Штучний інтелект

Анотація: «Кар’єра – Центр» – це інформаційна, аналітична і організаційна допомога в працевлаштуванні студентів і випускників. Була створена інформаційна система для підтримки всіх основних видів діяльності. В даний час система зміцнює зв’язки між студентами і компаніями як сховище резюме і вакансій. З іншого боку, система повинна бути як віртуальний рекрутер, який бере до уваги особисті здібності і переваги студента, доступні робочі місця, профілі компанії, місцеву інфраструктуру трудового ринку, індустріальні і технологічні тенденції, рахує специфікацію роботи, доступний людський ресурс, щоб забезпечити ефективні рішення у сфері зайнятості. Ця стаття представляє інтелектуальну систему управління, засновану на методах обробки тексту для підтримки рекрутер-сервісів.

Ключові слова:

Посилання:

1. Liu B., Lee W. S., Yu P., and Li X. 2002. Partially supervised classification of text documents. ICML-02. –Salton, G. and McGill, M. Introduction to Modern Information Retrieval. McGraw-Hill. – 1983.
2. Yang Y. and Pedersen J. P. A comparative study on feature selection in text categorization. ICML-97. – 1997.
3. Andrew McCallum, Rosenfeld R., Mitchell T, Ng A. Improving text clasification by shrinkage in a hierarchy ofclasses// In Proceedings of the International Conference on Machine Learning (ICML) – 1998. – P. 359-367.
4. Toutanova K., Chen F., Popat K., and Hofmann Th. Text classification in a hierarchical mixture model for smalltraining sets.// In Proceedings of the Tenth International ACM Conference on Information and KnowledgeManagement (CIKM). – 2001.
5. Joachims T. A probabilistic analysis of the rocchio algorithm with TFIDF for text categorization,// In Proc. Of theICML’97. – 1997. – P. 143-151.
6. Zhao Y. and Karypis G. Evaluation of hierarchical clustering algorithms for document datasets // In Proceedingsof the International Conference on Information and Knowledge Management. – 2002.
7. Zhao Y. and Karypis G. Empirical and theoretical comparisons of selected criterion functions for documentclustering // Machine Learning. – 2004. – 55(3).
8. Shatovska T., Safonova T., Tarasov I. A Modified Multilevel Approach to the Dynamic Hierarchical Clusteringfor Complex types of Shapes. Lecture Notes in Informatics (LNI) // Proceeding. – 2007. – Vol. P-107 –P. 176-186.
9. Shatovska T., Safonova T., Tarasov I. The New Software Package for Dynamic Hierarchical Clustering forCircles Types of Shapes // Proceedings of XIII-th International Conference KDS. – 2007. – Varna (Bulgaria). –P. 125-129.
10. Karypis G., Han E.H., Kumar V. CHAMELEON: A hierarchical clustering algorithm using dynamic modeling,IEEE Computer: Special Issue on Data Analysis and Mining. – 1999. – Vol. 32(8). – P. 68-75.
11. Karypis G. and Kumar V. Multilevel k-way hypergraph partitioning // Proceedings of the Design and AutomationConference. – 1999.
12. Russian stemming algorithm, 2005 [Электронный ресурс]. – Режим доступа:http://snowball.tartarus.org/algorithms/russian/stemmer.html.
13. Keleberda I., Repka V., Biletskiy Y. Building learner's ontologies to assist personalized search of learning objects.ICEC 2006. – P. 569-573.