基于提升树与神经网络的人力资源推荐算法
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题的研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 推荐算法的研究现状 | 第12-13页 |
| 1.2.2 梯度提升树的研究现状 | 第13-14页 |
| 1.2.3 深度学习的研究现状 | 第14页 |
| 1.2.4 人力资源推荐算法的研究现状 | 第14-15页 |
| 1.3 论文主要研究内容 | 第15-16页 |
| 1.4 论文的组织结构 | 第16-17页 |
| 第二章 相关技术研究概述 | 第17-29页 |
| 2.1 深度学习技术介绍 | 第17-21页 |
| 2.1.1 神经网络 | 第17-18页 |
| 2.1.2 卷积神经网络 | 第18-20页 |
| 2.1.2.1 感受域 | 第18-19页 |
| 2.1.2.2 分布式表示 | 第19页 |
| 2.1.2.3 局部连接与权值共享 | 第19-20页 |
| 2.1.3 深度学习主流框架 | 第20-21页 |
| 2.2 梯度提升树介绍 | 第21-23页 |
| 2.2.1 XGBoost模型 | 第22页 |
| 2.2.2 LightGBM模型 | 第22-23页 |
| 2.3 推荐算法介绍 | 第23-27页 |
| 2.3.1 传统推荐算法 | 第23-26页 |
| 2.3.1.1 协同过滤推荐算法 | 第23-25页 |
| 2.3.1.2 基于内容的推荐算法 | 第25-26页 |
| 2.3.1.3 混合推荐算法 | 第26页 |
| 2.3.2 基于深度学习的推荐算法 | 第26-27页 |
| 2.4 多模型集成方法介绍 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 推荐算法总体设计 | 第29-33页 |
| 3.1 引言 | 第29-30页 |
| 3.2 算法总体流程 | 第30-31页 |
| 3.3 算法描述 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 人力资源数据采集与预处理 | 第33-41页 |
| 4.1 引言 | 第33页 |
| 4.2 流式分布式数据采集 | 第33-38页 |
| 4.2.1 数据采集的整体流程 | 第34-36页 |
| 4.2.2 数据采集具体设计方案 | 第36-38页 |
| 4.3 数据预处理 | 第38-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 基于提升树与神经网络的人力资源推荐算法 | 第41-56页 |
| 5.1 引言 | 第41页 |
| 5.2 基于梯度提升树的特征转换 | 第41-45页 |
| 5.3 基于混合卷积神经网络的推荐生成 | 第45-55页 |
| 5.3.1 多通道混合卷积子模型 | 第47-48页 |
| 5.3.2 卷积与局部连接混合子模型 | 第48-50页 |
| 5.3.3 模型训练优化 | 第50-55页 |
| 5.3.3.1 激活函数优化 | 第50-51页 |
| 5.3.3.2 池化策略优化 | 第51-54页 |
| 5.3.3.3 损失函数改进 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 实验结果与讨论 | 第56-66页 |
| 6.1 实验数据和实验环境描述 | 第56-57页 |
| 6.2 推荐质量的评价标准 | 第57-58页 |
| 6.3 实验结果与分析 | 第58-65页 |
| 6.3.1 不同卷积通道数目对算法性能影响实验 | 第58-59页 |
| 6.3.2 模型参数调优实验 | 第59-60页 |
| 6.3.2.1 学习率调优实验 | 第59-60页 |
| 6.3.2.2 最大树深度调优实验 | 第60页 |
| 6.3.3 模型训练优化策略验证实验 | 第60-63页 |
| 6.3.3.1 激活函数优化验证实验 | 第61页 |
| 6.3.3.2 池化策略优化验证实验 | 第61-63页 |
| 6.3.3.3 损失函数改进验证实验 | 第63页 |
| 6.3.4 算法设计可行性验证实验 | 第63-64页 |
| 6.3.5 本文算法与已有推荐算法对比实验 | 第64-65页 |
| 6.4 本章小结 | 第65-66页 |
| 总结与展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间取得的研究成果 | 第72-73页 |
| 致谢 | 第73-74页 |
| 附件 | 第74页 |
