为解决学生就业与企业招聘双向难的问题,研究通过分析每个数据点的K近邻分布,自适应地分配类别标签,从而降低对参数的敏感性。为进一步提高该算法在密度分布不均匀数据集上的性能,研究提出结合孪生网络的改进算法,设计了就业推荐模型。...为解决学生就业与企业招聘双向难的问题,研究通过分析每个数据点的K近邻分布,自适应地分配类别标签,从而降低对参数的敏感性。为进一步提高该算法在密度分布不均匀数据集上的性能,研究提出结合孪生网络的改进算法,设计了就业推荐模型。结果显示,基于孪生网络的DDPC优化算法(Dynamic Density Peak Clustering based on Twin Network,DDPC-T)在大多数情况下的聚类效果优于其他算法。研究模型的增益曲线在低百分位数(0%~20%)和中高百分位数(50%~80%)区间表现出较强的增益能力,应用价值较高。与同类型就业平台模型相比,研究模型在就业平台各项指标中表现最好,其准确率、召回率、转化率、点击率和F1-Score分别为0.95、0.90、0.78、0.85和0.92。该算法通过孪生网络对高密度数据集聚类结果进行优化,使剩余数据点的划分更加准确。通过对毕业生信息的聚类分析,为应届毕业生推荐与其同簇的往届生的就业岗位,从而降低了就业试错成本。展开更多
文摘为解决学生就业与企业招聘双向难的问题,研究通过分析每个数据点的K近邻分布,自适应地分配类别标签,从而降低对参数的敏感性。为进一步提高该算法在密度分布不均匀数据集上的性能,研究提出结合孪生网络的改进算法,设计了就业推荐模型。结果显示,基于孪生网络的DDPC优化算法(Dynamic Density Peak Clustering based on Twin Network,DDPC-T)在大多数情况下的聚类效果优于其他算法。研究模型的增益曲线在低百分位数(0%~20%)和中高百分位数(50%~80%)区间表现出较强的增益能力,应用价值较高。与同类型就业平台模型相比,研究模型在就业平台各项指标中表现最好,其准确率、召回率、转化率、点击率和F1-Score分别为0.95、0.90、0.78、0.85和0.92。该算法通过孪生网络对高密度数据集聚类结果进行优化,使剩余数据点的划分更加准确。通过对毕业生信息的聚类分析,为应届毕业生推荐与其同簇的往届生的就业岗位,从而降低了就业试错成本。
