基于模糊決策樹的企業人力資源推薦方法研究

［摘 要］在人力資源推薦過程中，由于對人才數據信息分析精度較低，導致推薦結果中未達成合作關系的情況較為明顯，為此，提出基于模糊決策樹的企業人力資源推薦方法研究。結合人才數據覆蓋要求和信息粒特異性要求之間的矛盾關系，將二者的乘積作為目標函數，在實現乘積最大值條件下設置了模糊決策樹的信息粒，并構建了二型模糊決策樹，設置了包含“0”和“1”兩種輸出結果的分支結構后，通過擬合企業人才需求信息與二型模糊決策樹中各個節點之間的關系，確定需求數據的傳輸方向，并將輸出結果綜合取值最大的人才作為最終的推薦目標。在應用測試結果中，設計推薦方法下未達成合作關系的占比低于20.0%，其中以企業和人才為主導的占比分別為12.39%和5.82 %，明顯優于對比方法。

［關鍵詞］模糊決策樹；企業人力資源；數據覆蓋；信息粒；特異性；二型模糊決策樹

doi：10.3969/j.issn.1673-0194.2023.09.030

［中圖分類號］F272.92 ［文獻標識碼］A ［文章編號］1673-0194（2023）09-0099-03

0" " "引 言

隨著人力資源市場的不斷擴大，如何結合企業的實際需求和人才自身的特點，實現對二者的有效組合成為人才管理中備受關注的問題之一［1］。就企業而言，在人力資源需求方面具有較高的針對性，主要表現在專業程度、工作能力方面［2］。就人才而言，在工作需求方面的要求主要體現在發展空間、待遇等方面。在此基礎上，企業人力資源推薦過程中就出現了一定的偏差［3］。就現階段而言，對企業人力資源推薦方法的研究已經取得了一定的成果。其中，文獻［4］以醫療人力資源配置為研究目標，將循環神經網絡應用到配置模型的設計之中，在一定程度上提高了人力資源配置的合理性，但是是在以醫院為限定的有限范圍內進行的，在廣域范圍內的應用效果有待提升［4］。文獻［5］以 Spark平臺為基礎，借助K均值聚類算法設計了一種人力資源推薦方法，在極大程度上提高了企業對于人才的滿意度，但是該方法對人才的分類結果不能實現對群體的全覆蓋，因此在實際應用階段也存在局限性［6］。模糊決策樹作為決策樹的一種衍生算法，其能夠實現對不精確信息的有效處理，面對人力資源的多樣化特征，具有良好的應用價值［5］。

為此，本文提出基于模糊決策樹的企業人力資源推薦方法，利用模糊決策樹對人才的屬性特征進行細致劃分，在此基礎上與企業的人才需求進行擬合計算，實現精準的人才推薦。

1" " "企業人力資源推薦方法設計

1.1" "模糊決策樹信息粒構建

本文采用模糊決策樹實現對人力資源的精準推薦，為了最大限度保障最終的推薦結果能夠達到企業和人才的實際需求，本文充分考慮了人才個體的差異性［7］，在構建模糊決策樹階段，對信息粒進行細化設置。假設某一人才個體涵蓋的數據信息為，那么模糊決策樹中信息粒對于人才數據的覆蓋情況計算方式可以表示為

（1）

其中，C（D）表示信息粒D對于人才數據的覆蓋率，n表示人才數據總量。通過式（1）可以看出，C（D）的計算結果越大，對應信息粒D覆蓋的數據量越多。以此為基礎，本文在構建模糊決策樹信息粒的過程中，以C（D） = C（D）max為目標函數。

其次就是信息粒特異性的設置，其計算方式可以表示為：

（2）

其中，S（D）表示對信息粒D在人才數據覆蓋條件下表現出的特異性。結合式（2）可以看出，信息粒D覆蓋的人才數據信息種類越少，對應的特異性越強，S（D）的計算結果也越大，信息粒的不確定性程度越高。相應地，信息粒D覆蓋的人才數據信息種類越多，對應的特異性越弱，S（D）的計算結果也越小，信息粒的不確定性程度越低［8］。以此為基礎，本文在構建模糊決策樹信息粒的過程中，以S（D） = S（D）max為目標函數。但是值得注意的是，結合上述關系分析可以發現，S（D）和C（D）的取值發展趨勢存在相互沖突的特點，這就意味著二者無法同時實現最大化。針對該問題，本文在對模糊決策樹中信息粒進行設置時，將 S（D）和C（D）的乘積作為基準參數，那么信息粒的構建方式可以表示為

（3）

通過式（3）所示的方式，實現對模糊決策樹中信息粒的構建，既可以最大限度保障人才的屬性信息能夠在決策樹中得到充分體現，同時也保障決策樹中的信息粒具有較高的特異性，在對企業需求進行擬合計算時，能夠進行準確的判斷，為后續的企業人力資源推薦提供可靠基礎。

1.2" "基于模糊決策樹的人力資源推薦

在上述基礎上，完成對模糊決策樹中信息粒的構建后，本文利用二型模糊決策樹實施人才推薦，其中，構建的二型模糊決策樹如圖1所示。

圖1 二型模糊決策樹結構示意

按照圖1所示的方式，本文將x1作為二型模糊決策樹的根節點，其下設的分支包括“0”和“1”兩個，將人才涵蓋的數據信息作為非終結點，均按照“0”和“1”的方式設置分支，最終的根節點輸出結果分為“0”和“1”兩種。利用該二型模糊決策樹實施企業人才推薦時，首先將企業的人才需求信息輸入到二型模糊決策樹中，以單一指標為基準，在決策樹各個節點中進行傳遞，需要注意的是，由于企業的實際人才需求與人才數據信息內容的一致性難以達到100%，因此，本文通過統計最終輸出結果為“0”和“1”的占比，確定最終的推薦結果。假設企業的人才需求信息為，在根節點位置，對應的輸出結果可以表示為：

（4）

其中，k表示企業的人才需求信息與根節點信息粒的相交數據，當時，表示企業的人才需求信息與根節點信息粒不存在相交，對應的輸出結果為0，當時，表示企業的人才需求信息與根節點信息粒存在相交，對應的輸出結果為1。相交數據的計算方式可以表示為

（5）

按照這樣的方式，逐個在二型模糊決策樹中對人才需求信息進行擬合計算。輸出結果中，“1”的數量越多，表示人才與企業實際需求的擬合度越高，因此，本文將輸出結果最大的人才作為最終的推薦目標，以此保障企業的實際需求能夠得到滿足，同時也最大限度兼顧人才自身的情況。

2" " "測試與分析

2.1" "測試數據準備

為了對本文設計的人力資源推薦方法進行全面分析，進行了分析測試。本文以某高校畢業季的校企人才交流活動為基礎，開展具體的推薦測試。其中，參與招聘的企業12家，提供的崗位52個，參與招聘的人才220人，涉及專業14個，包括計算機、動畫制作、物流管理、商務管理、金融管理等。本文分別統計了企業提供工作崗位的主要內容，其中涵蓋的信息包括專業、學歷、性別、興趣愛好、可入職時間、薪資要求、工作內容、工作地點等。同時，也以上述內容為基礎，對學生的基本求職信息進行統計。在具體的推薦測試過程中，為了提高測試結果的分析價值，分別以文獻［4］提出的循環神經網絡推薦方法和文獻［5］提出的K均值聚類推薦方法作為測試的對照組。在相同的數據信息條件下，開展人力資源推薦測試。

2.2" "測試結果與分析

考慮到工作崗位與人才數量之間的比例關系，本文采用了“N+1”的推薦模式，即若崗位的實際需求人才數量為N時，則推薦人才的數量為“N+1”個。在對具體的推薦效果進行分析的過程中，本文從人才角度和企業角度對最終的推薦結果進行分析，分別統計了未達成合作關系的推薦結果中，人才主導和企業主導的占比，得到的測試結果如表1所示。

通過對表1中的測試結果進行分析可以看出，在三種推薦方法中，對應的人力資源推薦結果均出現了不同程度的偏差，因此導致推薦的部分人才未達成合作關系。但是對具體的數據進行比較可以發現，三種方法的測試結果存在較為明顯的差別。在循環神經網絡推薦方法的測試結果中，未達成合作關系的占比達到了30%以上，部分企業未達成合作關系的占比更是達到了40.40%，其中，以企業為主導的占比基本在23.0%～27.0%之間，以人才為主導的占比也達到了10.0%以上，最大值為13.79%。這就意味著企業對于人才推薦結果的滿意度較低，人才對于崗位的滿意度雖相對較高，但是存在進一步提升的空間。在K均值聚類推薦方法的測試結果中，未達成合作關系的占比與循環神經網絡推薦方法的測試結果基本一致，但是在數據的具體分布上，企業主導和人才主導的占比更加均衡，均穩定在17.0%～21.0%區間范圍內。這就意味著K均值聚類推薦方法雖然在一定程度上兼顧了企業和人才的實際需求，但是對于需求的匹配精度仍然存在不足。相比之下，在本文設計方法的測試結果中，未達成合作關系的占比基本穩定在20.0%以內，最小值僅為16.14%，其中，以企業為主導的占比均值為12.39%，以人才為主導的占比均值為5.82 %，與對照組相比具有明顯優勢。綜合上述的測試結果可以得出結論，本文設計的基于模糊決策樹的企業人力資源推薦方法可以有效提高企業和人才的滿意度，具有良好的實際應用價值。

3" " "結束語

為了降低人才篩選階段的成本投入，最大限度保障人才推薦結果與企業的實際需求相契合，本文提出基于模糊決策樹的企業人力資源推薦方法。借助模糊決策樹對不精確信息的處理能力，對人才的特征進行細致劃分，再結合企業的實際需求，實現了高精度的人才推薦，對應的推薦結果在很大程度上滿足了企業的實際用人需求。希望本文的研究內容能夠為實際的市場人才管理提供有價值的參考，最大限度降低人才與企業在職位匹配過程中的時間成本。

主要參考文獻

［1］劉益東. 從同行承認到規范推薦：開放評價引發的開放科學革命與人才制度革命［J］. 北京師范大學學報（社會科學版），2020（3）：29-41.

［2］陳慧. 基于深度學習算法的高校人才個性化智能推薦系統［J］. 電子設計工程，2021，29（21）：38-42.

［3］王雅輝，錢宇華，劉郭慶. 基于模糊優勢互補互信息的有序決策樹算法［J］. 計算機應用，2021，41（10）：2785-2792.

［4］劉欣，岳曉磊，靖超，等. 基于循環神經網絡的醫療人力資源配置模型設計與仿真［J］. 電子設計工程，2021，29（11）：39-43.

［5］李宇翔，李帥，宋艷瓊，等. 基于Spark平臺的K均值聚類算法的人力資源推薦［J］. 濟南大學學報（自然科學版），2020，34（5）：430-435.

［6］阮小蕓，廖健斌，李祥，等. 基于人才知識圖譜推理的強化學習可解釋推薦研究［J］. 數據分析與知識發現，2021，5（6）：36-50.

［7］胡必波，彭梅，陸璐. 基于Hadoop平臺的大數據人力資源管理高效推薦研究［J］. 重慶理工大學學報（自然科學），2020，34（6）：141-145，181.

［8］王忠，折延宏，鄭逸. 基于層次標簽數據的模糊決策樹構造算法［J］. 鄭州大學學報（理學版），2022，54（2）：24-31.

［收稿日期］2022-11-11

［作者簡介］季爽（1990— ），女，江蘇徐州人，碩士，中級經濟師，主要研究方向：人力資源管理。