近年來(lái),就業(yè)問(wèn)題是亟需解決的社會(huì)難題,隨著網(wǎng)絡(luò)技術(shù)的快速發(fā)展,網(wǎng)絡(luò)招聘成本低,人力資源招聘逐漸網(wǎng)絡(luò)化。企業(yè)招聘人員需要花費(fèi)大量的時(shí)間和精力從海量的簡(jiǎn)歷中篩選合適的人才。面對(duì)不同的崗位需求,招聘人員不僅需要判斷求職者的學(xué)歷等信息是否符合招聘要求,而且需要分析求職者的工作經(jīng)歷和職業(yè)技能是否符合職位的要求和描述,非常的費(fèi)時(shí)費(fèi)力。因此本文提出了一種個(gè)性化簡(jiǎn)歷推薦方案,來(lái)降低篩選的難度,提高篩選效率。關(guān)鍵思想就是利用了豐富的工作申請(qǐng)數(shù)據(jù)和企業(yè)邀請(qǐng)數(shù)據(jù)。首先我們采用深度學(xué)習(xí)模型處理簡(jiǎn)歷和職位中的自由文本,然后從整個(gè)簡(jiǎn)歷和職位中提取語(yǔ)義實(shí)體。通過(guò)融合自由文本特征和實(shí)體特征,能夠得到簡(jiǎn)歷和工作崗位的全面描述。具體而言,我們提出了基于BiLSTM和CNN的神經(jīng)網(wǎng)絡(luò)來(lái)提取職位需求和簡(jiǎn)歷文本的詞級(jí)別特征,采用了注意力機(jī)制衡量招聘要求對(duì)不同工作經(jīng)歷的重要性以及工作經(jīng)歷對(duì)不同招聘要求的貢獻(xiàn)。主要研究?jī)?nèi)容包括:1.數(shù)據(jù)采集和預(yù)處理:實(shí)現(xiàn)了數(shù)據(jù)的采集和預(yù)處理,對(duì)求職人員信息、招聘信息等數(shù)據(jù)進(jìn)行結(jié)構(gòu)化處理,對(duì)采集的數(shù)據(jù)進(jìn)行數(shù)據(jù)的清洗、數(shù)據(jù)的提取以及數(shù)據(jù)的轉(zhuǎn)換。2.求職者和招聘信息匹配:根據(jù)求職者簡(jiǎn)歷以及招聘信息的特點(diǎn),...

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1基于內(nèi)容推薦

2.1.2基于內(nèi)容的推薦算法基于內(nèi)容的推薦主要是從用戶和物品自身的特征出發(fā),分析用戶感興趣的特征,將具有相似特征的物品推薦給用戶。內(nèi)容推薦系統(tǒng)結(jié)構(gòu)圖如圖2.1所示。該算法主要分為三步:

圖2.2人工神經(jīng)元

神經(jīng)網(wǎng)絡(luò)是一種人工神經(jīng)元,它主要的設(shè)計(jì)思路來(lái)自于生物學(xué)中的神經(jīng)元。人工神經(jīng)元的結(jié)構(gòu)圖如下圖2.2所示。神經(jīng)網(wǎng)絡(luò)一般是由多個(gè)神經(jīng)元組成,神經(jīng)網(wǎng)絡(luò)通過(guò)神經(jīng)元的連接來(lái)傳遞信息,神經(jīng)網(wǎng)絡(luò)一般會(huì)被分為多個(gè)層次,通常包含輸入層、隱藏層以及輸出層。全連接層是最為普遍的網(wǎng)絡(luò)層,多層感知機(jī)就是全連....

圖2.3最大池化

池化層:池化就是下采樣,主要目的就是減少特征的參數(shù)。一般的池化層的運(yùn)算包括最大池化、均值池化、高斯池化和可訓(xùn)練池化等。通常的最大池化操作如圖2.3所示。池化規(guī)模為2*2,步幅為2,每個(gè)MAX操作對(duì)四個(gè)數(shù)進(jìn)行。非線性激活層:輸入的數(shù)據(jù)在卷積層只是經(jīng)過(guò)了線性映射,而只有卷積操作的神經(jīng)....

圖2.4 RNN模型結(jié)構(gòu)圖

循環(huán)神經(jīng)網(wǎng)絡(luò)(RecurrentNeuralNetwork,RNN),是能夠處理時(shí)序數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò),它不同與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò),即使是同一層神經(jīng)元,它們之間也是有信息傳遞的。相對(duì)于卷積神經(jīng)網(wǎng)絡(luò),循環(huán)神經(jīng)網(wǎng)絡(luò)可以擴(kuò)展到更長(zhǎng)的序列數(shù)據(jù),處理序列長(zhǎng)度不同的數(shù)據(jù)。具體結(jié)構(gòu)如下圖2.4....

本文編號(hào)：4052537