第 3 章 研究方法
3.2 類神經網路篩選模式
現今眾多的類神經網路理論中,本研究以感知機(Perceptron)做為類神經網路基 礎,其優點在於可以從問題領域中取得訓練範例修正權值達到我們所想要的目 標。以下步驟說明如何應用輸入值向量與目標輸出向量修正網路加權值,利用網 路加權值達到篩選人才之目的,其步驟如下:
Step1:條件限制數值化
以電子工程師職務為例,求才者選擇職務所需條件後將各項條件限制轉換成對應 權重值,予以數值化(表 3-6)。
表3-6 條件限制權重
條件限制 權重 條件限制 權重
上班族 1 26 至 30 歲 1
應屆畢業生 0.3 25/31 歲 0.9
身份類別
其它 0 24/32 歲 0.8
碩士 0.7 23/33 歲 0.7
大學 1 22/34 歲 0.6
專科 0.5 21/35 歲 0.5
高中職 0.2 20/36 歲 0.4
學歷
其它 0 19/37 歲 0.3
1 年 / 2 年 0.8 18/38 歲 0.2
3 年 / 4 年 1 39/40 歲 0.1
5 年 / 6 年 0.6
年齡
其它 0
7 年 0.4 電子/電機相關科系 1
工作經驗
其它 0
相關科系
其它 0
精通/普通/略通 1
語文能力
(英文) 其它 0
在Step1 中條件限制數值化採用的是梯形模糊數(Trapezoidal Fuzzy Number)的觀 念,主要將限制條件的重要程度給予0 至 1 之間的某個數值來表示其重要性,當 完全屬於時用1 來表示,完全不屬於時用 0 來表示,其它限制條件依照重要程度 的不同給予0 至 1 之間的數值[11]。
我們可用下圖(圖 3-3)來表示工作經驗及科系的重要性,在下圖的橫軸分別為年 數、相關科系,而縱軸代表重要性的程度 μ。
圖3-3 重要性程度量化圖
當 μ 越接近 1 表示重要性越重,μ 越接近 0 表示重要性越輕。把年數、相關科 系的條件數量化在橫軸上,而重要性也數量化在縱軸上了。這樣Step1 條件限制 數值化便已完成。
Step2:權值計算
本研究所使用的感知機架構如圖3-4 所示:
圖 3-4 類神經網路架構圖
利用系統在求職者資料庫中隨機選取數位求職者做為訓練樣本(R),並在訓練樣
本中選擇合適的求職人選(S),有關此方面的參數設定請詳閱 5.2.3。本處以隨機 選取四位求職者為例,以四位求職者做為訓練樣本,並將求職者條件轉換成對應 權重如表3-7 所示。
表3-7 求職者條件對應權重
條件限制 求職者甲 求職者乙 求職者丙 求職者丁
身份類別 1 0.3 1 0
學歷 1 0.5 0.5 1
工作經驗 0.8 1 0 0
相關科系 1 1 0 0
語文能力 1 1 1 1
年齡 0.8 0.9 1 1
在四位求職者中選擇兩位較合適的求職者(求職者甲與求職者乙),設定以下參 數:
j=條件數 i=輸出向量數 k=人數
連結加權值Wji=1 偏權值向量θ=0 學習速率η=0.9 輸入向量Xjk
X11=1;X21=1;X31=0.8;X41=1;X51=1;X61=0.8;
Μ
X14=0;X24=1;X34=0;X44=0;X54=1;X64=1;
目標輸出向量{Tki}:
求職者甲{1.0.0}、求職者乙{0.1.0}、求職者丙{0.0.0}、求職者丁{0.0.0}
接著進行下列計算:
1. 計算推論輸出向量 Y
1 1 0
1
<
= ≥
=
∑
net if net Y
X W net
ki j
jk ji
net=W11X11+W21X21+W31X31+W41X41+W51X51+W61X61
=1×1+1×1+1×0.8+1×1+1×1+1×0.8=5.6>1 Y11=1
net=W12X11+W22X21+W32X31+W42X41+W52X51+W62X61
=1×1+1×1+1×0.8+1×1+1×1+1×0.8=5.6>1 Y12=1
2. 計算加權值修正量
若推論輸出向量Y 不等於目標輸出項量 T,則需修正連結加權值 Wij如上例中 Y12=1 ≠ T12=0,所以需要修正 Wji值。
(
ki ki)
jkji
ji
W T Y X
W
= +η
× − × W12=W12+0.9×(T12-Y12)×X11=1+0.9×(0-1)×1=0.1 W22=W12+0.9×(T12-Y12)×X21
=1+0.9×(0-1)×1=0.1
Μ
W62=W12+0.9×(T12-Y12)×X61
=1+0.9×(0-1)×0.8=0.28
重覆上述步驟,直到所有訓練樣本的輸出向量Y 等於目標輸出向量 T 就可得到 加權值矩陣(表 3-8)。
表3-8 加權值矩陣
W 1 2 3
1 1.72 -1.16 0.1
2 1.45 -0.35 0.1
3 -0.44 1.36 0.28
4 0.1 1 0.1
5 -0.8 0.1 0.1
6 -0.98 0.28 0.28
Step3:人才篩選
利用Step2 中求職者條件轉換所得的對應權重(表 3-7)與樣本訓練後的加權矩陣 (表 3-8)進行人才篩選。我們將資料庫中將每筆對應的權重資料與訓練後的加權 值做矩陣相乘,推論輸出項量Y 小於 1 者予以淘汰,藉此縮減求職者人數。
以表3-9 為例:
求職者A
net=1×1.72+1×1.45+0.8×-0.44+1×0.1+1×-0.8+0.5×-0.98=1.628>1 net=1×-1.16+1×-0.35+0.8×1.36+1×1+1×0.1+0.5×0.28=0.818 net=1×0.1+1×0.1+0.8×0.28+1×0.1+1×0.1+0.5×0.28=0.764 推論輸出向量 Y{1.0.0} = 目標輸出向量 T{1.0.0} 選取
求職者B
net=0.3×1.72+0.5×1.45+0×-0.44+1×0.1+1×-0.8+0.9×-0.98=-0.341 net=0.3×-1.16+0.5×-0.35+0×1.36+1×1+1×0.1+0.9×0.28=0.829 net=0.3×0.1+0.5×0.1+0×0.28+1×0.1+1×0.1+0.9×0.28=0.532
推論輸出向量 Y{0.0.0}≠目標輸出向量 T{1.0.0}或 T{0.1.0} 刪除
表3-9 求職者條件對應權重
條件限制 求職者A 求職者 B
身份類別 1 0.3
學歷 1 0.5
工作經驗 0.8 0
相關科系 1 1
語文能力 1 1
年齡 0.5 0.9
接著重覆Step2 將保留下的資料進行下一循環的篩選,直到系統篩選出求才者所 需人數為止。
透過篩選模式,可以了解類神經網路應用於本系統中,可使求才者輕易的從數百 甚至數千位求職者中快速且明確的篩選出適任的人才進行面試。