基于BP神經網絡的人才選拔模型設計

常州鐵道高等職業技術學校 趙棟鑫

基于BP神經網絡的人才選拔模型設計

常州鐵道高等職業技術學校 趙棟鑫

在企事業單位中，人才選拔是重要的人力資源管理組成部分之一。傳統的人才選拔方法主要依靠管理人員的手工記錄和人工評價，隨著人才數量不斷增多，管理繁雜，人工評價粗略，從而為人才的選拔工作帶來困難。所以需要尋找科學的選拔方法，提高人才選拔的效率。本文結合企事業單位的人才選拔工作背景，研究設計了基于BP神經網絡的人才選拔模型。

BP神經網絡；模型；人才選拔

一、BP神經網絡理論

人腦是已知的最復雜、完善、有效的信息處理系統，科學家通過神經學、認知學、心理學、數學、計算機學等學科，利用大腦神經系統特征，構建了一種類似于人腦某些功能的智能系統，以實現類似于人腦，可進行復雜信息處理，完成推理、設計、思考甚至學習等活動，這種智能系統便可成為神經網絡模型。人工神經網絡是理論化的數學模型，是一種信息處理系統，具有高度非線性，可處理復雜的邏輯運算、非線性關系。

人工神經網絡已有50年歷史，從最初的神經元生物模型（MP-模型），發展至今已出現幾十種神經網絡，且發展速度不斷加快。主要包括自適應線性元件網絡、互連非線性動力學網絡模型Hopfield、Boltzmann機模型、交互激活模型等。1986年McClelland 和 Rumelhart設計出了具有里程碑式意義的多層網絡誤差反向向傳播算法（Bacnk Propagation，簡稱BP算法），并由此構建BP神經網絡模型。人工神經網絡模型建造方法較多，涵蓋熱力學、數學、模糊以及混沌方法。BP網絡應用最為廣泛，調查顯示80%～90%的人工神經網絡采用BP算法，如圖1所示是一個經典的三層BP神經網絡模型。

圖1 BP神經網絡模型

BP網絡拓撲結構由輸入層、若干隱含層、輸出層構成，各層由若干個節點，每個節點都是一個神經元，上下節點主要通過權值聯系，層級之間各節點全互聯，且層節點相互獨立。節點間權值聯系，采用激勵函數計算，常用S型函數，如：

BP網絡可視為從輸入到輸出的高度非線性映射，Q為式中Sigmoid 型函數參數，可調整映射范圍。對于樣本集合：輸入xi和輸入y1，則存在某一個映射g,，即可視為正向或反向映射，正向映射中，輸入信息經隱含層中節點Sigmoid函數處理，影響下一個節點狀態，若該階段輸入層未獲得期望輸入值，則可進行反方向映射。通過修改各層神經元單位的S型函數Q值可有效的控制誤差。

二、基于神經網絡的人才選拔模型

人才選拔是人力資源管理的重要工作之一，組織內部不同部門對不同類型、不同層次的人才需求不盡相同，這就要求人才選拔能反映各部門的真實需求，本次基于神經網絡的人才選拔模型設計如下：

1、設計模型：擬定部門對人才的需求特點，設計不同的標準、方法，并將其數字化，構建合適的BP神經網絡模型；

2、經驗參照：確定需求，如年齡、學歷、職位、經歷等基本信息后，參考公司內部其他部門，或相關案例，或采用專家顧問法，設計簡單的三層BP神經網絡人才選拔體系。

3、網絡完善：以MATLAB軟件系統制作系統，應用系統內軟件樣本，輸出需求信息，在軟件支持下學習和訓練，調整權值，有獲得滿意的輸出。

4、模型檢驗：在建立網絡模型后，以部分學習樣本進行檢驗，以評價其可信度。

5、模型調整：若有新的人才選拔要求，可據具體情況，選擇不同的評價值，以提供模型的適應性。

圖2 人才選拔BP神經網絡模型

三、人才選拔模型的建立

本次研究設計了一個2層BP神經網絡人才選拔模型，在MATLAB軟件系統支持下，進行檢驗，輸入端為12個部門人才選派評價值，模型將評價值、條件轉化為數字評價因子，如年齡，賦值25歲以上賦值為1、25歲以下賦值為2（不代表該模型也這樣賦值），輸出值為最終的人才評價值，以評價值決定是否作為選拔對象。研究采用軟件中命令“net=newff([0 1;0 1;0 1;…0 1;0 1;0 1], [3,1],{‘logsig’,’purelin’},’traingd’)”建立模型，該命令還同時對網絡權重、偏置進行初始化，在達到一定量的模擬量輸入后，便可開始訓練學習，軟件可自動調整至最優權值，以實現最小的整體誤差，如圖2所示。

3.1 學習樣本的構建

人才選拔模型中必須有學習的基本素材，在這里構建了五個企業的人才選拔參數為案例，包括個人的基本信息、政務情況、工作經歷、任現職以來業務工作情況、任現職以來業績成果情況、發表論著論文信息六個方面，通過這六個方面的評價構成人才選拔模型。按照流程對人才選拔參數模型進行學習和訓練，其中各項指標的參數是由相關的專家進行評定的，數值范圍都在0-1之間，具體的評價方法也可以自己定義，在這里主要目的是闡述整個人才選拔模型應用的過程。接下來對五個企業的人才參數進行深入的分析之后，對其幾個重要特點的參數進行數據處理，并去給出人才評價數值，這樣可以得到人才評價模型的基本學習樣表，在建立樣表之后需要專家評委對其的意見，并進行適當的修正，得出最終的人才選拔樣表，如表1所示：

表1 人才選拔條件參數學習樣本表

3.2 模型的學習與訓練

對于企業人才模型的建立必須首先對人才的參數模型進行學習和相關的訓練，那么首選對三個知名企業的人才模型進行學習和訓練，即利用表1中大數據來實施，參數的具體設置如下：

3.3 模型的檢驗

為了建立模型的檢驗機制，將第四和第五個企業的人才參數作為人才價值評估的輸入數據，并且用其輸出數據和學習樣本的數據進行比較分析，如表2所示：

表2 項目研發過程風險評價模型檢驗表

表2所示的結果表示兩個企業的人才選拔模型輸出的參數和樣本的表值比較誤差小于10%，總體來說模型的可行性較高，說明系統在通過數據的自我學習和訓練之后能夠達到企業的人才選拔水平，具備人才選拔參數變化之后的自適應學習能力，而且選拔出來的人才符合企業的人才選拔思路，在人才選拔抗風險方面有一定的積極作用。在這里一次對六個具體人才選拔模型參數進行了評估，并且作為企業選拔人才的重要參數，以此作為鑒定人才能力水平的重要指標，并且可以對相關參數進行敏感性分析，確定人才選拔因素和網絡模型之間的重要關系。

3.4 網絡系統安全評價模型的應用

按照我們所研究設計的人才選拔模型的架構和數據運行水平，得到如表3所示風險評價指標值。

表3 項目研發過程風險因素評價表

前面表1的六個參數是人才選拔模型的關鍵標準，將這些參數輸入到設計建立的人才選拔模型當中，利用MATLAB軟件對這些數據進行分析，下面是計算結果：

根據知名企業網絡系統風險指標評分標準，如表4所示，

表4 網絡系統指標評分標準

四、結束語

本文針對現有人才選拔方法的缺陷，基于BP神經網絡研究設計了人才選拔模型，利用三層的BP神經網絡學習樣本體系，構建神經網絡模型，以12個企事業單位部門作為訓練集進行模型參數學習，并使用MATLAB軟件進行了仿真實驗，驗證了所設計的人才選拔模型的有效性。

[1]魏海坤．神經網絡結構設計的理論與方法．北京國防工業出版社,2014,5．

[2]鐘艷鵬．人才管理信息系統的設計與實現．華東師范大學碩士學位論文,2015．

[3]張亮．人才測評技術計算機化及在人才選拔招聘中的應用．同濟大學碩士學位論文,2014．

[4]吳訪升,楊莉,秦士嘉．高級管理人才綜合素質測評分析系統中數據結構設計與實現[J]．常州技術師范學院學報,2014．