答辩终稿

实验结果
通过遗传算法处理后，我们得到了简历各个指标的权重系数： 通过遗传算法处理后，我们得到了简历各个指标的权重系数：
指标名称 性别C 性别 1 婚否C 婚否 2 年龄C 年龄 3 学历C 学历 4 学校C 学校 5 计算机能力C 计算机能力 6 工作经验C 工作经验 7 工作年限C 工作年限 8 资格证书C 资格证书 9 英语能力C 英语能力 10 粤语能力C 粤语能力 11 普通话能力C 普通话能力 12 权重系数 0.030 0.030 0.037 0.159 0.100 0.051 0.268 0.061 0.157 0.036 0.013 0.054
致
谢
感谢导师胡东波教授对论文的悉心指导 感谢同学给我的建议与帮助 感谢各位答辩委员对本论文的审阅与指正
P×R×2 F1 = P+R
a P= a+b
R =
a a + c
公式中a 公式中a，b，c，d的值根据手工匹配的情况和自动匹配的情况 进行确定。 进行确定。a，b，c，d的计算方法为：如果结果属于a则将a加1；同 的计算方法为：如果结果属于a则将a 如果结果属于b 则它们分别自己加1 理，如果结果属于b，c，d则它们分别自己加1。
Y = Dis ( B , C ) = B − C =
∑(B
n i =1
i
− Ci
)
2
选择调节阀值
根据岗位需求人数与简历收集数目来确定调节阀值η
岗位需求人数 η= 候选人数目
计算简历价值系数
α =
m Y m ax − m Y −
∑
m
Y
j=1 m
j
∑
Y
j=1
j
如果 η ≥ α
则该份简历划分为通过筛选
β = β1 + ( β 2 − β1 ) × t / Tmax
方法的应用—实例分析 方法的应用 实例分析
本文主要通过与一些招聘网站合作，分别从十多个岗位中， 本文主要通过与一些招聘网站合作，分别从十多个岗位中，每个 岗位中抽取了大约50个职位，每个职位中包括20份简历信息， 岗位中抽取了大约50个职位，每个职位中包括20份简历信息，每个岗 50个职位 20份简历信息 位抽取了两组简历样本：1.企业接受面试的简历5000份左右（简称A 位抽取了两组简历样本：1.企业接受面试的简历5000份左右（简称A 企业接受面试的简历5000份左右 类样本）；2.不被企业接受面试的简历5000份左右（简称B类样本）。 类样本）；2.不被企业接受面试的简历5000份左右（简称B类样本）。 ）；2.不被企业接受面试的简历5000份左右 对简历中的各种属性进行测度表示 对各种类型的指标进行无量纲化、标准化、 对各种类型的指标进行无量纲化、标准化、一致化处理 用文中设计好的遗传算法进行分析， 用文中设计好的遗传算法进行分析，得到运行的实验结果
方法的应用
总
5.总结与展望 结 5.总结与展望
问题的提出—选题背景及意义 问题的提出 选题背景及意义
人力资源配置和使用的基础是人岗匹配， 人力资源配置和使用的基础是人岗匹配，而人岗匹配程度的高低 直接影响组织内部其它资源的合理利用和整体配置效益。 直接影响组织内部其它资源的合理利用和整体配置效益。网络招聘的 兴起，大量的简历数据使筛选工作面临困难。 兴起，大量的简历数据使筛选工作面临困难。目前人岗匹配研究主要 是通过主观评定来进行匹配测度， 是通过主观评定来进行匹配测度，如评价指标及其重要性确定的依据 主要是专家的主观判定。 主要是专家的主观判定。这种匹配测度方法存在不能实现从定性分析 到定量处理的合理转化、主观随意性比较大等问题， 到定量处理的合理转化、主观随意性比较大等问题，具有一定的局限 为此，从客观和定量的角度去研究人岗匹配具有重要的意义 研究人岗匹配具有重要的意义。 性。为此，从客观和定量的角度去研究人岗匹配具有重要的意义。
并行模型
用多个子种群代替原单一种群， 用多个子种群代替原单一种群，每个子种群按不同的遗传算子独 立地、并行地进化， 立地、并行地进化，用多个子种群代替原始种群在可行解空间进行搜 不同子种群各自独立进化，每进化5 索。不同子种群各自独立进化，每进化5代就把当前总的最优个体分 配到所有子种群中去，以促进各个子种群共同地进化。在遗传运算中， 配到所有子种群中去，以促进各个子种群共同地进化。在遗传运算中， 子群体中的个体按照一定比例随机进行寻优操作， 子群体中的个体按照一定比例随机进行寻优操作，设进化比例系数为 t为当前进化代数，Tmax为最大进化代数 为当前进化代数，Tmax为最大进化代数 β
精英保留
每代进行了选择、交叉、变异的操作以后， 每代进行了选择、交叉、变异的操作以后，将 新一代的个体按适应度排序， 新一代的个体按适应度排序，首先以上一代保存下 来的精英个体替换这一代适应度最差小的个体。然 来的精英个体替换这一代适应度最差小的个体。 后用这代适应度最好的个体与上一代保存下来的精 英个体进行比较， 英个体进行比较，将其中适应度最好的个体作为精 英个体替换原有精英个体保存下来。 英个体替换原有精英个体保存下来。
Bi 为权重作用下各个员工各个要素的分值， 为权重作用下各0 < ωi ≤ 1 s.t n ∑ ωi = 1 i =1
人员与岗位的匹配度通过两者间的距离来衡量， 人员与岗位的匹配度通过两者间的距离来衡量，两者间的距离采用如下 公式进行计算： 公式进行计算：
LOGO
基于遗传算法的简历与求职 岗位匹配研究
论文基本框架
1.绪论 问题的提出 1.绪论 2.人与岗位匹配的测度 2.人与岗位匹配的测度 问题的解决 3.基于遗传算法的简历与招聘岗位匹配测度 3.基于遗传算法的简历与招聘岗位匹配测度 4.基于遗传算法的简历与招聘岗位匹配测度的应 4.基于遗传算法的简历与招聘岗位匹配测度的应 用
s.t ∑ ω
i =1
i
=1
我们就是想通过机器学习得到最好的一组ϖ ，以此来运用到以后 的匹配和筛选过程中。所以， 表示成一条染色体， 的匹配和筛选过程中。所以，我们将 ϖ 表示成一条染色体，ωi 表示染 色体上的基因位，且基因的个数为n 色体上的基因位，且基因的个数为n。我们就是需要通过遗传算法来 对个体进行进化寻优， 对个体进行进化寻优，我们得到的结果就表示为能够最为客观的表示 各个属性指标的重要性的权重系数。 各个属性指标的重要性的权重系数。
所有指标中：工作经验、学历、资格证书的权 重值最大 在学习能力指标中：学历的权重比值最大，计 算机能力的权重最小 在工作能力指标中：工作经验占到了所有指标 中的最大权重 在语言能力指标中：普通话、英语、粤语的权 重依此降低
研究不足与展望
1.实验分析仅就会计人才岗位匹配进行研究该方法 1.实验分析仅就会计人才岗位匹配进行研究该方法 还需要更多案例验证 2.人岗匹配从静态的单一纬度来进行研究和分析， 2.人岗匹配从静态的单一纬度来进行研究和分析， 人岗匹配从静态的单一纬度来进行研究和分析 可以将动态因素考虑进去， 可以将动态因素考虑进去，并且在指标选取的时候 考虑更多类型和维度。 考虑更多类型和维度。 3.简历中的文本信息有待进一步挖掘 3.简历中的文本信息有待进一步挖掘
建立匹配测度模型
构建测度指标体系 确定因素评定等级及标度分值系 确定所需匹配岗位的因素等级以及匹 配度测度公式
确定指标体系权系数
进行测度
提出匹配测度计算方法
设员工能力为A(其各个要素为A 员工能力对应的岗位要求为C 设员工能力为A(其各个要素为Ai)，员工能力对应的岗位要求为C（其各个 A(其各个要素为 要素为C ），Y为员工能力与岗位的匹配程度评价的总分数。 要素为Ci），Y为员工能力与岗位的匹配程度评价的总分数。 设Ai对应的权重为ω (i =1,2,L ) n i 则有： 则有：
( Pm − Pm1 ) ( f max − f ′ ) Pm 1 + f max − f avg Pm = ( Pm 2 − Pm ) ( f avg − f ′ ) Pm 2 + f avg − f min
Pc1 < Pc = Pc1 + Pc 2 < Pc 2 2
f ′ ≥ f avg f ′ < f avg
确定适应度函数
本算法中适应度值的大小， 本算法中适应度值的大小，取决于在该个体作用下简历通过筛选 的准确率。这个准确率是参照专家判断下哪些简历能够通过筛选， 的准确率。这个准确率是参照专家判断下哪些简历能够通过筛选，我 们采用查全率R 查准率P以及F1评价指标来进行计算 们采用查全率R，查准率P以及F1评价指标来进行计算 F1
遗传操作
选择算子 交叉算子 变异算子
采用轮盘选择法 采用基于最近邻的基因匹配交叉运算 采取离散随机变异方式
算法终止条件
规定的代数内有一个个体的适应度值己经满足 要求，则停止进化；否则， 要求，则停止进化；否则，一直进化到规定的 代数算法停止
自适应交叉概率和变异概率
( Pc − Pc 1 ) ( f m a x − f ′ ) Pc 1 + f m ax − f avg Pc = ( Pc 2 − Pc ) ( f a v g − f ′ ) Pc 2 + f a v g − f m in f ′ ≥ f a vg f ′ < f avg
问题的遗传算法表示--编码 问题的遗传算法表示--编码 -每份简历指标的基本描述： 每份简历指标的基本描述： S = d d , d L d n 1, 2 3 每份简历指标的权重系数： 每份简历指标的权重系数： ϖ = [ω1 , ω 2 , L ω n ]
s11 ×ϖ11 s12 ×ϖ12 s ×ϖ s ×ϖ 简历匹配问题的样本空间可以表示为Y = 21 21 22 22 s31 ×ϖ31 s32 ×ϖ32 n sm1 ×ϖm1 sm2 ×ϖm2 L s1n ×ϖ1n L s2n ×ϖ2n L s3n ×ϖ3n L smn ×ϖmn
P1 +P 2 m m <P2 m 2
P1 <P = m m
Pc1 , Pc 2 , Pm1 , Pm 2 取(0，1)区间的值，可在优化过程中调整。
改进后的交叉概率Pc和变异概率Pm随着个体 的适应度值在种群的最小适应度、平均适应度和 最大适应度之间进行线性调整，适应度值较高的 个体交叉概率和变异概率较小，有利于保持种群 中的较优个体，适应度值较低的个体的交叉概率 和变异概率较大，从而增加种群的多样性
问题的解决
1.提出人岗匹配测度的计算公式 1.提出人岗匹配测度的计算公式 2.用遗传算法确定测度公式中指标的权重系数 2.用遗传算法确定测度公式中指标的权重系数 3.对遗传算法进行优化和改进 3.对遗传算法进行优化和改进
提取简历信息设计指标体系
性别 基本信息 婚否 年龄 学历 简历 指标 体系 A 学习能力 学校 计算机能力 工作经验 工作能力 工作年限 资格证书 英语水平 语言能力 粤语水平 普通话水平