基于网络招聘信息的分类算法及分析开题报告

1. 研究目的与意义、国内外研究现状（文献综述）

网络招聘凭借其信息传递速度快、空间距离小、成本低廉等优势，已成为招聘者发布和应聘者获取信息的主要渠道。因此，对网络招聘信息进行分析研究,了解社会和相关行业的需求特点与趋势，为广大求职者提供正确的就业指导有着非常重要的意

义。

随着互联网的迅猛发展，大数据不断产生，分类作为当下数据挖掘中最实用的技术之一，已经得到了广泛应用。其中最常用且基础的knn算法具有无监督，无参数，简单且容易实现的特点，1991年，w.aha,dennis kibler等人总结了基于实例的学习算法[1],针对其缺点，目前提出了很多种改进算法。2016年周庆平等人提出了一种基于搜索改进的knn文本分类算法[2]；苏毅娟等人给出了大数据情况下快速分类的方法[3]。2018年殷亚博，杨文忠等人提出了基于聚类改进的knn算法[4]；肖绍武中提出了基于中心抽样的knn算法，旨在提高运行效率[5]。而本论文将研究不同改进算法对结果的影响，观察最适合该问题的算法。2019年王志华等提出了结合k-modes算法和knn算法的创新算法[6]。

2. 研究的基本内容和问题

研究的目标、内容和拟解决的关键问题

研究的目标

使用各种经典算法及其改进算法对网络招聘信息进行分析研究,了解社会和相关行业的需求特点与趋势。通过聚类方法，求职者可以结合自身状况更加快捷地获取相关信息资源。

3. 研究的方法与方案

研究方法、技术路线、实验方案及可行性分析

研究方法

k-means是一种聚类的基本方法，由于k-means聚类方法的特殊性，初始值的选择对聚类结果影响很大。因此在聚类时需要注意的是初始点的选择需要用k-means ，这样能提高聚类效率与聚类的效果。在聚类过程中，特征的选择也尤为重要，实际上，特征的选择也就是选择用什么来区分数据点，不同特征得到的聚类结果也有着不同的物理含义.总而言之，k-means通常能取得较好的聚类效果，在优化初始化质心的方法并认真进行特征选择后，聚类效果能得到进一步提升。而knn算法有很多种不同的改进算法，各有千秋，根据不同情况选用不同的改进算法能进一步提升效率。

4. 研究创新点

特色或创新之处

目前关于网络招聘信息的多算法分析研究并不多，本研究将对比各种算法的优劣性，并给出招聘信息的分析结果。

5. 研究计划与进展

研究计划及预期进展

2020年3月1日至4月1日，对涉及知识点，knn算法及其改进算法，kmeans算法等进行学习，建立算法模型并完成相关代码编写。

2020年4月2日至4月30日，对不同方法的结论进行比较，选择最优解。