任然然

摘要：本文以AI公司的人力資源現(xiàn)狀為背景，通過對其人員離職現(xiàn)狀數(shù)據(jù)的統(tǒng)計分析，采用基于案例推理算法，制定了基于數(shù)據(jù)挖掘的職位推薦模型，為該公司有意轉(zhuǎn)崗或離職人員提供公司內(nèi)部職位推薦服務，進而降低員工對離職率，確保該公司員工的穩(wěn)定性。

Abstract： Based on the analysis of the current situation of AI's personnel， this paper uses the case-based reasoning algorithm to develop the job recommendation model based on data mining， and provides internal job referral services for the employees with the intention to transfer or leave the company， thereby reducing employee turnover rates and ensuring the stability of the company's employees.

關鍵詞：人力資源；基于案例推理；推薦算法

Key words： human resources；case-based reasoning；recommendation algorithm

中圖分類號：F279.23 文獻標識碼：A 文章編號：1006-4311（2017）34-0042-03

1 背景

北京AI公司是一家是領先的中國全電信軟件解決方案提供商。AI公司自成立以來，始終站在世界技術的前沿，推動中國新一代電信的發(fā)展。AI公司總部設在北京中關村，在全國各地乃至新加坡、印度均設有機構(gòu)，員工人數(shù)將近2萬多名，2001年總收入達18900萬美元。曾被世界經(jīng)濟論壇評為全球500家高速成長的企業(yè)之一。

近年來，隨著社會的發(fā)展，企業(yè)與員工的關系，將不再是簡單的勞資關系，而是通過若干維度的緊密連接，形成的一個全面的生存共同體，人類社會已經(jīng)進入到了新經(jīng)濟時代。知識經(jīng)濟是以人力資本投入為主的經(jīng)濟，充分利用人才資本和知識是這個時代的強大精神體現(xiàn)。人力資源不僅是最積極、最活躍的生產(chǎn)要素，而且毫無疑問是最重要的第一生產(chǎn)要素。[1]

2 相關技術理論

案例相似度算法：

案例的全局相似性算法采用加權局部相似度量如[3]下

Sim（X，Y）=wjSim（Xi，Yi）

其中，Sim（X，Y）表示目標案例X與源案例Y的相似度，wj表示特征i的權重，Sim（Xi，Yi）表示目標案例X與源案例Y在特征i上的相似度，相似度計算實質(zhì)上就是對屬性間距離進行度量，Sim（X，Y）應當滿足以下的條件和性質(zhì)[4][5]

①sim （X，Y）∈[0，1]

②當且僅當X=Y，sim（X，Y）=1

③sim （X，Y）=sim（Y，X）

④sim （X，Y）≥sim（X，Z）+sim（Z，Y）-1

本文中兩種類型用戶的屬性之間的相似度計算公式如表1所示。

3 模型設計

3.1 用戶類型的設計

用戶在登錄推薦系統(tǒng)前，可以根據(jù)自己的求職意向，在AI公司人才檔案系統(tǒng)更新自己的求職意向。本文會以用戶在人才檔案系統(tǒng)存儲的最新用戶信息為基礎，同時根據(jù)系統(tǒng)用戶登錄的行為將用戶分為：首次登錄系統(tǒng)用戶和非首次登錄系統(tǒng)用戶。

對于在AI公司人才檔案系統(tǒng)里面修改簡歷信息或者求職意向的用戶，系統(tǒng)會根據(jù)用戶修改后的用戶信息，為用戶進行職位推薦；對于首次登錄系統(tǒng)對用戶，系統(tǒng)會采用基于案例推理的算法為用戶提供推薦服務，否則，系統(tǒng)會根據(jù)用戶的行為數(shù)據(jù)，采用基于模型的協(xié)同過慮算法為用戶提供推薦服務。

3.2 推薦模型的設計

經(jīng)查閱相關文獻可知，影響職位推薦列表等影響因素有很多，并且每一種影響因素對最終推薦列表的影響程度均是不同的。因此，本文采用層次分析法[6]（The analytic hierarchy process）簡稱AHP，來確定不同屬性信息權重。該方法的具體步驟如下：

3.2.1 建立層次結(jié)構(gòu)模型

根據(jù)AI公司的業(yè)務需求，并結(jié)合相關文獻知識，本文將影響最終職位推薦列表的屬性信息分為用戶屬性及職位屬性。用戶屬性包括用戶基本屬性、用戶能力屬性、用戶意向?qū)傩浴?/p>

3.2.2 成對比較矩陣

在確定權重時，Satty等人提出一致矩陣法，成對比較矩陣中aij的取值，盡可能的降低因元素性質(zhì)不同而難以比較的難度。比較矩陣的元素可參考Satty提議的標度表進行賦值。用成對法比較得到的成對比較矩陣A如下：

1/1 1/3 1/53/1 1/1 1/35/1 3/1 1/1

對應的特征向量為Z=（0.1506，0.3715，0.9161）

3.2.3 相似度一致性檢測

衡量矩陣A不一致程度的指標CI計算公式如下：

CI= （1）

從有關資料可查出成對比較矩陣A的隨機一致性指標RI，它只與矩陣的階數(shù)n有關，如表2。

由上式得

CI=0.0195，其中λmax=3.1085，n=3。endprint

所以成對比較陣A的隨機一致性比率CR可由公式（2）表示。

CR= （2）

因此，CR=0.0332<0.1，對特征向量進行歸一化得：U=（0.1047，0.2583，0.6370）

因此該向量為計算的求職者屬性的下三個屬性的權向量。同理計算出其他屬性的權向量。結(jié)果圖1所示。

4 基于案例推理的推薦

本文模擬一位有轉(zhuǎn)崗需求且符合AI公司轉(zhuǎn)崗要求的用戶，在歷史案例庫里面隨機抽取10個案例進行實驗，該用戶的詳細信息如表3。

從歷史案例庫中選取10個成功的求職案例，并進行綱量化，可得出表4。

計算過程：

①基本屬性的相似度計算如下：

sim（1，X）1=0.09*0+0.06*1+0.53*+0.16*+0.16*1=0.503

②能力屬性相似度計算如下：

sim（1，X）2=0.38*1+0.08*+0.14*1+0.42*=0.727

③意向?qū)傩韵嗨贫扔嬎闳缦拢?/p>

sim（1，X）3=0.26*+0.13*1+0.08*1+0.04*1+0.49*=0.647

因此，歷史案例與目標案例的綜合相似度為：

sim（1，X）=0.1*sim（1，X）1+0.26*sim（1，X）2+0.64*sim（1，X）3=0.653

同理計算出其他屬性綜合相似度并由大到小排列為：

0.788>0.787>0.765>0.677>0.675>0.666>0.654>0.653>0.650>0.416

因此我們將這些相似度排在前5名對應的員工的職位推薦給目標用戶。

參考文獻：

[1]趙柳.人力資源權益模式研究[D].成都：西南財經(jīng)大學，2011：1-2.

[2]梁艷.基于基于案例推理的職位推薦[D].河北師范大學，2012.

[3]任凱，浦金云.基于案例屬性特征區(qū)間相似度的改進算法研究[J].控制與決策，2010，25（1）：308-310.

[4]黃正.協(xié)同過濾推薦算法綜述[J].價值工程，2012，21（1），226-228.

[5]杜淼.兩類層次分析法的轉(zhuǎn)換及在應用中的比較[J].計算機工程與應用，2012，48（9）：114-119.endprint