基于SMOTE和贝叶斯优化的Adj-LightGBM人岗匹配算法

近2年由于新冠疫情的影响,各行各业受到了巨大的冲击,传统招聘方式难以实行,一方面招聘单位人才缺口大,另一方面求职者无法线下应聘。网络招聘的出现为求职者和招聘单位带来了一定的方便,但仍存在人岗匹配效率低、匹配不平衡的问题,如何精准且快速地完成人岗匹配工作成为需要解决的迫切问题。针对该问题,提出一种基于SMOTE和贝叶斯优化的Adj-LightGBM人岗匹配算法。首先对人岗数据集进行数据预处理;其次使用SMOTE算法对匹配成功样本进行过采样处理,处理后的正负样本比例为1:3;然后在验证集上使用贝叶斯优化寻找最优的LightGBM模型;最后对该模型进行测试与评价,得出该模型的F1-score为0.974,Auc为0.971。通过与支持向量机、随机森林以及XGBoost算法进行对比,发现本文提出的Adj-LightGBM算法不仅在人岗匹配预测上具有更高的准确性,而且在模型训练效率上也有着显著优势。

基于集成学习与不平衡数据的返贫预测

中国在扶贫工作取得决定性成就的同时,仍有一些脱贫人口存在返贫风险。本文基于不平衡数据集,利用SMOTE模型对返贫类别样本进行过采样处理,处理后的返贫与未返贫样本数据比例为3:1;接着建立基于Stacking集成学习的返贫预测模型,利用网格搜索对各个模型超参数进行寻优,结合10折交叉验证提高模型的泛化能力。本文使用4种不同的融合模型对脱贫户是否返贫进行预测。实验结果表明,与单一模型相比,模型融合后的分类效果要优于单独的分类器,其中最优融合模型的Acc为0.962,F1-score为0.946。