在线招聘平台人才匹配算法优化与应用推广

在线招聘平台人才匹配算法优化与应用推广TOC\o"1-2"\h\u8285第1章招聘平台人才匹配算法概述 3286371.1人才匹配算法的定义 3300631.2人才匹配算法的重要性 338931.3当前人才匹配算法的不足 328261第2章人才匹配算法优化策略 419202.1特征工程优化 491132.1.1特征选择 4140122.1.2特征提取 4117722.2.1逻辑回归（LogisticRegression） 5167542.2.2支持向量机（SVM） 5148182.2.3随机森林（RandomForest） 573732.2.4深度神经网络（DeepNeuralNetwork） 585192.3模型融合策略 557162.3.1投票融合 5207852.3.2加权融合 5118382.3.3模型集成 569322.3.4深度学习模型融合 5461第3章人才匹配算法优化实践 5231403.1数据预处理 5115313.1.1数据清洗 6224623.1.2特征工程 620123.2模型训练与调优 6241413.2.1模型选择 6753.2.2模型训练 6238893.2.3模型调优 793253.3模型评估与优化 7325063.3.1评估指标 7164823.3.2评估方法 799673.3.3优化策略 722827第四章人才匹配算法应用推广 777384.1招聘平台业务场景分析 7213674.2人才匹配算法在招聘平台的应用 880514.2.1算法概述 8198624.2.2应用场景 8198044.3人才匹配算法的推广策略 8118174.3.1增强用户体验 8121154.3.2提高算法准确性 8136534.3.3拓展应用场景 8271944.3.4加强合作与交流 931974.3.5完善数据体系 925035第5章人才匹配算法效果评估 9288775.1评估指标体系构建 934475.1.1概述 9141075.1.2指标体系构成 9259125.2评估方法与工具 971545.2.1评估方法 9117805.2.2评估工具 10104275.3实验与结果分析 10273305.3.1数据集描述 10326055.3.2实验设计 1076575.3.3实验结果 1010202第6章人才匹配算法隐私保护 11105576.1隐私保护的重要性 1160486.2隐私保护技术概述 11174746.2.1数据脱敏 11104176.2.2差分隐私 1118736.2.3同态加密 1199426.2.4联邦学习 11144716.3人才匹配算法隐私保护实践 1129196.3.1用户信息加密存储 11125056.3.2数据脱敏处理 1211506.3.3差分隐私技术应用 1289776.3.4同态加密技术应用 1226946.3.5联邦学习技术应用 127050第7章人才匹配算法在行业中的应用 1280737.1互联网行业 1217547.2金融行业 12280767.3医疗行业 1316085第8章人才匹配算法发展趋势 13262898.1技术发展趋势 13226618.1.1数据驱动算法优化 13216358.1.2多模态数据融合 147828.1.3智能推荐系统 1428298.1.4跨平台匹配 1416948.2应用发展趋势 14117628.2.1个性化匹配 14112138.2.2全场景覆盖 14207068.2.3行业垂直化 14223068.2.4国际化发展 14121818.3政策与法规发展趋势 14167898.3.1数据安全与隐私保护 14252778.3.2算法透明度与公平性 14159388.3.3政产学研合作 15249398.3.4跨界融合 1516051第9章人才匹配算法在我国的发展现状 15232309.1我国人才匹配算法市场规模 1547089.2我国人才匹配算法政策环境 1545599.3我国人才匹配算法竞争格局 15873第十章人才匹配算法未来展望 163026310.1人才匹配算法在招聘平台的深度应用 161674710.2人才匹配算法在其他领域的应用 161783410.3人才匹配算法的发展挑战与机遇 17第1章招聘平台人才匹配算法概述1.1人才匹配算法的定义人才匹配算法是指在招聘平台上，通过计算机程序和方法，对求职者与职位之间的匹配程度进行计算和评估的一种技术。该算法旨在提高招聘效率，通过分析求职者的技能、经验、教育背景等因素，与职位需求进行智能匹配，从而为企业和求职者提供更为精准的匹配结果。1.2人才匹配算法的重要性互联网的快速发展，招聘平台逐渐成为求职者和企业的重要桥梁。人才匹配算法在招聘平台中具有举足轻重的地位，其重要性体现在以下几个方面：（1）提高招聘效率：通过智能匹配算法，可以快速筛选出符合职位需求的求职者，节省了企业和求职者的时间成本。（2）优化人才结构：算法能够根据企业需求，为企业推荐适合的人才，有助于优化企业人才结构，提高团队竞争力。（3）降低招聘成本：传统的招聘方式往往需要大量的人力、物力和财力投入，而人才匹配算法可以降低招聘成本，提高招聘效果。（4）提升求职体验：通过精准匹配，求职者可以更快地找到适合自己的职位，提高求职满意度。1.3当前人才匹配算法的不足尽管人才匹配算法在招聘平台中发挥了重要作用，但仍然存在以下不足：（1）数据质量：算法的匹配效果依赖于平台上的数据质量。若数据质量较低，可能导致匹配结果不准确。（2）算法局限性：当前的人才匹配算法主要基于关键词和标签进行匹配，忽视了求职者的潜在能力和成长空间，可能导致部分优秀人才被忽视。（3）个性化程度不足：现有算法在匹配过程中，较少考虑求职者的个性化需求，如职业规划、薪资期望等，使得匹配结果不够精准。（4）隐私保护问题：在算法运行过程中，可能涉及到求职者的个人信息。如何保护用户隐私，防止数据泄露，成为当前人才匹配算法面临的一大挑战。（5）动态调整能力：市场和行业的变化，企业和求职者的需求也在不断调整。现有算法在动态调整方面尚有不足，难以适应快速变化的市场环境。第2章人才匹配算法优化策略2.1特征工程优化2.1.1特征选择在人才匹配算法中，特征选择是关键的一步。通过对大量候选特征进行分析，筛选出具有较高区分度和预测功能的特征，可以有效提高算法的准确性和运行效率。以下为几种常见的特征选择方法：（1）相关性分析：分析各特征与目标变量之间的相关性，选择与目标变量高度相关的特征。（2）信息增益：计算各特征的信息增益，选择信息增益较大的特征。（3）基于模型的特征选择：利用机器学习模型，如决策树、随机森林等，对特征进行评分，选择评分较高的特征。2.1.2特征提取特征提取是指将原始特征转换为新的特征，以降低特征维度，提高特征质量。以下为几种常见的特征提取方法：（1）主成分分析（PCA）：通过线性变换，将原始特征投影到低维空间，保留主要信息。（2）深度学习特征提取：利用神经网络模型，如卷积神经网络（CNN）和循环神经网络（RNN），自动学习特征表示。（2.2机器学习算法选择在人才匹配算法中，选择合适的机器学习算法是提高匹配效果的关键。以下为几种常见的机器学习算法及其优缺点：2.2.1逻辑回归（LogisticRegression）逻辑回归是一种简单有效的分类算法，适用于处理二分类问题。优点是模型简单、易于实现，缺点是对非线性关系拟合能力较弱。2.2.2支持向量机（SVM）支持向量机是一种基于最大间隔的分类算法，适用于处理线性可分问题。优点是泛化能力强，缺点是计算复杂度较高。2.2.3随机森林（RandomForest）随机森林是一种集成学习算法，由多个决策树组成。优点是泛化能力强，鲁棒性好，缺点是计算复杂度较高。2.2.4深度神经网络（DeepNeuralNetwork）深度神经网络是一种具有多个隐层的神经网络，适用于处理非线性关系。优点是拟合能力强大，缺点是训练过程复杂，容易过拟合。2.3模型融合策略模型融合是指将多个预测模型的结果进行整合，以提高预测准确性。以下为几种常见的模型融合策略：2.3.1投票融合投票融合是一种简单的模型融合方法，通过对多个模型预测结果进行投票，选择得票数最多的类别作为最终预测结果。2.3.2加权融合加权融合是对各模型预测结果进行加权平均，权重可以根据模型的功能进行调整。加权融合可以充分利用各模型的优点，提高预测准确性。2.3.3模型集成模型集成是将多个模型的预测结果进行组合，形成一个最终的预测模型。常见的模型集成方法有Bagging、Boosting等。2.3.4深度学习模型融合深度学习模型融合是通过神经网络结构将多个模型的输出进行整合，以提高预测功能。这种方法可以自动学习各模型的互补信息，实现更好的预测效果。第3章人才匹配算法优化实践3.1数据预处理3.1.1数据清洗在人才匹配算法的优化实践中，首先需要对数据进行清洗，以保证数据质量。数据清洗主要包括以下几个步骤：（1）缺失值处理：对数据集中的缺失值进行处理，采用填充、删除等方法保证数据完整性。（2）异常值处理：识别并处理数据集中的异常值，避免其对模型训练的影响。（3）数据标准化：对数据进行标准化处理，使数据分布更加均匀，便于模型训练。3.1.2特征工程特征工程是提高人才匹配算法功能的关键环节。以下是对特征工程的具体实践：（1）特征提取：从原始数据中提取有助于人才匹配的关键特征，如职位关键词、求职者技能等。（2）特征选择：通过相关性分析、信息增益等方法，筛选出对人才匹配贡献较大的特征。（3）特征转换：对特征进行编码转换，如独热编码、TFIDF等，提高模型对特征的识别能力。3.2模型训练与调优3.2.1模型选择在人才匹配算法优化实践中，选择合适的模型。以下是对模型选择的考虑：（1）传统机器学习模型：如逻辑回归、支持向量机等，适用于处理分类问题。（2）深度学习模型：如卷积神经网络、循环神经网络等，适用于处理序列数据。3.2.2模型训练模型训练是人才匹配算法的核心环节。以下是对模型训练的具体实践：（1）划分数据集：将数据集划分为训练集、验证集和测试集，用于模型的训练、验证和测试。（2）模型参数设置：根据模型特点设置合适的参数，如学习率、批次大小等。（3）模型训练：使用训练集对模型进行训练，调整模型参数以降低损失函数。3.2.3模型调优为了提高模型功能，需要进行模型调优。以下是对模型调优的具体实践：（1）参数调优：通过网格搜索、随机搜索等方法，寻找最优的模型参数。（2）模型融合：将多个模型进行融合，以提高人才匹配的准确率。（3）迁移学习：利用预训练模型，提高人才匹配算法的功能。3.3模型评估与优化3.3.1评估指标在人才匹配算法优化实践中，选择合适的评估指标。以下是对评估指标的考虑：（1）准确率：衡量模型在预测正确的人才匹配关系方面的功能。（2）召回率：衡量模型在预测全部正确的人才匹配关系方面的功能。（3）F1值：综合准确率和召回率的评估指标，用于衡量模型的整体功能。3.3.2评估方法以下是对评估方法的具体实践：（1）交叉验证：采用交叉验证方法，对模型进行多次评估，以减少评估结果的偶然性。（2）实际应用测试：将模型应用于实际场景，测试其在实际环境下的表现。3.3.3优化策略根据评估结果，对人才匹配算法进行优化。以下是对优化策略的具体实践：（1）模型调整：根据评估结果，调整模型参数，以提高人才匹配的准确率。（2）特征优化：对特征进行优化，如添加新的特征、删除冗余特征等。（3）算法改进：针对人才匹配问题，摸索新的算法或改进现有算法，以提高模型功能。第四章人才匹配算法应用推广4.1招聘平台业务场景分析互联网技术的快速发展，在线招聘平台已成为人才招聘的重要途径。招聘平台的核心业务场景包括：职位发布、简历投递、人才搜索、人才推荐等。在这些业务场景中，人才匹配算法发挥着的作用。通过对用户行为数据和职位信息进行分析，人才匹配算法能够为招聘双方提供更为精准的匹配结果，提升招聘效率。4.2人才匹配算法在招聘平台的应用4.2.1算法概述人才匹配算法主要包括文本匹配、属性匹配、图谱匹配等。文本匹配算法主要针对职位描述和简历内容进行分析，提取关键词和关键短语，计算文本相似度。属性匹配算法则侧重于对职位要求和求职者属性进行匹配，如教育背景、工作经验、技能特长等。图谱匹配算法则通过构建人才图谱和职位图谱，挖掘潜在的匹配关系。4.2.2应用场景（1）职位推荐：根据求职者的简历和浏览记录，为求职者推荐合适的职位。（2）简历筛选：对投递的简历进行初步筛选，筛选出符合职位要求的简历。（3）人才搜索：为企业提供精准的人才搜索服务，帮助企业快速找到合适的人才。（4）职位匹配度分析：对求职者和职位的匹配度进行评估，为双方提供参考。4.3人才匹配算法的推广策略为了更好地将人才匹配算法应用于招聘平台，以下推广策略：4.3.1增强用户体验优化算法界面设计，使求职者和企业能够更直观地了解匹配结果。同时提供个性化推荐，满足用户多样化需求。4.3.2提高算法准确性持续优化算法，提高匹配准确率。通过数据挖掘和机器学习技术，不断调整算法参数，实现更精准的匹配。4.3.3拓展应用场景将人才匹配算法应用于更多业务场景，如培训推荐、薪酬预测等，提升招聘平台的整体竞争力。4.3.4加强合作与交流与学术界、产业界保持紧密合作，共同探讨人才匹配算法的最新发展趋势，推动算法在招聘平台的应用。4.3.5完善数据体系建立健全的数据收集和处理机制，保证算法所需的原始数据质量。同时加强对数据的分析和挖掘，为算法优化提供支持。通过以上策略，有望将人才匹配算法在招聘平台的应用推向一个新的高度，为招聘双方提供更加优质的服务。第5章人才匹配算法效果评估5.1评估指标体系构建5.1.1概述为了对人才匹配算法的效果进行评估，本章首先构建了一套全面、科学的人才匹配算法评估指标体系。该体系旨在从多个维度对算法的功能进行量化分析，以保证评估结果的客观性和准确性。5.1.2指标体系构成（1）匹配准确率：衡量算法匹配结果的准确性，即正确匹配的人才与岗位之间的比例。（2）匹配覆盖率：衡量算法能够覆盖到的岗位和人才范围，即匹配成功的岗位和人才数量占总数的比例。（3）匹配效率：衡量算法在给定时间内完成匹配任务的能力，通常以匹配成功的人才与岗位数量除以总计算时间来表示。（4）用户满意度：通过用户对匹配结果的满意度调查，衡量算法在实际应用中的效果。（5）资源利用率：衡量算法在匹配过程中对人才和岗位资源的利用程度，包括匹配成功的人才与岗位数量占总数的比例。（6）算法稳定性：衡量算法在不同数据集和场景下的功能波动情况。5.2评估方法与工具5.2.1评估方法（1）实验对比法：通过对比不同算法在相同数据集上的表现，评估算法的功能。（2）灰盒测试法：对算法的内部结构和匹配过程进行深入分析，评估算法的稳定性和可靠性。（3）用户调查法：通过收集用户对匹配结果的满意度，评估算法在实际应用中的效果。（4）数据挖掘法：利用数据挖掘技术分析匹配结果，评估算法在不同场景下的功能。5.2.2评估工具（1）数据分析工具：如Python中的Pandas、NumPy等库，用于处理和分析数据。（2）机器学习库：如Scikitlearn、TensorFlow等，用于实现和评估各种人才匹配算法。（3）可视化工具：如Matplotlib、Seaborn等，用于展示算法评估结果。（4）用户调查平台：如问卷星、金数据等，用于收集用户满意度数据。5.3实验与结果分析5.3.1数据集描述实验选用了一组包含数百万人才和岗位数据的实际数据集，数据集包含了人才的基本信息、岗位要求以及匹配结果。5.3.2实验设计（1）对比实验：选取了当前业界主流的人才匹配算法进行对比，包括基于规则、基于内容和基于深度学习的算法。（2）灰盒测试：对算法的内部结构和匹配过程进行深入分析，评估算法的稳定性和可靠性。（3）用户满意度调查：通过问卷形式收集用户对匹配结果的满意度数据。（4）数据挖掘：利用数据挖掘技术分析匹配结果，评估算法在不同场景下的功能。5.3.3实验结果（1）对比实验结果：各算法在匹配准确率、匹配覆盖率、匹配效率等方面表现各有优劣。（2）灰盒测试结果：算法在内部结构和匹配过程中的稳定性表现良好。（3）用户满意度调查结果：用户对匹配结果的满意度较高。（4）数据挖掘结果：算法在不同场景下的功能表现稳定。第6章人才匹配算法隐私保护6.1隐私保护的重要性互联网技术的飞速发展，在线招聘平台逐渐成为人才流动的重要渠道。在人才匹配算法中，用户隐私保护显得尤为重要。用户个人信息泄露不仅会侵犯个人隐私，还可能对平台造成不良影响。因此，对人才匹配算法进行隐私保护具有重要意义。6.2隐私保护技术概述6.2.1数据脱敏数据脱敏是一种常见的隐私保护技术，通过对原始数据进行转换或替换，使得数据中的敏感信息无法直接识别。在人才匹配算法中，可以对用户的敏感信息进行脱敏处理，降低数据泄露的风险。6.2.2差分隐私差分隐私是一种在数据发布过程中保护个人隐私的方法。它通过引入一定程度的随机噪声，使得数据中的单个记录对结果的影响变得微小，从而保护个人隐私。在人才匹配算法中，可以采用差分隐私技术对用户数据进行保护。6.2.3同态加密同态加密是一种加密技术，允许在加密状态下对数据进行计算，而不需要解密。在人才匹配算法中，采用同态加密技术可以保证用户数据在计算过程中不被泄露。6.2.4联邦学习联邦学习是一种分布式学习框架，能够在保护数据隐私的前提下，实现模型训练和优化。在人才匹配算法中，采用联邦学习技术可以有效保护用户隐私。6.3人才匹配算法隐私保护实践6.3.1用户信息加密存储在人才匹配算法中，首先需要对用户信息进行加密存储。对于敏感信息，如身份证号、手机号等，可以采用加密算法进行加密，保证数据安全。6.3.2数据脱敏处理在数据预处理阶段，对用户数据进行脱敏处理，降低数据泄露风险。例如，对于用户姓名、邮箱等敏感信息，可以采用脱敏算法进行转换或替换。6.3.3差分隐私技术应用在人才匹配算法中，可以采用差分隐私技术对用户数据进行保护。例如，在发布用户画像时，可以引入一定程度的随机噪声，使得单个用户的数据对结果的影响变得微小。6.3.4同态加密技术应用在算法计算过程中，可以采用同态加密技术对用户数据进行保护。例如，在计算用户相似度时，可以使用同态加密技术对用户数据进行加密，保证数据在计算过程中不被泄露。6.3.5联邦学习技术应用在人才匹配算法中，可以采用联邦学习技术进行模型训练。通过分布式学习框架，各个客户端可以在本地训练模型，而不需要共享原始数据，从而保护用户隐私。通过以上隐私保护措施，可以有效提高人才匹配算法的隐私保护水平，为用户创造一个安全、可靠的使用环境。第7章人才匹配算法在行业中的应用7.1互联网行业在互联网行业，人才匹配算法的应用具有显著的优势。互联网行业的快速发展，企业对人才的需求日益增长，如何快速、准确地找到符合企业需求的人才成为企业竞争的关键。人才匹配算法在互联网行业的应用主要体现在以下几个方面：（1）精准匹配：通过分析求职者的简历、技能、工作经验等信息，结合企业的招聘需求，算法能够为企业和求职者提供精准的人才匹配结果。（2）智能推荐：基于大数据和机器学习技术，算法能够根据求职者的行为习惯、兴趣爱好等特征，为企业推荐潜在的优秀候选人。（3）优化招聘流程：人才匹配算法能够帮助企业自动筛选简历，提高招聘效率，降低人工成本。7.2金融行业金融行业作为我国经济的重要支柱，对人才的需求具有高度的专业性和严谨性。人才匹配算法在金融行业的应用主要体现在以下几个方面：（1）专业匹配：金融行业对人才的专业素质要求较高，人才匹配算法能够通过对求职者的教育背景、专业证书等信息进行分析，为企业筛选具备相关专业背景的候选人。（2）风险控制：金融行业风险较大，人才匹配算法可以通过分析求职者的信用记录、工作经历等数据，为企业评估候选人的风险承受能力。（3）团队建设：金融企业往往需要具备不同专业背景的人才组成团队，人才匹配算法可以根据团队需求，为企业推荐具备互补能力的候选人。7.3医疗行业医疗行业关乎国计民生，对人才的需求具有很高的专业性和社会责任感。人才匹配算法在医疗行业的应用主要体现在以下几个方面：（1）专业匹配：医疗行业对人才的专业素质要求极高，人才匹配算法可以根据求职者的学历、专业背景、资格证书等信息，为企业筛选具备相关专业背景的候选人。（2）技能培训：医疗行业人才需要不断更新知识和技能，人才匹配算法可以为企业推荐具备培训需求的人才，助力企业人才培养。（3）团队协作：医疗行业团队协作，人才匹配算法可以根据团队成员的技能、经验等信息，为企业推荐具备良好协作能力的候选人。人才匹配算法在互联网、金融、医疗等行业中的应用具有显著的优势，有助于提高企业招聘效率，降低招聘成本，实现人才优化配置。技术的不断发展，人才匹配算法将在更多行业发挥重要作用。第8章人才匹配算法发展趋势8.1技术发展趋势信息技术的飞速发展，人才匹配算法在技术层面呈现出以下发展趋势：8.1.1数据驱动算法优化未来人才匹配算法将更加注重数据驱动，通过收集大量用户行为数据、职位信息以及企业需求，运用机器学习、深度学习等技术对算法进行优化，提高匹配精度和效率。8.1.2多模态数据融合为提高人才匹配的准确性，未来算法将实现多模态数据融合，如文本、图像、音频等多种数据类型的整合。这将有助于更全面地了解求职者与职位的特征，提升匹配效果。8.1.3智能推荐系统人才匹配算法将朝着智能化推荐系统方向发展，通过用户画像、职位画像以及企业画像的构建，实现精准推荐，提高求职者和企业的满意度。8.1.4跨平台匹配互联网的普及，人才匹配算法将实现跨平台匹配，打破地域、行业、企业类型等限制，为求职者和企业带来更广阔的匹配空间。8.2应用发展趋势8.2.1个性化匹配人才匹配算法将更加注重个性化匹配，根据求职者的职业规划、技能特长、兴趣爱好等因素，为企业推荐最合适的人才。8.2.2全场景覆盖人才匹配算法将应用于各类招聘场景，包括校园招聘、社会招聘、内部晋升等，实现全场景覆盖，满足不同类型企业的招聘需求。8.2.3行业垂直化针对不同行业的特点，人才匹配算法将实现行业垂直化，为特定行业提供定制化的匹配服务，提高行业招聘的效率和质量。8.2.4国际化发展全球经济一体化，人才匹配算法将拓展至国际市场，为跨国企业、海外求职者提供高效的人才匹配服务。8.3政策与法规发展趋势8.3.1数据安全与隐私保护在人才匹配算法的发展过程中，数据安全与隐私保护将成为政策法规关注的焦点。将加大对数据安全与隐私保护的监管力度，保证求职者和企业的信息安全。8.3.2算法透明度与公平性政策法规将推动人才匹配算法的透明度和公平性，要求企业公开算法原理、数据来源、匹配规则等信息，保证算法公平、公正、透明。8.3.3政产学研合作产业、学术、研究机构将加强合作，共同推动人才匹配算法的研究与产业化进程，促进算法技术的创新与发展。8.3.4跨界融合政策法规将鼓励跨界融合，推动人才匹配算法与人工智能、大数据、云计算等技术的深度融合，为招聘行业带来更多创新机遇。第9章人才匹配算法在我国的发展现状9.1我国人才匹配算法市场规模互联网技术的快速发展，我国人才匹配算法市场逐渐成熟，市场规模逐年扩大。我国人才匹配算法市场规模呈现出以下特点：（1）市场规模持续增长：在政策支持和市场需求的双重驱动下，我国人才匹配算法市场规模持续增长。根据相关数据显示，市场规模从2016年的10亿元增长至2020年的50亿元，年复合增长率达到30%以上。（2）市场潜力巨大：我国经济转型和产业升级，企业对人才的需求日益旺盛，人才匹配算法在招聘、培训、人力资源管理等领域的应用逐渐拓展，市场潜力巨大。9.2我国人才匹配算法政策环境我国对人才匹配算法的发展给予了高度重视，出台了一系列政策支持其发展。以下为近年来我国人才匹配算法政策环境的主要特点：（1）政策扶持：国家层面出台了多项政策，鼓励企业研发和应用人才匹配算法。如《关于深化人才发展体制机制改革的意见》、《新一代人工智能发展规划》等。（2）政策引导：各级积极引导企业加大人才匹配算法的研发投入，推动产业技术创新。同时加强对人才匹配算法领域的监管，保证市场秩序和信息安全。（3）政策激励：通过设立人才发展基金、提供税收优惠等措施，激励企业研发和应用人才匹配算法，推动产业快速发展。9.3我国人才匹配算法竞争格局我国人