عنوان

یک سیستم توصیه گر شغلی در زبان فارسی با مهارت هاي کارجو در جریان دادهها مبتنی بر یادگیري عمیق

شماره

پ۲۷۷۲۷

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

یک سیستم توصیه گر شغلی در زبان فارسی با مهارت هاي کارجو در جریان دادهها مبتنی بر یادگیري عمیق

نام نخستين پديدآور

موسی باقری شندی

نام ناشر، پخش کننده و غيره

برق وکامپیوتر

تاریخ نشرو بخش و غیره

۱۴۰۱

نام خاص و کميت اثر

۷۹ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

کامپیوتر گرايش نرم افزار

زمان اعطا مدرک

۱۴۰۱/۰۶/۲۷

متن يادداشت

سیستم‌های توصیه‌گر یكی از حوزه‌هاي هوش مصنوعی است که هدف آن بهترین توصیه‌ها از میان گزینه‌های موجود است. با گسترش اینترنت در دنیای کنونی، استخدام مبتنی بر اینترنت در بیشتر شرکت‌ها به روش اصلی تبدیل شده‌ است. برای جذب نیروی کار جدید شبکه جهانی وب تبلیغات و هزینه را کاهش می‌دهند اما آنها از مشکل اضافه بار اطلاعات رنج می‌برند. در توصیه‌گرهای سنتی با استفاده از تکنیک‌های بازیابی اطلاعات مانند روش‌های جستجوی بولی از کلمات ساده برای تطبیق کلمات در استفاده می‌کنند، مساله اصلی این توصیه‌گرها عدم توانایی آنها در درک پیچیدگی مطابقت بین خواسته‌های نامزدها و الزامات سازمان‌ها است. بنابراین، تعداد زیادی از داوطلبان فرصت یافتن شغل مناسب را از دست می‌دهند. سیستم‌های توصیه کننده اخیر در برنامه های تجارت الکترونیک به موفقیت دست یافته اند.در این پژوهش، یک روش برای توصیه شغل به کابر با توجه به رزومه کارجو و داده‌ شغلی مبتنی بر جریان داده با استفاده از یادگیری عمیق و سیستم‌های توصیه‌گر مبتنی بر محتوا ارائه شده¬است، در این کار اطلاعات و الزامات ضروری نهفته برای کار و کاربر جستجو کننده استخراج می‌شودو باعث یافتن شغل مناسب می‌گردد. سیستم پیشنهادی توصیه¬گر شغلی ارائه شده در این پژوهش به قسمت¬های جمع¬آوری موقعیت¬های شغلی، تعیین دسته شغلی کارجو، استخراج کلمات کلیدی موقعیت شغلی، استخراج کلمات کلیدی رزومه کارجو و پیشنهاد موقعیت شغلی تقسیم می¬شود. بعد از جمع¬آوری موقعیت¬های شغلی با استفاده از با استفاده داده¬های از پیش¬آموزش دیده به بردار تبدیل شده و سپس با استفاده از رزومه کارجو کارهای نزدیک به کارجو پیشنهاد می¬شود.ارزیابی سیستم به دوقسمت تقسیم شده¬است در بخش اول الگوریتم دسته بندی رزومه کارجو کارجو با الگوریتم¬های دیگر یادگیری ماشین مقایسه می¬شود و عملکرد مقایسه می¬شود و الگوریتم پیشنهادی بهتر از دیگر الگوریتم¬ها کار می¬کند، و برای قسمت دوم از دو روش برای ارزیابی استفاده شده-است، در روش اول متدی دیگر با متد Gensim پیاده سازی شده¬است و توصیه¬های سیتم پیشنهادی بهتر از آ بود و در روش دوم پرسشنامه بین کاربران توضیع شد و نتیجه میانگین 7 امتیاز توسط کاربران برای سیستم در نظر گرفته شد.

متن يادداشت

Recommender systems are one of the fields of artificial intelligence whose goal is the best recommendations among the available options. With the expansion of the Internet in today's world, Internet-based recruitment has become the main method in most companies. To attract the new workforce of the World Wide Web, they reduce advertising and cost, but they suffer from the problem of information overload. In traditional recommenders using information retrieval techniques such as Boolean search methods, they use simple words to match words, the main problem of these recommenders is their inability to understand the complexity of matching between candidates' demands and organizations' requirements. Therefore, a large number of candidates miss the opportunity to find a suitable job. Recent recommender systems have found success in e-commerce applications.In this research, a method for job recommendation to the user according to the job seeker's resume and job data based on data flow using deep learning and content-based recommender systems is provided. The searcher user is extracted and finds a suitable job. The suggested job recommender system presented in this research is divided into the parts of collecting job positions, determining the job category of the job seeker, extracting the keywords of the job position, extracting the keywords of the job seeker's resume and suggesting the job position. After collecting the job positions by using the data from the pre-training, it is converted into a vector, and then by using the resume of the job seeker, jobs close to the job seeker are suggested.The evaluation of the system is divided into two parts. In the first part, the job applicant resume classification algorithm is compared with other machine learning algorithms and the performance is compared and the proposed algorithm works better than other algorithms, and for In the second part, two methods were used for evaluation, in the first method another method was implemented with the Gensim method and the recommendations of the proposed system were better than A and in the second method the questionnaire was distributed among the users and the average result was 7 points by Users were considered for the system.

عنوان گونه گون

A Job recommendation System in Persian Language with Seeker Skills in Stream Data Based on Deep Learning

عنصر شناسه اي

باقری شندی،

ساير عناصر نام

موسی

کد نقش

تهیه کننده

عنصر شناسه اي

‏تنها،

عنصر شناسه اي

فیضی درخشی،

ساير عناصر نام

جعفر

ساير عناصر نام

محمدرضا

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

‏تبریز