计算机、通信和网络技术的迅速发展正在影响着人们的工作和生活,面对WEB中海量数据,如何获取最有价值的信息成为当务之急。数据挖掘技术就是为顺应这种需要应运而生发展起来的一种数据处理技术。聚类分析是数据挖掘中的一个重要研究方向,其在电子商务、图像处理、模式识别、文本分类等领域有广泛的应用。本文在研究数据挖掘技术基本概念、过程、算法的基础上,对当前网络招聘中资源检索排序算法进行比较发现：虽然数据挖掘算法已经开始应用到网络资源检索过程中,现在应用最多的是在网站搜索引擎方面,但是在网络招聘中网络电子简历数据的预处理和检索研究比较少,相关文献也不多。为提高人才招聘过程中资源检索效率,本文提出了基于有效指数的相异度聚类算法。该算法：第一、从网络简历中获取人力资源数据,按照基于有效指数的相异数据挖掘算法需求,选取人才对象的部分属性,进行数据清理、数据预处理和数据交换等大量工作；第二、计算各个对象之间的相异度,从相异度最大的k组数据中获取有效的聚类初始对象从而降低聚类迭代次数,提高聚类效率；第三、将Ray所提出的基于簇间距离与簇内距离聚类有效指数与相异度聚类结合,动态调整聚类参数提高聚类的合理性和有效性；第四、使用本聚类算法将资源大类划分为K个资源小类,同时充分利用用户点击访问行为,以时间序列保存每个招聘人员在某时间段内的访问次数(本文以周为单位)；用时间顺序影响小类记录的排序。最终实现在较短时间内快速获取合理、有效的人力资源,为企业人才决策提供技术支持和更加合理、人性化的网站服务。区别于原来网站中关键字检索和模糊匹配检索,本文中重点考虑将数据挖掘技术在人力资源方面的优势,应用到网站的个性化检索服务中,比原来方法更能获得人力资源招聘简历数据属性的内在关系和隐含信息,以便提高资源检索的精度。