李春燕

（東北石油大學，黑龍江大慶 163318）

伴隨高等教育改革的逐漸深入，畢業(yè)生的就業(yè)競爭逐漸增大，高校大學生的就業(yè)形勢愈發(fā)嚴峻。大學生就業(yè)問題為中國教育領(lǐng)域中的重中之重，此問題對高等教育的延續(xù)、社會經(jīng)濟發(fā)展與人才培養(yǎng)均存在不可忽視的作用[1]。為了全面優(yōu)化大學生就業(yè)水平與就業(yè)質(zhì)量，必須全面分析大學生就業(yè)狀況。大學生就業(yè)去向跟蹤能夠全方位掌握大學生就業(yè)趨向，分析大學生對自身的就業(yè)觀[2]。以往分析大學生就業(yè)狀況時，各大高校均以就業(yè)率來評價，但有研究結(jié)果顯示，就業(yè)率僅可以體現(xiàn)畢業(yè)生在畢業(yè)之際的就業(yè)狀況。高校畢業(yè)生在剛剛踏入工作崗位后，就業(yè)狀態(tài)將存在一定變動性，所以就業(yè)率并不能科學、合理地體現(xiàn)大學生就業(yè)狀況[3]。就業(yè)去向跟蹤，能夠在指定時間段內(nèi)，持續(xù)跟蹤學生就業(yè)狀況，分析學生就業(yè)質(zhì)量[4]。為此，該文構(gòu)建基于深度學習網(wǎng)絡(luò)的大學生就業(yè)去向跟蹤模型，對大學生就業(yè)狀況分析存在現(xiàn)實意義。

1 大學生就業(yè)去向跟蹤模型的具體設(shè)計

1.1 基于粗糙集與BP神經(jīng)網(wǎng)絡(luò)的就業(yè)數(shù)據(jù)分類方法

因為各大高校畢業(yè)生人群中存在尚未工作的學生，所以使用基于粗糙集與BP 神經(jīng)網(wǎng)絡(luò)的就業(yè)數(shù)據(jù)分類方法，篩選大學生就業(yè)數(shù)據(jù)，獲取已就業(yè)大學生的就業(yè)數(shù)據(jù)。

1.1.1 分類模型的構(gòu)建

1）就業(yè)數(shù)據(jù)預(yù)處理。將大學生就業(yè)原始數(shù)據(jù)集分為條件屬性集合與目標屬性集合，把每個就業(yè)數(shù)據(jù)屬性實施泛化，泛化是為了將大學生就業(yè)原始數(shù)據(jù)集中就業(yè)數(shù)據(jù)連續(xù)屬性的取值區(qū)間分成很多小區(qū)間，各個區(qū)間存在一種離散符號[5-6]。以此能夠獲取一種決策系統(tǒng)，合并決策系統(tǒng)里不存在差異的就業(yè)數(shù)據(jù)，獲取用來支持分類模型的決策系統(tǒng)(V,DVE)。

2）把粗糙集理論使用在就業(yè)數(shù)據(jù)特征選取問題中，在原始就業(yè)數(shù)據(jù)里獲取最能體現(xiàn)分類屬性的特征[7]。詳細方法是：

輸入：就業(yè)數(shù)據(jù)特征選擇的條件屬性集D、就業(yè)數(shù)據(jù)特征選擇的決策屬性集E、就業(yè)數(shù)據(jù)特征選擇的決策信息系統(tǒng)(V,DVE)，V表示論域。

輸出：獲取判斷矩陣N、約簡集RRED(D,E)。

第一步：假定決策系統(tǒng)里就業(yè)數(shù)據(jù)屬性的數(shù)目是m，則RRED(D,E)=?，?表示大學生就業(yè)訓練數(shù)據(jù)集，m=|V|。

第二步：建立m×m的空屬性矩陣N。

第三步：構(gòu)建判斷矩陣N。

第四步：輸出判斷矩陣N、約簡集RRED(D,E)。

3）構(gòu)建模型節(jié)點。圍繞約簡集RRED(D,E)構(gòu)建模型的初始節(jié)點，把就業(yè)數(shù)據(jù)屬性不存在差異的節(jié)點放在模型的同一層間，之后分別在各個節(jié)點里去除一種屬性，獲取后續(xù)節(jié)點。

4）分類模型。將各個節(jié)點使用BP 神經(jīng)網(wǎng)絡(luò)模型實施訓練，訓練時，將第p層第j個節(jié)點設(shè)成獲取的分類模型是：

其中，bn表示就業(yè)數(shù)據(jù)屬性。

1.1.2 就業(yè)數(shù)據(jù)分類實現(xiàn)

將訓練數(shù)據(jù)集構(gòu)建分類模型后，使用該模型對大學生就業(yè)數(shù)據(jù)實現(xiàn)分類[8-9]。分類流程如下：

1）將需要分類的就業(yè)數(shù)據(jù)集條件屬性和分層分類模型里的節(jié)點相匹配[10-11]。詳情見圖1。

圖1 分類節(jié)點衍生詳情

自左到右檢索獲取首個匹配節(jié)點。

2）使用此節(jié)點中已經(jīng)訓練完畢的BP 神經(jīng)網(wǎng)絡(luò)模型對就業(yè)數(shù)據(jù)集實施分類，篩選就業(yè)原始數(shù)據(jù)集中已就業(yè)與未就業(yè)的數(shù)據(jù)分類結(jié)果[12-13]。

1.2 基于馬爾科夫過程的大學生就業(yè)移動預(yù)測模型

獲取大學生就業(yè)原始數(shù)據(jù)集中已就業(yè)的就業(yè)數(shù)據(jù)后，通過基于馬爾科夫過程的大學生就業(yè)移動預(yù)測模型，完成大學生就業(yè)去向跟蹤[14]。

1.2.1 轉(zhuǎn)移矩陣

假定{Ym} 描述馬爾科夫鏈，大學生就業(yè)狀態(tài)空間設(shè)成描述大學生就業(yè)狀況第一次的概率分布。m描述轉(zhuǎn)移次數(shù)構(gòu)成矩陣形式可能表示為：

1.2.2 穩(wěn)態(tài)概率分布

大學生在就業(yè)崗位里并不存在固定性，將就業(yè)狀態(tài)設(shè)成V。針對隨機V而言，具有正整數(shù)n，若qMM()1 ≥0，則馬爾科夫鏈存在平穩(wěn)分布狀態(tài)向量α：

其屬于方程組（4）的唯一正解：

若處于平穩(wěn)分布狀況的鏈是Y，穩(wěn)態(tài)的就業(yè)質(zhì)量等級(就業(yè)狀態(tài)優(yōu)劣)期望值FY與方差EY依次是：

式中，j表示就業(yè)等級（就業(yè)崗位等級）。

分析穩(wěn)態(tài)過程里的就業(yè)崗位屬性，能夠獲取大學生的就業(yè)結(jié)構(gòu)、就業(yè)程度以及就業(yè)差異[15-16]。

1.2.3 轉(zhuǎn)移步數(shù)跟蹤

當就業(yè)去向轉(zhuǎn)移矩陣Q已經(jīng)獲取后，m步轉(zhuǎn)移概率矩陣是：

在第一次就業(yè)便存在m步轉(zhuǎn)移，第m步時就業(yè)狀態(tài)概率分布是：

設(shè)定置信度是β，則就業(yè)各個階段的期望值是：

就業(yè)各個階段的期望值與平穩(wěn)分布α=(α1,α2,…,αj)的期望值之比是：

其中，m描述大學生第一次就業(yè)實現(xiàn)穩(wěn)態(tài)時的轉(zhuǎn)移步數(shù)最小值。

1.2.4 就業(yè)崗位級別跟蹤

若大學生就業(yè)目標是一級就業(yè)(一級就業(yè)即為優(yōu)秀崗位)，將大學生在第一次就業(yè)中實現(xiàn)就業(yè)目標的期望時間設(shè)成k(M)，那么時間模型是：

在前后兩次就業(yè)跟蹤中，就業(yè)目標降級出現(xiàn)的狀況很少，就業(yè)等級變小的比例能夠看成0。若i＞j，就業(yè)崗位轉(zhuǎn)移矩陣是：

第一次就業(yè)的大學生實現(xiàn)就業(yè)目標的期望時間模型是：

2 實驗分析

使用該文模型對北京市“對外經(jīng)濟貿(mào)易大學”2017 屆某本科生在2018-2019 年就業(yè)去向?qū)嵤└櫋Ｔ搶W生學習的專業(yè)為經(jīng)濟與金融，該文模型對其就業(yè)去向跟蹤結(jié)果見表1。

隨機在表1 中提取幾個月份的就業(yè)去向跟蹤結(jié)果和實際就業(yè)狀況實施校對，測試上述分析結(jié)果的真實性，結(jié)果見表2。根據(jù)表2 顯示，該文模型對北京市“對外經(jīng)濟貿(mào)易大學”2017 屆某本科生2018-2019 年的就業(yè)去向跟蹤結(jié)果有效，與實際就業(yè)狀況完全匹配。

表1 就業(yè)去向跟蹤結(jié)果

表2 跟蹤結(jié)果真實性

為了測試該文模型的應(yīng)用性能，對不同專業(yè)的大學生就業(yè)去向?qū)嵤└櫍檶ο笤谛W習專業(yè)依次是經(jīng)濟與金融、物流管理、工商管理、海關(guān)管理、電子商務(wù)、行政管理、國際政治。分析該文模型、支持向量機模型對7 種專業(yè)大學生2018-2019 年的就業(yè)去向跟蹤結(jié)果的召回率，結(jié)果見圖2。分析圖2 召回率的測試結(jié)果可知，兩種模型對7 種專業(yè)大學生2018-2019 年就業(yè)去向的跟蹤結(jié)果存在差異，該文模型跟蹤結(jié)果的召回率大于支持向量機模型。由此可見，該文模型的跟蹤性能最佳。

圖2 兩種模型召回率對比結(jié)果

測試兩種模型在跟蹤該校7 種專業(yè)大學生2 年內(nèi)就業(yè)去向時，對大學生就業(yè)去向的時間、崗位數(shù)據(jù)的漏查率與誤查率進行了對比，結(jié)果見圖3、圖4。分析圖3、圖4可知，該文模型對大學生就業(yè)去向的時間、崗位數(shù)據(jù)的漏查率與誤查率較低，在差異專業(yè)的大學生就業(yè)數(shù)據(jù)中，該文模型對就業(yè)去向的時間、崗位數(shù)據(jù)漏查率與誤查率均低于2%，而支持向量機模型對大學生就業(yè)去向的時間、崗位數(shù)據(jù)的漏查率與誤查率始終高于2%，則該文模型更適用于大學生就業(yè)去向跟蹤問題。

圖3 兩種模型漏查率對比結(jié)果

圖4 兩種模型誤查率對比結(jié)果

3 結(jié)束語

大學生就業(yè)狀況跟蹤，對各大高校辦學質(zhì)量存在十分重要的影響。實時跟蹤大學生就業(yè)狀況，分析畢業(yè)生在工作崗位遇到的問題后，可在高校教育內(nèi)容中進行拓展，對應(yīng)屆大學生的就業(yè)能力培養(yǎng)存在一定意義。該文構(gòu)建的大學生就業(yè)去向跟蹤模型，運用了深度學習理論對數(shù)據(jù)分類、趨勢預(yù)測的優(yōu)勢，能夠?qū)崿F(xiàn)大學生就業(yè)去向高精度跟蹤。經(jīng)測試，該文模型的跟蹤結(jié)果的召回率優(yōu)于支持向量機模型，且漏查率與誤查率較低，跟蹤性能佳。