我曾经尝试过类似的东西。我使用了一种你不会想到的方法，但它给出了一些令人惊讶的好结果。

我在 Tensorflow 中使用了 NMT（神经机器翻译）模型。网上有一些越南语->英语翻译的例子。我将其更改为从“旧职位”翻译为“新职位”，并在我的数据集上对其进行了训练。这很容易做到，您不需要修改任何代码，除了可以稍微调整模型（例如，文档的长度现在比机器翻译示例中的要短）。

这种方法的缺点是在使用它进行推理时只考虑最近的职位。但是，您可以尝试将所有以前的职位和其他数据（学校等）连接起来作为输入文本，以生成单个职位作为输出，这样您就可以确保您正在利用他们的整个职业道路。

我建议调整架构的各个方面（层数、以前使用的作业数量、现成的 word2vec 与特定领域训练的 word2vec 等），直到您针对所使用的任何评估指标获得最佳性能。

您可以采用的另一种方法是获取每个标题的 doc2vec，并训练某种 RNN/LSTM 以在给定所有先前 vec 的情况下预测下一个 vec。然后，您需要在输出上进行后处理阶段，以将输出 vec 转换为文本。不幸的是，我不知道这里有避免从头开始构建模型架构的捷径，所以这种方法更有效。

当然还有其他解决问题的方法，但由于没有其他人回答，但我想我会给出我的建议。

首先了解如何衡量系统的性能/准确性是一个好主意。

你说你的推荐系统的输出是“你职业生涯的下一步可以是什么”，但是如果系统告诉我我应该成为一名面包师，你将如何衡量推荐的好坏？它会基于它对我下一个职业发展的预测程度吗？系统是否允许我就它的推荐给它反馈，并相应地评估它自己？

一旦澄清了这一点，那么你就在游戏中。您有某种拟合优度函数，g您现在正在寻找一个最大化（或最小化，取决于您的定义）的函数，其中 x 是数据，y 是推荐值。fg(f(x), y)

然后还有两个问题：如何对解释数据x和目标变量y进行编码？同样，这在很大程度上取决于目标是什么，但鉴于您拥有的数据似乎是非标准化的，我确实会将所有内容都转换为文本挖掘问题：您需要将数据映射到一组标记（英语词或任何其他符号），过滤掉您知道携带少量信息（标点符号、数字等）的模式，并将词袋转换为向量（例如，word2vec@Tom 提到的 with ）。您可能还希望将 y 分类，或者相反，将其扩展为词向量，以便可以比较相似的工作。

获得一个预测/估计的模型y是x很容易的部分。你会发现很多现成的学习者可以尝试（例如在sklearn(python) 或中tensorflow）。