文摘
人力资源管理的合理化是有助于企业有效地培养人才,完善管理模式,提高企业的整体资源利用率。当前计算模型应用于人力资源领域通常是基于统计计算,从而不再满足大量数据的处理需求,不考虑数据的隐藏的特点,很容易导致信息匮乏的问题。本文结合循环卷积神经网络和传统的人力资源分配算法和递归神经网络设计了一种双工作匹配推荐算法适用于人力资源领域,可以改善传统算法数据训练质量问题。在实验部分的算法,算法F1论文的价值是0.823,20.1%和7.4%高于其他两种算法,分别,这表明该算法可以提高数据的隐藏层的特性,然后提高培训质量的数据匹配和推荐准确性和改进工作。
1。介绍
随着人工智能技术的发展,智能企业也迅速推进的过程,体现在两个方面的管理智慧和设备自动化(1]。管理情报的一个重要组成部分,智能管理人力资源正在越来越多的关注,越来越多的企业组织(2,3]。合理的人力资源管理有很大的帮助企业有效地培养人才领域的企业,完善企业的管理模式,提高企业的整体资源利用率,可有效加强企业的完整性,同时提供更好的发挥企业的经济和社会价值(4]。因此,尤为重要的是,要对企业进行有效的人力资源管理和智能。
然而,智能时代的显著特征是数据的爆炸性增长,这使得传统的人力资源管理方法不再能够满足大规模数据处理的需求。简单的人力资源管理系统不能作出准确的分析和部署企业的人力资源数据,也浪费大量的数据收集的各种企业信息系统(5]。这不仅失去了企业的信息资源,也减缓了智能信息处理。因此,有必要将先进的人工智能算法应用到企业人力资源分配系统,它可以大大提高企业人力资源数据的处理能力6,7]。
从根本上讲,数据挖掘的处理数据。数据挖掘是指软件系统的使用能够合理地提取有用的信息中包含的数据,和大多数传统的数据挖掘方法使用统计方法8]。统计方法可以用在小数据内容的情况下,但是如果有大量的数据,统计方法不太能够适应需要。机器学习是一种广泛使用的数据挖掘方法,可以在大量的训练数据和提取数据的隐藏特性(9]。这些特性是不断学习,和数据信息提取可以准确地进行。在本文中,使用机器学习的方法来处理人力资源数据,然后提高人力资源数据处理能力。
本文侧重于人力资源的构成结构的优化方面的人员类别,即准确地预测未来的人力资源需求为企业各部门和每种类型的位置提前,以提高招聘效率,避免人力资源短缺,并指导人力资源培训,从而保持企业的稳定运行和防止商业风险(10]。预测未来的估计和推断,研究事物的未来发展及其运行规则和估计,分析了它的各种元素的变化趋势。为了达到这个目的,常常需要模仿现实世界或抽象(对象),这个过程称为建模;代表和体现的现实世界(对象)建模方法获得的模型(11]。所有现有客观事物及其运动形式统称为现实;现实和未来是不一样的,但是未来可以预见通过现实的研究,预测。从信息的角度运动,包含未来和培育未来的现实。因此,一个“好”模型不仅要反映现实但也准确地预测未来的发展。因此,有必要建立一个数学模型,符合事物的客观发展做出预测。
人力资源需求的建议是一个人力资源规划活动,该组织的目标,建立发展计划和工作任务为出发点,考虑各种内部和外部因素的影响预测数量、质量和结构组织所需的人力资源在未来一定时期内12,13]。与传统的数学建模方法,神经网络能够模拟人类想象力的思考和发现的一部分(映射)之间的特征关系输入(影响因素)和输出(人力资源需求)通过学习和记忆协会的历史数据。在人工神经网络中,解释变量的历史样本数据可以作为神经网络的输入单元,和输出单元获得手术后神经网络隐层的重量和激活函数(14]。选择目标函数;即。,the appropriate neural network weights are chosen to minimize the sum of squares of the difference between the desired output and the actual output of the neural network. Through multisample learning, the weights are modified and the deviation is continuously reduced so that the explanatory variables are optimally fitted to the explanatory variables, and the new known explanatory variables are input into the neural network and the predicted values are output through the implicit layer [15]。
因为一个企业的人力资源结构是一个函数的社会、经济、政治和技术因素,用传统的数学建模方法不仅工作量大,而且也难以保证准确性16]。复发性神经网络具有强大的非线性学习能力和模式识别,通过人力资源结构及其影响因素之间的关系可以用相对较小的建模误差和精度高(17]。神经网络已大量的应用程序中使用的财政预测,管理决策和过程控制。一方面,我们可以汲取灵感从神经网络应用在其他领域的经验;另一方面,我们需要设计和开发新的双回线神经网络模型和算法为了解决市场问题的研究。
2。人力资源配置模型与神经网络相结合
2.1。传统的人力资源配置模型
根据传统的人力资源配置理论,规划人力资源主要包括分析单位的人员结构和整理详细工作要求和人员能力之间的相关性。人员能力包括各种元素的加权和总结,以确定人员的质量分数18,19]。
传统的人力资源计分过程如图1。首先,输入数据分组和分析分成两组:人事评价矩阵和人员能力矩阵(20.]。最常用的是员工能力矩阵,可以考虑各种因素,如自我评价、superior-subordinate评估和病人评估。人员能力矩阵信息包括员工绩效,出勤率,头衔。在获得人事评价矩阵值和人员能力矩阵值,关键指标的工作匹配可以获得如下: 是相应的评价参数。
让另一个变量 ,与
因此,由工作人员可以优化匹配模型,见以下方程:
上述算法简单而有效,允许更好地分配人力资源,但这只是适用在没有人力资源数据。随着企业制度的增加,人力资源数据也增加,这个问题变得复杂。该方法在计算效率低下和不允许更好的数据挖掘和有效的人力资源管理。
2.2。改进的递归神经网络模型
从上面,我们可以看到,人力资源调度模型的实质是分析人力资源数据和计算工作匹配分数。的调度人员根据工作匹配分数,可以抽象为一个推荐模型本质上。建议在许多领域模型进行了分析和验证,以及当前主流的推荐模型使用递归神经网络作为数据处理模块(21]。
递归神经网络最重要的特点是使用循环卷积的数据训练操作(22,23]。卷积的复发性网络模型可以被视为一个层次数据模型,和输入的卷积网络最初的人力资源数据。抽象特性之间的数据通过循环卷积的过程操作,提取池、和激活函数和过程表示如下:
在这篇文章中,的数据输入l层,ω的参数权重值吗l层,z是选择的损失函数模型,y模型的校准值,函数f是最后的计算模型的参数。本文的基本神经网络提高了使用混合递归神经网络模型,结合当地和全球模型模型处理数据通过数据的层次模型作为网络输出特性。层次模型结构是用于构建网络,实现工作匹配推荐(24,25]。混合的网络模型如图2。
在模型建立的过程中,交叉熵26)被选中作为损失函数。这个损失函数可以比较数据的实际值与期望值的数据,然后确定数据的亲密,和损失函数如下:
同时,参数优化使用梯度优化算法在训练。这样可以尽可能准确的参数传递,以及模型参数的特定更新过程如下:(1)学习速率和神经网络的迭代次数所示更新以下方程: 在哪里 , 的hypermastigote递归神经网络,模型的计算梯度,t是模型的迭代次数。(2)最优方向的一阶和二阶的估计27)是 (3)更新的参数模型从上面的结果:
3所示。算法流程
就像前面提到的2。2,整个算法匹配推荐算法。推荐算法的流程设计也应根据不同的应用场景和数据特征。当前人力资源领域的算法通常使用统计算法不考虑数据的隐藏特性和依靠简单的得分和专家判断机制,很容易导致信息匮乏问题[28]。
在这篇文章中,我们将经常性CNN和传统人力资源分配算法设计工作匹配推荐算法对人力资源领域。该算法不仅提高了传统算法的数据训练质量低的问题,而且有效地提高了计算效率的数据使用递归神经网络(29日]。算法的核心思想是首先从数据中提取原始特性,这是与传统的人力资源所需的特性一致,包括人员评价矩阵和矩阵的能力。数据提取和编码在一个编码器,然后编码特性是美联储作为数据输入RNN的数据输入层。递归卷积的数据处理层获取工作匹配结果,和算法流程如图3。
首先,数据收集和选择使用分布式流媒体采集方法分为人事评价矩阵和人员能力矩阵。数据抽象,预处理,使用一个编码器,编码保存到数据仓库和进一步提高使用功能增强算法和美联储RNN。最后的工作匹配分数是产出和人力资源推荐过程完成。
算法流程中的步骤描述如下:(1)数据收集:使用分布式流媒体数据收集方法,人力资源数据的格式因公司而异。因此,人力资源数据必须以统一的格式进行处理,包括数据四舍五入和转换操作。(2)原始数据的预处理:数据分组,以便更全面的了解人力资源模型的特点。数据也保存到数据仓库数据模型,以便后续培训可以支持。(3)执行功能增强:数据来自数据仓库和数据分组学习的结果。融合数据结果作为神经网络的输入数据进行网络训练。(4)推荐结果输出:工作匹配结果排名,然后合理的工作任务是由参考分数。
3.1。算法的评价指标
算法是由一定数量的指标,评估和准确评价指标用于评价人力资源推荐算法在本文13,22]。
在评价系统中,准确性和回忆越高,算法越好。然而,在某些场景中,精度和召回可能是相互矛盾的,为了合成这两个指标,F1值[30.]本文用于合成,和公式
4所示。实验和分析
4.1。实验数据
以下4.4.1。数据1
本文中的数据分为三种类型的企业人力资源数据,包括人员信息、人员评估矩阵值,和人员能力矩阵的值。数据收集的4560名员工和1233个职位,样本量为134540 (31日]。
4.1.2。数据2
我们有一个大供电公司在一个特定的地区;公司的细节如下:公司是主要的电力供应和管理单元,电源包括29个城镇和2林场管辖的地区,共有31个二级供电公司;该公司已经建立了超过30年,经过长期的发展,公司的人员结构和业务范围(服务区域)和数量(主要是电力销售和设备)有了显著的变化。到2020年,超过97%的公司现有的变电站将无人驾驶,和服务将基于网络的8个500千伏变电站。随着市场化改革的深入,国家电网公司的发展正面临着新的挑战,与管理方法需要改进,需要优化人员结构,及电源设备和设施需要进一步升级。在这种背景下,企业人力资源的口号的提出了“积极的改变,人才第一”,努力构建一个人力资源管理系统,以适应新形势下,努力成为中国一流的电力供应公司和一个行业的主要参与者。公司的人力资源和公司业绩的信息主要是通过公司的信息发布(总结32]。
图4描述了员工的数量的趋势和电力公司从2010年到2020年的销售。可以看出,公司的员工人数一直保持增长趋势,增长速度相对较慢;和电力公司的销售,除了一定的下行趋势2015年左右,一般都保持着良好的增长和仍然保持着良好的增长在最近年总量的增长,对电力需求在2015年下降可能是由于国内经济的疲软等因素。
虽然公司的员工人数一直保持增长,调整相关的国家政策和公司内部人力资源结构的变化导致某些问题在公司的人员结构,体现在对电力调度和传输和变电站的高需求人员主要的电力传输网络。在这方面,公司有必要提前计划的人力资源部门,尽可能早地完成人力资源需求预测,调整和优化人员结构,清理剩余人员,并介绍足够数量的专业人士为公司的长期发展目标。
通过以上基本情况,相关的信息可以看出,公司一个相对详细的发展历史和丰富的数据,收集到的数据显示一定的波动性,适用于其人力资源的分析和预测需求通过使用双环神经网络。
4.2。数据1实验测试和分析的结果
本文样本分为训练样本集和测试样本集。神经网络测试程序的伪代码中给出的算法1
|
||||||||||||||||||||||||||||
然后在本文算法的可行性与实验相比,使用该算法,CNN,和传统的统计模型训练和实验分析的方法,并分析评价指标的准确性,回忆,和F1的值。实验结果如表所示1。
从表可以看出1,F1值显著提高算法的论文与其他两种算法相比,和传统的统计方法是最有效的。F1值是0.678的大量的数据,和F1常见的CNN的价值提高到0.766;本文算法的最佳表现是0.823。这表明复发的直接使用卷积网络并不能真正提高培训的特征数据,而使用全球网络+本地网络的方法在论文中可以有效地提高隐藏层的特征数据,然后提高培训质量和提高的数据匹配程度和推荐算法的准确性。
4.3。模型分析索引和数据2中筛选实验
在本文中,我们建立了企业的分析指标体系和基于灰色关联筛选所有的索引方法来确定最终的关键分析人力资源需求的指标。
基于上述原则,以下分析索引被选为最初的人力资源需求预测分析系统公司的特定沉如表所示2。
原始需求预测分析系统的建设后,我们需要筛选指标,影响公司的人力资源需求,即。的关键指标。筛选方法的灰色关联分析方法计算综合关联度,并总结了分析结果表3。每一个指标之间的相关性和人力资源计算的灰色系统建模软件,具体结果如下:
相关的价值越高,对人力资源需求的影响就越大。通过排名上面的相关性,我们可以得到的 , , , :四个变量与相对较大的值,即。,length of transmission network, the number of substations, the total number of customers, and the amount of feed-in tariffs, have a greater influence on the analysis of human resources demand, so the above four analysis indicators are selected as key indicators [33]。
4.4。预测数据2
双环的实现神经网络模型包括两个阶段:首先,关键指标预测值输入模型来获得最终的预测价值。
主要分析指标的预测价值的人力资源需求的公司2017 - 2019表所示4。
图5显示了神经网络训练的错误趋势。可以看出,从网络获得的输出值训练从最优输出值差别并不是很大。结果如图所示6。R最初= 09999,这表明,我们的模型是训练有素。
模型是使用2019年的历史数据,模拟和实际输出值6437得到2019,和计算的相对误差为1.067%,小于3%。获得的数据从GM(1, 1)模型被用来作为神经网络的输入来预测企业的人力资源需求从2017年到2019年,并总结了相关的结果如表所示5。
根据预测结果,企业需要进一步增加员工的总数在t .特定的人员需求需要根据公司的实际情况调整。
4.5。不同模型的比较
为了直观地比较不同模型的预测效果,分别进行了预测分析的两个摘要,具体结果如表所示6。
人力资源需求预测的值的两个模型在表6,很明显,灰色BP网络预测模型的预测结果为每年接近真实值的GM(1, 1)模型(17,34),更好的预测的准确性;同时,双重递归神经网络的平均相对误差预测模型仅为0.1481%,这表明该模型具有很高的预测精度。这间接表明two-circulation神经网络的适用性和可靠性预测模型选择。
5。结论
人力资源调度模型的实质是分析人力资源数据和计算工作匹配分数。人员的调度执行基于工作匹配分数,可以抽象为一个推荐模型本质上。摘要的基本神经网络提高了使用双环神经网络模型的组合,一个全球性的模型,和当地的模型,和数据特性模型的分层操作后作为网络的输出,然后对数据进行处理。通过使用分层模型结构为网络建设,我们终于实现高精度匹配和推荐工作。
数据可用性
本文中使用的数据集可以从相应的作者。
的利益冲突
作者声明,关于这项工作他们没有利益冲突。
确认
这项工作是由中国管理科学院,工商管理专业实践教学体系研究高校基于一体化的产业和教育下批准号ZJKY4990和中国管理科学院研究理念建设高校创新创业教育下的人才培养模式和改革批准号GJY4422。