數據挖掘技術在高校人力資源管理中的應用

　　摘 要： 本文探討了一種基于分類和關聯規則挖掘的數據挖掘方法：利用相似性分析將教師分為若干類型，對每一類型應用關聯規則挖掘其中隱含的規則；并應用于高校人才引進、任用等管理工作中。
　　關鍵詞： 數據挖掘技術 高校人力資源管理 應用
　　
　　1.引言
　　數據挖掘（Data Mining，DM）也稱為“從數據中挖掘知識”，就是從大量的數據中，找出隱藏其中的、有用的信息和知識的過程。“啤酒加尿布”的故事，是數據挖掘的一個典型應用。目前，高校都建立了完善的人事信息管理系統，并積累了大量數據［１］。對高校人力資源數據運用數據挖掘技術進行分析，抽取其中有用的信息，對高校教師的引進、任用等管理工作能起到一定的輔助作用［２］。
　　2.高校人力資源的數據模型
　　在高校人力資源挖掘中所使用的數據表的模式為：人力資源表（職工編號，職務，學歷，職稱，身份，政治面貌，性別，專業代號，考核成績，畢業學校，出生年代，本校兼職，學歷培訓，來源類別，來校年齡，工作年齡，業務培訓，科研論文，科研立項）。
　　由于人力資源中的屬性大多具有有限個不同值，為了便于對被評測教師進行分類，我們對部分相應指標進行編碼如下：
　　·職工編號：教師的主碼，不參加分類和規則挖掘。
　　·職務：無（0）、副科（1）、正科（2）、副處（3）、正處（4）、副廳（5）、正廳（6）。
　　·學歷：初中（0）、高中（1）、中技/中專（2）、大專（3）、學士（4）、雙學位（5）、碩士（6）、博士（7）、博士后（8）。
　　·職稱：無（0）、初級（1）、中級（2）、副高（3）、正高（4）。
　　·身份：行政（1）、工勤及其他（2）、教輔（3）、教師（4）、科研（5）。
　　·政治面貌：群眾（1）、共青團員（2）、共產黨員（3）、民主黨派（4）。
　　·性別：女（0）、男（1）。
　　·專業代號：哲學/社會學政治法律（1）、經濟管理（2）、文化教育（3）、自然科學（4）、農業科學（5）、醫藥衛生（6）、工程技術（8）。
　　·考核成績：95—100分（5）、85—94分（4）、75—84分（3）、60—74分（2）、＜60分（0）。
　　·畢業學校：重點院校（5）、一般院校（4）、進修（3）、專科（2）、中技/高中（1）、初中（0）、留學（6）。
　　·出生年代：兩位整數，如60，指1960年—1969年出生的人。
　　·本校兼職：兼職教師（1）、本校教師（0）。
　　·學歷培訓：有（1）、無（0）。
　　·專長：有（1）、無（0）。
　　·學科：重點（1）、一般（0）
　　·來源類別：畢業分配（1）、調入（2）、博士后出站（3）、回國人員（4）。
　　·來校年齡、工作年齡、業務培訓、科研論文、科研立項：為數量指標。
　　3.高校人力資源數據挖掘中使用的算法
　　（1）教師群體分類方法
　　在人力資源表中設置了很多屬性，用于體現教師的各方面特征指標，便于對教師從各方面進行分類。常用的分類法是：基于相似度的計算。
　　設兩個教師；人力資源表中特征指標個數為m；Y≤i≤m）表示第i個特征指i個指標T
　　4）根據分類對象的實際情況和分類要求確定分類強度p和各指標從而可以計算教師兩兩之間的整體相似度，在強度p下把教師群體分為若干類［３］。
　　（2）關聯規則挖掘
　　關聯規則從本質上講是條件概率：A發生時，B同時也出現的概率是多大［２］。記為A=＞B，其中，A?奐Y，B