于文華

(上海建橋?qū)W院 外國(guó)語(yǔ)學(xué)院, 上海 201306)

0 引言

創(chuàng)業(yè)就業(yè)指導(dǎo)[1]可以定義為一個(gè)程序，通過(guò)這個(gè)程序，學(xué)者們了解自己的工作，創(chuàng)業(yè)就業(yè)機(jī)會(huì)，并為這些機(jī)會(huì)做好準(zhǔn)備。創(chuàng)業(yè)就業(yè)指導(dǎo)是幫助學(xué)者認(rèn)識(shí)和了解自己和工作世界，從而做出職業(yè)、教育和生活決策的方法。

職業(yè)指導(dǎo)是一個(gè)最終的過(guò)程，不管你是否熟悉，事實(shí)上，這是一個(gè)在你出生時(shí)就在進(jìn)行的過(guò)程。職業(yè)選擇是每個(gè)學(xué)生都會(huì)面臨的人生中重要決定性的階段。在做出任何決定之前，學(xué)生必須充分考慮許多內(nèi)在或外在因素[2]。這些影響擇業(yè)決策的因素主要包括：學(xué)生的成績(jī)、個(gè)性、才干、技能、偏好、科目、職業(yè)興趣和父母的經(jīng)濟(jì)狀況等。然而決定職業(yè)是學(xué)生離開(kāi)學(xué)校時(shí)面臨的一項(xiàng)困難任務(wù)。許多學(xué)生在選擇職業(yè)道路時(shí)，沒(méi)有得到有關(guān)職業(yè)選擇的詳細(xì)信息和專業(yè)服務(wù)機(jī)構(gòu)的適當(dāng)建議，一旦做出不恰當(dāng)?shù)穆殬I(yè)選擇肯定會(huì)影響他們未來(lái)的計(jì)劃和職業(yè)生涯的幸福感。

因此，協(xié)助學(xué)生就業(yè)指導(dǎo)成為一種新的趨勢(shì)。隨著當(dāng)前信息、大數(shù)據(jù)、人工智能等新興技術(shù)的日趨成熟，可以通過(guò)將上述技術(shù)應(yīng)用于創(chuàng)業(yè)就業(yè)指導(dǎo)，努力促進(jìn)學(xué)生獲得職業(yè)信息，并獲得充分、全面的創(chuàng)業(yè)就業(yè)指導(dǎo)服務(wù)。針對(duì)學(xué)生創(chuàng)業(yè)就業(yè)指導(dǎo)服務(wù)，國(guó)內(nèi)外學(xué)者進(jìn)行了充分研究，并取得了許多成果。李燕燕[3]基于Hibernate框架和Struts框架的整合設(shè)計(jì)，構(gòu)建了“互聯(lián)網(wǎng)+”下高校創(chuàng)業(yè)就業(yè)指導(dǎo)平臺(tái)。李鳳春等[4]探討了大數(shù)據(jù)信息背景下高校就業(yè)創(chuàng)業(yè)信息網(wǎng)絡(luò)平臺(tái)的有效對(duì)策。Nooshin Pordelan等[5]提出了一種利用在線干預(yù)提供職業(yè)咨詢和指導(dǎo)方法，幫助學(xué)生提高對(duì)自身?xiàng)l件和現(xiàn)有職業(yè)狀況的認(rèn)識(shí)情況。然而大量的職業(yè)研究關(guān)注的是職業(yè)成長(zhǎng)和職業(yè)選擇，而不是職業(yè)指導(dǎo)和咨詢的過(guò)程和效果。

為解決上述問(wèn)題，本文提出了創(chuàng)業(yè)就業(yè)指導(dǎo)系統(tǒng)，通過(guò)對(duì)用戶需求進(jìn)行分析，利用數(shù)據(jù)挖掘、智能推薦算法、專家系統(tǒng)對(duì)用戶進(jìn)行針對(duì)性的職業(yè)指導(dǎo)。

1 創(chuàng)業(yè)就業(yè)指導(dǎo)系統(tǒng)

本文提出的創(chuàng)業(yè)就業(yè)指導(dǎo)系統(tǒng)如圖1所示。

圖1 數(shù)據(jù)挖掘總體結(jié)構(gòu)

系統(tǒng)共包含4個(gè)子系統(tǒng)，分別定義為數(shù)據(jù)庫(kù)系統(tǒng)、數(shù)據(jù)挖掘系統(tǒng)、推薦系統(tǒng)、專家系統(tǒng)。

系統(tǒng)中對(duì)于任何級(jí)別的就業(yè)指導(dǎo)，如初級(jí)、中級(jí)、高級(jí)，學(xué)者首先需要進(jìn)入系統(tǒng)并選擇指導(dǎo)級(jí)別，然后在系統(tǒng)數(shù)據(jù)庫(kù)中搜索匹配的指導(dǎo)，供學(xué)者查詢。如果系統(tǒng)在數(shù)據(jù)庫(kù)中找到了指導(dǎo)信息，那么系統(tǒng)會(huì)將該指導(dǎo)信息提供給學(xué)者；如果沒(méi)有在系統(tǒng)數(shù)據(jù)庫(kù)中找到指導(dǎo)信息，那么系統(tǒng)將針對(duì)特定領(lǐng)域的問(wèn)題進(jìn)行數(shù)據(jù)挖掘并進(jìn)行結(jié)果推薦，最后將問(wèn)題說(shuō)明交給領(lǐng)域?qū)＜?。領(lǐng)域?qū)＜覍樾碌闹笇?dǎo)問(wèn)題識(shí)別并添加知識(shí)。新的規(guī)則和事實(shí)將被添加到數(shù)據(jù)庫(kù)中。在此之后，系統(tǒng)將在數(shù)據(jù)庫(kù)中再次搜索，找到新的解決方案，為學(xué)者的查詢提供類似的指導(dǎo)。

1.1 數(shù)據(jù)庫(kù)系統(tǒng)

數(shù)據(jù)庫(kù)系統(tǒng)主要用來(lái)對(duì)系統(tǒng)中涉及的多類數(shù)據(jù)源進(jìn)行管理，如用戶信息、單位信息、招聘信息等多個(gè)數(shù)據(jù)源。需要注意的是，不同數(shù)據(jù)源之間必須解決互操作問(wèn)題，即提供一組訪問(wèn)數(shù)據(jù)源和收集所有所需數(shù)據(jù)的功能，這樣可進(jìn)一步對(duì)不同數(shù)據(jù)源進(jìn)行關(guān)聯(lián)分析。數(shù)據(jù)庫(kù)系統(tǒng)主要采用先進(jìn)的數(shù)據(jù)管理技術(shù)，例如非關(guān)系SQL[6]和關(guān)系系統(tǒng)等。此外，數(shù)據(jù)庫(kù)系統(tǒng)需提供一組讀/寫(xiě)數(shù)據(jù)的基本API，以便管理人員錄入或更新數(shù)據(jù)。

1.2 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘[7]可以定義為數(shù)據(jù)庫(kù)挖掘或數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)，其目的是從大數(shù)據(jù)集中發(fā)現(xiàn)有用的信息。數(shù)據(jù)挖掘是從大型數(shù)據(jù)庫(kù)中提取未知信息。這是一項(xiàng)極具潛力的新技術(shù)，有助于將注意力集中在數(shù)據(jù)倉(cāng)庫(kù)中最重要的業(yè)務(wù)流程信息上。有時(shí)數(shù)據(jù)挖掘也被稱為知識(shí)發(fā)現(xiàn)。知識(shí)發(fā)現(xiàn)是從不同角度分析數(shù)據(jù)并將其簡(jiǎn)化為有意義和有用信息的方法。數(shù)據(jù)挖掘已經(jīng)被成功地應(yīng)用到許多現(xiàn)實(shí)世界中需要解決的問(wèn)題上。因此，數(shù)據(jù)挖掘已經(jīng)成為一種商業(yè)智能工具，具有巨大的發(fā)展前景。盡管數(shù)據(jù)挖掘技術(shù)有很多種，但在教育領(lǐng)域所做的工作大多屬于分類、聚類、可視化、關(guān)聯(lián)分析等。

建立知識(shí)的數(shù)據(jù)挖掘過(guò)程的總體結(jié)構(gòu),如圖2所示。

圖2 數(shù)據(jù)挖掘總體結(jié)構(gòu)

由圖2可知，目標(biāo)數(shù)據(jù)是從原始數(shù)據(jù)庫(kù)中經(jīng)查詢選擇的結(jié)果。在選擇目標(biāo)數(shù)據(jù)后，利用數(shù)據(jù)處理和轉(zhuǎn)換后形成模型可識(shí)別的標(biāo)準(zhǔn)數(shù)據(jù)，并經(jīng)過(guò)數(shù)據(jù)挖掘和估計(jì)，將數(shù)據(jù)轉(zhuǎn)化為知識(shí)。

1.3 推薦系統(tǒng)

推薦系統(tǒng)[8]可以看作是一種軟件系統(tǒng)，它分析有關(guān)項(xiàng)目、用戶以及他們之間的交互作用的信息，以便通過(guò)預(yù)測(cè)用戶對(duì)特定項(xiàng)目的興趣來(lái)向用戶推薦最合適的項(xiàng)目。推薦系統(tǒng)在不同領(lǐng)域，特別是在電子商務(wù)領(lǐng)域，已經(jīng)證明了它的有效性。

本系統(tǒng)的目的是返回最符合用戶需求的排名靠前的服務(wù)信息。推薦系統(tǒng)運(yùn)用本文提出的改進(jìn)的基于用戶的協(xié)同過(guò)濾推薦算法，并通過(guò)過(guò)濾、評(píng)分、排序和評(píng)估四個(gè)步驟來(lái)實(shí)現(xiàn)。過(guò)濾將排除與用戶需求不匹配的服務(wù)。評(píng)分為每個(gè)服務(wù)分配一個(gè)數(shù)值。排序根據(jù)篩選和評(píng)分結(jié)果返回服務(wù)的有序列表。評(píng)估使用標(biāo)準(zhǔn)的信息檢索指標(biāo)來(lái)評(píng)估推薦的服務(wù)和推薦算法。

1.4 專家系統(tǒng)

專家系統(tǒng)[9]可以描述為一個(gè)計(jì)算機(jī)程序，它利用人工智能來(lái)解決特定領(lǐng)域內(nèi)與計(jì)算機(jī)有關(guān)的問(wèn)題，而這些問(wèn)題通常是人們使用所必需的。專家系統(tǒng)最重要的目標(biāo)是通過(guò)構(gòu)造顯示智能活動(dòng)的計(jì)算機(jī)程序來(lái)感知智能，企業(yè)如何通過(guò)專家系統(tǒng)進(jìn)行具有代表性的推理,這是一個(gè)被廣泛接受的特征。專家系統(tǒng)是在系統(tǒng)中執(zhí)行的一種應(yīng)用程序，它可以在需要時(shí)進(jìn)行回憶，并以專家的身份進(jìn)行工作，并以專家的身份為學(xué)者提供指導(dǎo)，設(shè)計(jì)專家系統(tǒng)的主要要求之一是數(shù)據(jù)庫(kù)和實(shí)體的知識(shí)，它研究和理解數(shù)據(jù)庫(kù)以及人類專家是如何做出決策的，并將規(guī)則解釋成計(jì)算機(jī)能夠識(shí)別并完成任務(wù)的術(shù)語(yǔ)。專家系統(tǒng)的核心思想是當(dāng)學(xué)者從一個(gè)系統(tǒng)中尋找職業(yè)指導(dǎo)時(shí)，給他們一個(gè)專業(yè)的建議。

專家系統(tǒng)的總體結(jié)構(gòu),如圖3所示。

圖3 專家系統(tǒng)總體結(jié)構(gòu)

專家系統(tǒng)一般有3種主要機(jī)制，可劃分為知識(shí)庫(kù)、推理機(jī)和用戶，這些知識(shí)基本上包含了推理機(jī)用來(lái)描述包裝的領(lǐng)域知識(shí)。一般來(lái)說(shuō)，知識(shí)是從人類的輸出中通過(guò)解釋而獲得的，這種知識(shí)往往以IF-THEN規(guī)則的形式表現(xiàn)出來(lái)。教育領(lǐng)域是應(yīng)用上述技術(shù)的一個(gè)極其活躍和要求極高的領(lǐng)域。專家系統(tǒng)從數(shù)據(jù)庫(kù)中檢索學(xué)生查詢的創(chuàng)業(yè)就業(yè)信息，并將查詢的結(jié)果發(fā)送到專家域，專家域?qū)⑼ㄟ^(guò)知識(shí)庫(kù)并推理，最終輸出結(jié)果為學(xué)生提供指導(dǎo)信息。

2 基于用戶的協(xié)同過(guò)濾推薦算法

在基于用戶的協(xié)同過(guò)濾推薦系統(tǒng)中，用戶評(píng)分?jǐn)?shù)據(jù)通常用用戶項(xiàng)目評(píng)分矩陣Rm·n來(lái)描述，其中m表示所有用戶的數(shù)量;n表示所有項(xiàng)目的數(shù)量。Rij是用戶i對(duì)j項(xiàng)的評(píng)分，表示用戶對(duì)該項(xiàng)的偏好程度。

在基于用戶的協(xié)同過(guò)濾推薦算法[10]中，最重要的一步是搜索目標(biāo)用戶的鄰居。通常采用相似度作為衡量用戶興趣愛(ài)好相似度的手段，通過(guò)共同的用戶評(píng)分?jǐn)?shù)據(jù)來(lái)衡量用戶的興趣愛(ài)好相似度。本文采用皮爾遜相關(guān)系數(shù)(PCC)反映用戶或項(xiàng)目的相似性，具體定義如式(1)。

(1)

進(jìn)一步，假設(shè)Nt表示當(dāng)前用戶t的鄰居集。則其對(duì)第i項(xiàng)的評(píng)分可以預(yù)測(cè)如式(2)。

(2)

然而傳統(tǒng)方法計(jì)算出的相似度值很高，僅僅是因?yàn)橛邢薜脑u(píng)分非常接近。但事實(shí)上，這是不可靠的，因?yàn)橛脩糁g的興趣可能不相似。故在計(jì)算相似度時(shí)，不僅要考慮不同用戶評(píng)分的相似程度，還需考慮同時(shí)評(píng)分的項(xiàng)目數(shù)。因此，本文引入一個(gè)加權(quán)因子來(lái)調(diào)整傳統(tǒng)的相似度計(jì)算，定義如式(3)。

(3)

其中，k表示用戶u與用戶v共同評(píng)價(jià)的項(xiàng)目數(shù);γ表示調(diào)整用戶相似度的預(yù)置閾值，主要由用戶項(xiàng)目評(píng)分矩陣的稀疏性決定。一般情況下，如果矩陣非常稀疏，兩個(gè)用戶共同評(píng)估的項(xiàng)目數(shù)相對(duì)較少，則閾值應(yīng)設(shè)置得較小。由式(3)可知，如果k大于閾值γ，則不需要調(diào)整相似度。

此外，如果某用戶的評(píng)分與所有用戶對(duì)該項(xiàng)目的平均得分非常接近，則表明該用戶的評(píng)分準(zhǔn)確率較高。這樣一來(lái)，如果對(duì)特殊需求(個(gè)別人員對(duì)一些如限定職業(yè)、或國(guó)內(nèi)外出差等小眾需求)評(píng)分的貢獻(xiàn)就會(huì)降低，從而提高系統(tǒng)推薦的準(zhǔn)確率。本文引入評(píng)估精度C(u)描述對(duì)用戶u評(píng)估的準(zhǔn)確度，定義為式(4)。

(4)

綜上，將式(3)、式(4)中兩個(gè)權(quán)重因子進(jìn)行加權(quán)平均作為最終用戶的相似權(quán)重。定義如式(5)。

W=S(u)×C(u)

(5)

利用式(5)對(duì)傳統(tǒng)基于用戶的協(xié)同過(guò)濾推薦算法中相似性方程(式(1))進(jìn)行改進(jìn)，有式(6)。

sim*(u,v)=W×sim(u,v)

(6)

3 實(shí)驗(yàn)仿真

本節(jié)設(shè)計(jì)了一個(gè)實(shí)驗(yàn)場(chǎng)景來(lái)驗(yàn)證所提創(chuàng)業(yè)就業(yè)指導(dǎo)系統(tǒng)的有效性。部分影響學(xué)生職業(yè)生涯決策的不同影響因素,如表1所示。

表1 部分影響學(xué)生職業(yè)生涯決策的不同影響因素

每個(gè)影響因素都有一個(gè)數(shù)值權(quán)重，該數(shù)值權(quán)重用于對(duì)不同學(xué)生的選擇因素進(jìn)行評(píng)分。學(xué)生選取因素取值范圍在1至5之間，然后系統(tǒng)將這些因素匹配到系統(tǒng)數(shù)據(jù)庫(kù)中，向?qū)W生提供精確的指導(dǎo)。

進(jìn)一步，本文提出的改進(jìn)協(xié)同過(guò)濾算法與傳統(tǒng)的基于用戶的協(xié)同過(guò)濾算法(UBCF)的推薦性能對(duì)比結(jié)果,如圖4所示。

可以看出，由于改進(jìn)了相似函數(shù)，不同數(shù)量學(xué)生的推薦準(zhǔn)確率值明顯高于傳統(tǒng)的基于用戶的協(xié)同過(guò)濾算法。利用本文方法，使最終推薦結(jié)果更加合理有效。

4 總結(jié)

本文提出了一個(gè)針對(duì)學(xué)生需求的創(chuàng)業(yè)就業(yè)指導(dǎo)系統(tǒng)。系統(tǒng)包含4個(gè)子系統(tǒng)，分別為數(shù)據(jù)庫(kù)系統(tǒng)、數(shù)據(jù)挖掘系統(tǒng)、推薦系統(tǒng)、專家系統(tǒng)。各子系統(tǒng)通過(guò)對(duì)用戶需求進(jìn)行針對(duì)性分析，并根據(jù)學(xué)生偏好因素利用改進(jìn)的協(xié)同過(guò)濾算法進(jìn)行職業(yè)推薦。實(shí)驗(yàn)環(huán)節(jié)驗(yàn)證了本文所提創(chuàng)業(yè)就業(yè)指導(dǎo)系統(tǒng)的有效性。

圖4 不同算法對(duì)比結(jié)果