摘要：在線招聘作為人才招聘的重要渠道，在線招聘廣告中蘊(yùn)含了豐富的崗位技能需求信息，從在線招聘廣告中識(shí)別并分析崗位技能需求，為專業(yè)人才培養(yǎng)目標(biāo)的編制提供依據(jù)。本文以大數(shù)據(jù)技術(shù)相關(guān)崗位的在線招聘廣告為例，分析崗位分布和開(kāi)發(fā)工具詞頻，利用LAD主題模型分析技能主題，識(shí)別技能特征詞，構(gòu)建技能特征-開(kāi)發(fā)工具映射關(guān)系，最后利用熵權(quán)法評(píng)估技能需求。評(píng)估結(jié)果：最需要的技能是數(shù)據(jù)分析，占45%。其次是數(shù)據(jù)庫(kù)和機(jī)器學(xué)習(xí)，然后是數(shù)據(jù)報(bào)告、深度學(xué)習(xí)、網(wǎng)絡(luò)爬蟲、應(yīng)用開(kāi)發(fā)和數(shù)據(jù)處理。本文的研究有效避免了調(diào)查問(wèn)卷、專家訪談等傳統(tǒng)方法的主觀干擾及樣本量少、信息滯后等問(wèn)題。

關(guān)鍵詞：崗位技能需求;LDA;主題識(shí)別;熵權(quán)法

高職教育主要目標(biāo)是培養(yǎng)崗位需要的高素質(zhì)技術(shù)技能型人才，促進(jìn)學(xué)生高水平就業(yè)。全面分析崗位技能需求并非易事，傳統(tǒng)的智能制造等崗位因技術(shù)進(jìn)度技能需求不斷變化，Ai芯片元宇宙大數(shù)據(jù)等新行業(yè)伴生的崗位、因新冠疫情等特定事件產(chǎn)生的疫情管理等新崗位的技能需求更是無(wú)覓尋處;而且不同企業(yè)的相同崗位技能熟練程度多樣化，如要求具備某項(xiàng)技能、熟悉某項(xiàng)技能或是精通某項(xiàng)技能。企業(yè)調(diào)研、專家訪談等難于快速準(zhǔn)確分析崗位的技能需求。

分析崗位技能需求主要有三類方法：①?gòu)母呗氜k學(xué)定位的宏觀角度分析崗位技能需求，以“高適應(yīng)性職業(yè)化專業(yè)人才”為定位[1]，建立二維四向模型分析職業(yè)教育專業(yè)發(fā)展需求[2]，按照產(chǎn)業(yè)職業(yè)崗位對(duì)員工理論、技能的最高要求開(kāi)展專業(yè)技能培養(yǎng)[3]。②從學(xué)校出發(fā)，以學(xué)校的專業(yè)文件、教學(xué)資源、專業(yè)管理的數(shù)據(jù)中抽取知識(shí)實(shí)體與關(guān)系，采用知識(shí)圖譜分析崗位技能[4];③從企業(yè)的生產(chǎn)、技術(shù)革新和產(chǎn)業(yè)的發(fā)展趨勢(shì)分析技能需求，如利用負(fù)荷平衡與技能鏈模型[5]、回歸模型預(yù)測(cè)[6]、多因素灰色模型[7]等方法預(yù)測(cè)分析技術(shù)技能型人才需求。

在線招聘廣告蘊(yùn)含了豐富的崗位技能需求信息，本文以在線招聘廣告為研究對(duì)象，采用文本分析方法，對(duì)崗位技能需求做快速準(zhǔn)確分析，為專業(yè)人才培養(yǎng)目標(biāo)的編制提供依據(jù)。

1.研究方案設(shè)計(jì)

1.1研究對(duì)象選取

崗位技能需求常用專家調(diào)研、問(wèn)卷調(diào)查等方式獲取，但是成本高，難于獲取大量樣本。而在線招聘廣告中的職位信息（崗位職責(zé)、任職要求）就有明確的崗位技能要求。在線招聘是人才招聘的主要渠道之一，傳統(tǒng)招聘網(wǎng)站，如：前程無(wú)憂，智聯(lián)招聘，中華英才網(wǎng);垂直招聘網(wǎng)站，如：拉勾網(wǎng);獵頭招聘網(wǎng)站，如：人人獵頭、獵聘網(wǎng)、獵上網(wǎng);社交招聘網(wǎng)站，如：大街網(wǎng)、內(nèi)推網(wǎng)、哪上班;綜合分類信息網(wǎng)站，如：58同城、趕集網(wǎng)、百姓網(wǎng)。招聘企業(yè)在招聘網(wǎng)站發(fā)布了眾多的招聘廣告（如2020年3月15日23時(shí)51jobs，https：// mkt.51job.com/tg/sem/logo_v1.html？from=baiduad檢索大數(shù)據(jù)招聘信息：24小時(shí)內(nèi)11516條、近三天26241條、近一周35160條、近一月43482條）;本文選擇前程無(wú)憂網(wǎng)站大數(shù)據(jù)相關(guān)崗位招聘廣告作為研究對(duì)象，分析崗位技能需求。

1.2研究模型選擇

本研究采用LDA概率主題模型對(duì)在線招聘廣告中的職位信息進(jìn)行文本分析，利用文本的特征詞的共現(xiàn)特征挖掘文本的主題，快速識(shí)別文檔中的崗位技能需求信息。LDA概率主題模型最早由Blei et al.2003年提出，是一種文檔主題生成模型[8]，也稱為貝葉斯概率模型，就是一篇文章的每個(gè)特征詞都是通過(guò)“以一定概率p選擇了某個(gè)主題topic，并從這個(gè)主題以一定概率p選擇某個(gè)特征詞語(yǔ)word”。

p（word|document）=∑_（k=0）^K?〖p（word│topic） 〗|p（topic|document）（1）

LDA模型有三層結(jié)構(gòu)：從上到下分別為文檔層、主題層、特征詞層，使用Dirichlet分布求解文檔-主題概率分布和主題-特征詞概率分布，確定潛在的主題和特征詞。

pp（w_j |D_i）=∑_（k=0）^K?〖p（w_j│T_k ） 〗|p（T_k |D_i）（2）

其中p（wj|Di）表示特征詞wj出現(xiàn)在文檔Di中的概率，此概率值為特征詞的概率與主題特征詞概率的乘積，即wj在主題Tk中出現(xiàn)的概率與主題Tk在文檔Di中出現(xiàn)的概率的乘積，K為主題的個(gè)數(shù)。對(duì)于文檔集合D中的每一個(gè)文檔，LDA主題模型生成流程：

（1）從Dirichlet分布?中取樣生成文檔的主題分布θ，主題分布θ由超參數(shù)為?的Dirichlet分布生成。

（2）從Dirichlet分布?中取樣生成主題T對(duì)應(yīng)的特征詞分布?，特征詞分布?由參數(shù)為?的Dirichlet分布生成。

（3）對(duì)于每一個(gè)文檔，根據(jù)θ分布，抽樣獲得文檔di的主題分布，從主題分布中抽取主題Ti。

（4）根據(jù)?分布，抽樣獲得主題的特征詞分布，從上述被抽到的主題Ti做對(duì)應(yīng)的特征詞中抽取特征詞Wij。

（5）重復(fù)上述過(guò)程直至遍歷文檔中的每一個(gè)特征詞。

1.3研究方案

（1）數(shù)據(jù)來(lái)源及處理

本研究主要包括在線招聘廣告數(shù)據(jù)采集、技能要求和崗位要求挖掘，研究思路如圖2。采集在線招聘廣告數(shù)據(jù)，清洗非相關(guān)數(shù)據(jù)和重復(fù)數(shù)據(jù)。

（2）研究方法

數(shù)據(jù)預(yù)處理：對(duì)在線招聘廣告中的崗位職責(zé)、任職資格進(jìn)行數(shù)據(jù)清洗、分詞、去停用詞、詞性標(biāo)注等預(yù)處理。

主題分析和技術(shù)工具分析：利用LDA主題模型識(shí)別崗位技能特征詞、統(tǒng)計(jì)技術(shù)開(kāi)發(fā)工具詞頻。

崗位核心技能分析：分析崗位技能特征詞與技術(shù)工具的映射關(guān)系，分析崗位技能。

2.數(shù)據(jù)處理與分析

2.1數(shù)據(jù)采集與預(yù)處理

本文以大數(shù)據(jù)技術(shù)相關(guān)崗位群為例，以前程無(wú)憂網(wǎng)站（www.51job.com）作為數(shù)據(jù)來(lái)源，該網(wǎng)站的招聘信息包括：崗位名稱、發(fā)布時(shí)間、公司名稱、公司類型、公司規(guī)模、薪資、福利政策、工作地點(diǎn)、經(jīng)驗(yàn)要求、學(xué)歷要求、招聘人數(shù)、職位信息（崗位職責(zé)、任職資格）、聯(lián)系方式、公司信息等，以文本方式存放在html網(wǎng)頁(yè)中，可利用python、scrapy、xpath等技術(shù)爬取企業(yè)招聘廣告。按大數(shù)據(jù)技術(shù)、機(jī)器學(xué)習(xí)、爬蟲技術(shù)三類崗位關(guān)鍵詞爬取招聘廣告，針對(duì)爬取數(shù)據(jù)中的無(wú)效數(shù)據(jù)按以下原則清洗：①清洗與大數(shù)據(jù)相關(guān)崗位無(wú)關(guān)的招聘數(shù)據(jù)。②清洗企業(yè)在不同時(shí)間重復(fù)發(fā)布的同一崗位的數(shù)據(jù)。③清洗職位信息為空的數(shù)據(jù)。④清洗職位信息描述不超過(guò)15個(gè)字的無(wú)效數(shù)據(jù)。⑤清洗崗位名稱與職位信息描述明顯不符的數(shù)據(jù)。⑥對(duì)大數(shù)據(jù)技術(shù)、機(jī)器學(xué)習(xí)、爬蟲技術(shù)三個(gè)關(guān)鍵詞均能爬取到的相同的數(shù)據(jù)，根據(jù)崗位相似程度分別歸類到相應(yīng)的類別中。清洗處理后三類崗位的招聘廣告數(shù)據(jù)量及其對(duì)應(yīng)的崗位如表1：

使用jieba庫(kù)對(duì)在線招聘數(shù)據(jù)的任職要求和技能要求文本數(shù)據(jù)進(jìn)行分詞和標(biāo)注，對(duì)照自定義詞庫(kù)分詞保留專業(yè)名詞，按照停用詞庫(kù)刪除停用詞、與技能無(wú)關(guān)的詞和無(wú)意義的特殊符號(hào)，如：“【】@[]”等，最后形成職位信息詞向量。

2.2開(kāi)發(fā)工具詞頻分析

采集的數(shù)據(jù)經(jīng)分詞預(yù)處理后，三類崗位的開(kāi)發(fā)工具進(jìn)行詞頻統(tǒng)計(jì)，機(jī)器學(xué)習(xí)類崗位開(kāi)發(fā)工具的詞頻曲線如圖4（大數(shù)據(jù)技術(shù)、爬蟲技術(shù)的開(kāi)發(fā)工具詞頻曲線與圖4相似，為節(jié)省篇幅省略）。開(kāi)發(fā)工具詞頻分布呈現(xiàn)“長(zhǎng)尾現(xiàn)象”，在線招聘的崗位技能要求是非結(jié)構(gòu)化數(shù)據(jù)，是崗位自身需要而發(fā)布招聘信息，眾多的崗位需求各異，必然導(dǎo)致技術(shù)開(kāi)發(fā)工具的需求多樣。三類崗位的技術(shù)開(kāi)發(fā)工具詞頻表1。

2.3技能主題建模

（1）主題數(shù)選擇

LDA主題建模的質(zhì)量有主題困惑度（Perplexity）[9]和主題一致性[10]兩種方法判斷。主題困惑度可以理解為所訓(xùn)練出來(lái)的模型對(duì)某一文檔屬于哪個(gè)主題有多不確定，這個(gè)不確定則為困惑度，困惑度越低，說(shuō)明主題建模效果越好。主題一致性是指生成每一個(gè)主題所對(duì)應(yīng)的高概率詞語(yǔ)在語(yǔ)義上是否一致，主題一致性得分越高，主題模型效果越好。本文采用主題一致性得分來(lái)判斷主題模型的好壞，主題一致性有u_mass、c_v、c_uci 以及c_npmi四個(gè)度量值[11]。

采用gensim模塊中CoherenceModel類計(jì)算u_mass值來(lái)確定最佳主題數(shù)，三類崗位的LDA主題建模u_mass值與主題數(shù)的關(guān)系如圖4所示。

從圖5可以看出，爬蟲技術(shù)和機(jī)器學(xué)習(xí)兩個(gè)崗位的u_mass值隨主題數(shù)的增大反復(fù)波動(dòng)、大數(shù)據(jù)技術(shù)崗位的u_mass值隨主題數(shù)的增大而逐漸減小，三類崗位的主題數(shù)為2時(shí)u_mass值最大，主題建模質(zhì)量最好。

（2）技能主題識(shí)別與可視化

對(duì)大數(shù)據(jù)技術(shù)、機(jī)器學(xué)習(xí)和爬蟲技術(shù)三類崗位的職位信息（任職要求、技能要求）文本數(shù)據(jù)進(jìn)行LDA主題建模分析，將 LDA 模型的參數(shù)設(shè)置為：K=2，迭代次數(shù)300次，超參數(shù)α=50/K，β=0.01。利用gensim庫(kù)和pyLDAvis庫(kù)進(jìn)行主題建模和可視化，識(shí)別在線招聘廣告數(shù)據(jù)中的技能特征詞。機(jī)器學(xué)習(xí)類崗位的LDA可視化結(jié)果如圖6所示（大數(shù)據(jù)技術(shù)、爬蟲技術(shù)的LDA可視化結(jié)果與圖6相似，為節(jié)省篇幅省略）。

從圖5可以看出，圖中的2個(gè)圓圈代表2個(gè)主題，圓圈中的數(shù)字是主題的序號(hào)，圓圈的大小代表包含該主題的文檔數(shù)量，圓圈越大表示包含該主題的文檔數(shù)量越多。圓圈之間的距離表示主題之間相關(guān)性的大小，距離越小表示相關(guān)性越強(qiáng)。圖5中右側(cè)的條形圖表示該主題的主題詞分布概率前n（n=20）個(gè)的詞語(yǔ)，特征詞及其概率可理解為該項(xiàng)技能的需求程度。三類崗位的技能需求特征詞如表2。

3.研究結(jié)論與討論

3.1技能特征詞與開(kāi)發(fā)工具的映射分析

各類崗位的技能特征詞、開(kāi)發(fā)工具與崗位的技能需求緊密相關(guān)，結(jié)合崗位實(shí)際，對(duì)技能特征詞進(jìn)行歸類，大數(shù)據(jù)技術(shù)類崗位的技能特征詞分成數(shù)據(jù)庫(kù)、數(shù)據(jù)報(bào)告、數(shù)據(jù)分析三類;機(jī)器學(xué)習(xí)類崗位的技能特征詞分為機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、應(yīng)用開(kāi)發(fā)三類;爬蟲技術(shù)類崗位的技能特征詞分為數(shù)據(jù)庫(kù)、數(shù)據(jù)處理和爬蟲技術(shù)三類，在此基礎(chǔ)上生成各類崗位的核心技能。再進(jìn)一步分析開(kāi)發(fā)工具的技術(shù)內(nèi)涵并歸類，構(gòu)建技能特征詞與開(kāi)發(fā)工具的映射關(guān)系，三類崗位的崗位技能特征詞—技術(shù)工具需求的映射關(guān)系如圖6。

3.2崗位核心技能需求評(píng)估

根據(jù)前述的技能特征詞和技術(shù)工具映射關(guān)系，根據(jù)表1的技術(shù)工具詞頻和表2的技術(shù)特征詞概率，計(jì)算每個(gè)核心崗位的技術(shù)工具詞頻均值和崗位核心技能特征詞概率總和，計(jì)算結(jié)果如表3。利用熵權(quán)法對(duì)崗位分布、特征詞概率和開(kāi)發(fā)工具詞頻綜合評(píng)估崗位核心技能需求。熵權(quán)法[12]是多因素評(píng)價(jià)法，利用信息量的大小來(lái)確定指標(biāo)權(quán)重并進(jìn)行綜合評(píng)價(jià)的方法，熵值可以反映某項(xiàng)指標(biāo)的變異程度及其信息量的大小，信息量越大，熵值越小，反之亦然。對(duì)所有給定的j，所有xij之間的差異值越大，該項(xiàng)指標(biāo)在綜合評(píng)價(jià)中所起的作用就越大。假設(shè)有n個(gè)評(píng)價(jià)對(duì)象（i=1，2，3，...，n）和m個(gè)評(píng)價(jià)指標(biāo)（j=1，2，...，m），Xij表示第i個(gè)評(píng)價(jià)對(duì)象在第j個(gè)評(píng)價(jià)指標(biāo)上的取值，Wj表示第j個(gè)指標(biāo)的權(quán)重。熵權(quán)法的實(shí)施步驟如下：

（1）指標(biāo)的同趨勢(shì)處理和指標(biāo)的歸一化處理，將崗位分布、特征詞概率和開(kāi)發(fā)工具詞頻變?yōu)椋?，1）之間的小數(shù)，實(shí)現(xiàn)無(wú)量綱化，處理更加便捷快速。

3.3結(jié)果討論

技能需求第一層次：

數(shù)據(jù)分析技術(shù)需求占比45%，主要是電商數(shù)據(jù)、企業(yè)生產(chǎn)數(shù)據(jù)、倉(cāng)庫(kù)數(shù)據(jù)的統(tǒng)計(jì)分析、預(yù)測(cè)。技能特征主要是數(shù)據(jù)統(tǒng)計(jì)、算法、數(shù)據(jù)挖掘、框架、數(shù)據(jù)處理、分析、模型;主要開(kāi)發(fā)工具：excel、BI、Python、Hadoop、Hive等。

技能需求第二層次：

數(shù)據(jù)庫(kù)技術(shù)占比12%，最主要的是利用SQL和NoSQL統(tǒng)計(jì)分析數(shù)據(jù)，技能特征主要是數(shù)據(jù)庫(kù)和數(shù)據(jù)倉(cāng)庫(kù)，主要開(kāi)發(fā)工具主要是Oracle、Mysql等傳統(tǒng)的結(jié)構(gòu)化數(shù)據(jù)庫(kù)，Redis、Mongodb、PostgreSQL等非結(jié)構(gòu)化nosql數(shù)據(jù)庫(kù)的需求也日益凸顯。

機(jī)器學(xué)習(xí)占比11%，主要對(duì)大數(shù)據(jù)按數(shù)據(jù)集準(zhǔn)備、探索性的對(duì)數(shù)據(jù)進(jìn)行分析、數(shù)據(jù)預(yù)處理、數(shù)據(jù)分割、機(jī)器學(xué)習(xí)算法建模、選擇機(jī)器學(xué)習(xí)任務(wù)、效果評(píng)價(jià)及優(yōu)化流程處理，重點(diǎn)是特征工程處理。技能特征詞是機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、平臺(tái)、算法、分析、理論，技術(shù)工具：Python、R、Sklearn、Xgboost、Hive、Numpy等。

技能需求第三層次：

數(shù)據(jù)報(bào)告技術(shù)占比8%，主要是選擇分析指標(biāo)、撰寫分析報(bào)告。技能特征詞是報(bào)表、報(bào)告、制作、指標(biāo)，主要的技術(shù)工具是Office、Excel、ERP、Spss、Tableau以及商務(wù)智能BI軟件。

深度學(xué)習(xí)占比7%，在自然語(yǔ)言、視頻等領(lǐng)域，按數(shù)據(jù)集準(zhǔn)備、數(shù)據(jù)預(yù)處理、數(shù)據(jù)分割、定義神經(jīng)網(wǎng)絡(luò)模型、訓(xùn)練網(wǎng)絡(luò)流程處理，核心是引入復(fù)雜網(wǎng)絡(luò)模型結(jié)構(gòu)，定義神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)、確認(rèn)損失函數(shù)、確定優(yōu)化器、反復(fù)調(diào)整模型參數(shù)。技能特征詞是深度學(xué)習(xí)、人工智能、自然語(yǔ)言處理、深度學(xué)習(xí)框架，主要的技術(shù)工具是tensorflow、pytorch、caffe、mxnet、keras、gpu等。

爬蟲技術(shù)占比7%，主要是面向商業(yè)平臺(tái)的數(shù)據(jù)采集，需要熟練的反爬蟲技術(shù)。技能特征詞是抓取、網(wǎng)頁(yè)、采集、設(shè)計(jì)、編程、協(xié)議、自動(dòng)爬蟲、反爬、分布式、逆向、爬蟲框架、平臺(tái)，主要的技術(shù)工具是app、selenium、ajax、ios、scrapy、pyspider等。

應(yīng)用開(kāi)發(fā)占比6%，主要是在自然語(yǔ)言、視頻等領(lǐng)域的web應(yīng)用開(kāi)發(fā)。技能特征詞是數(shù)據(jù)、模型、優(yōu)化、應(yīng)用、編程、設(shè)計(jì)、領(lǐng)域、識(shí)別、研發(fā)、編程，主要的技術(shù)工具是java、django、flask、matlab、opencv等。

數(shù)據(jù)處理占比5%，主要是數(shù)據(jù)清洗、集成、規(guī)約、存儲(chǔ)等。技能特征詞是數(shù)據(jù)、分析、清洗、應(yīng)用，主要的技術(shù)工具是java、pandas、numpy等。

4.結(jié)語(yǔ)

本文以在線招聘廣告數(shù)據(jù)為分析對(duì)象，利用LDA主題模型開(kāi)展?jié)撛谥黝}分析，挖掘崗位技能特征詞、分析技術(shù)工具詞頻，能準(zhǔn)確把握崗位技術(shù)的需求，避免了問(wèn)卷或訪談等調(diào)查方法的主觀干擾，研究結(jié)果更加客觀。此外，在線數(shù)據(jù)可以實(shí)時(shí)采集分析，分析結(jié)果具有實(shí)時(shí)性。分析數(shù)據(jù)不包含線下招聘以及校招崗位的技能需求，補(bǔ)充線下招聘廣告數(shù)據(jù)將使分析更全面。

對(duì)比不同時(shí)間段內(nèi)的在線招聘數(shù)據(jù)可以挖掘崗位技能需求的變化，預(yù)測(cè)崗位技能變化趨勢(shì)。

參考文獻(xiàn)：

[1]周建松，唐林偉.高職教育人才培養(yǎng)目標(biāo)的歷史演變與科學(xué)定位——兼論培養(yǎng)高適應(yīng)性職業(yè)化專業(yè)人才[J]，中國(guó)高教研究，2013（02）：28-34.

[2]陳嵩，郭文富.現(xiàn)代職業(yè)教育專業(yè)發(fā)展的需求模型構(gòu)建—上海的思考與做法[J]，職教論壇，2019（19）：61-65.

[3]孫湧等.高職院校人才培養(yǎng)目標(biāo)定位研究與實(shí)踐[J]，計(jì)算機(jī)教育，2006（10）：24-26.

[4]胡光水.專業(yè)知識(shí)與技能體系知識(shí)圖譜的構(gòu)建研究[J]，工業(yè)與信息化教育，2020（12）：123-127.

[5]廖麗萍.隨機(jī)需求下的工人技能分布模型研究[J]，湖南科技學(xué)院學(xué)報(bào)，2013（19）：127-132.

[6]安鴻章，鄒勇.企業(yè)技能人員需求預(yù)側(cè)模型建立與應(yīng)用[J]，經(jīng)濟(jì)與管理研究，2007（11）：64-68.

[7]田楠.基于多因素灰色模型的技術(shù)技能型人才需求預(yù)測(cè)與分析—以天津市為例[J]，職業(yè)技術(shù)教育，2014（19）：43-48.

[8]Blei D， Ng A，Jordan M. Latent Dirichlet Allocation.Journal of Machine Learning Research，2003，3：993-1022.

[9]陸藝，曹健.面向隱式反饋的推薦系統(tǒng)研究現(xiàn)狀與趨勢(shì)[J].計(jì)算機(jī)科學(xué)，2016，43（4）：7-15.

[10] Roeder M. and BothA.， et al. Hinneburg， Exploring the Space of Topic Coherence Measures[J].Association for Computational Linguistics，2015，2（13），399-408.

[11]https：//blog.csdn.net/weixin_31468621/article/details/112195887.

[12]陳傳軍，王智峰，劉偉，等.數(shù)據(jù)建模簡(jiǎn)明教程-基于Python[M]，科學(xué)出版社.

基金支持：2020年浙江省中華職業(yè)教育科研項(xiàng)目“企業(yè)崗位技能需求模型構(gòu)建與專業(yè)人次啊培養(yǎng)目標(biāo)研究”（編號(hào)ZJCVB09）。

作者簡(jiǎn)介：陳平生（1973-），男，江西贛州人，紹興職業(yè)技術(shù)學(xué)院副教授，碩士，研究方向：大數(shù)據(jù)技術(shù)應(yīng)用。