导　　师： 张星明

授予学位： 硕士

作　　者： (）;

机构地区： 华南理工大学

摘　　要： 近年来,就业问题是亟需解决的社会难题,随着网络技术的迅猛发展,人力资源网络化趋势逐渐增强,人力资源推荐面临信息过载的问题。传统推荐算法无法较好地适应大数据时代的信息膨胀化现象,繁多的岗位信息让求职人员容易陷入信息审视疲劳,以致无法明确自己的求职需求,导致需要耗费更多精力去查找真正适合自己的岗位信息。因此,为了提高人力资源推荐质量,本文以人力资源推荐为应用场景,利用梯度提升树和卷积神经网络等技术,提出了一个改进的人力资源推荐算法,主要工作包括如下几点:(1)研究并实现了流式分布式数据采集技术,用于采集求职人员信息、工作岗位信息和用户行为信息,结合人力资源的领域特点,对采集数据进行数据清洗、数据抽取和数据转换等相关预处理。(2)提出了一个结合梯度提升树与卷积神经网络的人力资源推荐算法,首先利用梯度提升树的特征转换能力,完成了对原始特征的筛选和编码,然后将转换后的特征输入本文设计的混合卷积神经网络,利用卷积操作进行高层特征学习,实现了个性化人力资源推荐。(3)提出了优化混合卷积神经网络训练的策略,使用指数线性单元激活函数解决了神经元死区问题;使用混合池化策略改善了最大值池化处理的特征信息丢失问题;使用改进的交叉熵损失函数解决了难分类样本学习不足的问题。最终完成了模型训练过程的优化,提高了推荐质量。本文以实际人力资源数据为训练集和测试集,对算法进行了实验验证。实验结果表明:本文的推荐算法相较于所对比的其他推荐算法具有更高的召回率和F1值,验证了本文算法的有效性。

关 键 词： 人力资源推荐算法 梯度提升树 卷积神经网络 模型训练优化

领　　域： [] []