基于协同过滤算法的医院人力资源信息智能采集系统设计

赵宏业

（河北北方学院附属第二医院河北宣化075100）

随着智能系统的普及应用，人力资源信息采集系统已经完全取代了过去的人工采集的模式[1-2]。通过系统的智能运算和传感器的配合使用，已经可以实现智能化采集[3-4]。很多的人事单位都已经应用了相对应的智能系统，通过智能的人力资源信息的采集系统可以实现人力的解放，同时可以进行高精度的信息采集。但是人力资源信息的采集系统虽然给人力资源部门带来了便利，但是由于人力资源信息的采集系统的计算失误会造成很大程度上损失[4-5]。特别是在对人力资源部分进行系统排查的过程中，如果由于系统出现计算失误，将会给人力部门带来很大的损失。针对上述情况，本文提出一种基于协同过滤算法的医院人力资源信息智能采集系统设计[6]。通过运用协同过滤算法对人力资源信息智能采集系统进行系统优化，优化后的人力资源信息智能采集系统，改变了传统的计算模型，从原来的低位算法转变到协同过滤算法[7]。协同过滤算法可以使人力资源信息的采集系统带有协同性，不会出现传统人力资源信息的采集系统中的计算失误的现象。本文针对人力资源信息智能采集系统中的预测算法进行了优化，保证在预测过程的准确性[8]。人力资源信息智能采集系统的预测过程是整体计算过程的核心步骤。正常的预测计算过程是先进行数据的排序，然后使用非线性方程进行求解，根据序列的配位数进行预测，这样的预测过程虽然计算简单，但是由于医院的人力部门人员流动比较大，因此，传统的预测计算过程已经无法满足正常计算要求，使用优化后预测算法可以进行快速的数据整合，把流动数据与原始数据进行分离，这样避免了流动数据给原始数据带来一定的数据干扰[9]。为了验证本文设计的基于协同过滤算法的医院人力资源信息智能采集系统的有效性，还设计了对比仿真实验，通过实验的分析表明，本文的设计的基于协同过滤算法的医院人力资源信息智能采集系统能够进行有效的计算，同时避免了传统人力资源信息的采集系统的计算失误的现象[10]。

1 医院人力资源信息智能采集系统的数据库设计

1.1 硬件系统设计

文中设计的医院人力资源信息智能采集系统，硬件设备包括：数据采集器、控制电源、数据存储装置、数据分析器等多样的集成电子控制系统，根据不同的要求进行数据分析可得，本文设计的医院人力资源信息智能采集系统能够对不同类型的数据信息进行处理，其硬件系统结构如图1所示。

图1 硬件系统结构图

医院人力资源信息智能采集系统需要对外来数据，进行综合处理，通过集成的硬件处理器，能够对采集的数据信息进行快速计算，这样可以保证医院人力资源信息智能采集系统的计算准确性。

文中设计的基于协同过滤算法的医院人力资源信息智能采集系统为了能够进行准确的计算，增加了GSYSNS数据过滤器和JHSDA-200偏差处理器。使用GSYSNS数据过滤器能够有效的过滤干扰数据，保证数据进行高质量的计算，JHSDA-200偏差处理器能够进行偏差计算，专设的JHSDA-200偏差处理器能够在片差计算的过程中快速的引用数据，保证了数据的使用质量。这样提高了设计基于协同过滤算法的医院人力资源信息智能采集系统数据计算的准确性。

1.2 软件设计引入协同过滤计算

协同过滤算法主要有两种，一种是针对使用用户的协同过滤算法，另外一种是针对数据的协同过滤算法，但是两种算法的本质还是一样的。文中使用协同过滤算法对人力资源信息智能采集系统的数据库进行设计，这样通过矩阵的形式，对数据进行排列，保证数据的有序性，使用协同过滤算法后会分别生成Item与User矩阵，根据item矩阵内数据的相似度，计算出item矩阵的相邻对数，根据对应的相邻对数对矩阵进行数据评分。产生的item矩阵为：

通过item矩阵的相似度可以计算出设计系统的相邻对数，这样可以保证数据之间的具有一定的关联性，为后续计算提供有力的依据，相邻对数公式为：

公式中：k表示使用数据分列程度；i代表流动数据的平均偏好，针对相邻对数式需要拟定系统的Map Reduce计算框架式这样可以对数据限定，Map Reduce计算框架式把本文设计的医院人力资源信息智能采集系统进行分割把流动数据与原始数据分割开来，通过矩阵数便可以进行对应的数据陈列，以及数据的计算，这样有效的避免了医院人力资源信息智能采集系统中流动数据对原始数据的干扰。

1.3 系统软件系统设计

文中设计的医院人力资源信息智能采集系统软件设计使用的预测算法是根据矩阵的相似度进行计算的，以相似矩阵代替Unpirro矩阵中的数据，根据矩阵数据的偏好值计算如下：

公式中：n表示数据的分散系数；m表示对应流动值。为了保证本文设计的医院人力资源信息智能采集系统的准确性，需要对数据偏好矩阵与Map Reduce分布式进行对比，对比公式为：

经过数据偏好矩阵与Map Reduce分布式的对比，很容易找出数据汇总的交换差值量，这时使用矩阵向量差，进行矩阵的陈列，通过交换差值量的分析和原始数据的交换，保证预测的准确度。矩阵的陈列过程为：

矩阵的陈列过程所得向量正好是Item矩阵的Col Ik向量。所以，可以得：

对比发现，本文设计的医院人力资源信息智能采集系统生成的Item矩阵是一个对称矩阵，其中所有的原始值等于交叉后的变形值，因此医院人力资源信息智能采集系统的Item矩阵的每一个向量CoLLk都需要进行一次Row I的数据置换，即：

公式中：T为专函数，可以把向量CoLLk转换为Row I，协同过滤算法最重要的步骤是系统的预测计算，文中采用相关性对系统的流动数据进行关联。权值计算预测值为：

式中：r为预测感方；预测结果得到的还是一个公式，但是可以观察到数据之间的离散关系。在预测计算的过程中还要考虑了数据矩阵中元素的平衡因子数，其公式为：

公式中：eiθ表示的是其他数据的跨界程度；λ表示的是平衡因子关联系数。为了保证本文设计的医院人力资源信息智能采集系统计算准确性，需要对λ和1－λ分进行平衡因子的验证和限制，根据参数调节因子的关系，可得：

公式中，通过平衡因子的限定可以分析不同的情况，在流动数据较大的情况下也能保证系统的稳定性。为保证设计的医院人力资源信息智能采集系统能够长时间的计算，还要考虑到时间元素，即：

公式中的通过把数据量加大的方式引入时间的限量，这样可以得到医院人力资源信息智能采集系统的时间极限，在时间极限内便可以进行有效准确的计算。

综上所述，本文设计的医院人力资源信息智能采集系统通过协同过滤计算对系统的数据进行划分，通过优化预测算法保证计算的准确性，这样便可以有效的解决计算失误的发生。

2 仿真实验分析

为了检验本文设计的基于协同过滤算法的医院人力资源信息智能采集系统的有效性，设计了对比仿真试验。以某大型医院作为试验对象，使用传统的医院人力资源信息智能采集系统以及本文设计的基于协同过滤算法的医院人力资源信息智能采集系统同时进行数据的采集计算。模拟环境时，对100个样本进行采集计算，为了保证数据的有效性，需要进行参数的设置。

2.1 参数设定

为保证本文设计的基于协同过滤算法的医院人力资源信息智能采集系统能够进行准确的数据采集，设置流程数据系数p为65.32；设置原始数据差系数R为6.8：分别设置u为10；k位50，根据上述仿真环境和参量设定，进行实验结果如下。

2.2 结果分析

分析图2结果得知，本文设计的基于协同过滤算法的医院人力资源信息智能采集系统，能够在采集的过程中保持较低的数据误差率，显著的减少了系统采集的数据误差

图2 数据误差率对比实验结果

图3 数据采集稳定性对比实验结果

分析图3结果得知，基于协同过滤算法的医院人力资源信息智能采集系统能保持较高的稳定性，在数据的采集过程中，误差的概率明显的降低，解决了传统医院人力资源信息采集系统中的计算失误的现象。

3 结束语

文中提出一种基于协同过滤算法的医院人力资源信息智能采集系统的设计，采用协同过滤算法进行系统的数据换分，这样保证数据的稳定性，避免了数据之间的干扰，对预测算法进行了优化，保证了系统计算过程的准确性，避免发生计算失误的现象。

[1]张佳，林耀进，林梦雷，等.基于目标用户近邻修正的协同过滤算法[J].模式识别与人工智能，2015，28（9）：802-810.

[2]周海平，黄凑英，刘妮，等.基于评分预测的协同过滤推荐算法[J].数据采集与处理，2016，31（6）：1234-1241.

[3]朱昆磊，黄佳进.基于信念网络的协同过滤图模型的推荐算法[J].模式识别与人工智能，2016，29（2）：171-176.

[4]郭兰杰，梁吉业，赵兴旺.融合社交网络信息的协同过滤推荐算法[J].模式识别与人工智能，2016，29（3）：281-288.

[5]孙彦超，韩凤霞.基于协同过滤算法的个性化图书推荐系统的研究[J].图书馆理论与实践，2015（4）：99-102.

[6]牛常勇，刘国枢.基于局部全局相似度的SVD的协同过滤算法[J].计算机工程与设计，2016，37（9）：2497-2501.

[7]俞涵，张武雄，裴冬，等.LTE/WLAN网络下基于比例公平的资源分配算法研究[J].电子设计工程，2016，24（22）：12-15.

[8]肖会敏，张锟，崔春生.基于协同过滤的移动电子商务推荐算法[J].系统科学与数学，2016，36（8）：1265-1274.

[9]孙楠军，刘天时.基于项目分类和用户群体兴趣的协同过滤算法[J].计算机工程与应用，2015，51（10）：128-131.

[10]冷亚军，陆青，梁昌勇.基于结构相似性的协同过滤推荐算法[J].小型微型计算机系统，2015，36（10）：2266-2269.

[11]周军锋，汤显，郭景峰.一种优化的协同过滤推荐算法[J].计算机研究与发展，2004，41（10）：1842-1847.

[12]荣辉桂，火生旭，胡春华，等.基于用户相似度的协同过滤推荐算法[J].通信学报，2014（2）：16-24.

[13]刘芳先，宋顺林.改进的协同过滤推荐算法[J].计算机工程与应用，2011，47（8）：72-75.

[14]丁少衡，姬东鸿，王路路.基于用户属性和评分的协同过滤推荐算法[J].计算机工程与设计，2015（2）：487-491.

[15]文俊浩，舒珊.一种改进相似性度量的协同过滤推荐算法[J].计算机科学，2014，41（5）：68-71.

[16]徐义峰，陈春明，徐云青.一种基于分类的协同过滤算法[J].计算机系统应用，2007，16（1）：47-50.