基于協(xié)同過(guò)濾算法的人力資源信息管理系統(tǒng)研究

張玙

（河海大學(xué) 商學(xué)院，江蘇 南京211100）

基于協(xié)同過(guò)濾算法的人力資源信息管理系統(tǒng)研究

張玙

（河海大學(xué) 商學(xué)院，江蘇 南京211100）

為了方便企業(yè)及時(shí)便捷的獲得與追蹤各種人事管理方面的信息，在Hadoop分布式構(gòu)架平臺(tái)的基礎(chǔ)上，利用員工對(duì)企業(yè)的項(xiàng)目滿意度構(gòu)建行為記錄矩陣，通過(guò)協(xié)同過(guò)濾算法分析和設(shè)計(jì)了一套適用于人力資源信息管理的系統(tǒng)，實(shí)現(xiàn)參數(shù)設(shè)定、分區(qū)管理、職員管理、用戶管理和生產(chǎn)管理五大模塊的綜合管理。對(duì)人力資源信息管理系統(tǒng)進(jìn)行了具體的實(shí)驗(yàn)分析，結(jié)果表明：當(dāng)1 571名員工產(chǎn)生28 325條員工評(píng)分記錄時(shí)，2個(gè)節(jié)點(diǎn)和3個(gè)節(jié)點(diǎn)的系統(tǒng)響應(yīng)時(shí)間分別為7.4 s和4.8 s，且明顯小于非分布式算法，同時(shí)協(xié)同過(guò)濾算法比非分布式算法的MSE與MPE分別小0.39%、0.52%，本研究的協(xié)同過(guò)濾算法可以勝任人力資源管理系統(tǒng)的數(shù)據(jù)分布式計(jì)算任務(wù)。

協(xié)同過(guò)濾算法；Hadoop分布式；信息管理；系統(tǒng)設(shè)計(jì)；人力資源

近年來(lái)協(xié)同過(guò)濾算法的發(fā)展較為迅速，已經(jīng)發(fā)展成為一種較為成熟的推薦算法[1-3]，與此同時(shí)，分布式推薦算法成為推薦算法研究中一個(gè)新的研究方向[4]。通過(guò)將協(xié)同過(guò)濾推薦算法與人力資源信息管理系統(tǒng)研究以及Hadoop平臺(tái)融會(huì)貫通[5]，探索協(xié)同過(guò)濾推薦算法在人力資源信息管理系統(tǒng)上的實(shí)現(xiàn)[6]。這既有分析協(xié)同過(guò)濾算法在Hadoop平臺(tái)上對(duì)于人力資源信息管理系統(tǒng)的可行性的理論意義，又有利用解決Hadoop平臺(tái)下系統(tǒng)模塊優(yōu)化與推薦的現(xiàn)實(shí)意義。在行政和管理方面通過(guò)將人力資源型信息管理系統(tǒng)應(yīng)用到工作中，能夠有效地提高人力資源部門乃至整個(gè)公司的工作效率，最終實(shí)現(xiàn)工作流造成的規(guī)范化，流程化，系統(tǒng)化以及自動(dòng)化。因此，做好人力資源信息管理系統(tǒng)的研究與設(shè)計(jì)并通過(guò)協(xié)同過(guò)濾算法進(jìn)行優(yōu)化對(duì)于實(shí)際工作有著十分重要的現(xiàn)實(shí)意義。

1 協(xié)同過(guò)濾算法

協(xié)同過(guò)濾算法現(xiàn)被廣泛用于管理系統(tǒng)平臺(tái)，其主要根據(jù)過(guò)往的行為記錄，為用戶群推薦符合其行為偏好的選擇[7]。協(xié)同過(guò)濾算法主要可以分為兩類，一種是基于用戶體驗(yàn)與參與的協(xié)同過(guò)濾算法，還有一種是基于不同的流程與項(xiàng)目?jī)?nèi)容的協(xié)同過(guò)濾算法。無(wú)論是屬于前者還是后者，其本質(zhì)都是優(yōu)化行為選擇[8]。協(xié)同過(guò)濾的算法主要通過(guò)對(duì)參與到平臺(tái)系統(tǒng)的所有行為選擇，自動(dòng)的構(gòu)建出I-U的歷史行為記錄矩陣，再根據(jù)項(xiàng)目與項(xiàng)目之間的相近程度，演繹出Item相鄰近的N個(gè)周圍用戶行為選擇。根據(jù)相鄰近的N個(gè)周圍用戶行為選擇以及被推薦預(yù)測(cè)到的所有基于項(xiàng)目或用戶群的行為來(lái)對(duì)現(xiàn)有行為的I進(jìn)行閑的評(píng)分并由此產(chǎn)生推薦選擇列表與選擇以此優(yōu)化現(xiàn)有的流程與選擇[9]。其主要的流程如下：

1）平臺(tái)系統(tǒng)的項(xiàng)目?jī)?nèi)容或用戶群對(duì)目標(biāo)的瀏覽與操作進(jìn)行評(píng)分，這成為獲取數(shù)據(jù)信息偏好的第一次設(shè)計(jì)行為。行為的評(píng)分表明用戶群對(duì)項(xiàng)目的偏好或項(xiàng)目?jī)?nèi)容與選擇的吻合程度。在一顆星到五顆星的評(píng)價(jià)體系之內(nèi)，一顆星表明用戶群的偏好程度較低或者項(xiàng)目?jī)?nèi)容與吻合程度非常低，五顆星表明用戶群的偏好程度較低或者項(xiàng)目?jī)?nèi)容與吻合程度非常高。這樣的元素項(xiàng)目集合（Preference、Item、User）表明了設(shè)計(jì)流程中的一次對(duì)外界信息的實(shí)際獲取過(guò)程，對(duì)于大量的同類型元素項(xiàng)目集合所構(gòu)成的大規(guī)模數(shù)據(jù)信息文件就是協(xié)同過(guò)濾算法的初始輸入。

2）在生成的I-U行為偏好矩陣IU=（Pij）m×n中，根據(jù)用戶的選擇與偏好和項(xiàng)目的內(nèi)容在歷史行為偏好矩陣中分別輸入相互對(duì)應(yīng)的U和I，矩陣的分布順序與結(jié)構(gòu)則以I為行，以U為列進(jìn)行構(gòu)建與輸入以此構(gòu)建出用戶歷史行為偏好矩陣。其中Ii表示項(xiàng)目，Im表示第m個(gè)I，Uj表示用戶群，Un表示第n個(gè)U，Pij則表明了第i個(gè)用戶群在系統(tǒng)平臺(tái)上的操作對(duì)于項(xiàng)目的喜好程度或者項(xiàng)目j內(nèi)容與推送選擇的吻合程度[10]。

3）根據(jù)算法所自動(dòng)構(gòu)建的歷史行為偏好I-U矩陣，演繹出I相鄰近的N鄰居用戶行為選擇，并且通過(guò)以余弦系數(shù)、Pearson系數(shù)等計(jì)算相近程度的算法來(lái)演繹出基于用戶群和項(xiàng)目所有行為的相近度[11]，以下是本文在計(jì)算Pearson系數(shù)時(shí)所采用的計(jì)算方法：

其中，S（Ii，Ij）表明了一般系統(tǒng)平臺(tái)里面子項(xiàng)目的某i項(xiàng)與某j項(xiàng)間的相近程度。Uij則是對(duì)于Ii的歷史行為偏好對(duì)于Ij歷史行為偏好相互影響范圍有所重合的交集。Pi表示項(xiàng)目的平均偏好。用戶群對(duì)于項(xiàng)目i最終的推薦結(jié)果偏好預(yù)測(cè)值的計(jì)算公式如下[12]：

再依據(jù)演繹出的預(yù)測(cè)偏好值進(jìn)行篩選過(guò)濾，最終形成最優(yōu)選擇。

2 人力資源信息管理系統(tǒng)

2.1 人力資源系統(tǒng)功能的劃分

人力資源信息管理系統(tǒng)是為了方便企業(yè)及時(shí)便捷的獲得與追蹤各種人事管理方面的信息而應(yīng)運(yùn)而生的管理系統(tǒng)，它能夠方便企業(yè)獲得各種咨詢的信息資料，人事資源管理，進(jìn)行信息的篩選，過(guò)往數(shù)據(jù)的存取等種種多樣化的服務(wù)[13]。本系統(tǒng)主要采用模塊優(yōu)化和篩選以及面向?qū)ο笙嘟Y(jié)合的方法，在Hadoop平臺(tái)上采用協(xié)同過(guò)濾算法對(duì)人力資源信息管理系統(tǒng)進(jìn)行分析設(shè)計(jì)與研究，本系統(tǒng)最終實(shí)現(xiàn)的主要功能分為5大部分，如圖1所示。

圖1 系統(tǒng)的功能劃分

2.2 系統(tǒng)的整體架構(gòu)

通過(guò)對(duì)現(xiàn)有企業(yè)的人力資源信息管理的既定流程現(xiàn)狀及存在的弊端進(jìn)行細(xì)致的分析，將人力資源信息管理系統(tǒng)按照三層分錯(cuò)構(gòu)架的流程模式進(jìn)行構(gòu)建。利用Hadoop分布式框架分布基礎(chǔ)架構(gòu)對(duì)外部的用戶群提供優(yōu)化的選擇與Web服務(wù)，因而不僅滿足了不同的用戶群分布式的訪問(wèn)和流程操作以及推薦出最優(yōu)化的可供選擇[14]。Hadoop分布式框架分布基礎(chǔ)構(gòu)架能夠處理大數(shù)據(jù)，對(duì)于企業(yè)繁雜的人事信息儲(chǔ)存與處理占有優(yōu)勢(shì)，具有分布式的特點(diǎn)[15]，方便操作系統(tǒng)的用戶群方便快捷的對(duì)業(yè)務(wù)信息以及公司資料進(jìn)行高效的查找與處理。人力資源信息管理系統(tǒng)中的用戶群操作界面主要是利用一般的Web網(wǎng)頁(yè)瀏覽器為媒介進(jìn)行設(shè)定和操作，從而使得用戶操作人員隨時(shí)隨地以不同的方式 （如Intranet、Internet、LAN、WAN等）進(jìn)行不同的接入訪問(wèn)以及對(duì)共同的數(shù)據(jù)庫(kù)進(jìn)行控制[16-18]，這都有利于保護(hù)數(shù)據(jù)庫(kù)的安全，是操作高效有序。為了實(shí)現(xiàn)預(yù)設(shè)的人力資源型信息管理系統(tǒng)的目標(biāo)，文中對(duì)人力資源信息管理系統(tǒng)構(gòu)建了三層的結(jié)構(gòu)從而對(duì)人力資源信息管理系統(tǒng)進(jìn)行深入的研究與開發(fā)設(shè)計(jì)，其具體結(jié)構(gòu)如圖2所示。

圖2 系統(tǒng)的結(jié)構(gòu)設(shè)計(jì)

2.3 算法流程

為了優(yōu)化人力資源信息管理系統(tǒng)的設(shè)計(jì)更好地為用戶群推薦優(yōu)化的行為選擇，需要借助Hadoop分布式構(gòu)架平臺(tái)以及協(xié)同過(guò)濾算法，在完成了理念上的設(shè)計(jì)之后還需要將這樣的流程結(jié)果轉(zhuǎn)化為MapReduce分布式構(gòu)架的可實(shí)際操作的MapReduce流程算碼，這樣才是在Hadoop平臺(tái)上對(duì)進(jìn)行的真正的協(xié)同過(guò)濾篩選，實(shí)現(xiàn)對(duì)人力資源信息管理系統(tǒng)的優(yōu)化。具體實(shí)現(xiàn)步驟如下:

Step.1：首先就用戶群和偏好生成特定的向量U=（（I1，P1），（I2，P2）， …，（It，Pt）。 在生成的特定向量中，所選擇的用戶向量?jī)H僅包括有過(guò)歷史行為的對(duì)選擇表現(xiàn)出各種偏好的用戶群，通過(guò)演變得到新的向量（n1k，n2k，…，nmk）是項(xiàng)目的共線矩陣，可得：

Step.3：在演繹的過(guò)程中得到了分向量Col"=（（I1，Col1），（I2，Col2），…）。在協(xié)同過(guò)濾的分布式篩選推薦中，有上述的步驟自動(dòng)生成了文件Tag，再由Reduce的流程計(jì)算出PkuRowIk，最終輸出用戶群的K值以及V值。具體的MapReduce操作流程如下：

Step.4：由上述的流程在演繹出預(yù)測(cè)向量U"=（（I1，Col1），（I2，Col2），…）。其輸入以分向量ColU"文件為準(zhǔn)，其具體的MapReduce操作流程如下:

Step.5：按照流程結(jié)構(gòu)生成以項(xiàng)目的內(nèi)容費(fèi)分類的預(yù)測(cè)向量I′=（（U1，P1），（U2，P2），…，（Un，Pn））。通過(guò)將步驟2）和步驟4）相結(jié)合共同生成中間預(yù)測(cè)向量，再按照步驟3）的方法，利Isum以及U"為媒介，實(shí)現(xiàn)對(duì)U"向量中的實(shí)現(xiàn)演繹。選取GroupKey為項(xiàng)目連接鍵。具體的Map Reduce操作流程如下：

Step.6： 演繹出最后的預(yù)測(cè)向量 U′=（（I1，P1），（I2，P2），…），根據(jù)上個(gè)流程的結(jié)果為輸入的對(duì)象進(jìn)行如下Map Reduce操作流程:

通過(guò)以 Hadoop平臺(tái)為媒介，利用完整的MapReduce流程實(shí)現(xiàn)了協(xié)同過(guò)濾分布式篩選推薦算法。以上的6個(gè)步驟保證了MapReduce的作業(yè)文件按照順序依次計(jì)算每一個(gè)流程環(huán)節(jié)的任務(wù)，環(huán)節(jié)中的每一項(xiàng)內(nèi)容都是對(duì)之前流程環(huán)節(jié)輸入的輸出。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)環(huán)境

人力資源信息管理系統(tǒng)選取SQL作為后臺(tái)的數(shù)據(jù)庫(kù)。選取SQL主要是考慮它作為Microsoft Back產(chǎn)品系列的重要組成部分，擅長(zhǎng)一般服務(wù)器以及客戶服務(wù)的大型關(guān)系數(shù)據(jù)庫(kù)，并且利用一般的Web網(wǎng)頁(yè)瀏覽能夠滿足大型的Web站點(diǎn)服務(wù)器以及和企業(yè)人事資源數(shù)據(jù)的處理。以Windows 7作為操作系統(tǒng)，Hadoop平臺(tái)作為底層架構(gòu)，Jave作為編程環(huán)境，實(shí)現(xiàn)分布式協(xié)同過(guò)濾算法的調(diào)試和運(yùn)行。

3.2 結(jié)果分析

人力資源管理系統(tǒng)中的員工信息記錄存儲(chǔ)較小數(shù)據(jù)量條件下，通過(guò)偽分布式模式或小集群的Hadoop分布模式可以勝任完全分布式模式下的大數(shù)據(jù)分布式計(jì)算任務(wù)。人力資源管理系統(tǒng)項(xiàng)目利用內(nèi)容或用戶群對(duì)目標(biāo)的瀏覽與操作進(jìn)行評(píng)分，在五大部分功能下，共有28 325條員工評(píng)分記錄，如表1所示。

表1 評(píng)分?jǐn)?shù)據(jù)量

分別選取參數(shù)設(shè)定、分區(qū)管理、職員管理、用戶管理和生產(chǎn)管理作為實(shí)驗(yàn)數(shù)據(jù)，當(dāng)預(yù)測(cè)員工對(duì)人力資源管理的評(píng)分時(shí)，在不同條件下算法的響應(yīng)時(shí)間，如圖3所示。

圖3 系統(tǒng)響應(yīng)時(shí)間

由圖3可知，包含兩個(gè)節(jié)點(diǎn)和3個(gè)節(jié)點(diǎn)的Hadoop分布式系統(tǒng)下的人力資源管理系統(tǒng)響應(yīng)時(shí)間顯著的小于傳統(tǒng)的非分布式算法的響應(yīng)時(shí)間。其中，當(dāng)員工數(shù)量為1 571時(shí)，2個(gè)節(jié)點(diǎn)和3個(gè)節(jié)點(diǎn)的系統(tǒng)響應(yīng)時(shí)間分別為7.4 s和4.8 s。這是因?yàn)?個(gè)節(jié)點(diǎn)或者3個(gè)節(jié)點(diǎn)的Hadoop集群均包含一個(gè)主節(jié)點(diǎn)和一個(gè)從節(jié)點(diǎn)，主從兩個(gè)節(jié)點(diǎn)除了負(fù)責(zé)計(jì)算任務(wù)外，還要負(fù)責(zé)數(shù)據(jù)集群信息資源的調(diào)度；而包含3個(gè)節(jié)點(diǎn)的響應(yīng)時(shí)間明顯優(yōu)于兩個(gè)節(jié)點(diǎn)的分布式協(xié)同過(guò)濾的算法。因此，若人力資源管理系統(tǒng)中的員工信息集群包含更多的節(jié)點(diǎn)，則計(jì)算幾乎可以瞬間完成，這恰恰體現(xiàn)分布式協(xié)同過(guò)濾算法在系統(tǒng)管理中的即時(shí)性優(yōu)勢(shì)。

在算法的精確度方面，利用均方誤差MSE、平均相對(duì)誤差絕對(duì)值MPE作為衡量協(xié)同過(guò)濾算法的精度評(píng)價(jià)指標(biāo)，其值越小，算法描述的人力資源信息數(shù)據(jù)則越精確，其計(jì)算公式為：

其中，n表示員工數(shù)量，xi表示實(shí)際評(píng)分，x*i表示預(yù)測(cè)分?jǐn)?shù)。分布式協(xié)同過(guò)濾算法與非分布式算法的精度比較，如圖4所示。

圖4 精度比較

由圖4可知，在員工數(shù)量相對(duì)較少的條件下，協(xié)同過(guò)濾算法的精度較差，而隨著員工數(shù)量逐漸增大時(shí)，其包含的數(shù)據(jù)信息亦逐漸增大，其精度也逐漸提高并優(yōu)于非分布式算法。其中，當(dāng)員工數(shù)量為1 571時(shí)，協(xié)同過(guò)濾算法比非分布式算法的MSE與MPE分別小0.39%、0.52%。這是因?yàn)槿肆Y源管理系統(tǒng)設(shè)計(jì)中，Preference值和Item值對(duì)外界信息的實(shí)際獲取過(guò)程時(shí)，對(duì)于員工數(shù)量相對(duì)較少所構(gòu)成的小規(guī)模數(shù)據(jù)信息文件，在Map階段輸出鍵值對(duì)較少，計(jì)算誤差大。這說(shuō)明，本研究提出的協(xié)同過(guò)濾算法比較適合大型企業(yè)中較多員工背景下的人力資源信息管理系統(tǒng)。

4 結(jié) 論

本研究通過(guò)協(xié)同過(guò)濾分布式篩選算法的演繹，基本能夠滿足企業(yè)的日常進(jìn)行人力資源信息管理的需求。采用Hadoop分布式構(gòu)架平臺(tái)，以算法語(yǔ)言進(jìn)行構(gòu)建流程模型，通過(guò)對(duì)使用人力資源信息管理系統(tǒng)的用戶群的歷史行為記錄進(jìn)行有效地?cái)M合與預(yù)測(cè)，篩選出最符合用戶群行為偏好的選擇，在協(xié)同過(guò)濾算法優(yōu)化下的人力資源信息管理系統(tǒng)具有很強(qiáng)的規(guī)劃性和高效性以及整體性，從而提高了人力資源管理部門在管理中的工作效率，對(duì)于系統(tǒng)后期的維護(hù)協(xié)同過(guò)濾推薦算法也能根據(jù)以往的篩選推薦記錄以及修訂方案快速給出最合適的項(xiàng)目方案，從而整體上優(yōu)化了系統(tǒng)的性能。

[1]孫光福，吳樂(lè)，劉淇，等.基于時(shí)序行為的協(xié)同過(guò)濾推薦算法[J].軟件學(xué)報(bào)，2013（11）:2721-2733.

[2]李改，潘嶸，李章鳳，等.基于大數(shù)據(jù)集的協(xié)同過(guò)濾算法的并行化研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2012，33（6）:2437-2441.

[3]肖強(qiáng)，朱慶華，鄭華，等.Hadoop環(huán)境下的分布式協(xié)同過(guò)濾算法設(shè)計(jì)與實(shí)現(xiàn)[J].現(xiàn)代圖書情報(bào)技術(shù)，2013（1）:83-89.

[4]秦凱，吳家麗，宋益多，等.基于社會(huì)信任的協(xié)同過(guò)濾算法研究綜述[J].智能計(jì)算機(jī)與應(yīng)用，2015，5（4）:55-59.

[5]吳泓辰，王新軍，成勇，等.基于協(xié)同過(guò)濾與劃分聚類的改進(jìn)推薦算法[J].計(jì)算機(jī)研究與發(fā)展，2011，48（2）:205-212.

[6]楊震，賴英旭，段立娟，等.郵件網(wǎng)絡(luò)協(xié)同過(guò)濾機(jī)制研究[J].自動(dòng)化學(xué)報(bào)，2012，38（3）:399-411.

[7]賀桂和.基于用戶偏好挖掘的電子商務(wù)協(xié)同過(guò)濾推薦算法研究[J].情報(bào)科學(xué)，2013（12）:38-42.

[8]王鵬，王晶晶，俞能海.基于核方法的User-Based協(xié)同過(guò)濾推薦算法 [J].計(jì)算機(jī)研究與發(fā)展，2013，50（7）:1444-1451.

[9]范波，程久軍.用戶間多相似度協(xié)同過(guò)濾推薦算法[J].計(jì)算機(jī)科學(xué)，2012，39（1）:23-26.

[10]楊陽(yáng)，向陽(yáng)，熊磊.基于矩陣分解與用戶近鄰模型的協(xié)同過(guò)濾推薦算法 [J].計(jì)算機(jī)應(yīng)用，2012，32（2）:395-398.

[11]榮輝桂，火生旭，胡春華，等.基于用戶相似度的協(xié)同過(guò)濾推薦算法[J].通信學(xué)報(bào)，2014（2）:16-24.

[12]劉枚蓮，劉同存，吳偉平.基于網(wǎng)絡(luò)消費(fèi)者偏好預(yù)測(cè)的推薦算法研究 [J].圖書情報(bào)工作，2012，56（4）:120-125.

[13]王亞洲，林健.人力資源管理實(shí)踐、知識(shí)管理導(dǎo)向與企業(yè)績(jī)效[J].科研管理，2014，35（2）:136-144.

[14]陳曦，陳華鈞，顧珮嵚，等.一種基于Hadoop的語(yǔ)義大數(shù)據(jù)分布式推理框架 [J].計(jì)算機(jī)研究與發(fā)展，2013，50（2）:103-113.

[15]孫福權(quán)，張達(dá)偉，程勖，等.基于Hadoop企業(yè)私有云存儲(chǔ)平臺(tái)的構(gòu)建 [J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，30（6）:913-916.

[16]何娣，馬慧斌，韓凱旋.基于Delphi與Access的人力資源信息管理系統(tǒng)設(shè)計(jì) [J].現(xiàn)代電子技術(shù)，2012，35（12）:56-58.

[17]魏志靜.就業(yè)服務(wù)信息化整體解決方案的設(shè)計(jì)與實(shí)現(xiàn)[J].電子科技,2013(8):180-182.

[18]翟國(guó)濤，洪增林，馬天宇.城市老工業(yè)區(qū)產(chǎn)業(yè)轉(zhuǎn)型系統(tǒng)動(dòng)力學(xué)模型研究[J].西安工業(yè)大學(xué)學(xué)報(bào)，2015（1）：70-76.

Human resource information management system based on collaborative filtering algorithm

ZHANG Yu
（Business School Hohai University，Nanjing 211100，China）

In order to facilitate timely and convenient access to business and tracking a variety of personnel management information，based on the Hadoop distributed architecture platform，the use of staff of the enterprise satisfaction with the program to build a matrix acts recorded by the collaborative filtering algorithm analysis and design a set of It applies to human resources information management system，parameter setting，partition management，staff management，integrated management of user management and production management of the five modules.Human resources information management system specific experiments，the results showed that:when 1 571 employees produced 28，325 employees score recorded two nodes and three-node system response time was 7.4 s and 4.8 s，and significantly less than non-distributed algorithms，collaborative filtering algorithm，respectively，while smaller than the non-distributed algorithm MSE and MPE 0.39%，0.52%，this research collaborative filtering algorithm capable human resources data management system for distributed computing tasks.

collaborative filtering algorithm；Hadoop distributed；information management；systems design；human resources

TN18

：A

：1674－6236（2017）03-0023-05

2016-05-12稿件編號(hào)：201605111

國(guó)家自然科學(xué)基金資助項(xiàng)目（61303005）；國(guó)家社會(huì)科學(xué)基金資助項(xiàng)目（10bzx73）

張 玙（1991—），女，安徽淮北人，碩士研究生。研究方向：人力資源管理。