数据挖掘技术在高校人力资源管理中的应用研究

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (10): 201-204.

数据挖掘技术在高校人力资源管理中的应用研究

刘鹏^1,2,孙莉¹,赵洁¹,孙珏妍¹,许剑萍¹,董瑾¹,陈婷婷¹

1.上海财经大学信息管理与工程学院，上海 200433
2.上海财经大学人事处，上海 200433

收稿日期:2007-07-17 修回日期:2007-10-18 出版日期:2008-04-01 发布日期:2008-04-01
通讯作者: 刘鹏

Study and application of data mining technologies on human resources management in college

LIU Peng^1,2,SUN Li¹,ZHAO Jie¹,SUN Jue-yan¹,XU Jian-ping¹,DONG Jin¹,CHEN Ting-ting¹

1.School of Information Management and Engineering，Shanghai University of Finance and Economics，Shanghai 200433，China
2.Department of Human Resources，Shanghai University of Finance and Economics，Shanghai 200433，China

Received:2007-07-17 Revised:2007-10-18 Online:2008-04-01 Published:2008-04-01
Contact: LIU Peng

摘要/Abstract

摘要： 针对一个真实的高校人力资源数据集，分析了在高校人力资源管理中适用的数据挖掘技术与过程，通过探索性的数据分析进行了特征值的离散化和特征值的归约、特征选择和构造等方面的分析，并给出了衡量教学科研人员科研能力水平的分类标签建议。利用决策树模型分析了影响教师科研能力的几个关键因素，聚类分析对教师的现状进行了客观而有效地描述，关联规则技术描述了教学、科研和社会工作等几方面的关系。研究分析的结果具有较好的解释性。

关键词: 数据挖掘, 高校人力资源, 特征归约, 聚类分析, 关联规则

Abstract: Based on an actual dataset of college human resources，this paper analyzes the data mining technologies and processes applying on college human resources management，reduces and categorizes features by explorative data analysis，proposes the class label evaluating professors’ research abilities.Decision tree model analyzes some key factors concerning professors’ research abilities，cluster analysis objectively and effectively describes the professors’ present conditions and association rules show the relationship among teaching，research and social practices.The results of this study can be well explained.

Key words: data mining, human resources management, feature reduction, cluster analysis, association rule

刘鹏^1,2,孙莉¹,赵洁¹,孙珏妍¹,许剑萍¹,董瑾¹,陈婷婷¹. 数据挖掘技术在高校人力资源管理中的应用研究[J]. 计算机工程与应用, 2008, 44(10): 201-204.

LIU Peng^1,2,SUN Li¹,ZHAO Jie¹,SUN Jue-yan¹,XU Jian-ping¹,DONG Jin¹,CHEN Ting-ting¹. Study and application of data mining technologies on human resources management in college[J]. Computer Engineering and Applications, 2008, 44(10): 201-204.

[1]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[2]	宗晓萍，陶泽泽. 基于掌握速度的知识追踪模型[J]. 计算机工程与应用, 2021, 57(6): 117-123.
[3]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[4]	马洋，赵旭俊. 基于相关子空间的多源离群检测算法[J]. 计算机工程与应用, 2021, 57(17): 88-95.
[5]	张念蓬，吴旭，朱强. 基于熵的过采样框架[J]. 计算机工程与应用, 2021, 57(13): 96-101.
[6]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[7]	张振海，张湘婷. 上下文感知的高铁信息服务推荐方法研究[J]. 计算机工程与应用, 2021, 57(12): 231-236.
[8]	饶加旺，马荣华. 改进核密度估计的空间点密度算法[J]. 计算机工程与应用, 2021, 57(11): 260-265.
[9]	杨葛英，沈夏炯，史先进，张磊. 以概念格为背景的关联规则可视化[J]. 计算机工程与应用, 2021, 57(1): 84-91.
[10]	安宁，江思源，唐晨，杨矫云. 融合单纯形映射与熵加权的聚类方法[J]. 计算机工程与应用, 2020, 56(9): 148-155.
[11]	王杰，陈志刚，刘加玲，程宏兵. 基于聚类的云隐私行为挖掘技术[J]. 计算机工程与应用, 2020, 56(5): 80-84.
[12]	衣俊艳，杜小鹏. 具有中心移动特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(24): 50-58.
[13]	王子龙，李进，宋亚飞. 基于距离和权重改进的K-means算法[J]. 计算机工程与应用, 2020, 56(23): 87-94.
[14]	衣俊艳，吴博雅，雍巧玲. 具有加权特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(22): 55-65.
[15]	罗计根，杜建强，聂斌，李欢，聂建华，陈裕凤. 一种聚类欠采样策略的随机森林优化方法[J]. 计算机工程与应用, 2020, 56(22): 166-172.