郭富強(qiáng)

（陜西廣播電視大學(xué) 資源建設(shè)與現(xiàn)代教育技術(shù)中心，陜西 西安 710068）

職業(yè)預(yù)測是在一定理論指導(dǎo)下，根據(jù)擬定的指標(biāo)體系，對一個人職業(yè)生涯的主客觀條件進(jìn)行測定、分析和總結(jié)，對其興趣、愛好和能力進(jìn)行綜合分析與權(quán)衡，并結(jié)合時代特點(diǎn)和被測者的職業(yè)傾向，確定其最佳職業(yè)的過程。預(yù)測是一門集理論、方法、評價及應(yīng)用于一體的新興學(xué)科，從其思維和思想體系來看，主要有慣性原理、類推原理和相關(guān)原理。職業(yè)預(yù)測的目的就是減少職業(yè)盲目性，為畢業(yè)后的擇業(yè)提供參考依據(jù)，讓學(xué)生早日了解自己，理性把握自己未來發(fā)展趨勢，提早進(jìn)行個人職業(yè)規(guī)劃，合理進(jìn)行職業(yè)選擇，實(shí)現(xiàn)人生價值的最大化。職業(yè)預(yù)測也是學(xué)校研究、指導(dǎo)和咨詢大學(xué)生就業(yè)的重要手段。

預(yù)測模型的建立需要解決兩個問題，一個是建立預(yù)測指標(biāo)體系，文中將通過對約翰·霍蘭德的職業(yè)興趣理論的分析來完成；另一個是確定預(yù)測算法。職業(yè)預(yù)測是一個復(fù)雜的非線性系統(tǒng)，難以建立精確的數(shù)學(xué)模型。傳統(tǒng)的預(yù)測往往進(jìn)行了一些假設(shè)和簡化，降低了預(yù)測的有效性；預(yù)測方法不下百種，但大多數(shù)為單指標(biāo)預(yù)測，多指標(biāo)預(yù)測很少[1]。近年來，人工神經(jīng)網(wǎng)絡(luò)被引入職業(yè)預(yù)測，其中應(yīng)用較廣泛要數(shù)BP網(wǎng)絡(luò)。但單純的BP算法又存在收斂速度較慢、容易陷入局部極小等缺點(diǎn)[2]。為克服以上不足，文中提出了一種既利用小波變換的時-頻局部化特性，又能發(fā)揮神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能的小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型。該模型既考慮了各種人為因素對職業(yè)預(yù)測的綜合影響，又實(shí)現(xiàn)了職業(yè)指標(biāo)的多因素非線性時變預(yù)測，克服現(xiàn)存方法在多指標(biāo)預(yù)測中的不足。

1 小波神經(jīng)網(wǎng)絡(luò)

1.1 小波神經(jīng)網(wǎng)絡(luò)簡介

小波變換作為一種時、頻域分析方法，具有多分辨率的特點(diǎn)，且在時、頻域都具有表征信號局部特征的能力，具有良好的時頻分析特性，特別適宜于非平穩(wěn)信號的處理，是處理非線性、非穩(wěn)態(tài)信號的有力工具。神經(jīng)網(wǎng)絡(luò)以其并行分布式處理、聯(lián)想記憶、自組織及自學(xué)習(xí)能力和極強(qiáng)的非線性映射能力，特別適合于多因素、因素交叉等復(fù)雜模式識別問題，這兩項(xiàng)技術(shù)的結(jié)合，是目前研究的熱點(diǎn)。

小波神經(jīng)網(wǎng)絡(luò)（Wavelet Neural Networks，WNN），是近幾年國際上新興的一種數(shù)學(xué)建模分析方法，是小波變換良好的時頻局域化性質(zhì)與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力相結(jié)合的產(chǎn)物。目前主要的研究方向是小波與前饋神經(jīng)網(wǎng)絡(luò)的結(jié)合。由于引入了兩個新的參變量，即伸縮因子和平移因子，所以小波神經(jīng)網(wǎng)絡(luò)具有比小波分解更多自由度，從而使其具有更靈活有效的函數(shù)逼近能力，更強(qiáng)的模式識別能力和容錯能力。由于其建模算法不同，克服了BP算法固有的缺陷。

1.2 小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

根據(jù)小波分析理論與神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，兩者的結(jié)合有兩種途徑[4]:

1）小波變換與常規(guī)神經(jīng)網(wǎng)絡(luò)的“結(jié)合”。是指整個系統(tǒng)由小波變換和神經(jīng)網(wǎng)絡(luò)構(gòu)成，兩者直接相聯(lián)，但卻又相對獨(dú)立。先用小波分析對信號進(jìn)行預(yù)處理，即以小波空間作為模式識別的特征空間，通過小波分析來實(shí)現(xiàn)信號的特征提取，然后將提取的特征向量送入神經(jīng)網(wǎng)絡(luò)處理，完成分類、函數(shù)逼近等功能。

2）小波分解與前饋神經(jīng)網(wǎng)絡(luò)的“融合”。是將常規(guī)單隱層前饋神經(jīng)網(wǎng)絡(luò)的隱節(jié)點(diǎn)激活函數(shù)采用小波函數(shù)，相應(yīng)的輸入層到隱層的權(quán)值及隱層閾值分別由小波函數(shù)的伸縮與平移參數(shù)所代替，如圖1所示。本文研究的是學(xué)生的職業(yè)預(yù)測，沒有時域和頻域的變化，所以選用這種結(jié)構(gòu)。

圖1 小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)Fig.1 Structure of wavelet neural network

2 約翰·霍蘭德的職業(yè)興趣理論

約翰·霍蘭德（John Holland）是美國約翰·霍普金斯大學(xué)心理學(xué)教授，美國著名的職業(yè)指導(dǎo)專家。他于1959年提出了具有廣泛社會影響的職業(yè)興趣理論[3]，主要從興趣的角度出發(fā)來探索職業(yè)指導(dǎo)的問題，明確提出了職業(yè)興趣的人格觀，使人們對職業(yè)興趣的認(rèn)識有了質(zhì)的變化。

霍蘭德認(rèn)為，人的內(nèi)在本質(zhì)必須在職業(yè)生涯的領(lǐng)域中得以充分?jǐn)U展，一個人能夠在適當(dāng)?shù)纳奈枧_上充分的展現(xiàn)自我，實(shí)現(xiàn)自我。他認(rèn)為人的人格類型、興趣與職業(yè)密切相關(guān)，興趣是人們活動的巨大動力，當(dāng)個體所從事的職業(yè)和他的職業(yè)興趣類型匹配時，個體的潛在能力可以得到最徹底的發(fā)揮，促使人們積極地、愉快地從事該職業(yè)，且職業(yè)興趣與人格之間存在很高的相關(guān)性。在霍蘭德的理論中，人格被看作是興趣、價值、需求、技巧、信仰、態(tài)度和學(xué)習(xí)個性的綜合體。他將人格劃分為現(xiàn)實(shí)型、研究型、藝術(shù)型、社會型、企業(yè)型和常規(guī)型6種類型，給出了每種人格類型的共同特征和適合從事的一群典型職業(yè)。絕大多數(shù)人都可以被歸于6種類型中的一種。

然而，大多數(shù)人都并非只屬于一種人格類型（比如，一個人的性向中很可能是同時包含著社會型、實(shí)際型和調(diào)研型這3種），6種類型也并非是獨(dú)立并列的、有著明晰的邊界的?；籼m德認(rèn)為，這些人格類型越相似，相容性越強(qiáng)，則一個人在選擇職業(yè)時所面臨的內(nèi)在沖突和猶豫就會越少。為了幫助描述這種情況，霍蘭德將這六種人格類型分別放在一個正六角形的角上，形象的標(biāo)示出了6大類型的相互關(guān)系。見圖2所示。

圖2 霍蘭德的職業(yè)興趣人格類型關(guān)系Fig.2 Hollander’s occupation interest relationship personality types

從圖中可以看出，每一種類型與其他類型之間存在不同程度的關(guān)系。大體可描述為3類：

1）相鄰關(guān)系，如 RI、IA、AS、SE、EC、CR。 屬于這種關(guān)系的兩種類型的個體之間共同點(diǎn)較多，比如現(xiàn)實(shí)型R、研究型I的人就都不太偏好人際交往，這兩種職業(yè)環(huán)境中也都較少機(jī)會與人接觸。

2）相隔關(guān)系，如 RA、IS、AE、SC、ER 及 CI，屬于這種關(guān)系的兩種類型個體之間共同點(diǎn)較相鄰關(guān)系少。

3）相對關(guān)系，在六邊形上處于對角位置的類型之間即為相對關(guān)系，如RS、IE及AC即是，相對關(guān)系的人格類型共同點(diǎn)很少，因此，一個人同時對處于相對關(guān)系的兩種職業(yè)環(huán)境都興趣很濃的情況較為少見。

運(yùn)用霍蘭德的職業(yè)興趣理論進(jìn)行職業(yè)興趣測試，個體可以清晰地了解自己的職業(yè)興趣類型和在職業(yè)選擇中的主觀傾向，從而在紛繁的職業(yè)機(jī)會中找尋到最適合自己的職業(yè)，避免職業(yè)選擇中的盲目行為。尤其是對于大學(xué)生和缺乏職業(yè)經(jīng)驗(yàn)的人，霍蘭德的職業(yè)興趣理論可以幫助他們做好職業(yè)選擇和職業(yè)設(shè)計，成功地進(jìn)行職業(yè)調(diào)整，從整體上認(rèn)識和發(fā)展自己的職業(yè)能力。目前，職業(yè)興趣測試已在教育、培訓(xùn)、企業(yè)管理等領(lǐng)域有了越來越多的應(yīng)用。

3 基于小波神經(jīng)網(wǎng)絡(luò)的職業(yè)預(yù)測模型設(shè)計

3.1 小波神經(jīng)網(wǎng)絡(luò)的適用性分析

職業(yè)預(yù)測是一個復(fù)雜的非線性系統(tǒng)，相關(guān)的因素很多，涉及許多不確定因素，且各個因素之間的相互關(guān)系錯綜復(fù)雜，具有不定性和波動性。這就決定了系統(tǒng)狀態(tài)的變化并不按照某一特定的規(guī)律或函數(shù)變化，很難使用確切的數(shù)學(xué)方式來進(jìn)行描述。而這些特點(diǎn)與人工神經(jīng)網(wǎng)絡(luò)的典型特性——非線性特性相適應(yīng)。這種特性上的耦合決定了人工神經(jīng)網(wǎng)絡(luò)在職業(yè)預(yù)測中具有可行性和較強(qiáng)的適應(yīng)性。小波神經(jīng)網(wǎng)絡(luò)方法具有很強(qiáng)的非線性動態(tài)處理問題的能力，在建模時可以不必事先假設(shè)數(shù)據(jù)必須服從何種分布，數(shù)據(jù)之間符合什么規(guī)律或滿足怎樣的關(guān)系。神經(jīng)網(wǎng)絡(luò)方法在處理問題的過程中采用了類似“黑箱”的方法，它是通過不斷的學(xué)習(xí)和記憶而不是通過假設(shè)找出輸入變量與輸出變量之間的關(guān)系。在對問題進(jìn)行求解時，將數(shù)據(jù)輸入已經(jīng)訓(xùn)練完成的網(wǎng)絡(luò)，根據(jù)網(wǎng)絡(luò)學(xué)到并儲存于其中的知識進(jìn)行演繹和推理，從而得到問題的解決方案[5]。

3.2 確定預(yù)測指標(biāo)體系

根據(jù)霍蘭德的職業(yè)興趣理論[3]，文中職業(yè)預(yù)測所選用的測試指標(biāo)由以下18項(xiàng)組成，如表1所示。

3.3 小波神經(jīng)網(wǎng)絡(luò)的設(shè)計

文中采用圖1為小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。輸入層節(jié)點(diǎn)個數(shù)等于輸入向量的維數(shù)。用于職業(yè)預(yù)測的指標(biāo)有18個，即網(wǎng)絡(luò)有18個輸入，因此輸入層的神經(jīng)元個數(shù)為18，依次對應(yīng)變量X1～X18。輸出層節(jié)點(diǎn)個數(shù)反映了人格類型數(shù)，霍蘭德的職業(yè)興趣理論把人格類型分為6種，即現(xiàn)實(shí)型、研究型、藝術(shù)型、社會型、企業(yè)型和常規(guī)型，依次對應(yīng)輸出變量Y1～Y6。

表1 職業(yè)預(yù)測指標(biāo)體系Tab.1 Occupation prediction index system

網(wǎng)絡(luò)參數(shù)初始化[6]：在（0，1）區(qū)間上隨機(jī)生成小波神經(jīng)網(wǎng)絡(luò)需要調(diào)整的參數(shù)值，包括網(wǎng)絡(luò)的伸縮因子、平移因子以及網(wǎng)絡(luò)的各層節(jié)點(diǎn)的連接權(quán)值，并設(shè)定網(wǎng)絡(luò)學(xué)習(xí)速率η=0.02，動量因子α=0.935。

4 職業(yè)預(yù)測模型的測試與分析

4.1 確定網(wǎng)絡(luò)樣本集

網(wǎng)絡(luò)樣本集包括訓(xùn)練樣本集和測試樣本集兩種。訓(xùn)練樣本集用于對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，測試樣本集用于檢測網(wǎng)絡(luò)訓(xùn)練的效果和推廣能力。訓(xùn)練樣本集不僅應(yīng)全面涵蓋系統(tǒng)所有模式類的數(shù)據(jù)，還應(yīng)有一定的代表性，同時還必須保證學(xué)習(xí)的有效性。測試樣本集的選擇應(yīng)滿足“交叉檢驗(yàn)”的原則。

本模型中，訓(xùn)練樣本不是來自實(shí)際測試數(shù)據(jù)，而是按照人格特征與人格類型的對應(yīng)關(guān)系，以及6種人格類型之間的遠(yuǎn)近關(guān)系，設(shè)計而來。訓(xùn)練樣本如表2所示。

在預(yù)測模型中，每個人格類型直接對應(yīng)的人格特征變量有3個（如表1所示），對應(yīng)的輸出變量有一個，現(xiàn)實(shí)型、研究型、藝術(shù)型、社會型、企業(yè)型和常規(guī)型6種人格類型對應(yīng)的輸出變量依次為Y1～Y6。在設(shè)計訓(xùn)練樣本時考慮以下4個關(guān)系：

1）直接關(guān)系：若某一人格類型對應(yīng)的3個人格特征變量的輸入均為1，其他輸入均為0，則對應(yīng)職業(yè)類型的輸出即為1，其余輸出為0。表2中序號1到6的樣本即為這種情況。如X1、X2、X3為現(xiàn)實(shí)型職業(yè)類型對應(yīng)的人格特征輸入變量，若均為1時，對應(yīng)的現(xiàn)實(shí)型職業(yè)類型的輸出Y1的輸出即為1。

2）相鄰關(guān)系：一個人的人格特征往往是多樣化的，不只3個方面，但也處在一個相近的范圍內(nèi)。在六邊形人格類型關(guān)系圖中，處于相鄰關(guān)系的兩個人格類型的人格特征有許多相同或相似之處，因此，在相鄰人格類型對應(yīng)的兩個職業(yè)群中選擇職業(yè)是適當(dāng)?shù)摹１?中序號7到12的樣本即反映了這種關(guān)系。如現(xiàn)實(shí)型（特征變量為X1、X2、X3）和研究型（特征變量為 X4、X5、X6）即為相鄰關(guān)系，當(dāng) X1～X6均為 1 時，則 Y1、Y2的輸出即為1，其余輸出為0。

3）相隔關(guān)系：處于相隔關(guān)系的兩個人格類型的人格特征較相鄰關(guān)系的共同點(diǎn)少。表2中序號13到18的樣本即反映了這種關(guān)系。當(dāng)兩個處于相隔關(guān)系的人格類型對應(yīng)的人格特征為1時，網(wǎng)絡(luò)對應(yīng)的輸出較小，以提醒被測者人格特征選擇不準(zhǔn)。如現(xiàn)實(shí)型和藝術(shù)型（特征變量為X7、X8、X9）即為相隔關(guān)系，當(dāng) X1、X2、X3、X7、X8、X9均為 1 時，則 Y1、Y3的輸出設(shè)為0.3，用以表示處于相隔關(guān)系時，網(wǎng)絡(luò)輸出對職業(yè)選擇的參考價值不大。

4）相對關(guān)系：相對關(guān)系的人格類型共同點(diǎn)更少，一個共同人同時對處于相對關(guān)系的兩種職業(yè)環(huán)境都興趣很濃的情況較為少見。表2中序號19到21的樣本即反映了這種關(guān)系。當(dāng)兩個處于相對關(guān)系的人格類型對應(yīng)的人格特征為1時，網(wǎng)絡(luò)對應(yīng)的輸出幾乎為0，以提醒被測者人格特征選擇矛盾。如現(xiàn)實(shí)型和社會型（特征變量為X10、X11、X12）即為相對關(guān)系，當(dāng) X1、X2、X3、X10、X11、X12均為 1 時，則 Y1、Y4的輸出設(shè)為 0。

測試樣本由學(xué)生填寫根據(jù)預(yù)測指標(biāo)體系編制的量表得到。學(xué)生在確定自己的人格特征時，在每個變量上只需要回答“是”或“不是”，分別用1和0表示。需要向?qū)W生說明，確定自己的人格特征時應(yīng)把握兩個原則：1）客觀原則，要正確認(rèn)識自己，不要把自己的希望當(dāng)成了特征；2）最大特征原則，每個人往往有許多特征，但只有最主要的3到6個特征決定職業(yè)選擇，應(yīng)忽略一般特征。表3為部分測試樣本及結(jié)果，來自陜西某高校06級學(xué)生。

表2 網(wǎng)絡(luò)訓(xùn)練樣本Tab.2 Network training samples

4.2 測試結(jié)果分析

對預(yù)測結(jié)果的分析要把握4個方面。1）最大隸屬度原則，網(wǎng)絡(luò)輸出值越大，表示隸屬度越大，預(yù)測結(jié)果的參考價值越大。2）人格特征越明顯、越集中，隸屬度越大，反之，人格特征越分散，隸屬度越小。3）充分考慮人格的復(fù)雜性，個體本身常是多種人格類型的綜合體，單一類型顯著突出的情況不多，因此評價個體的人格類型時也時常以其在6大類型中得分居前2、3位的類型組合而成，組合時根據(jù)隸屬度的高低依次排列字母，構(gòu)成其人格類型組，如 RC、AIS等。4）預(yù)測的結(jié)果與被預(yù)測者選擇的人格特征值的準(zhǔn)確度密切相關(guān)。輸出值越接近1，則預(yù)測越可靠。若網(wǎng)絡(luò)輸出結(jié)果都遠(yuǎn)小于1，說明被預(yù)測者選擇的人格特征值不擋，應(yīng)修改自己的選擇或舍棄次要的特征，重新預(yù)測。

編號為 1、2 的學(xué)生，Y2的輸出分別為 0.6673、0.5339，其他輸出很小，隸屬度較高，說明這兩個學(xué)生基本屬于單一的研究型人格類型I。

編號為 3的學(xué)生，Y1、Y2的輸出分別為 0.6123、0.4768，其人格類型為RI，適宜依次在現(xiàn)實(shí)型、研究型對應(yīng)的職業(yè)群中選擇職業(yè)。編號為4的學(xué)生，Y1、Y6的輸出分別為0.4218、0.6673，其人格類型為CR，適宜依次在常規(guī)型、現(xiàn)實(shí)型對應(yīng)的職業(yè)群中選擇職業(yè)。這兩個學(xué)生的人格類型均具有相鄰關(guān)系。

編號為 5的學(xué)生，Y2、Y4的輸出分別為 0.1435、0.2790，其余輸出接近零。編號為6的學(xué)生類似。兩個學(xué)生所確認(rèn)的人格特征對應(yīng)的人格類型具有相隔關(guān)系，參考的人格類型是SI，學(xué)生可依次在社會型、研究型對應(yīng)的職業(yè)群中選擇職業(yè)。但隸屬度不高。若在這種環(huán)境中工作，個體需要不斷妥協(xié)以逐漸適應(yīng)工作環(huán)境。學(xué)生可考慮重新確定自己的人格特征。

表3 網(wǎng)絡(luò)測試樣本Tab.3 Network test sample

編號為7的學(xué)生，Y1、Y2、Y6的輸出非常接近，且隸屬度不高，說明該學(xué)生的特征不明顯，可以在現(xiàn)實(shí)型、研究型、常規(guī)型對應(yīng)的職業(yè)群中選擇職業(yè)，選擇范圍比較寬。

編號為8、9的學(xué)生，網(wǎng)絡(luò)的輸出均接近零，說明學(xué)生所確認(rèn)的人格特征對應(yīng)的人格類型具有相對關(guān)系，應(yīng)該重新確定人格特征并預(yù)測。如果個體尋找的是相對的職業(yè)環(huán)境，意味著所進(jìn)入的是與自我人格特征完全不同的職業(yè)環(huán)境，則工作起來可能難以適應(yīng)，或者難以做到工作時覺得很快樂，相反，甚至可能會每天工作得很痛苦。

但職業(yè)選擇中，個體并非一定要選擇與自己人格類型完全對應(yīng)的職業(yè)環(huán)境。因?yàn)橛绊懧殬I(yè)選擇的因素是多方面的，不完全依據(jù)人格類型，還要參照社會的職業(yè)需求及獲得職業(yè)的現(xiàn)實(shí)可能性等因素。

5 結(jié)束語

文中運(yùn)用約翰·霍蘭德的職業(yè)興趣理論和小波神經(jīng)網(wǎng)絡(luò)建立了一個職業(yè)預(yù)測模型，設(shè)計了網(wǎng)絡(luò)結(jié)構(gòu)、預(yù)測指標(biāo)體系和網(wǎng)絡(luò)訓(xùn)練樣本，并通過測試和分析驗(yàn)證了這種模型的有效性。但文中樣本數(shù)據(jù)的設(shè)計還不很完善，需要繼續(xù)研究以進(jìn)一步提高網(wǎng)絡(luò)的泛化能力。

[1]萬毅.試析影響大學(xué)生職業(yè)選擇的因素及對策研究[J].價值工程，2011（27）：276-277.

WAN Yi.Analysis of the factors affecting the career choice of college students and countermeasures[J].Value Engineering，2011（27）：276-277.

[2]馬麗，張舟云，貢俊.基于RBF神經(jīng)網(wǎng)絡(luò)和虛擬儀器的車用電測功系統(tǒng)數(shù)據(jù)處理 [J].吉林大學(xué)學(xué)報：工學(xué)版，2011（S2）：316-320.

MA Li，ZHANG Zhou-yun，GONG Jun.Data disposal of electrical dynamometer system based on RBF neural network and virtual instrument used in vehicle[J].Journal of Jilin University：Engineering and Technology Edition，2011（S2）：316-320.

[3]趙冬芝，施俊琦.霍蘭德職業(yè)性向理論在人力資源管理中的應(yīng)用[J].人才資源開發(fā)，2006（12）:48-50.

ZHAO Dong-zhi，SHI Jun-qi.Holland vocational aptitude theory in human resource management[J].Development of Human Resources，2006（12）:48-50.

[4]Stratta P，Daneluzzo E，Rinaldi 0，et al.Subjective cognitive valuation in a university student population by cognitive failure questionnaire （CFQ）[J].Schizophrenia Research，2003，60（supplement）:159.

[5]趙潔.基于AHP法的高校學(xué)生綜合素質(zhì)評價研究[J].科學(xué)技術(shù)與工程，2005，5（7）：460-463.

ZHAO Jie.Study on the appraisement on the integrated quality of college students based on AHP [J].Science Technology and Engineer，2005，5（7）：460-463.

[6]孫守亮，江銘炎.小波網(wǎng)絡(luò)參數(shù)初始化研究及應(yīng)用[J].信息技術(shù)，2005（7）：106-109.

SUN Shou-liang，JIANG Ming-yan.Study and application of waveletnetwork parameter initialization[J]. Information Technology，2005（7）：106-109.