基于SVM-LSTM-ATTE组合模型的高校录取分数线预测

高校录取分数线预测受到许多动态因素影响,传统的SVM算法在预测高校录取分数线方面存在难以衡量输入特征序列对目标特征的影响程度,而注意力机制可以动态分配权重给重要特征,且基于注意力机制的长短期记忆网络(LSTM-ATTE),在高校录取分数线方面有显著成效。综合考虑多种因素,利用SVM可以把高维空间中的非线性问题转化为线性问题,以及LSTM-ATTE能解决时间序列数据长期依赖的问题,提出将SVM模型与LSTM-ATTE方法相结合的组合模型,来构建高校录取分数线预测模型,并通过网格搜索寻找组成LSTM-ATTE最优参数组合。实验证明,本文提出的组合模型在误差范围为3分的情况下,相比于其他模型准确率最高提升了13%。     

基于深度学习的端到端人岗匹配模型

针对现有人岗匹配推荐算法主要采用人工评估求职者与职位的匹配度,存在招聘速度慢、成本高且易受主观判断所误导等问题,提出一种基于深度学习的端到端人岗匹配模型BATPJF。首先,运用TextCNN提取简历和职位描述数据的局部特征。同时,运用BiLSTM提取简历和职位描述文本数据的上下文特征,再将BiLSTM隐藏层产生的特征作为Attention层的输入,利用注意力机制对BiLSTM层提取的特征采用加权的方式体现不同的经历和能力对岗位能力需求重要程度的影响。然后,将2种模型提取到的特征进行融合。最后,通过全连接层进行预测。实验结果表明,与其他5种人岗匹配模型对比,本文提出的模型可以更有效地匹配工作要求和简历文本信息。