李翔　黨曉楠　王清雯

摘要：本文以鎮(zhèn)江市高等?？茖W校醫(yī)藥與化材學院畢業(yè)生的就業(yè)質(zhì)量為預測目標，采用單雙隱層神經(jīng)網(wǎng)絡作為預測模型，通過比較模型訓練時的預測精度，模型仿真時的預測時間及精度，比較單雙隱層的預測能力。實驗結(jié)果表明，對于較小輸入層神經(jīng)元數(shù)的BP神經(jīng)網(wǎng)絡模型而言，采用單隱層是較為合理的，預測精度也較高。采用雙隱層模型將會導致模型運算復雜化，預測精度反而降低。

關(guān)鍵詞：就業(yè)質(zhì)量；神經(jīng)網(wǎng)絡；貢獻率；預測

中圖分類號：G642.0；TP393 文獻標志碼：A 文章編號：1674-9324（2018）29-0037-03

一、引言

高職院校學生的就業(yè)質(zhì)量一直是社會普遍關(guān)注的焦點，如何有效地對大學生的就業(yè)質(zhì)量進行預判，是當前社會研究的熱點。目前，有大量的研究采用反向傳播（Back Propagation）神經(jīng)網(wǎng)絡對大學生的就業(yè)率、就業(yè)能力、就業(yè)情況進行分析，取得了令人滿意的研究成果。但目前關(guān)于采用BP神經(jīng)網(wǎng)絡對高職院校大學生就業(yè)質(zhì)量的分析研究仍然較少。同時，影響高職院校大學生就業(yè)質(zhì)量的因素眾多，如知識因素、個人因素等，如果將眾多的因素量化并建立數(shù)據(jù)庫時，數(shù)據(jù)庫便顯得龐大繁雜。模型結(jié)構(gòu)及參數(shù)的設(shè)定可能就會對模型的訓練速度及精度有所影響，最終對就業(yè)質(zhì)量的預測精度造成影響。因此，需要對模型的結(jié)構(gòu)及參數(shù)的設(shè)定進行探討，尋找到預測高職院校大學生就業(yè)質(zhì)量的最佳模型。

因此，本文嘗試采用兩種不同結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡模型對大學生的就業(yè)質(zhì)量進行分析，對不同隱層數(shù)的模型的預測精度進行比較分析。

二、BP神經(jīng)網(wǎng)絡

BP網(wǎng)絡（Back Propagation）是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前應用最為廣泛的神經(jīng)網(wǎng)絡模型之一。BP網(wǎng)絡能學習和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學方程。該網(wǎng)絡主要包括了一個輸入層和一個輸出層，中間包含了一個或者多個隱含層。每層都具有一定數(shù)量的神經(jīng)元，輸入層的神經(jīng)元數(shù)目對應著影響目標值的各因素數(shù)目。層與層之間的神經(jīng)元存在著權(quán)值和閾值，具體的計算公式可參考文獻。

三、研究方法

1.模型數(shù)據(jù)庫的建立。對醫(yī)藥與化材學院的近三年畢業(yè)生采取問卷調(diào)查形式，問卷調(diào)查內(nèi)容涵蓋了影響大學生就業(yè)質(zhì)量的知識因素及個人因素，例如知識因素中的專業(yè)知識因素主要包含了外語過級情況、畢業(yè)生在校期間的班級排名等，個人因素包含了“自我自覺性評價”“自我實踐能力評價”“自我表達能力評價”“自我抗壓能力評價”“自我創(chuàng)新性評價”等。建立模型時需將各個因素進行量化，如“自我實踐能力評價”分為“很強”“較強”“一般”“弱”四個選項，在建立數(shù)據(jù)庫時分別設(shè)定值為“0.99”“0.75”“0.5”“0.25”，將“目前工作的滿意度及未來發(fā)展前景”作為大學生就業(yè)質(zhì)量的最終評價標準，其選項中“非常滿意”“滿意”“一般”“不滿意”分別設(shè)定值為“0.99”“0.75”“0.5”“0.25”。將各個因素有規(guī)律的量化是建立數(shù)據(jù)庫的基本要求，部分訓練樣本的數(shù)據(jù)如表1所示。10個樣本的就業(yè)質(zhì)量目標值量化后分別對應0.75、0.5、0.5、0.75、0.75、0.5、0.5、0.75、0.5、0.75。整個調(diào)查問卷過程回收有效問卷85份，任意選擇75份樣本數(shù)據(jù)建立數(shù)據(jù)庫以供模型訓練，剩余10樣本數(shù)據(jù)作為“驗證組”，將與模型的“預測組”進行比較，判斷模型的預測精度。

2.模型主要參數(shù)的確定。

（1）傳遞函數(shù)及訓練函數(shù)的確定。BP神經(jīng)網(wǎng)絡建模過程可直接采用MATLAB工具箱實現(xiàn)，MATLAB提供了神經(jīng)網(wǎng)絡工具箱，網(wǎng)絡設(shè)計者可根據(jù)自己的需求直接調(diào)用工具箱中有關(guān)神經(jīng)網(wǎng)絡的設(shè)計及訓練程序。神經(jīng)網(wǎng)絡工具箱提供了建立神經(jīng)網(wǎng)絡的專用函數(shù)newff （ ），該函數(shù)的調(diào)用格式為：net=newff（PR，[S1 S2 … SN]，{TF1 TF2 … TFN}，BTF，BLF，PF），其中PR為數(shù)據(jù)的取值范圍，通常原始數(shù)據(jù)都要經(jīng)過歸一化處理，處理后其值范圍在[-1，1]之間。Si為第i層的神經(jīng)元數(shù)，總共N層，TFi為第i層的傳遞函數(shù)，本文單、雙隱層的傳遞函數(shù)都設(shè)定為“tansig”，輸出層的傳遞函數(shù)設(shè)為“purelin”。同時，訓練函數(shù)選擇“traingdm”函數(shù)，該函數(shù)采用了有動量的梯度下降法，具有較高的訓練精度。

（2）單隱層BP神經(jīng)網(wǎng)絡隱含層神經(jīng)元數(shù)的確定。本文隱含層神經(jīng)元數(shù)的確定參考高大啟提供的一個經(jīng)驗公式：

S=0.51+■（1）

式中，m為輸入層神經(jīng)元數(shù)，n為輸出層神經(jīng)元數(shù)，S為隱含層神經(jīng)元數(shù)，本文輸入層神經(jīng)元數(shù)為9，輸出層神經(jīng)元數(shù)為1，通過計算可得隱含層神經(jīng)元數(shù)為6，因此，本文嘗試大的隱含層神經(jīng)元數(shù)分別為4、5、6、7。

（3）雙隱層BP神經(jīng)網(wǎng)絡隱含層神經(jīng)元數(shù)的確定。參考單隱層BP神經(jīng)網(wǎng)絡的隱含層神經(jīng)元數(shù)，雙隱層第一層神經(jīng)元數(shù)分別為5、6、7，第二層神經(jīng)元數(shù)分別為5、6、7，因此共有九個不同結(jié)構(gòu)的雙隱層神經(jīng)網(wǎng)絡。

（4）學習率及其他訓練參數(shù)的確定。本文的學習率設(shè)定為0.1，精度設(shè)定為0.02，訓練步數(shù)設(shè)定為200000，訓練步長設(shè)定為1000。

（5）Matlab的主要程序。

單隱層BP模型引用程序為：

net=newff（minmax（P），[X，1]，{'tansig'，'purelin'}，'traingdm'）；

雙隱層BP模型引用程序為：

net=newff（minmax（P），[X，Y，1]，{'tansig'，'tansig'，'purelin'}，'traingdm'）；

其中，P為用于訓練的樣本各因素量化后的數(shù)據(jù)庫，X與Y分別為第一層與第二層隱含層的神經(jīng)元數(shù)目，T為用于訓練的樣本目標量化后的數(shù)據(jù)，Pn為用于模型驗證的原始數(shù)據(jù)。

四、BP神經(jīng)網(wǎng)絡模型的仿真

本文采用了75個樣本建立數(shù)據(jù)庫用于BP神經(jīng)網(wǎng)絡模型的訓練，10個樣本數(shù)據(jù)用于模型性能的預測，實驗結(jié)果如表2與表3所示。本文的預測目標是大學生的就業(yè)質(zhì)量，采用的是“目前工作的滿意度以及未來發(fā)展前景”作為就業(yè)質(zhì)量的評價標準。因為本文采用了統(tǒng)計學模型進行數(shù)據(jù)分析，因此模型仿真后的值為具體數(shù)值，需要進一步對應其滿意度，轉(zhuǎn)化后的預測滿意度與實際滿意度如表3所示。例如當單隱含層的神經(jīng)元數(shù)為6時，樣本4的預測值為0.6216，相比較0.75，0.6216更加接近0.5，因此對應的滿意度為“一般”，與實際值相同。

從表3可以看出，當隱含層數(shù)為一層，隱含層神經(jīng)元數(shù)為5時，模型預測的精確度達到了90%，其他結(jié)構(gòu)模型的預測精度都低于該模型。特別是對于雙隱層BP神經(jīng)網(wǎng)絡而言，當隱含層節(jié)點數(shù)為6/6時，模型的預測精度為80%，可以看出，單隱層神經(jīng)網(wǎng)絡模型的預測精度要高于雙隱層神經(jīng)網(wǎng)絡模型。這就從側(cè)面說明單隱層BP神經(jīng)網(wǎng)絡是具備了高精度的預測性能。

對于單隱層的BP神經(jīng)網(wǎng)絡模型而言，隨著隱含層神經(jīng)元數(shù)的增加，模型的預測精度呈現(xiàn)了一個先增加后降低的趨勢，說明當采用BP神經(jīng)網(wǎng)絡模型進行預測時，隱含層神經(jīng)元數(shù)的選擇對預測精度有重大影響。合理選擇隱含層神經(jīng)元可提高模型的預測精度。

五、結(jié)論

本文采用了單、雙隱含層的BP神經(jīng)網(wǎng)絡對大學生的就業(yè)質(zhì)量進行了預測，當隱含層神經(jīng)元數(shù)為6時，模型的預測精度達到了90%，說明該模型具有非常高的預測精度，模型具備了很強的適用性。當對小樣本數(shù)據(jù)進行訓練時，可以采用單隱層的BP神經(jīng)網(wǎng)絡。

參考文獻：

[1]馬丹丹，于占龍，劉越.BP神經(jīng)網(wǎng)絡在大學畢業(yè)生就業(yè)率預測中的研究與應用[J].佳木斯大學學報（自然科學版），2014，32（5）：751-753.

[2]楊光軍.灰色理論和BP神經(jīng)網(wǎng)絡在大學生就業(yè)信心指數(shù)預測中的應用[J].數(shù)學的實踐與認識，2013，15（6）：62-67.

[3]吳振磊，劉孝趙.一種基于BP神經(jīng)網(wǎng)絡的就業(yè)分析預測模型[J].輕工科技，2016，（9）：70-71.

[4]陳立俊，王克強.基于人工神經(jīng)網(wǎng)絡方法的大學生就業(yè)問題探析[J].教育發(fā)展研究，2013，13-14.

[5]佘其平，鄧娟，李慶.基于BP神經(jīng)網(wǎng)絡的大學生就業(yè)情況分析[J].現(xiàn)代商貿(mào)工業(yè)，2015，36（25），139-141.

[6]童輝杰，楊雅婕，呂航.應用神經(jīng)網(wǎng)絡模型對大學畢業(yè)生就業(yè)質(zhì)量的預測[J].人類工效學，2012，（3）：20-23.

[7]周勇.大學生就業(yè)對我國經(jīng)濟的現(xiàn)實影響及建議[J].唐山學院學報，2016，28（1）：100-104.

[8]葉斌，雷燕.關(guān)于BP網(wǎng)中隱含層數(shù)及節(jié)點數(shù)選取方法淺析[J].商丘職業(yè)技術(shù)學院學報，2004，3（15）：52-53.