【技术实现步骤摘要】
本专利技术涉及数据分类，具体涉及一种高校人才评审数据信息优化匹配方法。
技术介绍
1、伴随各大高校的不断扩招，其所需要的教师、科研人员、管理人员等等也日渐增多，高校通常需要对海量简历进行分类筛选，并根据筛选出的简历进行信息优化匹配，从而确定每个招聘岗位的最合适人才。
2、在对简历进行分类筛选的过程中，传统人工分类匹配的效率低下、主观性强，难以满足部分高校的招聘需要。现有的adaboost(adaptive boosting)集成分类器算法是一种原理简单的有监督的机器学习算法，可以实现简历的自动分类筛选。但是在对adaboost集成分类器算法所采用的分类模型进行训练的过程中，由于不同简历样本之间的信息存在差异，并且简历内的信息通常较为杂乱，因此在特征选择方面可能存在局限性，无法充分挖掘数据中的潜在信息从而影响了分类模型的分类筛选精确度。同时，由于简历对应的数据样本特征向量属于高维向量，这类复杂的数据样本容易导致在分类过程中出现过拟合的情况，即分类模型在训练集上表现良好，但在测试集上的泛化能力较差，影响了分类筛选的准确性和稳定性
【技术保护点】
1.一种高校人才评审数据信息优化匹配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种高校人才评审数据信息优化匹配方法，其特征在于，确定数据样本的每个数据维度的重要程度，包括：
3.根据权利要求2所述的一种高校人才评审数据信息优化匹配方法，其特征在于，确定数据样本的每个数据维度的重要程度，对应的计算公式为：
4.根据权利要求1所述的一种高校人才评审数据信息优化匹配方法，其特征在于，确定每个数据样本与两个类别的相似程度，包括：
5.根据权利要求1所述的一种高校人才评审数据信息优化匹配方法，其特征在于，对所述相似...
【技术特征摘要】
1.一种高校人才评审数据信息优化匹配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种高校人才评审数据信息优化匹配方法，其特征在于，确定数据样本的每个数据维度的重要程度，包括：
3.根据权利要求2所述的一种高校人才评审数据信息优化匹配方法，其特征在于，确定数据样本的每个数据维度的重要程度，对应的计算公式为：
4.根据权利要求1所述的一种高校人才评审数据信息优化匹配方法，其特征在于，确定每个数据样本与两个类别的相似程度，包括：
5.根据权利要求1所述的一种高校人才评审数据信息优化匹配方法，其特征在于，对所述相似数据样本进行聚类采样，得到各个采样点，包括：
<...【专利技术属性】
技术研发人员：陈宇，
申请(专利权)人：学术桥北京教育科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。