دانلود ترجمه مقاله افزایش بهره وری فرآیند استخدام با الگوریتم متن کاوی IRCF – نشریه Indjst 2015

افزایش بهره وری فرآیند استخدام با الگوریتم متن کاوی IRCF

Augmenting Efficiency of Recruitment Process using IRCF text mining Algorithm

چکیده

1- مقدمه

2- صورت مسئله

3- روش پیشنهادی

1- 3 فایل پیکره بندی

2- 3 الگوریتم متن کاوی IRCF

3- 3 الگوریتم رتبه بندی وزندار

4- نتیجه آزمایش

1- 4 رزومه نمونه

5- یافته ها و تحلیل

6- نتیجه گیری

چکیده

پیشینه: الگوریتم جدیدی به نام فایل پیکره بندی بازیابی اطلاعات برای استخراج اطلاعات مفید از مجموعه رزومه ها در طول استخراج پیشنهاد شده است که اطلاعات بدست آمده به نیازهای تجارت ربط داشته و کارآمد می باشد.

روشها: تحلیل دستی داده های متنی غیر ساختاریافته عملی نیست، بنابراین روشهای متن کاوی متعددی برای خودکار نمودن فرایند تحلیل داده های غیر ساختاریافته با استفاده از تکنیک جدیدی به نام روش رتبه بندی وزندار توسعه یافته است. نتیجه: کارایی فرایند استخدام در جریان بازیابی اطلاعات از داده های غیر ساختار یافته بهبود می یابد. کاربرد: در شرکت ها برای بهبود حدود فرایند استخدام با استفاده از الگوریتم متن کاوی جهت کاوش داده ها.

4- نتیجه آزمایش

روش پیشنهادی به روش آزمایشی تصدیق شده و نتیجه ثابت می کند که روش پیشنهادی هدف مقاله را رعایت می کند. برای انجام آزمایش، 300 رزومه نامزد انتخاب کرده ایم که دارای فرمت rtf هستند. از این 300 رزومه نامزد، گروه خاصی از اعضا باید انتخاب شوند. اولاً، فرایند انتخاب با استفاده از الگوریتم موجود یعنی الگوریتم دسته بندی متن KNN با بررسی هر رزومه و شناسایی نامزد قابل و شایسته اجرا می شود. زمان اجرا و اسکن (پویش) یادداشت و با الگوریتم پیشنهادی مقایسه می شود. سپس، فرایند انتخاب با استفاده از الگوریتم متن کاوی IRCF پیشنهادی اجرا می شود. براساس الگوریتم، نامزد شایسته را می توان انتخاب نمود و مدت زمان دستیابی به نتیجه باید یادداشت شود. با مقایسه این دو مدت زمان، می توان به این نتیجه رسید که الگوریتم پیشنهادی بهتر از روش موجود عمل می کند. بنابراین، روش پیشنهادی به هدف مقاله دست یافته و به تصمیم گیرندگان در شناسایی و استخراج نامزدهای شایسته با مجموعه مهارتها و معیارهای لازم برای مطابقت با سیاست های شرکت در طول فرایند استخدام کمک می کند.

Abstract

Background: A novel algorithm named Information Retrieval configuration file is proposed to extract useful information from a set of resumes during extraction where the information gained is relevant and efficient for business needs. Methods: Manual analysis of this unstructured textual data is impractical, so numerous text mining methods are being developed to automate the process of analyzing this unstructured data employs a new technique named Weighted Ranking method. Result: The efficiency of recruitment process is improved while retrieving the information from the unstructured data. Application: In firms to improves the scope of the recruitment process using text mining algorithm to mine the data.

4. Experimental Result

The proposed methodology has been experimentally verified and the result proves that the proposed methodology satisfies the aim of the paper. To do the experiment, we have undertaken 300 candidate’s resume, which is of rtf format. From those 300 candidates, a particular group of members has to be selected. First, the selection process can be carried out using the existing algorithm namely “KNN Text Classification Algorithm” by examining each resume and identifying the qualifying candidate. The execution time and the scan time are noted and compared with that of the proposed algorithm. Next, the selection process can be carried out by using the proposed IRCF text mining algorithm. Based on the algorithm, the qualifying candidate can be chosen and the time period to obtain the result has to be noted. By comparing these two time periods, we can conclude that the proposed algorithm performs well than the existing method. Thus our proposed methodology satisfies the aim of the paper and helps the decision makers to identify and recruit deserving candidates with the skillsets and the criteria to match with that of the company policies during recruitment process.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

افزایش بهره وری فرآیند استخدام با الگوریتم متن کاوی IRCF

Augmenting Efficiency of Recruitment Process using IRCF text mining Algorithm