基于机器学习的能力评价与匹配研究

计算机工程与科学

基于机器学习的能力评价与匹配研究

张毅，张珉浩

（重庆邮电大学通信与信息工程学院,重庆 400065）

收稿日期:2017-12-25 修回日期:2018-01-11 出版日期:2019-02-25 发布日期:2019-02-25

Competence evaluation and

matching based on machine learning

ZHANG Yi，ZHANG Minhao

（College of Communication and Information Engineering,

Chongqing University of Posts and Telecommunications,Chongqing 400065,China）

Received:2017-12-25 Revised:2018-01-11 Online:2019-02-25 Published:2019-02-25

摘要/Abstract

摘要：

目前，高校学生就业形势严峻，针对企业看重的能力对学生做出评价，有助于企业选拔人才，同时也能提高学生的竞争力。
采用层次分析法和模糊评价相结合的方式对高校学生的综合能力进行评价。为了解决模糊系统无法自动调整隶属函数参数的问题，有效结合模糊理论和神经网络架构的优点，提出了引入神经网络的综合评价改进算法；并设计具有时频局域化特性的小波神经网络，能够更好地模拟非线性函数，用于预测学生适合的职位。分析实验结果表明，基于改进模糊神经网络算法的能力评价模型与小波网络职位匹配模型，能够提升系统精度与自适应能力，评价结果客观，对学生的能力评价及就业选择具有指导意义。

关键词: 机器学习, 综合能力, 模糊评价, BP神经网络, 小波神经网络

Abstract:

At present, the employment pressure of college students is severe, so there is an urgent need to evaluate the capabilities that enterprises value. This is conducive for enhancing the competitiveness of students and helps employers select qualified personnel. Firstly, we combine the analytic hierarchy process (AHP) and fuzzy evaluation to evaluate college students' comprehensive quality. In order to solve the problem that the fuzzy system cannot automatically adjust the parameters of membership functions, effectively combining the advantages of the fuzzy theory and neural network architecture, we propose an improved comprehensive evaluation algorithm. We also design a wavelet neural network with time-frequency localization to better simulate nonlinear functions and predict suitable positions for students. Experimental results show that the competency evaluation model based on the improved fuzzy neural network algorithm and the wavelet network job matching model are able to improve system accuracy and self-adaptive ability, and the evaluation is objective, which have a guiding significance for the competence evaluation and employment options of the students.

Key words: machine learning(ML), comprehensive quality, fuzzy evaluation, BP neutral network(BPNN), wavelet neutral network(WNN)

张毅，张珉浩. 基于机器学习的能力评价与匹配研究[J]. 计算机工程与科学.

ZHANG Yi，ZHANG Minhao.

Competence evaluation and

matching based on machine learning

[J]. Computer Engineering & Science.

[1]	温鑫, 曾焘, 李春波, 徐子晨. 面向服务器无感计算的模型推理服务切换方法研究[J]. 计算机工程与科学, 2024, 46(07): 1210-1217.
[2]	丁建平, 李卫军, 刘雪洋, 陈旭. 命名实体识别研究综述[J]. 计算机工程与科学, 2024, 46(07): 1296-1310.
[3]	黄智慧, 肖祥立, 张玉书, 薛明富. 基于隐形后门水印的开源数据集版权保护[J]. 计算机工程与科学, 2024, 46(06): 1013-1021.
[4]	高珊, 李世杰, 蔡志平. 基于深度学习的中文文本分类综述[J]. 计算机工程与科学, 2024, 46(04): 684-692.
[5]	黄鹏程, 冯超超, 马驰远, . 未知工艺角下时序违反的机器学习预测[J]. 计算机工程与科学, 2024, 46(03): 395-399.
[6]	李扬, 尹大鹏, 马自强, 姚梓豪, 魏良根, . 结合决策树和AdaBoost的缓存侧信道攻击检测[J]. 计算机工程与科学, 2024, 46(03): 440-452.
[7]	彭畅, 刘青枝, 陈长波, . 多面体模型下的循环置换与自动调优[J]. 计算机工程与科学, 2023, 45(12): 2121-2134.
[8]	赵振宇, 杨天豪, 蒋汶乘, 张书政. 基于机器学习的多压多温多参标准单元延迟快速计算方法[J]. 计算机工程与科学, 2023, 45(08): 1331-1338.
[9]	李小玲, 方建滨, 马俊, 谭霜, 谭郁松. 基于监督学习的稀疏矩阵自动任务分配[J]. 计算机工程与科学, 2023, 45(05): 782-789.
[10]	胡艳芳, 熊文, 高炜. 基于 Spark 平台的网络游戏用户流失预测方法[J]. 计算机工程与科学, 2022, 44(10): 1730-1737.
[11]	唐阳坤, 鲜港, 杨文祥, 喻杰, 张晓蓉, 王耀彬. 基于用户行为的超级计算机作业失败预测方法[J]. 计算机工程与科学, 2022, 44(10): 1753-1761.
[12]	楚阳, 徐文龙. 基于计算机辅助诊断技术的阿尔兹海默症早期分类研究综述[J]. 计算机工程与科学, 2022, 44(05): 879-893.
[13]	崔弘, 赵双, 张广胜, 苏金树. 基于机器学习的移动代理应用流量识别方法[J]. 计算机工程与科学, 2022, 44(04): 654-664.
[14]	刘国强, 赵振宇, 赵晨煜, 韩奥, 杨天豪. 基于机器学习的PCB布线电阻计算方法[J]. 计算机工程与科学, 2022, 44(03): 396-402.
[15]	李文丽. 基于朴素贝叶斯分类的网络谣言识别研究[J]. 计算机工程与科学, 2022, 44(03): 495-501.