论文部分内容阅读
随着互联网行业的快速发展,受益于整个行业的发展大量的互联网企业也得到了快速的发展,企业的发展离不开企业人力资源的发展,及时招聘到符合企业要求的人才对于企业的发展起到至关重要的作用。招聘是一个双向沟通的过程,大量的求职者通过互联网渠道投递简历到企业在招聘网站发布的职位信息主页,企业的招聘专员在招聘网站的后台收到大量的求职者简历信息。一方面,面对成百上千份简历,重复性的简历筛选工作会影响招聘专员的工作效率;另一方面,招聘专员由于缺乏对行业内人才胜任力的认知,无法准确的筛选出符合岗位要求的人才简历。招聘专员在筛选简历时的低效率和低准确率的问题会使企业无法及时补充人力资源,进而影响企业的发展。本研究在从事简历评价筛选的招聘专员的实际工作场景下,结合前人对互联网招聘及简历评价筛选的研究,使用了网络爬虫,因素评价法以及GRNN神经网络模型构建了简历信息搜寻评价筛选模型并应用于实际招聘工作中,在网络爬虫搜寻工具抓取简历信息后,通过因素评价法和专家排序法确定评价指标和评价权重,形成候选人简历信息因素评价表并得出简历分数,将分数在GRNN神经网络模型中进行筛选,可以成功筛选出符合岗位要求的候选人简历,并返回简历编号,通过这些简历编号,招聘专员可以查看到通过筛选的候选人简历信息,并进行后续的面试邀约流程。一方面,本文提出的基于GRNN神经网络的简历筛选模型筛选出合格简历的准确率可以达到95%,并且大大减少了简历筛选时间;另一方面,研究中提出的简历信息搜寻评价筛选方法具有灵活的简历信息搜寻、评价、分类筛选能力,其筛选相关的精度、效率达到了预期的目标。并且在大型互联网企业的实际招聘环境下进行实验,结果满足大型互联网企业人才招聘领域的实际人才招聘需求,用符合企业环境的实验方法验证了本方法的可行性及有效性。证明了网络爬虫简历信息搜寻方法和GRNN神经网络简历筛选模型在一定程度上可以减少简历筛选中的重复性工作,提高简历筛选的准确率,从而提高招聘工作的效率。