基于BP神经网络的人才选拔模型设计

2017-12-02常州铁道高等职业技术学校赵栋鑫

电子世界 2017年22期

常州铁道高等职业技术学校赵栋鑫

基于BP神经网络的人才选拔模型设计

常州铁道高等职业技术学校赵栋鑫

在企事业单位中，人才选拔是重要的人力资源管理组成部分之一。传统的人才选拔方法主要依靠管理人员的手工记录和人工评价，随着人才数量不断增多，管理繁杂，人工评价粗略，从而为人才的选拔工作带来困难。所以需要寻找科学的选拔方法，提高人才选拔的效率。本文结合企事业单位的人才选拔工作背景，研究设计了基于BP神经网络的人才选拔模型。

BP神经网络；模型；人才选拔

一、BP神经网络理论

人脑是已知的最复杂、完善、有效的信息处理系统，科学家通过神经学、认知学、心理学、数学、计算机学等学科，利用大脑神经系统特征，构建了一种类似于人脑某些功能的智能系统，以实现类似于人脑，可进行复杂信息处理，完成推理、设计、思考甚至学习等活动，这种智能系统便可成为神经网络模型。人工神经网络是理论化的数学模型，是一种信息处理系统，具有高度非线性，可处理复杂的逻辑运算、非线性关系。

人工神经网络已有50年历史，从最初的神经元生物模型（MP-模型），发展至今已出现几十种神经网络，且发展速度不断加快。主要包括自适应线性元件网络、互连非线性动力学网络模型Hopfield、Boltzmann机模型、交互激活模型等。1986年McClelland 和 Rumelhart设计出了具有里程碑式意义的多层网络误差反向向传播算法（Bacnk Propagation，简称BP算法），并由此构建BP神经网络模型。人工神经网络模型建造方法较多，涵盖热力学、数学、模糊以及混沌方法。BP网络应用最为广泛，调查显示80%～90%的人工神经网络采用BP算法，如图1所示是一个经典的三层BP神经网络模型。

图1 BP神经网络模型

BP网络拓扑结构由输入层、若干隐含层、输出层构成，各层由若干个节点，每个节点都是一个神经元，上下节点主要通过权值联系，层级之间各节点全互联，且层节点相互独立。节点间权值联系，采用激励函数计算，常用S型函数，如：

BP网络可视为从输入到输出的高度非线性映射，Q为式中Sigmoid 型函数参数，可调整映射范围。对于样本集合：输入xi和输入y1，则存在某一个映射g,，即可视为正向或反向映射，正向映射中，输入信息经隐含层中节点Sigmoid函数处理，影响下一个节点状态，若该阶段输入层未获得期望输入值，则可进行反方向映射。通过修改各层神经元单位的S型函数Q值可有效的控制误差。

二、基于神经网络的人才选拔模型

人才选拔是人力资源管理的重要工作之一，组织内部不同部门对不同类型、不同层次的人才需求不尽相同，这就要求人才选拔能反映各部门的真实需求，本次基于神经网络的人才选拔模型设计如下：

1、设计模型：拟定部门对人才的需求特点，设计不同的标准、方法，并将其数字化，构建合适的BP神经网络模型；

2、经验参照：确定需求，如年龄、学历、职位、经历等基本信息后，参考公司内部其他部门，或相关案例，或采用专家顾问法，设计简单的三层BP神经网络人才选拔体系。

3、网络完善：以MATLAB软件系统制作系统，应用系统内软件样本，输出需求信息，在软件支持下学习和训练，调整权值，有获得满意的输出。

4、模型检验：在建立网络模型后，以部分学习样本进行检验，以评价其可信度。

5、模型调整：若有新的人才选拔要求，可据具体情况，选择不同的评价值，以提供模型的适应性。

图2 人才选拔BP神经网络模型

三、人才选拔模型的建立

本次研究设计了一个2层BP神经网络人才选拔模型，在MATLAB软件系统支持下，进行检验，输入端为12个部门人才选派评价值，模型将评价值、条件转化为数字评价因子，如年龄，赋值25岁以上赋值为1、25岁以下赋值为2（不代表该模型也这样赋值），输出值为最终的人才评价值，以评价值决定是否作为选拔对象。研究采用软件中命令“net=newff([0 1;0 1;0 1;…0 1;0 1;0 1], [3,1],{‘logsig’,’purelin’},’traingd’)”建立模型，该命令还同时对网络权重、偏置进行初始化，在达到一定量的模拟量输入后，便可开始训练学习，软件可自动调整至最优权值，以实现最小的整体误差，如图2所示。

3.1 学习样本的构建

人才选拔模型中必须有学习的基本素材，在这里构建了五个企业的人才选拔参数为案例，包括个人的基本信息、政务情况、工作经历、任现职以来业务工作情况、任现职以来业绩成果情况、发表论著论文信息六个方面，通过这六个方面的评价构成人才选拔模型。按照流程对人才选拔参数模型进行学习和训练，其中各项指标的参数是由相关的专家进行评定的，数值范围都在0-1之间，具体的评价方法也可以自己定义，在这里主要目的是阐述整个人才选拔模型应用的过程。接下来对五个企业的人才参数进行深入的分析之后，对其几个重要特点的参数进行数据处理，并去给出人才评价数值，这样可以得到人才评价模型的基本学习样表，在建立样表之后需要专家评委对其的意见，并进行适当的修正，得出最终的人才选拔样表，如表1所示：

表1 人才选拔条件参数学习样本表

3.2 模型的学习与训练

对于企业人才模型的建立必须首先对人才的参数模型进行学习和相关的训练，那么首选对三个知名企业的人才模型进行学习和训练，即利用表1中大数据来实施，参数的具体设置如下：

3.3 模型的检验

为了建立模型的检验机制，将第四和第五个企业的人才参数作为人才价值评估的输入数据，并且用其输出数据和学习样本的数据进行比较分析，如表2所示：

表2 项目研发过程风险评价模型检验表

表2所示的结果表示两个企业的人才选拔模型输出的参数和样本的表值比较误差小于10%，总体来说模型的可行性较高，说明系统在通过数据的自我学习和训练之后能够达到企业的人才选拔水平，具备人才选拔参数变化之后的自适应学习能力，而且选拔出来的人才符合企业的人才选拔思路，在人才选拔抗风险方面有一定的积极作用。在这里一次对六个具体人才选拔模型参数进行了评估，并且作为企业选拔人才的重要参数，以此作为鉴定人才能力水平的重要指标，并且可以对相关参数进行敏感性分析，确定人才选拔因素和网络模型之间的重要关系。