基于支持向量机的人力资源甄选方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-13页 |
| 第一章 绪论 | 第13-22页 |
| ·选题的背景和意义 | 第13-14页 |
| ·国内外相关研究概况 | 第14-20页 |
| ·论文的研究思路及主要内容 | 第20-21页 |
| ·论文的创新点 | 第21-22页 |
| 第二章 人力资源甄选的理论与方法 | 第22-32页 |
| ·人力资源甄选的概念及研究的基本问题 | 第22-24页 |
| ·人力资源甄选的定义 | 第22页 |
| ·与甄选有关的若干概念 | 第22-23页 |
| ·甄选与其他人力资源管理活动的关系 | 第23-24页 |
| ·人力资源甄选研究的基本问题 | 第24页 |
| ·甄选的基本假定 | 第24-25页 |
| ·甄选的前期准备——工作分析 | 第25-26页 |
| ·甄选测量 | 第26-29页 |
| ·测量的信度与效度 | 第26-28页 |
| ·甄选测量工具 | 第28-29页 |
| ·甄选决策 | 第29-32页 |
| ·常用的甄选决策方法 | 第30-31页 |
| ·现有方法的缺陷 | 第31-32页 |
| 第三章 统计学习理论与支持向量机 | 第32-44页 |
| ·统计学习理论 | 第32-37页 |
| ·学习问题的表述 | 第32页 |
| ·经验风险最小化原则 | 第32-33页 |
| ·复杂性与推广能力 | 第33-34页 |
| ·Vapnik-Chervonenkis维度 | 第34页 |
| ·结构风险最小化原则 | 第34-37页 |
| ·支持向量机 | 第37-44页 |
| ·线性可分问题 | 第37-40页 |
| ·近似线性可分问题 | 第40-41页 |
| ·线性不可分问题 | 第41页 |
| ·核函数 | 第41-44页 |
| 第四章 基于粗糙支持向量机的甄选模型 | 第44-56页 |
| ·支持向量机方法用于甄选决策的可行性研究 | 第44-46页 |
| ·甄选模型的基本框架 | 第46-47页 |
| ·甄选测量模块 | 第47-49页 |
| ·构建KSAs或胜任力模型 | 第47-49页 |
| ·选择合适的甄选测量和绩效考核工具 | 第49页 |
| ·样本学习模块 | 第49-55页 |
| ·样本学习模块要解决的问题 | 第49-50页 |
| ·粗糙集的属性约简 | 第50-52页 |
| ·数据预处理工具 | 第52页 |
| ·基于RSVM算法的学习机 | 第52-55页 |
| ·甄选决策模块 | 第55-56页 |
| 第五章 实证研究 | 第56-69页 |
| ·JH公司背景介绍 | 第56页 |
| ·构建中层管理职位的KSAs模型 | 第56-57页 |
| ·形成训练集 | 第57-60页 |
| ·学习训练集样本 | 第60-66页 |
| ·使用基于条件熵的粗糙集属性约简 | 第60-61页 |
| ·使用LibSVM训练数据 | 第61-66页 |
| ·预测绩效 | 第66-69页 |
| 第六章 总结与展望 | 第69-71页 |
| ·全文总结 | 第69页 |
| ·研究展望 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 附录 实现条件熵约简算法的C源程序 | 第76-88页 |
