当前位置:主页 > 社科论文 > 三农论文 >

基于机器学习的农业人才推荐模式研究

发布时间:2021-06-18 19:52
  我国作为农业大国,农业人才相关的数据显示,73%的企业认为他们目前的人才不能使工作效率更高;52%的企业认为因为市场上缺乏合适其企业的人才;在未来的招聘计划中,许多企业已把强化招聘技术、升级人才推荐模式作为招聘的重点,此外,引入智能招聘方式也在许多企业的招聘计划中。首先,本文将基于机器学习和农业人才推荐模式中的文本分类、信息检索、信息过滤等相关概念与算法进行阐述,以湖南农业人才网为平台,运行农业人才推荐模式进行论证。第二,根据湖南农业人才网的农业人才推荐模式、算法技术的具体实施、网站的推荐效果进行分析,说明基于机器学习的农业人才推荐模式优化技术的可行性和重要性。本文主要工作包括:1)通过对机器学习知识的了解和学习,结合农业人才招聘的相关资源,找出合适的数据与相关算法。2)使用分类算法将用户特征分为用户信息的基本特征、个性化简历中提取的特征、用户在系统中各类操作的操作特征和用户间互动的标签特征。3)比较机器学习中分类算法与推荐算法对农业人才推荐模式的实验结果。4)根据推荐算法构建一个完整的推荐体系有利于为企业推荐相关专业的人才,应用在湖南农业人才网的推荐系统模块,提高了匹配成功率。实验结... 

【文章来源】:湖南农业大学湖南省

【文章页数】:58 页

【学位级别】:硕士

【部分图文】:

基于机器学习的农业人才推荐模式研究


二分类示意图

示意图,误差,示意图,模型


8准确率是预测和标签一致的样本在所有样本中所占的比例;精确率是预测为正类的数据中,有多少确实是正类;召回率是所有正类的数据中,预测为正类的数据有多少[26]。这三种数据都是用来证明某二分类算法是否合适其应用。在回归问题中,往往都是通过计算误差来确定整个模型的精确性。误差由于训练集和验证集的不同,会被分为训练误差和验证误差[27]。但应该引起注意的是,模型并不是误差越小就一定是好的,因为如果仅仅是基于误差大小,可能会得到一个过拟合(overfitting)的模型;但是如果不考虑误差大小,也可能会得到一个欠拟合(underfitting)的模型,用图像来表明如下图2-2所示:图2-2误差示意图Figure2-2errordiagram但当模型的复杂性太低而过于简单时,通常就会造成欠拟合的情况,那么训练数据和测试数据的误差就会很大;同样当模型太过于复杂性太高时,通常就会造成过拟合的情况,那么训练数据的误差可能会非常小,但是测试数据的误差就会增大。好的模型应当平衡于这两者之间,下图表示模型复杂度与误差的关系:图2-3模型复杂度示意图Figure2-3schematicdiagramofmodelcomplexity平均误差模型复杂度交叉验证误差训练误差高偏差高方差

示意图,复杂度,模型,示意图


8准确率是预测和标签一致的样本在所有样本中所占的比例;精确率是预测为正类的数据中,有多少确实是正类;召回率是所有正类的数据中,预测为正类的数据有多少[26]。这三种数据都是用来证明某二分类算法是否合适其应用。在回归问题中,往往都是通过计算误差来确定整个模型的精确性。误差由于训练集和验证集的不同,会被分为训练误差和验证误差[27]。但应该引起注意的是,模型并不是误差越小就一定是好的,因为如果仅仅是基于误差大小,可能会得到一个过拟合(overfitting)的模型;但是如果不考虑误差大小,也可能会得到一个欠拟合(underfitting)的模型,用图像来表明如下图2-2所示:图2-2误差示意图Figure2-2errordiagram但当模型的复杂性太低而过于简单时,通常就会造成欠拟合的情况,那么训练数据和测试数据的误差就会很大;同样当模型太过于复杂性太高时,通常就会造成过拟合的情况,那么训练数据的误差可能会非常小,但是测试数据的误差就会增大。好的模型应当平衡于这两者之间,下图表示模型复杂度与误差的关系:图2-3模型复杂度示意图Figure2-3schematicdiagramofmodelcomplexity平均误差模型复杂度交叉验证误差训练误差高偏差高方差

【参考文献】:
期刊论文
[1]基于机器学习的群租房精准治理研究[J]. 蒋林秀,李泉.  公共管理与政策评论. 2019(02)
[2]面向机器学习的训练数据集均衡化方法[J]. 李国和,张腾,吴卫江,洪云峰,周晓明.  计算机工程与设计. 2019(03)
[3]机器学习算法在数据挖掘中的应用研究[J]. 郭皓.  数字通信世界. 2019(03)
[4]基于机器学习的个性化运动处方推荐系统的设计[J]. 李宁宁,梁天一,卢朝霞.  数字通信世界. 2019(03)
[5]基于文本向量和机器学习的评分预测算法[J]. 葛声利.  电脑知识与技术. 2019(05)
[6]人工智能教育应用的新发展[J]. 冯翔,王亚飞,吴永和.  现代教育技术. 2018(12)
[7]大数据背景下机器学习的趋势分析[J]. 陆敬怡,祝子健.  网络安全技术与应用. 2018(12)
[8]试析基于机器学习的文本分类[J]. 鞠芳,唐辉,陈学亮,王岱峥.  电脑编程技巧与维护. 2018(11)
[9]基于大数据下分布式机器学习的策略与原则[J]. 王旸.  计算机产品与流通. 2018(09)
[10]乡村振兴战略背景下农业高校人才培养的新要求[J]. 沈高峰.  安徽农学通报. 2018(16)

博士论文
[1]基于特征选择的文本分类方法研究[D]. 胡小娟.吉林大学 2018
[2]基于情境的商品个性化推荐方法研究[D]. 吕苗.大连理工大学 2015

硕士论文
[1]以智能技术支撑的文本内容推荐系统的模式研究[D]. 郭慧敏.北京印刷学院 2019
[2]基于机器学习的文本分类研究与实现[D]. 王振.南京邮电大学 2018
[3]文本分类中语义相似度和特征权重相关研究[D]. 张海坤.安庆师范大学 2018
[4]面向微博评论的中文文本情感分类研究[D]. 顾宇杰.云南财经大学 2018
[5]面向网购平台的个性化推荐系统设计与实现[D]. 孔莹.青岛大学 2018
[6]基于混合模式的个性化视频推荐方法研究[D]. 陈豪.华中师范大学 2018
[7]数字参考咨询的智能化推荐模式研究[D]. 邢海鑫.辽宁师范大学 2018
[8]基于用户浏览模式的新闻推荐系统设计[D]. 赵子慧.云南财经大学 2017
[9]基于用户满意度的电子商务个性化信息推荐服务研究[D]. 王浩.黑龙江大学 2017
[10]基于项目标签的人才推荐模型及应用研究[D]. 桂银华.华中科技大学 2017



本文编号:3237284

资料下载
论文发表

本文链接:https://www.wllwen.com/shekelunwen/sannong/3237284.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户8a3d0***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com