2.四年的班主任和老师的工作经验，让我对管理学和心理学这两方面深有体会。

3.深信兴趣是职业良好发展的关键

4.性格开朗乐观，因与人为善，拥有很多朋友，因具有亲和力深得的喜爱。

5.善于思考，具有分析问题解决问题的能力。

1.教务：主要负责课时录入，保单续费，排课，师资调配，以及授课老师教学质量的管理和监督，授课老师的出勤统计。教务教学系统内工作人员的管理及培养。

2. 负责对教学中出现的特殊情况的追踪了解 以及处理；

3.电话心理辅导、作为班主任执行家访任务；及时处理突发事件；

4.周六有一个四年级的学生语文一对一上课。

1.小学五年级班主任兼语文教师。

2.教学风格风趣幽默，与学生互动性好，课堂活跃。

招聘简历表格 第3篇

有关推荐以及相似度算法的研究由来已久,国外发展相对国内起步更早,但是具体应用于特定领域的却为数不多,尤其是应用在网上招聘的较为深入的研究并不多见,且研究成果主要为理论分析,有关研究主要有针对用户与需求信息的匹配算法研究[1,2],在分析现有各种汉语分词及其优缺点的基础上,提出和介绍了基于网络有向图的双向匹配的分词算法的设计与实现,将KMP算法应用于不良网站额信息过滤中。针对不同用户浏览行为的个性化推荐算法研究[1],主要针对当前随着制造资源共享网站规模的扩大而随之带来的用户个性化的服务需求,由此根据客户的浏览行为了解其需求,为其提供个性化的服务。有关于改进的SIFT双向匹配算法研究[3],有较强针对性的关于职位分析推荐算法的研究[4],较为深入地讨论了网络招聘中企业和求职者双方的需求现状,提出建立能实现需求信息和人才技能能自动匹配的机制。有针对当前求职过程中耗时长,效率低的问题,提出了在招聘网站中借助于案例推理方法的研究[5],为求职者提供与之相似案例的求职经验并进行相关推荐。

1 经典相似度算法介绍

在常规的相似度计算中,大多数人会采用以下几种经典相似度计算方法。

1.1 余弦相似度

进行余弦相似度计算时,余弦值代表两者之间的相似程度,当夹角越小,余弦值越大,两者越相似,设x和y的向量分别为,则有计算x和y的相似度为:

1.2 欧几里德距离

欧几里德度量(euclidean metric)是一个通常采用的距离定义,指在n维空间中两个点之间的真实距离,或者向量的自然长度,其基本用法是首先计算两个点之间的欧几里德距离,然后根据欧几里德距离计算相似度。假设x、y分别为n维空间中的两个点,则两点之间的欧几里德距离为:。由此,计算x和y之间相似度的公式为:

上述的相似性算法都是基于评分矩阵的数据分析方式,且各有优缺,应用于不同的场景需求之中。

在此基础上,改进的相似度算法采用加权相似度量算法,对招聘网站中用户的简历与企业职位信息的特定属性信息进行相似度匹配计算,进而为求职者推荐满足需求的准确有效的职位信息。

2 职位与简历的双向匹配相似度算法

2.1 简历与职位信息模型设计

在实现简历与职位信息匹配推荐的过程中,将求职者和招聘方信息概括为简历和职位,其属性包括两部分,分别为基础属性和扩展属性。简历和职位的信息模块之间又是互相对应且影响的,且存在一定的映射关系,在此基础上,进行行之有效的职位与简历的属性信息相似度计算,从而为用户进行有针对性满足其需求的职位推荐,本文提出的信息模型如图1所示。

2.2 职位类别分类算法

在对职位进行分类算法设计时借助于贝叶斯分类原理,即首先计算某对象的先验概率,运用贝叶斯公式计算出该对象的后验概率,则该对象所属于的类就是最大后验概率所在的类别。所以根据国家行业分类标准将个人用户的简历按照其专业类别进行行业分类,即分为6个大类,29个小类,具体分类如表1所示。

本文将按照求职者的简历中专业属性进行判断,进行相应的行业分类,从而达到进一步确切地为其进行相应的职位推荐的目的,借助于贝叶斯变换公式对用户有效数据进行分类。

贝叶斯公式:

其中,A为已有样本空间的一个划分,B为一个类别未知的数据样本,P(Ai)为先验概率,代表未训练数据前Ai拥有的初始概率,P(Ai|B)被称为Ai的后验概率,其反映了在B的基础上Ai成立的概率。通过计算获得最大后验概率,所得则为B的最可能所属类别,此时将B划分为Amax类中,此外,由于P(B)实际上与分类无关,则可将式(1)进一步简化得:

2.3 改进的相似度算法

针对招聘网站中的职位与简历特征属性进行相应的相似度比较性算法,采用加权局部相似度的方法来进行度量。公式如下所示,其中,sim(x,y)表示简历X与职位Y的相似度,sim(xi,yi)表示简历x和职位y在特征属性i上的相似度,αj表示特征j的权重。

此外,在进行职位与简历的双向匹配推荐算法时,需要为相关的属性特征进行权重系数的分配。本文将求职者简历信息分为两部分,即基础信息和扩展信息。综合问卷调查和行业专家意见对其进行一定的分层权值设定如表2-3所示。

①基本信息权值(α1=0.45)

②扩展信息权值(α2=0.55)

基于相关属性特征权值设定情况,对本文的基于简历和职位的特征属性进行相似度计算,主要将特征间的相似度计算分为以下几种情况:

①若xi,yi均为特定的数值,α,β分别代表某个特征的最大值和最小值,那么则有:

②若属性xi和yi为确定的字符集,如“男”或“女”。当xi=yi时,sim(xi,yi)=1;否则,sim(xi,yi)=0。

③若两个特征属性均为区间型[α1,α2]和[β1,β2],其中,α1,α2,β1,β2∈[α,β],则有:

④若其中一个属性为精确值α,另一个属性为区间值[β1,β2],同上理则有:

通过改进的相似度匹配算法进行招聘网站中职位与简历的特征属性的匹配和相似度检测,从而进行较为精准有效的职位推荐和推送,为用户提供更为便捷有效的用户体验。

3 实例验证

3.1 实例的前提假设

在以上研究内容的基础上,为某大学的一名计算机系同学推荐职位,该同学具体信息如下:年龄25岁,男,上海市某大学本科毕业,专业为计算机,属电子信息大类,其期望工作地点是上海,工作经验2年,期望公司性质为私企,期望工作性质为全职,期望月薪为3000元,期望职位为网络工程师。综合其简历则有主要信息如表4所示。

3.2 职位分类实例验证

首先获得求职者的基本简历信息,与此同时,在已有的企业职位信息数据库中随机获取100个职位,借助于贝叶斯分类算法对其进行行业分类。如表5所示。

假设大类用X表示,小类用Y表示,行业用Z表示,则有:

①P(Z)=a表示行业Z在所选的100个职位中的出现频率为a

②P(X|Z)=a表示在行业Z的基础上专业大类为X的条件概率a

③P(Y|Z)=a表示在行业Z的基础上专业小类为Y的条件概率a

则有,P(X)=P(X|Z)P(Y|Z)表示该求职者的简历中专业属性属于第X个行业的概率

由此可知,该求职者简历中的专业属性属于第六大类。

3.3 相似度算法验证

针对用户此前的职位浏览信息,在了解其基本的职位需求后进行一定的系统筛选(如职位名称关键字、性别要求和工作性质进行初步的职位筛选)后取10份职位信息,此外,进行部分相关属性度量值的设定,其他属性值以实际为准,具体如表6所示,系统随机抽取职位信息表情况如表7所示。

在既定的权值下,假设Pij(i∈[1,2],j∈[1,4][1,4],具体表示第i部分第j个属性,x表示该求职用户信息,α、β分别表示权值,sim(x,a)(a=1,2,…,10)表示该用户与第a份职位信息的相似度,由此进行相似度的具体计算:

①基础属性相似度

②扩展属性相似度

③综合相似度

根据上述基础信息课扩展信息的相似度计算可得综合相似度如下:

同理可求得

由上述相似度计算数据可知,随机抽取的10份职位信息与求职者X的简历信息匹配程度由大到小为:2、9、5、7、4、3、8、10、6、1。即可根据求职者与职位信息相似度的匹配程度进行实时有效的职位推荐。

4 结束语

本文借助于贝叶斯共识对于简历中的专业信息进行行业分类,在此基础上提出改进的相似度算法,对职位和简历的属性进行相似度,得到职位与简历之间的匹配度信息,从而做到更为精准有效的职位推荐,最后采用真实网站数据完成了算法检验,效果较好。下一步的研究方向可以将本算法应用于招聘信息大数据挖掘中。

参考文献

[1]罗泽碧.基于客户浏览行为的个性化推荐系统研究[D].贵州:贵州大学,2009:1-3.

[2]陈耀东,王挺.基于有向图的双向匹配分词算法及实现[J].计算机应用,2005(6):1442-1444.

[3]刘焕敏,王华,段慧芬.一种改进的SIFT双向匹配算法[J].兵工自动化,2009(6):1-3.

[4]赵守清.用户需求与人才技能自动匹配模型及其应用[J].2008(10):6-10.

未来招聘，扔掉简历吧！ 第4篇

尽管我们正被大量新兴的破坏性技术和应用所包围，人力资源却仍未改进他们评估未来劳动力的手段。传统的以个人简历为中心的招聘模式已远远不够，因为它们无法准确描述出如今领导者所要求的合适的素质才能，而那些过时的标准也使许多有才华的人甚至连一个机会都无法得到。

简历本身并不存在什么缺陷，它强调了应聘者过去的业绩和经历。但是，简历更加注重展示技能，对价值和行为方面的鉴定则帮助不大。一般来说，简历是无法区分技能和能力的，前者主要指知道如何去做某事，而后者则指能够出色、可靠并轻松地完成这件事。

山姆·米德是伦敦一家新企业——Saberr公司的联合创始人之一，专门从事劳动力科学的研究。他反复探讨了关于简历的问题，并引申到了如今普遍存在的应聘机制。这种机制只能显示某一个应聘者是“合格的”，而并非是“合适的”。尽管简历可以将应聘者的技能与职位相匹配，但它们却无法预测应聘者能否很好地融入企业文化，并和未来的同事打好交道。

个人简历使得招聘者过分关注成绩、就读大学的名气以及之前的工作经验。这些招聘标准的问题在于他们会倾向于那些来自更富裕家庭的应聘者。这些家庭通常有更多的人脉和关系网，能够（为孩子）提供更好的教育机会，而且能负担得起名校的高额学费。另外，上层社会家庭培养出的孩子也更习惯于那些社会规范，从而使自己的举止更合人心意。

这一过程已不再可靠，因为它将收入的不平等转化成了工作机会的不平等。虽然企业宣称很愿意广纳贤才，但通过简历挑选时总会把那些付不起学费和做不了免费实习的应聘者排除在外。最终，这些人通常只得到薪水较低的工作机会，工作前景也不乐观。例如，最近英国的一项研究表明，75%的法官、67%的医生、75%的财务主管和50%的首席执行官都是来自相当富裕的家庭。

那么，我们能做些什么呢？

真正愿意广招贤士的企业必须抛弃传统的简历筛选流程。招聘者必须通过考察能力来找到最有潜力的候选人，也就是那些能成为英明的领导，有能力在瞬息万变、互相依存的世界中取得成功的人。

新的工具和招聘流程能够帮助招聘者开辟更多样的人才库，并接触到那些曾经被拒之门外的候选人。如果招聘公司不再看重那些强调技能和经历的简历，而将目光转向应聘者的社会情感、认知和行为特征，那些经济地位较低的人将能拥有更广阔的职业前景。

越来越多的企业能够使用智能数据来改进招聘流程。一些企业已经开始做准备，一些大型跨国公司如可口可乐，其亚特兰大总部正通过数据导向型策略来提高创新；一些新兴企业如Seedcamp通过心理图案学（即对于人格、兴趣等因素的研究）挑选出成功几率最大的团队；还有一些科技公司，如位于澳大利亚的Kestral公司则通过团队优化选出能力最强的员工。

成功的人员配置很大程度上也取决于“合适”，因此招聘者需要考虑一些除了简历之外的因素。Saberr公司很注重应聘者的核心价值观以及具体的行为特点，从而创建出一个度量映射，这也是他们数据导向型人力资源战略的核心元素。公司通过演算法来处理基本的价值观、与人和睦相处的能力以及人的多样性，从而预测应聘者和未来领导之间的人际关系能达到何种程度。这一算法使得公司能够“预测”新员工是如何融入到工作环境中去的。

一些大型科技公司如IBM也通过利用社会媒体的力量和个人的关系网来帮助创建“社交商业”，从而决定员工的合适程度，并将其定义为“通过社会合作和数字体验，创造更为有效的工作经验的能力”。还有一些公司如位于旧金山的Quid公司通过语义分析的途径，形象化地描述了网络上人们在哪些地方关注最多、最能体现创造力，并且投资最多。尽管这一工具主要由私募股权投资者和广告公司来使用，但它在招聘行业的前景却十分广阔，因为它可以让人事主管了解到应聘者的专业能力都用于何处。

虽然还有很多隐私问题有待解决，但是像Saberr、IBM和Quid这些公司，它们通过智能科技预测未来员工的行为以及与工作环境的融合程度，指明了人力资源获得与发展的未来，而这些都是简历所做不到的。这些“规则改变者”正在帮助企业从各个阶层广纳人才，改革公司招聘和寻求人才的机制。

校园招聘个人简历表格 第5篇

下面为大家推荐一份简历表格参考

二、教育背景

三、工作(实习)经历(6个月以上)

四、科研项目经历

五、主要荣誉和奖励(校级以上)

大学校园招聘会个人简历表格 第6篇