是理解结构，图5. 位置ID的密度。尽管机器学习是计算机科学和工程的一个领域，但它与传统的计算方法形成鲜明对比。在传统的计算中，算法是系统用来计算或解决问题的显式编程指令集。机器学习算法更倾向于考虑系统对信息源的准备和利用B. Parida，P. KumarPatra和S. Mohanty可持续运营与计算机3（2022）8387见图6。 平均成员位置的密度。图7. 热图可视化。图8. 年龄估计值与公司统计值之间的散点图。可测量的调查，以便产生落入特定范围内的尊重。沿着这些路线，机器学习鼓励系统从测试信息中构建模型，以便机械化依赖于信息输入的动态过程。推荐系统通过依赖于用户的倾向和阅读历史的过滤过程向用户提供推荐。关于客户端的数据被作为输入。数据是通过阅读和浏览信息从信息中获取的。建议框架是机器学习计算的执行这是一个阶段，图9.年龄估计值和平均成员职位持续时间之间的散点图。见图10。年龄估计值和位置ID之间的散点图。Fig.11. 年龄估计值和连接计数之间的散点图。根据用户的喜好和喜好，为用户提供不同的偏好因此，推荐系统将关于用户的数据作为信息。为了限制数据负担过重，我们使用机器学习程序。这些策略有助于框架以准确的质量获得更好的进步结果。B. Parida，P. KumarPatra和S. Mohanty可持续运营与计算机3（2022）8388用于分析数据集中的预测精度的阳离子算法4.5.1. 逻辑回归（LR）Logistic Regression是一种有监督的机器学习算法，它从训练数据集中学习。它是一种用于从输入特征集（X）预测目标特征（Y）的概率结果以二进制变量的形式表示：true（1）或false（0）。因此，将输出作为两种可能的结果。逻辑回归提供了显示X和Y之间关系的最佳拟合模型4.5.2. K近邻K最近邻是一种监督分类算法，它涉及标记点以训练其他标记点。它与彼此相似的由相邻点提供的大部分值K是用于精度预测的最近邻（点）的数量。4.5.3. 随机梯度下降分类器（SGD）Stochastic Gradient是一种机器学习分类器，有助于从训练数据中计算值。实现过程中使用随机样本而不是整个数据集。因此，与其他技术相比，该方法给出了该算法的目标是通过迭代找到最小值或最大值。4.5.4. 支持向量分类器（SVC）支持向量分类器是一种有监督的机器学习分类器，它充当判别分类器。它基本上是通过在N维空间中分离超平面来定义的。它最大限度地减少了执行过程中产生的错误。使用SVM算法的目的是找到一个最高的边界平面，使未来的数据点得到更多的置信度值。4.5.5. 朴素贝叶斯（NB）朴素贝叶斯是一种用于生成学习类的分类技术它基于贝叶斯定理。朴素贝叶斯的主要目标是得到具有更好预测值的输出。它是独立于所有其他特征的特征的组合。4.5.6. 多层感知器分类器多层感知器也被称为前馈人工神经网络，由用于操作工作的各个层组成输入层用于接收作为原始数据的信号，而输出层提供作为预测值的结果在它们之间，隐藏层存在于整个过程进行的地方。4.5.7. Adaboost分类器（AB）AdaBoost分类器也称为Adaptive Boosting，是一种集成的Boosting分类器，它合并了各种分类器以提高预测精度。与其他技术相比，它遵循迭代过程，从而产生更好的输出。它专注于较差的预测值，因此，在其他迭代中对其进行改进。4.5.8. 随机森林分类器（RFC）随机森林分类器是一种用于机器学习技术的集成方法。它使用Bootstrap Aggregator或bagging控制过拟合。随机森林分类器的目标是从随机选择的子集中组合它可以在不去除变量的情况下处理大量的信息因素。它给出了分类中重要因子的评价，通过减小单树方差来提高预测精度。见图12。比较LinkedIn数据集的机器学习分类器的预测准确性。4.6. 基于地理区域的推荐系统地理区域指的是对提供工作机会的组织的地理位置的分析。这些都是编程级的管理，利用该地区的信息，给候选人有用的建议。JoanCapdevila等人[19]提出了一种使用社交网络数据面向位置的Geo-SRS推荐系统。它使用旅行者对他们之前访问过的地方的评论，并使用类似的评论向他们推荐。在Four square餐厅小费数据集上进行了实现工作。系统利用地理地图或地理位置图进行定位，方便地到达指定地点。本文采用混合过滤技术。它将情感分析和文本建模相结合，以获得Geo-SRS系统的准确性能我们的工作提出了一个敏锐的框架，挖掘社交网络，以协调最好的求职候选人的开放5. 成果和执行5.1. LinkedIn数据集的机器学习分类器分析通过在LinkedIn数据集中使用上述所有机器学习分类器，我们得到随机森林分类器的预测准确率最高为95.58%，与其他算法相比，F1得分最高为0.979。表1表示LinkedIn数据集的各种机器学习分类算法之间的比较表。图12表示比较LinkedIn数据集的不同机器学习分类器算法之间的准确性的图表。它清楚地表明，随机森林分类器（RFC）具有最高的准确度值。5.2. 在LinkedIn数据集优化技术[18]用于各个领域，以获得最佳或满意的结果。它提取了在模型创建过程优化是机器学习算法领域的重要步骤它基本上是通过提供适当的模型来最小化成本函数或损失函数的为了克服这个问题，我们使用了分层K折叠优化技术，以提高机器学习分类器的预测准确性。它是一种评价机器学习模型能力的统计方法。这种技术由K组成，K指的是B. Parida，P. KumarPatra和S. Mohanty可持续运营与计算机3（2022）83表1.89LinkedIn数据集的机器学习分类算法。2.K最近邻87.95% 0.925 0.912 0.9103.随机梯度下降72.25% 0.771 0.641 0.7084.支持向量机86.15% 1.0 0.861 0.9415.朴素贝叶斯86.74% 0.991 0.871 0.9286.多层感知器88.95% 0.999 0.871 0.9327.AdaBoost 86.15% 1.0 0.861 0.9418.随机森林分类器95.58% 0.997 0.965 0.979表2.在LinkedIn数据集中使用分层K折叠优化后的机器学习分类算法。2.K最近邻94.95% 0.980 0.962 0.9713.随机梯度下降64.32% 0.686 0.877 0.7704.支持向量机87.21% 1.0 0.872 0.9325.朴素贝叶斯86.59% 0.991 0.872 0.9286.多层感知器87.19% 0.999 0.872 0.9327.AdaBoost 87.27% 0.999 0.872 0.9328.随机森林99.78% 1.0 0.997 0.998Fig.13. 机器学习分类器之间的预测准确性比较使用LinkedIn数据集的分层K倍。给定数据集可以分割成的聚类数。与其他优化技术相比，它基本上会导致更少的偏差。表2表示在LinkedIn数据集中使用分层K折叠优化后的机器学习分类算法我们得到，与其他算法相比，随机森林分类器的预测准确率最高为99.78%，F1得分最高为0.998图十三. 显示了使用分层K折叠LinkedIn数据集的机器学习分类器5.3. 分析. Facebook数据集的机器学习分类器为了检查结果是否仅对LinkedIn有效，我们将这些机器学习分类算法应用于其他求职网站。对于Face book数据集，我们使用上述机器学习分类器来预测准确性。同样，与不同的分类器相比，表3表示Facebook数据集的各种机器学习分类算法之间的比较表。见图14。比较Facebook数据集的机器学习分类器的预测准确性。见图14。表示比较Facebook数据集的不同机器学习分类器算法它清楚地表明，随机森林分类器（RFC）具有最高的准确度值。5.4. 在Facebook数据集表4表示在Face book数据集中使用分层K折叠优化后的机器学习分类算法。我们得到，与其他算法相比，随机森林分类器的预测准确率最高为99.03%，F1得分最高为0.998。图15示出了使用Face book数据集的分层K折叠的机器学习分类器之间的预测准确性比较的条形图。通过这些观察，我们已经清楚，结果正如它所示，Facebook也给出了类似的结果，即RFC更好，并给出了SL.号机器学习分类器精度精度召回F1分数1.Logistic回归86.15%1.00.8610.941SL.号机器学习分类器精度精度召回F1分数1.Logistic回归87.21%1.00.8720.932B. Parida，P. KumarPatra和S. Mohanty可持续运营与计算机3（2022）8390表3.Facebook数据集的机器学习分类算法。2.K最近邻46.15% 0.319 0.273 0.2433.随机梯度下降60.58% 0 0 04.支持向量机60.58% 0 0 05.朴素贝叶斯58.65% 0.246 0.428 0.2186.多层感知器39.42% 1.0 0.394 0.5657.AdaBoost 56.73% 0.415 0.447 0.4308.随机森林分类器72.15% 0.488 0.488 0.735表4.机器学习分类算法在Facebook数据集使用分层K折叠优化后。2.K最近邻76.81% 0.628 0.962 0.9713.随机梯度下降70.39% 0 0.877 0.7704.支持向量机70.39% 0 0.872 0.9325.朴素贝叶斯60.87% 0.067 0.872 0.9286.多层感知器45.81% 1.0 0.872 0.9327.AdaBoost 74.15% 0.476 0.872 0.9328.随机森林99.03% 0.994 0.997 0.998Fig.15. 使用Facebook数据集分层K倍的机器学习分类器之间的预测准确性比较。与其他机器学习分类器算法相比，它具有最高的准确度。因此，我们可以利用随机森林分类（RFC）算法来推荐工作。该实现提供了RFC可以被全球众多组织用于为有抱负的求职者提供合理就业的信息。这些组织可以在各种工作板上工作，以筛选候选人，并且使用RFC的工作人员与其他机器学习技术相比，RFC提供了更好的结果。5.5. 基于地理区域的工作地点我们使用了两个最流行的社交网络命名为LinkedIn和Facebook的我们的评估过程。通过从给定的数据集中挖掘组织的位置来找到结果匹配。 它鼓励候选人到达他们的特定就业领域没有任何问题。该框架根据组织的数据库推荐工作它克服了信息稀疏的问题。由于对某些地区的访问受到限制，用户局域网很薄弱。因此，信息稀疏发生，当候选人在当地城市以外旅行时，它将成为更多的测试。基于地理区域的框架为许多工作委员会提供了任务，以推荐有抱负的候选人即将到来的就业机会，活动，海报等等。候选人可以很容易地建议地理区域rec-commender框架，以达到他们各自的组织位置。Geopandas软件包在处理数据时用于进行几何操作。导入Shapely以生成结果。Matplotlib用于在特定地图上显示组织位置。图16. 表示LinkedIn数据集中组织它显示了澳大利亚的各个地区及其几何形状。推荐系统使用这些信息，使用澳大利亚不同地区的纬度和经度来建议组织本组织LinkedIn数据集在世界地理地图上的位置见图2。 十七岁地图显示LinkedIn数据集的不同组织位置。它在提供就业机会的过程中发挥着重要作用工作推荐系统从LinkedIn数据集中获取组织位置，并向求职者推荐适合特定工作的人。因此，求职者可以很容易地通过地图跟踪位置，以达到他们推荐的组织。随着工作需求的增加，推荐系统推荐与候选人的个人资料以及组织位置相匹配的确切工作类似地，该技术应用于FaceBook数据集。它显示了美国的各个地区及其几何形状。图18表示使用Face book数据集的组织本组织LinkedIn数据集在世界地理图上的位置见图10。 十九岁地图显示Facebook数据集的不同组织位置。候选人可以跟踪组织位置以联系他们的组织。这些建议通过Facebook数据集进行。该地图显示了美国所有可能的组织位置，以便求职者可以轻松获得他们的特定点。6. 结论和今后的工作推荐框架鼓励我们从大量的数据中获得我们需要的东西。它建议具体项目，而不是信息的过度负担。工作推荐系统作为推荐系统的一个研究领域，通过向求职者推荐相关的工作来为求职者提供机会这个框架被许多机构用来向求职者推荐合适的工作。它还管理数据过载问题。推荐系统由于其在海量数据上的成功，近年来在线招聘系统作为其中的一个应用领域，使用了推荐系统SL.号机器学习分类器精度精度召回F1分数1.Logistic回归60.58%000SL.号机器学习分类器精度精度召回F1分数1.Logistic回归70.39%00.8720.932B. Parida，P. KumarPatra和S. Mohanty可持续运营与计算机3（2022）8391图16. LinkedIn数据集的组织图17. 本组织LinkedIn数据集在世界地理地图上的位置。通过使用社交网络用户的数据向用户提供合适的工作来管理系统。本文简要介绍了各种类型的推荐系统。实现工作是通过使用Python语言比较各种机器学习分类算法来完成的，图19. 本组织在世界地理图上的Facebook数据集位置。基地实验在两个不同的工作板上进行。然后对结果进行优化，以获得有效和准确的值。令人鼓舞的结果表明，与其他算法相比，随机森林分类器获得了最高的预测精度和高F1得分，图18. Facebook数据集的组织位置。B. Parida，P. KumarPatra和S. Mohanty可持续运营与计算机3（2022）8392两个数据集。我们还使用了基于地理区域的推荐系统，可以帮助所需的候选人到达他们被推荐的组织的确切位置。我们希望通过给申请人提供附近的区域来完成更多的基于地理区域的推荐框架的研究来扩展工作。这同样可以帮助他们跟踪建议所指出竞争利益我（Sthitapragyan Mohanty）代表所有作者声明，我们引用[1] F.O. Isinkaye，Y.O. Folajimi，文学士Ojokoh，推荐系统：原则，方法和评价，埃及。告知。J. 16（2015）261[2] G. Adomavicius ， A. Tuzhilin ， Toward the next generation of recommendersystems ： a survey of the state-of-the-art and possible extensions ， IEEE Trans.Knowl. Data Eng.17（2005）734-749。[3] Y. Shuo，Md Korayem，K.AlJadda，T.Grainger，S.Natarajan，Combining con-基于帐篷和协作过滤的工作推荐系统：一个成本敏感的统计关系学习方法，知识。基于系统136（2017）37[4] S. Benabderrahmane，N. Mellouli，M. Lamolle，关于使用嵌入式聚类和深度递归神经网络对大量工作数据进行预测分析，基于知识。系统151（2018）95[5] N.梅卢利，S。Benabderrahmane，M. Lamolle，P. Paroubek，Smart4job：一个使用时间序列预测和语义分类的智能工作人员广播的大数据框架，Int. J. Eng. Sci. Res.5（2017）。[6] J. Miao，Y. Fang，H. Xie，J. Chong，M.孟，个性化工作推荐的用户点击预测，万维网22（1）（2019）325-345。[7] V.D. Priscila，F.Ortega，E.科沃斯Cabrera，协作过滤方法基于朴素贝叶斯分类器，IEEE 7（2019）。[8] S.艾哈迈德，M。Hasan，Md. A.H.，MD. Adnan，User interaction analysis to rec-commend suitable jobs in career-oriented social networking sites，in：InternationalConferenceon Data and Software Engineering（ICoDSE），IEEE，2016，pp. 1比6[9] S. Guo，F.Alamudun，T.Hammond，RésuMatcher：A Personalized Résumé-JobMatching System，EX pert Syst.Appl. 60（2016）169[10] M. Diaby，E. Viennet，Facebook上基于分类的工作推荐系统，LinkedIn简介，在：第8届国际会议。信息科学研究挑战（RCIS），IEEE，2014年，pp. 1比6[11] W. 范 ， Y 。 马 角 ， 澳 - 地 Li ， Y. He ， E. Zhao ， J.Tang 和 D. Yin ，https://arxiv.org/abs/1902.07243[12] H. Ma，H.Yang，M.R.吕岛King，SoRec：使用概率的社会推荐矩阵分解，CIKM（2008）931[13] S. Margaret，Machine Learning：An Emergency Perspective，CRC Press，2015。[14] KevinP. Murphy，Machine Learning：A Probably Perspective，MIT Press，2012.[15] Yu-Dong Zhang等人，基于双正交小波熵，模糊支持向量机和分层交叉验证的面部情感识别，IEEE Access4（2016）8375-8385。[16] P. Sujini，D.N. Vasundhara，关于使用文档近似的地理位置的有效关键字查询建议框架的调查，Int. J. Res. 5（12）（2018）3492-3497。[17] A. 汗湾Baharudin，L.H.李，K.Khan，机器学习算法综述对于文本文档分类，J.Adv. INF. Technol. （2010）4[18] G.C. Onwubolu，B.V. Babu，工程中的新优化技术，141，Springer，2013.[19] J. Capdevila，M.Arias，A.Arratia，在：GeoSRS：地理定位区域信息系统的混合社会推荐系统，57，2016年，pp.111-128