[发明专利]一种基于CNN和LSTM的深度学习数据挖掘方法

说明书

本发明涉及学习技术领域，具体涉及一种基于CNN和LSTM的深度学习数据挖掘方法，包括如下步骤，依次登记入职者的基本信息，得到本地原始数据包；将本地原始数据包数据进行预处理，建立本地字符信息库；建立以大数据为基础的CNN‑LSTM的算法模型；对CNN‑LSTM算法模型机芯训练，并进行测试；采用测试完成的CNN‑LSTM算法模型进行数据挖掘，得到数据反馈，提高了数据挖掘的准确性和便捷性，能够更便捷地获取学习信息，进一步完善方法系统，促进学习效果。

技术领域

本发明涉及学习技术领域，尤其涉及一种基于CNN和LSTM的深度学习数据挖掘方法。

背景技术

目前在企业招聘新入职员工后，需要对新入职员工进行相应岗位的入职培训，由于不同岗位涉及的岗位种类和要求不同，需要培训的内容也不相同。

当前在准备学习资料时，通过人工进行一次查找、分类、总结，在此过程中，需要花费大量的时间在查到和分类上，然后还需要将不同的学习资料匹配不同岗位的入职员工，根据不同员工的情况进行对应的培训，由于现有的培训内容随着市场的改变而变化，进而造成每次培训都需要重新进而人工查找相应的内容，使得工作量大。

发明内容

本发明的目的在于提供一种基于CNN和LSTM的深度学习数据挖掘方法，旨在解决现有技术中的现有的培训内容随着市场的改变而变化，进而造成每次培训都需要重新进而人工查找相应的内容，使得工作量大的技术问题。

为实现上述目的，本发明采用的一种基于CNN和LSTM的深度学习数据挖掘方法，包括如下步骤，

依次登记入职者的基本信息，得到本地原始数据包；

将本地原始数据包数据进行预处理，建立本地字符信息库；

建立以大数据为基础的CNN-LSTM的算法模型；

对CNN-LSTM算法模型机芯训练，并进行测试；

采用测试完成的CNN-LSTM算法模型进行数据挖掘，得到数据反馈。

在“依次登记入职者的基本信息，得到本地原始数据包”中，所述方法还包括，

在计算机中录入入职者的身份信息和入职职务；

建立技能测试试题，准确掌握入职者的岗位技能和弱项技能；

将每个入职者的基本信息进行打包上传。

在“将本地原始数据包数据进行预处理，建立本地字符信息库”中，所述方法还包括，

将获取的所有入职者的信息进行统计后归类；

根据入职者岗位技能弱项的重合度进行排列；

根据入职者掌握岗位技能的重合度进行排列；

统计岗位技能弱项的项目和掌握岗位技能重合度较低的项目，并进行数据格式的转换，得到字符信息库。

在“统计岗位技能弱项的项目和掌握岗位技能重合度较低的项目，并进行数据格式的转换，得到字符信息”中，

以岗位技能为关键词，对统计数据进行分类，将分类信息进行格式转换，得到相应的字符信息。

在“建立以大数据为基础的CNN-LSTM的算法模型”中，所述方法还包括，CNN神经网络系统和LSTM神经网络系统为串联建模。

在“对CNN-LSTM算法模型机芯训练，并进行测试”中，所述方法还包括，

构造的CNN模型包括输入层、卷积层、全连接层和输出层；其中输入层输入的一维数据序列的长度为2k+1；卷积层中卷积核为一维结构，其大小为2k+1；全连接层搭建在CNN模型的最后部分；输出层设置在全连接层的下游。