Resumen

La racionalización de la gestión de los recursos humanos es útil para que las empresas formen eficazmente a los talentos sobre el terreno, mejoren el modo de gestión y aumenten la tasa global de utilización de los recursos de las empresas. Los modelos computacionales actuales aplicados en el campo de los recursos humanos suelen basarse en el cálculo estadístico, que ya no puede satisfacer las necesidades de procesamiento de datos masivos y no tiene en cuenta las características ocultas de los datos, lo que puede conducir fácilmente al problema de la escasez de información. El artículo combina la red neuronal convolucional recurrente y el algoritmo tradicional de asignación de recursos humanos y diseña un algoritmo de recomendación de coincidencia de puestos de trabajo de doble red neuronal recurrente aplicable al campo de los recursos humanos, que puede mejorar el problema de la calidad del entrenamiento de los datos del algoritmo tradicional. En la parte experimental del algoritmo, el valor aritmético de F1 en el trabajo es de 0,823, que es 20,1 y un 7,4% más alto que los otros dos algoritmos, respectivamente, lo que indica que el algoritmo puede mejorar las características de la capa oculta de los datos y, a continuación, mejorar la calidad del entrenamiento de los datos y mejorar la coincidencia de puestos de trabajo y la precisión de la recomendación.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:algoritmo de asignación de recursos, red neuronal convolucional, red neuronal recurrente, tasa de utilización de recursos, algoritmo de recomendaciones de emparejamiento, emparejamiento de trabajos en red, características de los datos, modelo computacional actual, problema de la calidad del entrenamiento, características de la capa oculta
• Keywords:resources allocation algorithm, convolutional neural network, recurrent neural network, resources utilization rate, matching recommendations algorithm, network jobs matching, characteristics of data, current computational model, training quality problem, hidden layer features