基于BP神经网络的应聘人员与岗位匹配度模型设计与应用

四川中电启明星信息技术有限公司 张开智 关利海 林 云

随着信息技术的发展，企业已普遍使用网络招聘平台作为主要的招聘工具，且能够更高效的招聘到所需人才。本文重点对应聘人员的胜任力因素进行分析，并基于BP神经网络算法构建应聘人员与招聘岗位匹配度类模型，应用于企业招聘过程中应聘人员的简历分类、人员筛选，为企业招聘工作效率的提升及信息系统的改进提供参考。

1 引言

人力资源作为企业中最核心的资源, 尤其需要对人岗匹配实现最优化。人岗匹配有两层含义：一是岗位所要求的能力需要有人完全具备；二是某人具备的能力完全能胜任此岗位素质要求。在招聘毕业生工作中，需重点关注岗位所要求的条件与应聘人员的符合程度。在企业信息化管理水平不断提升的大背景下，人力资源部门招聘方式、招聘管理工具也呈现出系统化、标准化趋势。企业通过构建个性化的招聘管理系统，实现招聘过程管理的全覆盖，可有效提高招聘工作效率、降低招聘成本，同时也提高了公司的品牌影响力。但是，在实现招聘信息化管理后，仍然发现在应聘人员的简历筛选、岗位符合程度的判断，仍需要投入大量人力来通过线下完成、且筛选效果不理想，入职后人员流失率较高。因此，针对应聘人员的岗位匹配度、关键胜任因素，通过应用分析框架、数据挖掘、模型创建、训练验证等大数据分析步骤进行深入研究，为进一步提高企业人员招聘入职率与招聘工作效率做理论指导与参考。

2 构建应聘人员与岗位匹配度评价指标体系

应聘人员与岗位匹配度评价指标体系设计的原则：评价指标应尽量可以量化，如学历、外语水平等，保证评价的客观性；评价指标与岗位职责要求统一原则；依据以上原则，本文以应聘人员的学历、院校类型、所学专业、籍贯、外语水平五个评价指标做为匹配的主要因素，如表1所示。

表1 应聘人员与岗位匹配度评价指标体系

3 基于BP神经网络的应聘人员与岗位匹配度模型

当确定应聘人员评价指标后，把应聘人员的某一评价指标视为一个输入项，结合岗位要求以员工评价指标的具体得分做为该输入项的值，经过网络计算产生的输出为该人员与所应聘的岗位匹配度系数。

人工神经网络是数据挖掘技术之一，其中误差反向传播( error back propagation，BP) 网络由于结构简单和从样本中提取规则的强大能力而使它应用最为广泛。在实际应用中，选择相似岗位已录用优秀人员做为样本数据，并对其进行反复训练，训练后所获取网络的各神经元间相互联接的权值就能反映该匹配模型的特征，这时把新的应聘人员特征值输入，网络模型就能计算出人员与岗位的匹配结果。BP网络使用BP算法来对网络中各层间的权系数进行修正，逼近任意非线性函数，属于一种有指导的学习算法( 即需要历史样本数据训练网络) ，常用于预测、分类、评价处理。对于 BP 网络有一个非常重要的定理，即对于任何在闭区间内的连续函数都可以用单隐含层的 BP 网络逼近，因而一个三层的 BP 网络就可以完成任意的 n 维到 m 维的映射ƒ。本文采用的是的隐含层为一层的三层BP神经网络模型，如图1所示。

图1

Wij为输入层与隐含层之间连接单元的权重值，Hi为隐含层与输出层之间连接单元的权重值。在BP神经网络中，误差函数如下：

我们对每一层的输出进行非线性的转换，f为非线性转化函数，又称为激活函数，定义如下：

4 应聘人员与岗位匹配度模型训练

通过选择上一年度应聘人员做为训练数据，计算各项指标权重系数，并有针对性的筛选典型已录用人员与未录用人员，经过专家评判建立训练数据矩阵（表2）。

设置网络隐含层神经元个数为7，训练次数为8万次，其计算输结果分别为：[[0.99971218]、[0.99698468]、[0.00175201]、[0.00181902]、[0.00153838]]，与预期结果已经非常相近，说明BP神经网络能够准确的模拟应聘人员与岗位的匹配度计算，且具有较高的精度。

表2

经过训练获得的W1-i神经元权重系数矩阵：

经过训练获得的H1-i神经元权重系数矩阵：

5 应聘人员与岗位匹配度模型应用

以新应聘人员的各项评价指标得分做为输入，代入应聘人员与岗位匹配度模型，由此计算出的结果做为岗位匹配度评判系数。基于BP神经网络的应聘人员与岗位匹配度模型拥有不断学习的能力，可以有效地克服传统评价方法中指标权重的人为影响因素，具有更开放、更灵活的特点。

表3

6 结语

本文对应聘人员与岗位匹配度模型及评价指标体系的构建进行了探讨，将人工智能理论BP神经网络算法应用 于解决招聘过程中应聘人员与岗位匹配度的学习与计算，构建了人岗匹配评价模型，可用于人员与岗位匹配度预测，也可提高应聘人员简历分类与筛选效率。其突出优点就是具有很强的非线性映射能力和柔性的网络结构。网络的中间层数、各层的神经元个数可根据具体情况任意设定，并且随着结构的差异其性能也有所不同。