1.一种基于对称深度网络和动态多交互人力资源岗位推荐方法，其特征在于，包括以下步骤：步骤1：通过企业提供的数据信息以及个人网络爬取的岗位信息进行整合，对获取的用户信息、岗位信息、用户行为信息进行预处理；

步骤2：对预处理后的数据，进行one‑hot向量化特征表示，根据数据的特征，对特征向量是高维的进行降维处理；

步骤3：将向量化的用户信息和用户行为交互信息输入到Max Pooling层，之后输入到胶囊网络里的多兴趣提取层，获取用户历史行为的多个兴趣胶囊；

步骤4：将用户特征向量结合多个兴趣胶囊向量经过全连接操作，得到用户最终的多兴趣向量表征；

步骤5：构建改进的对称深度网络模型，将用户多兴趣向量表征输入到改进的对称深度网络模型中；所述改进的对称深度网络模型通过正向MLP操作，得到低维特征映射，每层之间使用Leaky‑Relu激活函数，同时加入横向连接，将正向的MLP结果输入到反向MLP中进行高维特征关系捕捉；

步骤6：搭建动态细粒度多特征交互模块，将用户行为特征信息输入到Transformer的改进Encoder模块中，所述改进Encoder模块将原始的Transformer中的encoder里layer normalization层由post_LN改为Pre‑LN，将输出结果与岗位特征进行交互操作，结果输入到Attention机制中，之后输入到MLP中进行线性映射；

步骤6.1：首先输入用户行为特征信息到LayerNorm层，公式如下：γ和β是反向传播的超参数，μ和σ是输入矩阵的平均数和方差，∈防止分母为0的偏正因子，lb对应用户行为信息的归一化网络层输出，eb是向量化的用户行为交互信息；

步骤6.2：将网络层结果输入到Transformer的改进encoder模型中的多头自注意力模型中，进行FFN操作，得到交互的表征hl，直接与岗位的表征ei拼接，获得用户不同行为特征的表征Vl，得到下式：Vl＝Concat(ei,hl)

步骤6.3：将输出的结果Vl作为Attention机制的输入，对不同时间的交互行为计算偏好权重，公式如下：其中，θ得分函数，αl用户行为偏好权重， 为偏差因子，Wl为权重矩阵，Relu为激活函数，L表示用户行为的总个数；

步骤6.4：获得权重之后，对表征进行加权Rib，之后输入到MLP层线性映射，获得更加细粒度的特征信息，输出最终的特征表示：其中，Rib为岗位和用户行为信息细粒度交互的特征表征；

步骤7：将对称深度网络模型与动态细粒度多特征交互模块的输出，进行SoftMax操作，得到最终的预测推荐结果。

2.根据权利要求1所述的基于对称深度网络和动态多交互人力资源岗位推荐方法，其特征在于，所述步骤1的具体方法为：步骤1.1：通过合作企业提供的企业岗位数据、用户数据、用户交互数据以及个人网络爬取的近期岗位数据D进行整合；

步骤1.2：对整理的数据D进行清洗、去重、去空操作后得到企业岗位数据D1，用户数据D2，用户行为数据D3，其数据都包括实体和属性信息；

步骤1.3：对预处理后的特征信息，表示为下式：

其中，N为数据的维度， 表示第i个维度的特征。

3.根据权利要求1所述的基于对称深度网络和动态多交互人力资源岗位推荐方法，其特征在于，所述步骤2的具体方法为：步骤2.1：对预处理后特征信息X*，进行向量化特征表示，如果是数值型特征，则直接作为标量，如果是非数值型特征，使用one‑hot处理；

步骤2.2：对于非数字型特征one‑hot向量 其特征向量是高维的进行降维处理，公式如下：对于高维特征进行 其中的 是one‑hot向量，Vi是向量矩阵，非高维特征直接标量化处理，即步骤2.3：根据以上向量化处理，得到对应的用户、企业岗位、用户行为特征的向量化表示，分别如下：其中， 用户f的细粒度嵌入特征向量， 企业岗位p的细粒度嵌入特征向量， 用户行为l的细粒度嵌入特征向量，F、P、L分别为用户、企业岗位和用户行为的总个数。

4.根据权利要求1所述的基于对称深度网络和动态多交互人力资源岗位推荐方法，其特征在于，所述步骤3的具体方法为：步骤3.1：将向量化的用户行为交互信息eb输入到Max Pooling层，之后输入到胶囊网络里的多兴趣提取层，计算对应的动态兴趣个数Ku，更新迭代公式如下：Ku＝max(1,min(Ku,log2|eb|))

其中，Ku为用户u的动态兴趣个数；获取用户历史行为的多个兴趣胶囊；

步骤3.2：计算所有的用户行为路由权值，为了保证所有行为路由和为1，使用Softmax函数进行操作；

步骤3.3：计算所有兴趣路由权值，由用户行为路由权重和用户行为特征进行点积操作，为保证维度的一致性，使用双线性映射矩阵U，最后进行加权求和；

步骤3.4：为了保证方向的一致性，使用非线性函数Squash进行调控，进而对参数进行更新迭代，输出对应的兴趣胶囊向量uj。

5.根据权利要求1所述的基于对称深度网络和动态多交互人力资源岗位推荐方法，其特征在于，所述步骤5的具体方法为：步骤5.1：将用户多兴趣向量表征输入到正向MLP网络中，得到低维特征映射；

步骤5.2：通过改进使用Leaky‑Relu激活函数，进行偏差的调整，具体的超参数是α，α∈(1,+∞)，公式如下：步骤5.3：同时加入横向连接，使得训练完成一个正向的网络训练之后，除了进一步向前传播训练，同时还会输入到反向神经网络中，所使用的正反向网络层数都是3层；

步骤5.4：将正反向训练之后的结果，进行Concat操作，输出对应的特征表征信息。