数据挖掘技术在人力资源市场中的应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 研究目的及意义 | 第8页 |
| 1.3 研究现状与发展趋势 | 第8-10页 |
| 1.4 研究内容 | 第10页 |
| 1.5 论文组织结构 | 第10-11页 |
| 第二章 数据挖掘技术 | 第11-16页 |
| 2.1 数据挖掘的概念 | 第11页 |
| 2.2 数据挖掘的现状 | 第11-12页 |
| 2.3 数据挖掘的应用 | 第12-13页 |
| 2.4 数据挖掘的任务 | 第13-15页 |
| 2.5 本章小结 | 第15-16页 |
| 第三章 数据分类中的决策树学习方法 | 第16-23页 |
| 3.1 决策树学习的表示形式 | 第16-17页 |
| 3.2 决策树的建立 | 第17页 |
| 3.3 决策树学习算法介绍 | 第17-22页 |
| 3.3.1 属性选择度量 | 第18页 |
| 3.3.2 信息熵 | 第18页 |
| 3.3.3 信息增益与增益率 | 第18-20页 |
| 3.3.4 ID3与C4.5 算法的比较 | 第20页 |
| 3.3.5 C4.5 算法中的离散化与默认值处理 | 第20-21页 |
| 3.3.6 C4.5 的剪枝 | 第21-22页 |
| 3.4 本章小结 | 第22-23页 |
| 第四章 决策树分类在求职倾向挖掘中的应用 | 第23-42页 |
| 4.1 决策树算法的选择 | 第23页 |
| 4.2 业务问题的定义 | 第23-24页 |
| 4.3 数据抽取 | 第24-28页 |
| 4.4 数据预处理 | 第28-37页 |
| 4.4.1 数据集成 | 第29页 |
| 4.4.2 数据清洗 | 第29-34页 |
| 4.4.3 数据归约 | 第34-35页 |
| 4.4.4 数据转换 | 第35-37页 |
| 4.5 建立求职倾向分析决策树 | 第37-41页 |
| 4.5.1 数据输入 | 第37页 |
| 4.5.2 参数设置 | 第37-38页 |
| 4.5.3 决策树的建立与模型评价 | 第38-39页 |
| 4.5.4 规则的生成与倾向矩阵的建立 | 第39-41页 |
| 4.6 本章小结 | 第41-42页 |
| 第五章 基于数据挖掘的个性化人才推荐方法 | 第42-53页 |
| 5.1 个性化推荐概述 | 第42页 |
| 5.2 传统的推荐方法 | 第42-45页 |
| 5.2.1 基于内容的推荐 | 第42-43页 |
| 5.2.2 基于协同过滤的推荐 | 第43-45页 |
| 5.3 个性化人才推荐方法过程 | 第45-49页 |
| 5.3.1 职位硬性条件过滤 | 第45-46页 |
| 5.3.2 非硬性条件相似度计算 | 第46-47页 |
| 5.3.3 求职倾向权重计算 | 第47-48页 |
| 5.3.4 最终权重计算 | 第48-49页 |
| 5.3.5 职位推荐列表生成 | 第49页 |
| 5.4 推荐方法效果比较 | 第49-50页 |
| 5.4.1 数据集 | 第49页 |
| 5.4.2 评价标准 | 第49-50页 |
| 5.4.3 实验结果与分析 | 第50页 |
| 5.5 推荐方法应用实例 | 第50-52页 |
| 5.6 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53页 |
| 6.2 展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-58页 |
| 附录 | 第58-59页 |
| 图版 | 第59-61页 |
