近年來,就業問題是亟需解決的社會難題,隨著網絡技術的快速發展,網絡招聘成本低,人力資源招聘逐漸網絡化。企業招聘人員需要花費大量的時間和精力從海量的簡歷中篩選合適的人才。面對不同的崗位需求,招聘人員不僅需要判斷求職者的學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歷和職業技能是否符合職位的要求和描述,非常的費時費力。因此本文提出了一種個性化簡歷推薦方案,來降低篩選的難度,提高篩選效率。關鍵思想就是利用了豐富的工作申請數據和企業邀請數據。首先我們采用深度學習模型處理簡歷和職位中的自由文本,然后從整個簡歷和職位中提取語義實體。通過融合自由文本特征和實體特征,能夠得到簡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的神經網絡來提取職位需求和簡歷文本的詞級別特征,采用了注意力機制衡量招聘要求對不同工作經歷的重要性以及工作經歷對不同招聘要求的貢獻。主要研究內容包括:1.數據采集和預處理:實現了數據的采集和預處理,對求職人員信息、招聘信息等數據進行結構化處理,對采集的數據進行數據的清洗、數據的提取以及數據的轉換。2.求職者和招聘信息匹配:根據求職者簡歷以及招聘信息的特點,...

【文章頁數】：60 頁

【學位級別】：碩士

【部分圖文】：

圖2.1基于內容推薦

2.1.2基于內容的推薦算法基于內容的推薦主要是從用戶和物品自身的特征出發,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。內容推薦系統結構圖如圖2.1所示。該算法主要分為三步:

圖2.2人工神經元

神經網絡是一種人工神經元,它主要的設計思路來自于生物學中的神經元。人工神經元的結構圖如下圖2.2所示。神經網絡一般是由多個神經元組成,神經網絡通過神經元的連接來傳遞信息,神經網絡一般會被分為多個層次,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絡層,多層感知機就是全連....

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。一般的池化層的運算包括最大池化、均值池化、高斯池化和可訓練池化等。通常的最大池化操作如圖2.3所示。池化規模為2*2,步幅為2,每個MAX操作對四個數進行。非線性激活層:輸入的數據在卷積層只是經過了線性映射,而只有卷積操作的神經....

圖2.4 RNN模型結構圖

循環神經網絡(RecurrentNeuralNetwork,RNN),是能夠處理時序數據的神經網絡,它不同與傳統的前饋神經網絡,即使是同一層神經元,它們之間也是有信息傳遞的。相對于卷積神經網絡,循環神經網絡可以擴展到更長的序列數據,處理序列長度不同的數據。具體結構如下圖2.4....

本文編號：4052537