基于文本挖掘的招聘与求职双向推荐研究分析

<正>随着互联网的快速发展,越来越多的企业开始进行线上招聘,这使得招聘与求职活动变得更为便捷,但同时也增加了招聘与求职信息不对称等现象。本文使用Python工具,从泰迪内推平台的“找工作”页面和“找人才”页面,爬取所有招聘与求职信息并进行整理,根据招聘信息数据对岗位需求量以及企业工作地点进行统计,并基于Pandas库建立岗位匹配度和求职者满意度模型。     

加权子空间的随机向量函数链接网络集成方法

随机向量函数链接网络(RVFL)是一种随机权网络模型,其基于非迭代权重更新方式,直接求解输出层权重完成模型训练,因此具有训练速度快的优点,已有的实验证明了其在分类和回归任务中均具有良好的泛化能力.目前在RVFL的改进工作中存在两点问题：改善网络结构会复杂化模型,容易造成过拟合现象;结合集成学习往往无法进一步通过增加集成多样性来提升模型性能.因此,本文基于子空间策略,提出了一种基于加权子空间的随机向量函数链接网络集成方法(WAB-RVFL).基于RVFL网络结构中输入层和输出层直连的线性特点,WAB-RVFL引入属性优化的思想并提出属性加权矩阵的概念,对属性子空间进行加权转化获得更优质的加权子空间,使其更利于模型进行集成训练.通过在8个高维分类数据集上的实验测试,证实了WAB-RVFL的可行性、合理性和有效性,其能够获得比6种流行的RVFL网络模型更优的泛化能力.