• 沒有找到結果。

中文摘要

N/A
N/A
Protected

Academic year: 2022

Share "中文摘要"

Copied!
68
0
0

加載中.... (立即查看全文)

全文

(1)
(2)
(3)
(4)
(5)

中文摘要

由於近幾年經濟不景氣,失業率屢創新高,再加上每年一到畢業熱潮就湧入 大批社會新鮮人,使得就業市場競爭更加激烈。在傳統的企業人才招募過程中,

報章雜誌的分類廣告,在求職者與求才者之間扮演極重要的角色,然而因礙於篇 幅無法提供充份而詳細的徵才資訊,可能導致招來許多資格不符的求職者;另一 方面,求才廣告的刊登、過濾求職候選人、安排面試到最後的人選決定,所造成 時間的浪費更難以估計,也因此企業需要一個較有效率的徵才媒介,於是在網際 網路的盛行之下,人力資源網站成為一種新興的求職、求才管道。

人力資源網站具備了快速、方便、低成本的優點,同時又能提供許多傳統招募方 式所無法匹敵的功能,例如:線上刊登履歷、寄送履歷、設定個人化搜尋機制等,

在這些機制的輔助之下,求職者與求才者間的媒合更加容易,然而目前的人力資 源網站也因為人才資訊的取得太過容易,使得求才者反而要面對人才過多而無法 選擇的困擾。

本論文的主要目的便是研製一套選才輔助系統,可協助求才者從數百甚至數千位 符合職缺要求的求職者中篩選出較適任的人才進行面試,以充分利用網路徵才人 力資源充足的優點。

本研究分別運用兩套不同的技術來達到輔助選才的目的:一為以層級分析法 (Analytical Hierarchical Process: AHP)為基礎,另一則是以類神經網路( Neural Network )為基礎。利用這兩套技術所設計出的輔助選才系統,經由實驗分析發 現,其選才的正確比率高達80% - 90%,與人工過濾的品質相差無幾,然而效率 卻遠勝於人工處理,相信使用本系統對於人才的選擇上會有不錯的結果。

關鍵詞:層級分析法、類神經網路、人力資源網站

(6)

ABSTRACT

The rapid advent of computer and network technologies has changed the life style of people around the word. Large amount of data can be efficiently found via searching through the computer network. One of the most important applications is the human resource allocation, such as finding jobs or finding suitable man powers. In the traditional job-finding process, newspapers and magazines have played an important role to help the enterprises who are looking for man powers and the persons who are looking for jobs. However, as traditional publications have few spaces to present the job-finding contents, only limited information can be found via such channels, not to mention the very detailed description concerning the jobs or the persons. Therefore, the probability of finding a satisfactory job or a proper man power is low and hence the job-finding people have to spend lots of time in seeking satisfactory job; in the mean while, the enterprises have to spend lots of money in advertisements, and lots of time in interviewing candidates. This is why both enterprises and job-finding people need a more efficient human resource allocation channels, and human resources websites are becoming a new media between the persons and the enterprises in recent years.

Human resources websites offer efficient, convenient and low-cost channels for both job-finding people and the enterprises. For example, the resumes can be transferred on line, personalized requirements can be specified, large amount of candidate persons and jobs can be matched or searched based on the specified requirements, etc. However, while the on-line human resource allocation approach revealed several advantages, people also found the difficulty of applying it. The difficulty is owing to the large amount of search results presented to the people and the enterprises, which will confuse them in looking for the exact information they

(7)

want if the search results are not well-analyzed and well-organized.

In this thesis, we propose a human resource allocation system, which applies Analytical Hierarchical Process (AHP) and Neural Network approach to data comparisons and decision-making. The developed system can assist the enterprises to find more suitable people from a large amount of candidates in order to take a full advantage of the Internet’s ample human resources.

To evaluate the performance of our approach, a series of experiments has been conducted by applying our system to the analysis and selection of data from a large human resource database. The accuracy of the experiment results is between 80% and 90%, and hence we conclude that the performance of our approach is desirable.

Key words: human resource management, Analytical Hierarchical Process, Neural Network

(8)

誌謝

這篇論文能夠完成,首先要感謝我的指導教授:曾秋蓉博士。感謝老師兩年 來對學生的悉心教誨與耐心指導,使學生不論在學業上及生活上都不斷的成長,

而老師對於追求學問的態度及教學認真的精神,更是令學生佩服。

另外,我要感謝所有協助過我的師長、同學及學弟妹們,感謝你們共予我的支持 與照顧,兩年來的共處使我的一生增添不少美好的回憶,謝謝你們。

最後我要謝謝我的家人,有他們在背後默默的支持,使我在研究的過程中不再感 到害怕與徬徨。還有一路陪我走過的女友,從旁給我加油打氣,我才能夠順利渡 過這些做研究的日子。在此僅以此篇論文獻予我親愛的家人及朋友。

(9)

目錄

中文摘要... I ABSTRACT... II 誌謝...IV 目錄...V 表目錄... VII 圖目錄...VIII

第 1 章 緒論...1

1.1 研究動機...1

1.2 研究目的...2

1.3 研究背景...3

1.3.1 人力資源網站背景...3

1.3.2 現有人力資源網站比較...5

第2 章 文獻探討...7

2.1 多準則決策...7

2.2 層級分析法概述...7

2.3 類神經網路概述...9

第3 章 研究方法...13

3.1 層級分析法評鑑模式...13

3.2 類神經網路篩選模式...21

第4 章 系統實作...27

4.1 系統模組...28

4.1.1 求才者模組...28

4.1.2 求職者模組...29

4.1.3 搜尋模組...30

(10)

4.1.4 媒合系統模組...31

4.2 系統資料庫...31

4.3 環境介面...32

4.3.1 系統主畫面...32

4.3.2 求職者環境介面...33

4.3.3 求才者環境介面...34

4.3.4 管理者環境介面...38

第5 章 實驗分析...40

5.1 實驗環境...40

5.2 參數設定...43

5.3.1 職缺條件權值設定...43

5.3.2 條件限制正規化...45

5.3.3 類神經網路參數設定...46

5.3 結果分析...48

5.3.1 Real Data...48

5.3.2 Random Data ...50

第6 章 結論與未來研究方向...53

參考文獻...54

(11)

表目錄

表1-1 每單位員工招募成本………4

表1-2 美國與台灣人力資源網站功能比較表………..………..5

表2-1 權重值………8

表2-2 求職者條件………9

表2-3 加權值矩陣………...10

表2-4 求職者條件對應權重………...………...11

表3-1 評估表……….………..………...14

表3-2 層級分析法評比尺度表………...……….…..16

表3-3 成對比較評估表………..………....16

表3-4 求職條件之權重………..………....20

表3-5 求職者基本資料………..…………....21

表3-6 條件限制權重………..………....21

表3-7 求職者條件對應權重………..………...23

表3-8 加權值矩陣 ………...25

表3-9 求職者條件對應權重………..………...26

表5-1 電子工程師求職條件與權重………..………....43

表5-2 MIS 程式設計師求職條件與權重………...………...44

表5-3 財務會計助理求職條件與權重………..44

表5-4 電子工程師條件限制權重..………....45

表5-5 MIS 程式設計師條件限制權重………..………....45

表5-6 財務會計助理條件限制權重………..………....46

(12)

圖目錄

圖3-1 條件因素架構表……….……….13

圖3-2 條件限制架構表……….……….………19

圖3-3 重要性程度量化圖……….……….………22

圖3-4 類神經網路架構圖……….……….………22

圖4-1 企業選才系統架構圖……… .……….27

圖4-2 求才者模組架構圖……….……….28

圖4-3 求職者模組架構圖……….……….29

圖4-4 搜尋模組架構圖……….……….30

圖4-5 媒合系統模組架構圖……….……….31

圖4-6 企業網路選才系統首頁……….……….33

圖4-7 求職者個人化介面……….……….33

圖4-8 求才者個人化介面……….……….34

圖4-9 人才評鑑比對介面……….……….35

圖4-10 人才評鑑排名結果…………..………...……….35

圖4-11 求才條件設定關係圖………..………...……….36

圖4-12 人才篩選選擇介面……….….………...……….36

圖4-13 人才篩選篩選結果………..………...……….36

圖4-14 職務公事包介面………..………...……….37

圖4-15 搜尋人才介面………..………...………….37

圖4-16 檢視人力車介面………..………...……….38

圖4-17 系統管理者介面………..………...…….38

圖5-1 100 人至 1000 人各等級佔有比例圖……….41

圖5-2 100 人至 1000 人各等級佔有平均圖……….41

圖5-3 100 人至 1000 人等級 8 的符合人數……….42

(13)

圖5-4 人數篩選次數_1……….…….46

圖5-5 人數篩選次數_2……….….………...…….47

圖5-6 人數篩選次數_3………..………...………….47

圖5-4 50 人至 400 人不同人數的符合率(電子工程師) ………..………48

圖5-5 50 人至 400 人不同人數的符合率(MIS 程式設計師) ………...……49

圖5-6 50 人至 400 人不同人數的符合率(財務會計助理) ………..…….49

圖5-7 50 人至 400 人不同人數的符合率(平均) ……….….……….50

圖5-8 600 人至 1000 人不同人數的符合率(電子工程師)………..……….50

圖5-9 600 人至 1000 人不同人數的符合率(MIS 程式設計師) ……..………….51

圖5-10 600 人至 1000 人不同人數的符合率(財務會計助理) …….……….51

圖5-11 600 人至 1000 人不同人數的符合率(平均) ……….………….52

(14)

第1章 緒論

由於近幾年經濟不景氣,失業數據屢創新高加上每年的畢業人潮,使的就業市場 更加的競爭激烈。在傳統企業尋找人才的方式,大多是以內部徵才、員工介紹、

平面媒體(報紙、雜誌等)、人力仲介公司介紹等,但是產業快速變遷,人才的需 求質量提升,平面媒體的求才方式已難滿足企業需求,因此企業需要一個較有效 率的就業媒合媒介,由於網際網路的盛行使得人力求職求才網站成為一種新的求 職管道,然而其中的缺點仍需改進,也因此本研究將針對人力資源網站所面臨的 問題做一改善。

在1.1 節中主要探討人力資源網站所面臨的問題;1.2 節中描述本研究為了改善 人力資源網站面臨的缺失所使用的方法;1.3 節中將對人力網站相關背景做一介 紹。

1.1 研究動機

隨著網際網路的興起,許多產業嘗試利用網路來提供新的產品服務,使得電子商 務相關網站有如雨後春筍般的出現,但是近年來網路泡沫化的影響使得電子商務 相關網站發展趨於遲緩,唯有人力資源網站在全球經濟不景氣以及網路泡沫化的 因素影響之下,獲利能力竟不減反增。

根據 104 人力銀行調查,2000 年臺灣地區人力資源網站市場交易規模一年約四 億元,年成長率超過20%,而 104 人力銀行在 2000 年的營收達 3 億台幣,獲利 逾億元。另外,根據Nielsen/ NetRatings 調查發現,由於產業持續不景氣,加上 每年的畢業熱潮,導致失業率節節攀升,使得人力資源網站上網人數大幅成長,

大型入口網站的上網人數及停留時間,也都大幅成長[9]。根據美國 HR WIRE 網 站的調查結果顯示,在美國公司中,已經有87%的公司使用網路徵才的方式,而 只有約12%的公司,還沒有使用這種便利的方式。另外,SBC Internet Service 的 調查中指出,美國82%的即將畢業大學生,計劃利用網路尋找就業機會及工作相 關資訊;而55%的即將畢業大學生,會利用線上求職的服務,投遞或張貼履歷表

(15)

[1]。上述原因造成人力資源網站在這幾年迅速蓬勃發展,以目前的人力仲介網 站對求才企業而言,該項成本是固定的,並且低於傳統媒介的成本,而求職者也 基於人力仲介網站可迅速獲得就業資訊,使得人力仲介網站漸漸成為網路求職的 重要媒介。

雖然網路求職求才具備了迅速、經濟方便等優點,但是這些網站仍存在許多需要 改進的空間,譬如,履歷表統一的格式無法展現出個人的風格、網路隱私的問題、

其中以履歷表品質低落的問題最為嚴重,因為人力資源網站的履歷表資料庫每天 都以驚人的速度增加,裡面充斥著許多不會再更新和不是真的認真要找工作的履 歷表,這些品質低落的履歷表,往往會造成求才者在點選閱覽時的負擔;另一方 面,人才資訊的數量龐大反而使得求才者要面對人才過多時所造成無從選擇的困 擾,因此本研究試圖解決上述之問題,並將其結果提供給企業在招募人員時做為 參考。

1.2 研究目的

基於人力資源網站所面臨的人才篩選問題,本論文的主要目的便是研製一套企業 網路選才輔助系統,可協助求才者從數百甚至數千位符合職缺要求的求職者中篩 選出較適任的人才進行面試,以充分利用網路徵才人力資源充足的優點。

本研究分別運用兩套不同的技術來達到輔助選才的目的:一為以層級分析法 (Analytical Hierarchical Process: AHP)為基礎,另一則是以類神經網路( Neural Network )為基礎。利用這兩套技術所設計出的輔助選才系統,經由實驗分析發 現,其選才的正確比率高達80% - 90%,與人工過濾的品質相差無幾,然而效率 卻遠勝於人工處理,相信本系統可讓人事主管人員在選才時對於人才的篩選會有 不錯的效果。

(16)

1.3 研究背景

本節將對人力資源網站做一概述,在1.3.1 節中探討人力資源網站與傳統招募方 式的不同以及人力資源網站的發展過程與其優點。在1.3.2 節中將針對國內外點 選率排名前三名的人力資源網站將各種功能做一比較。

1.3.1 人力資源網站背景

一、 傳統招募與網路化的招募

在傳統召募過程中,公司常透過不同的管道與方式徵選合適的人才,有些利用平 面媒體,如報紙分類廣告、雜誌、商業期刊,或是舉辦工作博覽會、校園徵才活 動,要不就是以內部徵才、員工介紹、獵人頭公司仲介人才的方式找尋人才。由 於產業快速變遷,人才的需求質量提升,傳統召募的求才方式已難滿足企業需 求,因此企業需要一個較有效率的就業媒合媒介。

近年來,隨著電腦普及率的提高、上網人口的增加,根據資策會ECRC-FIND 調 查指出,截止2003 年 3 月底止我國上網人口以達 867 萬人,,網際網路連網應用 普及率為38% [4],加上網際網路所具有的便利性、時效性,讓企業雇主或是求職 者都因線上招募所具備的低成本、快速、以及龐大資訊的優點而被吸引,使得人 力求職求才網站成為一種新的求職管道。

二、 人力資源網站的發展

線上招募最早在1980 年便以電子怖告欄(BBS)的型式出現,使用者必須連上每一 個個別的電子怖告欄才能找到徵才的廣告,所以並不方便使用[14]。臺灣自 1996 年後,也才有人力仲介公司陸續開設人力資源網站[3],雖是近幾年才成立,但 是人力資源網站具有的特色使其能在短時間內迅速發展,在今日的線上招募過程 中扮演極重要的角色。

(17)

三、 人力資源網站的優點 1. 成本降低

iLogos 在 1998 年的報導指出有 75%的公司經由網路招募而大大降低招募成本,

表2-1 為 iLogos 調查一家 Fortune 500 電腦製造商,比較招募員工花費在專家、

報紙廣告或其它管道,發現利用網路招募有明顯降低招募成本[12]。

表1-1 每單位員工招募成本

招募媒體 單位成本

Professional Recruiters $12,500

Newspaper Ad

$5,000

Job Fair

$3,000

Campus Recruiting

$2,000

Internet

$1,000

資料來源:iLogos Corporation(1998)

2. 提供龐大的人才資料庫

網路上履歷表的數量每年均呈倍數成長,與傳統平面媒體相比較,線上招募更可 接觸到龐大人才資料庫,讓企業有更多的機會選擇合適的求職對象。

3. 縮短招募時間

在過去,使用平面媒體刊登徵才廣告,總是要耗費很長的時間等待求職者的履歷 表,現在因Internet 的及時性,讓招募人員可在職缺公怖的當天就收到相當數量 的履歷表。

4. 容易找到理想人選

透過人力資源網站上的查詢機制,經電腦自動比對符合條件人才,即可得到應徵 者詳細的履歷資料,相較於傳統的招募方式是要迅速方便許多。

5. 長時間曝光與隨時更新

沒有時間與次數限制、普及率高,並可以隨時更改內容,這是傳統媒介無法給予 的功能。

(18)

1.3.2 現有人力資源網站比較

目前美國已有一千家以上的人力資源網站,台灣也有一百多家左右,以下將針對 美國(HeadHunter.NET、HotJobs.com、Monster.com)與台灣(104 人力銀行、111 人 力銀行、MyJob 人力銀行)點選率排名前三名的人力資源網站做一比較,評估項 目如下。

職場資訊方面:履歷撰寫、面試技巧、新資量表、專家諮詢服務等。

履歷保密方面:履歷開啟、關閉、特定公司查詢等。

查詢機制方面:關鍵字搜尋、進階查詢等。

功能方面 :電子報、網站導覽、個人化服務等。

上述功能較歸納結果如表2-2 所示。

表1-2:美國與台灣人力資源網站功能比較表 Headhunter HotJobs Monster 104 人力銀

111 人力銀 行

MyJob 人 力銀行

職場資訊 普通 佳 極佳 極佳 佳 普通

履歷保密 普通 普通 佳 佳 普通 普通

查詢機制 普通 佳 普通 普通 極佳 佳

功能 佳 佳 極佳 佳 佳 佳

(19)

在對本論文的研究動機與目的以及人力資源網站的描述與分析後,可得知人力資 源網站以有慢慢取代傳統招募方式的趨勢,成為一種新的求才求職管道,然而其 中的缺點仍需努力改進,在對於其中的缺失進行了解之後,我們將在第2 章中針 對所運用的技術進行探討。在2.1 節中介紹多準則決策與層級分析法的關係並介 紹層級分析法的概念;在2.2 節中將探討類神精網路的觀念。第 3 章中將會提出 本研究所應用的技術。在3.1 節中描述以層級分析法為基礎的評鑑模式動作原 理;在3.2 節中描述以類神經網路為基礎的篩選模式動作原理。接下來在第 4 章 中將實際說明本系統的系統架構以及使用介面。第5 章即針對本系統的實驗結果 作一分析。5.1 節將說明系統實驗環境的設定;5.2 節說明各參數的設定;5.3 節 則是對本實驗的結果做一分析。第6 章中將會對本論文的整個研究過程與結果作 一簡短的結論,並對未來的研究方向提出建議與說明。

(20)

第2章 文獻探討

目前相關的評分研究,如教學網站的評核、教學評鑑、軟體品質評估、網站 分級等,主要是藉由使用者,根據某些條件給予不同的評分,經由計算過後的結 果達到分級的效果。在本章節中,我們將分別對本研究所應用的方法作一深入探 討。2.1 節討論多準則決策問題,2.1 節討論層級分析法,2.2 節討論類神經網路,

我們將分別介紹其特色、動作原理以及優缺點比較等。

2.1 多準則決策

人類在日常生活中常要面臨大大小小的決策問題,通常這些問題大多具有多重屬 性,且同時受各屬性影響,因此在決策時人類會根據過去累績的經驗,經主觀的 判斷後做出決定當問題層面牽連多層面時,該問題的決策往往容易引人爭議。因 此,在評估事物時,有必要對相關屬性進行整體考量與評估。Zimmerman 認為 決策理論(Decision Theory)發展的最新趨勢為,決策時是以多重目標函數,取代 以往僅有單一準則或目標函數。這種數量評估方法稱為多重準則決策

(Multi-Criteria Decision Making Method, MCDM)[5][10][13]。

在多準則決策方法中,層級分析法由於其方法簡單,且容易使用,且透過層級分 析法之成對比較過程可以獲得準則間的相對重要性權數,建立權重體系,做為決 策分析時的參考數據。

2.2 層級分析法概述

層級分析法是由Califormia University 的 Satty 教授於 1971 年所提出的一套決策 方法,常被用在解決多重準則決策的問題上,目的在於協助決策者面臨複雜或模 糊問題時,將複雜問題系統化,由不同層面給予層級分解,使得決策者可以在結 構化的思考下剖析問題,以利問題解決 [7][8][15][16]。

z 層級分析法演算步驟如下:

1. 分析系統中各元素間的關係,建立層級結構圖。

2. 在某一層級下的各元素,進行元素間的兩兩比較,建立成對比較矩陣 。

(21)

3. 計算成對比較矩陣之優先向量及最大特徵值。

4. 求得一致性指標。

5. 計算各準則權重並進行排序。

[範例 2.1]

假設有一個職缺所需條件限制與屬性間相對的重要性關係依公式計算所產生的 權重如表2-1。當名額只有一位時,若有五位求職者來應徵工作(表 2-2)時,經由 各條件的重要程度給予分數的計算,其分數計算如下:

求職者甲:0.12+0.1+0.2=0.42 求職者乙:0.08+0.25+0.05=0.38 求職者丙:0.12+0.25+0.2=0.57 求職者丁:0.08+0+0=0.08 求職者戊:0.08+0.15+0=0.23

從評價的結果可以了解求職者的優劣順序依次為:

求職者丙>求職者甲>求職者乙>求職者戊>求職者丁 表2-1 權重值

層級 條件限制 權重

1 職缺 1

2 身份類別 0.2

2 學歷 0.5

2 工作經驗 0.3

上班族 0.12

3 身份類別

應屆畢業生 0.08

3 碩士 0.15

大學 0.25

學歷

專科 0.1

1-2 年 0.2

3-4 年 0.05

3 工作經驗

5-6 年 0.05

(22)

表2-2 求職者條件

條件限制 求職者甲 求職者乙 求職者丙 求職者丁 求職者戊 身份類別 上班族 應屆畢業生 上班族 應屆畢業生 應屆畢業生

學歷 專科 大學 大學 高中職 碩士

工作經驗 1-2 年 3-4 年 1-2 年 無 無

透過範例2.1 的描述可以了解層級分析法應用於本系統中,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選擇適任的人才進行面試。雖然層級分析 法的優點在於研究目標相關因素皆能納入、理論簡單、操作容易、以簡單的層級 架構呈現等優點。其缺點在於若有n 個元素時需進行進行 n(n-1)/2 次的比較,當 層級數增加時,則所需的因素間兩兩比較次數呈指數成長,決策者容易混淆。

2.3 類神經網路

概述

類神經網路或稱人工神經網路,是一種模仿生物神經網路的資訊處理系統,目前 類神經網路有許多種,但可大略分為四大類[6][17]:

1. 監督式學習網路(Supervised learning network):

從問提領域中取得訓練範例,並從中學習輸入變數與輸出變數的內在對映規則,

以應於日後新的問題。

2. 無監督式學習網路(Unsupervised learning network):

從問提領域中取得訓練範例,並從中學習範例的內在聚類規則,以應於日後新的 問題。

3. 聯想式學習網路(Associate learning network):

從問提領域中取得訓練範例,並從中學習範例的內在記憶規則,以應於日後新的 問題。

4. 最適化應用網路(Optimization application network):

對一問題決定其設計變數數值,使其在滿足設計限制下,使設計目標達最佳狀態 的應用。

(23)

本研究以監督式學習網路中的感知機網路(Perceotron)為基礎,利用已知的答案輸 出向量與訓練輸入範例進行比對,當訓練範例與已知輸出值出現誤差時就進行修 正,當有新的訓練範例時,類神經網路就可以根據當時的權重狀態推論出輸出值。

z 感知機演算步驟如下:

1. 設定網路參數

2. 亂數設定加權矩陣 W,與偏權值向量 θ 初始值。

3. 輸入一個訓練範例的輸入向量 X,與目標輸出向量 T。

4. 計算推論輸出向量 Y。

5. 計算差距量 δ。

6. 計算加權值矩陣修正量 ΔW,及偏權值向量修正量 Δθ。

7. 更新加權值矩陣 W,及偏權值向量 θ。

8. 重覆步驟 3 至步驟 7,直到收斂或執行一定數目的學習循環。

[範例 2.2]

假設有一個職缺名額只有五位,當有五十位求職者來應徵工作時(表 2-4),在這 五十名求職者中隨機選取四位求職者,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,經由感知機演算步驟,直到四位求職者的訓練樣本輸出向 量Y 等於目標輸出向量 T 就可得到加權值矩陣(表 2-3),利用求職者條件轉換所 得的對應權重與樣本訓練後的加權矩陣進行人才篩選。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。

表2-3 加權值矩陣

w 1 2 3 4 5 6

1 1.72 1.45 -0.44 0.1 -0.8 -0.98

(24)

以表2-4 為例:

表2-4 求職者條件對應權重

條件限制 求職者 1 求職者 2 … 求職者 50

身份類別 1 0.3 0

學歷 1 0.5 1

工作經驗 0.8 0 0

相關科系 1 1 0

語文能力 1 1 1

年齡 0.5 0.9 1

求職者1

Y=1×1.72+1×1.45+0.8×-0.44+1×0.1+1×-0.8+0.5×-0.98=1.628>1 選取 求職者2

Y=0.3×1.72+0.5×1.45+0×-0.44+1×0.1+1×-0.8+0.9×-0.98=-0.341<1 刪除 Μ

求職者50

Y=0×1.72+1×1.45+0×-0.44+0×0.1+1×-0.8+1×-0.98= -0.33<1 刪除

假設第一次篩選剩下十人,在從這十名求職者隨機選取四人做為訓練樣本進行第 二次篩選,重覆此步驟直到篩選出求才者所需的人數為止,透過範例2.2 的描述 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。

z 類神經網路的優點:

1. 類神經網路經由許多不同的人工神經元來做運算處理,採用平行計算,較能 縮短計算所需的時間。

2. 因為類神經網路是採用分散式記憶的關係,當輸入的資料混入少許雜訊或處 理的數據不完整時,這些不完整的輸入資訊並不會對整個類神經網路運作有 嚴重的影響。

3. 在類神經網路做訓練時會不斷調節權重值,從節點的權重值可知每一項輸入 值對輸出值的影響程度。

(25)

z 類神經網路的缺點:

類神經網路的參數設定複雜,如隱藏層層數、學習次數、學習速率等,這些參數 設定費時,且神經元個數太多會使計算時間增加,影響到系統的準確性。

綜合上述層級分析法與類神經網路的特色及優缺點比較後,我們可以得知層級分 析法與類神經網路,如何解決從眾多求職者中選擇較適任的人才問題,足以證明 本系統應用於人力資源網站的重要性。因此在第三章中,本研究應用這兩套技術 所設計出的輔助選才系統將說明其細部架構及動作原理等。

(26)

第3章 研究方法

由於層級分析法的原理是利用因素間的兩兩比對取得權重值,若比對次數過 多會增加使用者的負擔,因此本研究提出以另一個以類神經網路架構為基礎的方 法試圖改善層級分析法所帶來的缺點。本章將在3.1 節層級分析法評鑑模式與 3.2 節類神經網路篩選模式中針對這些方法加以敘述。

3.1 層級分析法評鑑模式

層級分析法的優點在於將複雜問題系統化,讓決策者可以在結構化的思考下剖析 問題,而層級分析法決策模式之建立,首先必須確立各層級因素之內容。其次,

確立各層級因素內容之重要程度,以提出各內容之權重。計算過程如下:

Step 1:職缺條件之建立

以電子工程師職務為例,求才者可選擇職缺所需條件,在此以身份類別、學歷、

工作經驗、相關科系、語言能力、年齡,六項條件為例 (圖 3-1)。

第一層 第二層

圖 3-1 條件因素架構表

在建立層級結構時,不宜在同一層中比較太多的元素,最好以不超過7 個為原 則,因層級元素數目為n 時,需成對比較 n(n-1)/2 次,當大於 7 時,人腦在思考 比對的過程中易產生不一致及錯亂[2]。而在第二層工作條件選擇中往往所需的

職缺

身份類別 A

學歷 B

工作經驗 C

相關科系 D

語文能力 E

年齡 F

(27)

職缺條件數卻大於7。因此,本研究針對元素過多的問題應用了模糊聚類(Fuzzy Clustering)的方法根據元素的親疏關係加以歸類。以範例 3-1 為例說明模糊聚類 分類的方法:

[範例 3-1]

假設有六個因素及四個評估者,根據每一個因素給予1~5 不同的分數,其數據如 下(表 3-1)所示:

表3-1 評估表

因素\評估者 評估者 A 評估者B 評估者C 評估者D A 5 5 3 2 B 2 3 4 5 C 5 5 2 3 D 1 5 3 1 E 2 4 5 1 F 1 2 3 2

根據此表將選定之統計指標與數據給予標準化,標準化後,所得的結果將是兩兩 元素間為區間[0,1]的數值,且為相似矩陣,以絕對值減數的方法計算 ﹕

1 ,i=j rij=

1-C

= m

k 1

|xik-xjk| i

j

式中,需適當選取C,使得矩陣內所有值落在 0≤ rij≤ 1 區間 C=0.1 m=4 i,j=1,2,3,4,5

則 r11=1

r12 =1-C×[|x11-x21|+|x12-x22|+|x13-x23|+|x14-x24|]

=1-0.1×[|5-2|+|5-3|+|3-4|+|2-5|] = 0.1 Μ

(28)

根據絕對值減數法,得到相似矩陣為

1 0.1 0.8 0.5 0.3 0.3 0.1 1 0.1 0.2 0.4 0.4 R = 0.8 0.1 1 0.3 0.1 0.1 0.5 0.2 0.3 1 0.6 0.6 0.3 0.4 0.1 0.6 1 0.4 0.3 0.4 0.1 0.6 0.4 1

接下來以最大樹法 (Partition Tree) 的方式做聚類:

將相似矩陣內的元素由大到小排序為1>0.8>0.6>0.5>0.4>0.3>0.2>0.1

將所有環境單元連結起來,但需注意不能形成封閉區間:

0.5 0.6

A D F 0.8 0.6

C E B 0.4

取α-Cut : α=0.5 則分類結果為{A,C}、{B}、{D,E,F}。

根據這六個因素的親疏關係共分為三類,各自將這三類內的元素分別做兩兩比 對,如: I、III 相比,IV、V、VI 相比,目的在於避免同一層級中六個元素相互 比對,減低比對次數過多易產生不一致的問題。

在範例3-1 中說明如何應用分群的方法避免在同一層級中因元素過多造成求才者 在比對上的負擔,在step1 第二層中的六個元素比對的次數並不會造成求才者太 大的困擾,因此將以這六個元素為例進行更一近步的演算。

Step 2:成對比較矩陣的建立及計算最大特徵值

在層級分析法評估模式中,各層因素權重總和為1。

在第一層中只有一個總目標(職缺),因此其權重值等於 1。其次,第二層權重依 評估因素N 建構一個 N * N 的矩陣其對角線元素為 1。而後將 N 個評估因素需

(29)

做n*(n-1)/ 2 次的兩兩比對,採用 Satty 教授所建議的九個尺度的名目尺度 (Nominal Scale)為評估指標 (表 3-2),將比較值填入表中(表 3-3)。

表3-2 層級分析法評比尺度表

比較值 定義

1 一樣重要

2 1 與 3 的中間值

3 稍微重要

4 3 與 5 的中間值

5 重要

6 5 與 7 的中間值

7 很重要

8 7 與 9 的中間值

9 極重要

資料來源:Saaty(1990)

表3-3 成對比較評估表

因素\重要性 9 8 7 6 5 4 3 2 1 2 3 4 5 6 7 8 9 重要性/因素

A v B

A v C

A v D

A v E

A v F

B v C

B v D

B v E

B v F

C v D

C v E

C v F

D v E

D v F

E v F

在身份類別與學歷的比較中,學歷比身份類別重要,在表3-3 第一列中,在右邊 5 的位置勾選,其它比對以此類推。根據表 3-3 的比較結果,填入矩陣中。以 A12

為例,因素A 遜於因素 B,故填入 5 的數 1/5,其它元素以此類推便完成成對比 較矩陣。

(30)

A B C D E F A 1 1/5 1/7 1/5 3 1/3 B 5 1 1/3 1 7 3 A = C 7 3 1 3 9 5 D 5 1 1/3 1 7 3 E 1/3 1/7 1/9 1/7 1 1/5 F 3 1/3 1/5 1/3 5 1

為求最大特徵值

λ

max需先計算其權重,將矩陣A 各列幾何平均數計算成矩陣 B,在將其標準化後即可得到權重矩陣 W,以表 3-3 所得矩陣 A 為例,我們可以 計算出它的權重矩陣W。

n

n

n

A A A

B

= 11× 12×Λ 1

Μ

n

nn n

n

n

A A A

B

= 1× 2×Λ W1=B1/(B1+B2+…+Bn)

Μ

Wn=Bn/(B1+B2+…+Bn)

矩陣 A 矩陣 B W

⎥ ⎥

⎥ ⎥

⎥ ⎥

⎥ ⎥

⎢ ⎢

⎢ ⎢

⎢ ⎢

⎢ ⎢

⎥ ⎥

⎥ ⎥

⎥ ⎥

⎥ ⎥

⎢ ⎢

⎢ ⎢

⎢ ⎢

⎢ ⎢

⎥ ⎥

⎥ ⎥

⎥ ⎥

⎥ ⎥

⎢ ⎢

⎢ ⎢

⎢ ⎢

⎢ ⎢

09391 . 0

02603 . 0

20400 . 0

42434 . 0

20400 . 0

04769 . 0

8326 . 0

2308 . 0

8086 . 1

7620 . 3

8086 . 1

4228 . 0

1 5 3 / 1 5 / 1 3 / 1 3

5 / 1 1 7 / 1 9 / 1 7 / 1 3 / 1

3 7 1 3 / 1 1 5

5 9 3 1 3 7

3 7 1 3 / 1 1 5

3 / 1 3 5 / 1 7 / 1 5 / 1 1

標準化 各列之幾合平均數

⎥⎥

⎢⎢

⎟⎟⎠

⎜⎜ ⎞

= ⎛

=

= n

i i

i

Wi W W n

AW

1 ' max

'

λ

1

(31)

A W W

⎥⎥

⎥⎥

⎥⎥

⎥⎥

⎢⎢

⎢⎢

⎢⎢

⎢⎢

=

⎥⎥

⎥⎥

⎥⎥

⎥⎥

⎢⎢

⎢⎢

⎢⎢

⎢⎢

×

⎥⎥

⎥⎥

⎥⎥

⎥⎥

⎢⎢

⎢⎢

⎢⎢

⎢⎢

5880 . 0

1661 . 0

2518 . 1

6861 . 2

2518 . 1

2992 . 0

09391 . 0

02603 . 0

20400 . 0

42434 . 0

20400 . 0

04769 . 0

1 5 3 / 1 5 / 1 3 / 1 3

5 / 1 1 7 / 1 9 / 1 7 / 1 3 / 1

3 7 1 3 / 1 1 5

5 9 3 1 3 7

3 7 1 3 / 1 1 5

3 / 1 3 5 / 1 7 / 1 5 / 1 1

2534 . 09391 6 . 0

588 . 0 02603 . 0

1661 . 0 204 . 0

2518 . 1 42434 . 0

6861 . 2 204 . 0

2518 . 1 04769 . 0

2992 . 0 6 1

max ⎟=

⎜ ⎞

⎛ + + + + +

λ

=

Step 3:一致性檢定

使用者在做條件因素兩兩比較時,要達到前後一貫性,是相當困難的,因此需要 進行一致性檢定,以做成一致性指標(Consistency Index,CI)。若 CI 值<0.1 表示該 層(第二層)比較結果的一致性程度為可接受,否則需回 Step2 重新評估各因素間 的相對關係。

1 . 0 050693 .

1 0 6

6 2534 . 6 . 1

.

max

= <

= −

= −

n I n

C λ

Step 4:權重的建立

由於C.I.<0.1,所以第二層各因素間的相對關係具有一致性,接著計算個因素的 權重值。

上一層權重

層級

權重 = W ×

W

以本例第一層級權重為1,故

年齡 語言能力 相關科系 工作經驗

學歷 身份類別

權重

⎥ ⎥

⎥ ⎥

⎥ ⎥

⎥ ⎥

⎢ ⎢

⎢ ⎢

⎢ ⎢

⎢ ⎢

=

×

⎥ ⎥

⎥ ⎥

⎥ ⎥

⎥ ⎥

⎢ ⎢

⎢ ⎢

⎢ ⎢

⎢ ⎢

=

0939 . 0

0260 . 0

240 . 0

4243 . 0

2040 . 0

0476 . 0

1

0939 . 0

0260 . 0

2040 . 0

4243 . 0

2040 . 0

0476 . 0

W

(32)

依求才者觀點該職務選才條件,依其重要度依序為:

1.工作經驗

2.學歷、相關科系 3.年齡

4.身份類別 5.語言能力

Step5:條件限制之建立

根據Step1 中所設定的職缺條件,進一步的設定職缺條件限制,形成第三層的元 素(圖 3-2),重複 Step2~Step4 直至所有條件權重值計算完成。在完成所有權重計 算後結果整合如表3-4 所示。

身份類別 上班族

應屆畢業生

學歷 碩士

大學

專科

工作經驗 1-2 年 職缺 3-4 年

5-6 年

相關科系 電子相關科系

電機相關科系

語文能力 略懂

普通

精通

年齡 18-25 歲 26-30 歲 31-35 歲 第一層 第二層 第三層

圖 3-2 條件限制架構表

(33)

表3-4 求職條件之權重

層級 條件限制 權重

1 職缺 1

2 身份類別 0.0476

2 學歷 0.4243

2 工作經驗 0.0939

2 相關科系 0.2040

2 語文能力 0.0260

2 年齡 0.2040

上班族 0.0357

3 身份類別

應屆畢業生 0.0119

碩士 0.0666

大學 0.2519

3 學歷

專科 0.1057

1-2 年 0.0187

3-4 年 0.0563

3 工作經驗

5-6 年 0.0187

電子相關科系 0.1020 3 相關科系

電機相關科系 0.1020

精通 0.0086

普通 0.0086

3 語文能力 (英文)

略通 0.0086

18-25 0.0408

26-30 0.1224

3 年齡

31-35 0.0408

Step6:分數計算

在建立各權重值後,接著計算每一位求職者的分數。以表3-5 為例,分別對應徵 電子工程師這項職務的三位求職者進行評價,其分數計算如下:

求職者甲:0.0357+0.1057+0.0187+0.102+0.0086+0.0408=0.27937 求職者乙:0.0119+0.2519+0.0563+0.102+0.0086+0.1224=0.5531 求職者丙:0.0357+0.2519+0.0187+0.1020+0.0086+0.1224=0.5393

從評價的結果可以了解求職者的優劣順序,依次為求職者乙>求職者丙>求職者 甲,其中求職者乙和求職者丙的差距不大,但求職者甲的條件則和其他人有較為 明顯的差距。

(34)

表3-5 求職者基本資料

條件限制 求職者甲 求職者乙 求職者丙

身份類別 上班族 應屆畢業生 上班族

學歷 專科 大學 大學

工作經驗 1-2 年 3-4 年 1-2 年 相關科系 電子相關科系 電子相關科系 電機相關科系

語文能力 略通 普通 普通

年齡 23 26 26

透過評鑑模式,便可將求職者資料庫中的每筆資料作分數的計算,將其計算後的 結果加以排序使求才者可輕易的從數百甚至數千位求職者中快速且明確的選擇 適任的人才進行面試。

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

(35)

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

(36)

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:

(37)

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

)

jk

ji

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)。

(38)

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

(39)

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。

(40)

第4章 系統實作

本章所要描述的是本研究所提出的企業網路選才輔助系統(圖 4-1),此系統 主要由四個模組及四個資料庫所組合而成。四個模組分別為:媒合系統模組、求 職者模組、求才者模組、搜尋系統;四個資料庫分別為權值資料庫、求才者資料 庫、職缺資料庫、求職者資料庫。4.1 及 4.2 將本系統所使用到的模組及資料庫 做一說明,4.3 則是對使用介面做一介紹。

圖4-1 企業選才系統架構圖 求才者

求職者

瀏覽介面

媒合系統 模組

求才者模組

求職者模組

權值 資料庫

職缺 資料庫 求才者 資料庫

求 職 者 資 料 資 搜尋系統

(41)

4.1 系統模組

本章節將對本系統架構中的模組所使用到的資料庫與系統功能一一描述。

4.1.1 求才者模組

求才者模組適用對象為以登入成為會員的求才公司,後端資料庫為權值資料庫、

求職者資料庫、職缺資料庫、求才者資料庫,圖4-2 為求才者模組系統架構圖。

求才者可使用功能包括:

1. 職缺條件設定:當求才公司職務出現空缺,可透過本系統設定職務所需人才 之條件,由個人化系統找尋合適人選;另一方面也可讓求職者在搜索職務時 得知此一空缺。

2. 資料維護:可更改公司基本資料及對職務條件的修改。

3. 個人化系統:這是求才者登入系統後所特有的功能。主要目的是讓求才者在 檢視到理想人選時,可立即把此筆資料放入個人化系統中,以備隨時檢閱。

另一功能則是,每次登入系統時,個人化系統自動依求才者在職缺條件設定 系統中所訂定的職務條件,找尋符合條件的人選呈現給求才者得知。

4. 搜尋系統:主要分為以職務名稱查尋、條件式查詢、關鍵字查詢,利用查尋 機制查詢符合職務條件的人選。

5. 媒合系統:參閱 4.1.4 介紹,在此略過。

求 才 者

求才者使用介面

搜尋系統

職缺條件設定 媒合系統

個人化系統 資料維護

求才者 資料庫 求 職 者 資 料

職缺資料庫 權值資料庫 登

入 系 統

(42)

4.1.2 求職者模組

求職者模組適用對象為已登入成為會員的求職者,後端資料庫為求才者資料庫、

求職者資料庫、職缺資料庫,圖4-3 為求職者模組系統架構圖。

求職者可使用功能包括:

1. 搜尋系統:主要分為以條件式查詢、關鍵字查詢,利用查尋機制查詢理想的 工作職位。

2. 履歷資料維護:可更改求職者履歷基本資料及對職務條件的修改。

3. 個人化系統:這是求職者登入本系統後,所特有的功能。主要目的是讓求職 者在檢視到理想工作時,可立即把此筆資料放入個人化系統中,以備隨時檢 閱。

圖4-3 求職者模組架構圖 求

職 者

求才職使用介面

搜尋系統

個人化系統 履歷資料維護

求職者 資料庫 求才者資料庫

職缺資料庫 登

入 系 統

(43)

4.1.3 搜尋模組

搜尋模組分為求才者查詢系統與求職者查詢系統兩種,適用對象為一般求才求職 者以及登入成為會員的求才求職者,所提供的資料等級也因會員與否有所不同。

後端資料庫為求才者資料庫、求職者資料庫、職缺資料庫,圖4-4 為搜尋模組系 統架構圖。使用功能包括:

1. 求才者查詢系統:主要分為以職務名稱查尋、條件式查詢、關鍵字查詢,用 查尋機制查詢符合職務條件的人選。

2. 求職者查詢系統:主要分為以條件式查詢、關鍵字查詢,利用查尋機制查理 想的工作職位。

圖4-4 搜尋模組架構圖 求職者 使用者查詢介面 求才者查詢系統

求職者資料庫

求才者資料庫

求才者 求職者查詢系統

職缺資料庫

(44)

4.1.4 媒合系統模組

媒合系統為本研就重心之所在,本研究利用層級分析法(Analytical Hierarchical Process:AHP)與類神經網路(Neural Network)的概念建立人才評鑑與人才篩選兩 套相關運算系統,經系統產生後的權值與求職者資料庫中符合條件的求職者做分 數的計算,將結果輸出提供給求才者參考。圖4-5 為媒合系統模組架構圖。

圖4-5 媒合系統模組架構圖

4.2 系統資料庫

企業選才系統資料庫包括:權值資料庫、求才者資料庫、職缺資料庫、求職者資 料庫。本節將描述本系統所使用的四個資料庫功能:

z 求才者資料庫

1.存放求才公司基本資料:公司名稱、公司簡介、公司地址等。

2.存放求才者在檢閱履歷表時所選擇登錄的履歷表 ID。

3.為求職者查詢系統與求才者個人化系統後端資料庫。

z 求職者資料庫

1.存放求職只履歷表資料:姓名、姓別、出生年月日等。

2.存放求職者在檢閱職務時所選擇登錄的職務 ID。

媒合系統

求職者資料庫 權值資料庫 人才評鑑

人才篩選

(45)

3.為求才者查詢系統與求職者個人化系統後端資料庫。

z 職缺資料庫

1.存放求才者對於職務空缺所設定的條件:學歷、科系、工作經驗等。

2.為求職者查詢系統後端資料庫。

z 權值資料庫

存放媒合系統運算所產生的權值。

4.3 環境介面

依照研究的方法及目的開發設計一套企業選才系統,以驗證本研究所使用的方 法,本系統開發與設計環境如下:

OS:Microsoft Windows 2000 Web Server : Apache Database:MSSQL

Develop Language:PHP、Java Script 4.3.1 系統主畫面

使用介面主要分為三部份:求職者環境介面、求才者環境介面、管理者環境介面。

一般未加入會員的求才求職者可使用首頁的查詢機制包括:最新熱門工作機會、

職務類別、工作機會地區、快速查詢區等(圖 4-6),其查尋結果的部份資料卻有 不公開的權限問題。以下章節介紹會員使用者的介面功能。

(46)

圖4-6 企業網路選才系統首頁 4.3.2 求職者環境介面

求職者在首頁登入後立即進入個人化首頁,圖4-7 右邊所示為求職者設定所要應 徵的職務名稱,每當登入時系統會自動呈現出需要此一職缺人員的公司。

圖4-7 求職者個人化介面

(47)

其它功能如下:

更改密碼 :更改求職者履歷表與登入密碼。

修改履歷表:修改求職者基本資料或尋找職務類型,系統便可提供求職者最新 職缺名單。

搜尋廠商 :查詢方式分為條件式查詢、關鍵字查詢,利用查尋機制查詢所需的 工作。在察看職缺詳細內容後可以把它加入公事包內。

檢視公事包:此一功能是在檢閱職務內容時,可將理想職務放入此公事包,日 後可直接進入察看詳細資料。

4.3.3 求才者環境介面

求才者在首頁登入後立即進入個人化首頁,圖4-8 右邊所示為求才者設定職缺條 件後,登入時系統自動搜尋符合條件的求職者。

圖4-8 求才者個人化介面 其它功能如下:

新增職務:設定新增職務條件後,求才者可選擇傳統式的搜尋人才機制或是本研 究所提出的人才篩選模組找尋合適的人選。以下將分別介紹兩模組的使用介面:

1. 以層級分析為基礎之人才評鑑法:將職缺所設定的條件,依層級的不同依序 比對(圖 4-9),經系統篩選後求才者可至職務公事包查詢結果(圖 4-10)。

(48)

圖4-9 人才評鑑比對介面

圖4-10 人才評鑑排名結果

2. 以類神經網路為基礎之人才篩選法:設定職缺條件並給予限制條件重要性關 係(圖 4-11)。在設定職缺人數後系統將隨機選取求職者,求才者可在隨機挑 選的人才中選擇合適人選,重複此一步驟(圖 4-12)直到系統篩選出求職者所 設定的人數為止(圖 4-13)。

(49)

圖4-11 求才條件設定關係圖

圖4-12 人才篩選選擇介面

圖4-13 人才篩選篩選結果

(50)

職務公事包:職務公事包存放著媒合系統篩選後的人才的結果(圖 4-14),利用檢 視搜尋結果可對系統篩選後的求職者做仔細的履歷表檢閱,並可將理想的人才加 入公事包中方便日後直接讀取,日後也能利用重新設定選項更新工作條件的限 制。

圖4-14 職務公事包介面

搜尋人才:查詢方式分為智慧型查詢、條件式查詢、關鍵字查詢,利用查尋機制 查詢符合條件的求職者(圖 4-15)。在察看求職者履歷表後可將符合條件的求職 者加入人力車內。

圖4-15 搜尋人才介面

(51)

檢視人力車 :圖 4-16 右邊所示為搜尋人才時所加入的求職者,其目的在於日後 可直接進入此功能察看求職者詳細資料。

圖4-16 檢視人力車介面 4.3.4 管理者環境介面

一般而言,系統的好壞除了其使用功能的完善外,管理端的設計也是另一項重 點,因為透過完善的管理端設計,讓系統中所有的資料或資訊都可進行新增、修 改、刪除及查詢等工作,讓管理者輕易地進行系統的維護,進而使系統功能與資 料更為強大,因此管理端的設計好壞便成為系統良善與否的指標。由於本系統的 管理端並不是重新之所在,所以管理端的設計較為簡易,其主要功能在於求才求 職者資料的刪除與查詢,而本區只有管理者的身份才能進入系統管理者的主畫面 圖4-17。

(52)

在本章節中,本研究應用層級分析法與類神經網路於企業網路選才輔助系統中,

並完整的介紹了整個系統模組架構功能與系統介面。接下來本研究將在第五章 中,針對本研究所應用的兩個方法將以大量的實驗來驗證本研究所應用的各項理 論的正確性與可行性。

(53)

第5章 實驗分析

為證明本系統的準確度,針對本研究所應用的方法進行實證工作,以不同的 實驗資料進行主客觀的準確度評估,以驗證本系統所提出方法的可行性。本章內 容將依5.1 節實驗環境、5.2 節數據分析、5.3 節結果分析等三個部份,來說明本 研究規劃架構的驗證工作與分析實驗結果。

5.1 實驗環境

本系統實驗資料採用兩種方式:

1. Real Data:分別從 104 人力銀行、1111 人力銀行、MyJob 人力銀行三家人力 網站中,輸入應徵電子工程師、MIS 程式設計師、財務會計助理三項職務的求 職者,共400 筆資料。

2. Random Data:由系統設定電子工程師、MIS 程式設計師、財務會計助理三項 職務所需的求職條件,分別隨機產生100 筆到 1000 筆符合此職務程度的求職 者,條件符合程度共分八個等級。

由於Real Data 是實際從人力網資源網站中所截取的,在以人工方式實際選取時 往往主觀意識太強而造成無法客觀評估適任職缺的人才,另外資料的數量也影響 到在選擇人選時的判斷。因此由系統以常態的方式隨機產生符合職缺程度的求職 者,利用等級的區別將已知的最佳人選數目為基準與本系統所應用的兩種方法做 客觀性的比對求其符合率。

(54)

圖5-1 為 100 人至 1000 人共 10 種不同人數的類別,由系統隨機產生符合職物不 同條件程度的求職者,隨機產生的結果呈現常態分佈,條件符合程度共分八個等 級,等級8 為所有條件均符合者,等級 1 為所有條件均不符合者。各等級所佔人 數平均百分比可由圖5-2 得知。

0.00 5.00 10.00 15.00 20.00 25.00 30.00 35.00

1 2 3 4 5 6 7 8

等級 (差->佳)

%

100 200 300 400 500 600 700 800 900 1000

圖5-1 100 人至 1000 人各等級佔有比例圖

平均

0.599 7.478

23.053 30.601

22.638 11.453

3.652 0.518 0

10 20 30 40

1 2 3 4 5 6 7 8

等級 ( 差 -> 佳 ) 所佔人數%

平均

圖5-2 100 人至 1000 人各等級佔有平均圖

(55)

圖5-3 為 100 人至 1000 人中完全符合職缺條件所佔有的人數(等級 8),由此圖可 看出當100 人至 500 人時 Random Data 產生完全符合求職條件的人數明顯偏低,

故本實驗在Random Data 部份將從 600 人以上進行篩選動作。

0.4 0.9 1.5 1.7

3.1 3.6 3.6 4.6

5.3 5

0 1 2 3 4 5 6

100 200 300 400 500 600 700 800 900 1000 人數

圖5-3 100 人至 1000 人等級 8 的符合人數

(56)

5.2 參數設定

本章節將對本實驗所設定的參數及權重做一說明。5.2.1 節為評鑑模式所做的條 件設定;5.2.2 節為篩選模式的條件設定與正規化;5.2.3 節中為類神經網路的參 數設定。

5.3.1 職缺條件權值設定

將電子工程師、MIS 程式設計師、財務會計助理三項職務的求職條件與權重結果 彙整於表5-1、5-2、5-3。

表5-1 電子工程師求職條件與權重

層級 條件限制 權重

1 職缺 1

2 身份類別 0.0476

2 學歷 0.4243

2 工作經驗 0.0939

2 相關科系 0.2040

2 語文能力 0.0260

2 年齡 0.2040

上班族 0.0357

3 身份類別

應屆畢業生 0.0119

碩士 0.0666

大學 0.2519

3 學歷

專科 0.1057

1-2 年 0.0187

3-4 年 0.0563

3 工作經驗

5-6 年 0.0187

電子相關科系 0.1020 3 相關科系

電機相關科系 0.1020

精通 0.0086

普通 0.0086

3 語文能力 (英文)

略通 0.0086

18-25 0.0408

26-30 0.1224

3 年齡

31-35 0.0408

(57)

表5-2 MIS 程式設計師求職條件與權重

層級 條件限制 權重

1 職缺 1

2 身份類別 0.0302

2 學歷 0.2254

2 工作經驗 0.3498

2 相關科系 0.2254

2 語文能力 0.0302

2 年齡 0.1382

3 身份類別 上班族 0.0302

碩士 0.0563

3 學歷

大學 0.1691

1-2 年 0.1166

3-4 年 0.1666

3 工作經驗

5-6 年 0.0666

資料管理相關 0.1127 3 相關科系

資訊工程相關 0.1127

精通 0.0151

3 語文能力

(英文) 普通 0.0151

18-25 0.0276

26-30 0.0830

3 年齡

31-35 0.0276

表5-3 財務會計助理求職條件與權重

層級 條件限制 權重

1 職缺 1

2 身份類別 0.0242

2 學歷 0.2183

2 工作經驗 0.2183

2 相關科系 0.3527

2 性別 0.0614

2 年齡 0.1243

上班族 0.0060

3 身份類別

應屆畢業生 0.0182

大學 0.0598

專科 0.1256

3 學歷

高中職 0.0329

1-2 年 0.0598

3-4 年 0.1256

3 工作經驗

5-6 年 0.0329

會計財稅相關 0.1868 經濟相關科系 0.1089 3 相關科系

企業管理相關 0.0570

3 性別 女 0.0614

18-25 0.0829

3 年齡

26-30 0.0414

(58)

5.3.2 條件限制正規化

將電子工程師、MIS 程式設計師、財務會計助理三項職務的條件限制轉換成對應 的權重值,彙整於表5-4、5-5、5-6。

表5-4 電子工程師條件限制權重

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

表5-5 MIS 程式設計師條件限制權重

條件限制 權重 條件限制 權重

上班族 1 26 至 30 歲 1

身份類別

其它 0 25/31 歲 0.9

碩士 0.7

大學 1

24/32 歲 0.8

學歷

其它 0 23/33 歲 0.7

1 年 / 2 年 0.8 22/34 歲 0.6

3 年 / 4 年 1 21/35 歲 0.5

5 年 / 6 年 0.6 20/36 歲 0.4

7 年 0.6 19/37 歲 0.3

8 年 0.4 18/38 歲 0.2

工作經驗

其它 0 39/40 歲 0.1

精通/普通 1

年齡

其它 0

其它 0 資訊/資管相關科系 1

語文能力

(英文) 相關科系

其它 0

參考文獻

相關文件

In this era when people are pursuing “fast”, “interesting” and “new” in everything, some media and netizens will forward media information without first

(1994), “Performance Management Where Is It Going ”, Competency Based Human Resource Management, Kogan Page, London.. (1999), “Why

and Wiley, J.W., (1991), “Service Quality and Management Practices: A Look at Employee Attitude, Customer Satisfaction, and Bottom-Lime Consequence,” Human Resource Planning.

Scaffolds are indispensable in construction projects, and human factors engineering discipline is discussing labor at work and their routine life, in which the

The structure of the information technique service desk system brought up by this research, could improve the human resources of the enterprise and the unstable

The impact of human resource management practices on turnover, productivity, and corporate financial performance. Understanding human resource management in the contexe

In the processing following action recognition, this paper proposes a human behavior description model to describe events occurring to human and exerts as decision and

(1968), “What is Job Satisfaction, Organization Behavior and Human Performance,” Journal of Applied Psychology, 4, pp. (1976) “The Nature &amp; Cause of Job Satisfaction”,