隨著網(wǎng)絡(luò)與人工智能的迅猛發(fā)展,計(jì)算機(jī)領(lǐng)域進(jìn)入高速發(fā)展時(shí)代,企業(yè)對(duì)計(jì)算機(jī)領(lǐng)域人才的招聘更加頻繁,高校也越發(fā)重視計(jì)算機(jī)領(lǐng)域的人才培養(yǎng)。但在求職過(guò)程中,崗位匹配主要以關(guān)鍵詞搜索為主,返回的招聘信息較為分散,崗位所需的知識(shí)和技能無(wú)法被全面展示,這將影響求職者對(duì)于崗位的認(rèn)知甚至職業(yè)選擇。為有效解決上述問(wèn)題,學(xué)術(shù)界和工業(yè)界通過(guò)定義崗位勝任力模型為招聘與求職提供客觀科學(xué)依據(jù)。本文結(jié)合計(jì)算機(jī)領(lǐng)域的特點(diǎn)開(kāi)展研究,基于求職網(wǎng)站中的招聘數(shù)據(jù)構(gòu)建知識(shí)圖譜,抽取不同類別崗位所需的知識(shí)和技能即崗位勝任力,最后研發(fā)應(yīng)用平臺(tái)提供基于知識(shí)圖譜的招聘信息語(yǔ)義檢索服務(wù)并展示全面的崗位勝任力即崗位所需的知識(shí)和技能以及所對(duì)應(yīng)的掌握程度。本文的主要研究和貢獻(xiàn)有:1.定義了計(jì)算機(jī)領(lǐng)域招聘信息的知識(shí)圖譜數(shù)據(jù)模式和語(yǔ)義關(guān)系,包含不同類別的實(shí)體、實(shí)體間關(guān)系、實(shí)體的屬性等,并在數(shù)據(jù)模式中引入知識(shí)和技能實(shí)體,在知識(shí)圖譜中融合崗位勝任力元素。2.構(gòu)建了計(jì)算機(jī)領(lǐng)域的知識(shí)圖譜。收集互聯(lián)網(wǎng)中計(jì)算機(jī)領(lǐng)域的招聘信息數(shù)據(jù)并構(gòu)造領(lǐng)域詞典,使用卷積和雙向長(zhǎng)短期記憶相融合的神經(jīng)網(wǎng)絡(luò)算法抽取出知識(shí)圖譜中的知識(shí),將整合后的知識(shí)存儲(chǔ)在Neo4j圖數(shù)據(jù)庫(kù)中。本文的知識(shí)...

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
    1.3 本文主要工作
    1.4 本文組織結(jié)構(gòu)
第2章 相關(guān)研究概述
    2.1 知識(shí)圖譜概述
    2.2 知識(shí)圖譜構(gòu)建概述
        2.2.1 實(shí)體識(shí)別
        2.2.2 關(guān)系抽取
        2.2.3 知識(shí)圖譜的表示與存儲(chǔ)
    2.3 勝任力相關(guān)概述
        2.3.1 勝任力模型
        2.3.2 計(jì)算機(jī)領(lǐng)域崗位勝任力
    2.4 相關(guān)技術(shù)概述
        2.4.1 條件隨機(jī)場(chǎng)
        2.4.2 雙向長(zhǎng)短期記憶網(wǎng)絡(luò)
        2.4.3 BERT模型
        2.4.4 word2vec詞向量模型
    2.5 本章小結(jié)
第3章 計(jì)算機(jī)領(lǐng)域知識(shí)圖譜的構(gòu)建
    3.1 知識(shí)圖譜的構(gòu)建框架
    3.2 數(shù)據(jù)模式設(shè)計(jì)
    3.3 數(shù)據(jù)獲取與預(yù)處理
        3.3.1 數(shù)據(jù)獲取
        3.3.2 構(gòu)建計(jì)算機(jī)領(lǐng)域詞典
        3.3.3 數(shù)據(jù)標(biāo)注
    3.4 知識(shí)抽取與存儲(chǔ)
        3.4.1 基于詞嵌入的文本向量化
        3.4.2 基于BiLSTM-CNN-CRF的知識(shí)抽取算法
        3.4.3 知識(shí)抽取實(shí)驗(yàn)結(jié)果與分析
        3.4.4 基于Neo4j的知識(shí)存儲(chǔ)
    3.5 本章小節(jié)
第4章 崗位勝任力需求模型的構(gòu)建
    4.1 勝任力需求模型的構(gòu)建框架
    4.2 計(jì)算機(jī)領(lǐng)域崗位分類
        4.2.1 基于知識(shí)圖譜的文本語(yǔ)義擴(kuò)展
        4.2.2 基于BERT模型的崗位分類
        4.2.3 實(shí)驗(yàn)結(jié)果與分析
    4.3 程度詞分類與勝任力需求模型抽取
        4.3.1 基于word2vec的程度詞分類
        4.3.2 基于共現(xiàn)矩陣的勝任力需求模型抽取
        4.3.3 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
第5章 計(jì)算機(jī)領(lǐng)域勝任力管理平臺(tái)的設(shè)計(jì)與應(yīng)用
    5.1 平臺(tái)總體架構(gòu)
    5.2 功能模塊
        5.2.1 基于Elasticsearch的全文檢索
        5.2.2 基于Vue.js的數(shù)據(jù)展示
    5.3 頁(yè)面展示
        5.3.1 招聘信息的語(yǔ)義檢索
        5.3.2 勝任力需求模型的圖譜展示
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 研究總結(jié)
    6.2 工作展望
參考文獻(xiàn)
作者簡(jiǎn)介及在學(xué)期間所取得的科研成果
致謝



本文編號(hào)：3873521