劉 謙 周勁廷 羅 晶

（湖南環(huán)境生物職業(yè)技術(shù)學(xué)院，湖南 衡陽 421005）

0 引言

隨著互聯(lián)信息技術(shù)的快速發(fā)展，大數(shù)據(jù)呈正相關(guān)趨勢發(fā)展[1]。同樣，各行各業(yè)為掌握市場信息，通常以建立信息資源庫來了解市場實時動態(tài)，進(jìn)而推動行業(yè)發(fā)展。

目前，為加強對學(xué)生創(chuàng)新創(chuàng)業(yè)的了解，部分高校進(jìn)行了大學(xué)生創(chuàng)新創(chuàng)業(yè)平臺設(shè)計，一方面，通過單獨的系統(tǒng)進(jìn)行信息整合，避免信息冗雜，進(jìn)而建立高校與學(xué)生的信息交互平臺；另一方面，進(jìn)行數(shù)據(jù)可視化分析，通過大數(shù)據(jù)信息整理，可了解行業(yè)發(fā)展趨勢、創(chuàng)業(yè)項目概況、學(xué)校項目支持、項目發(fā)展進(jìn)度等內(nèi)容，進(jìn)而促進(jìn)學(xué)生創(chuàng)新創(chuàng)業(yè)發(fā)展。另外，授人以魚不如授人以漁，在市場的競爭中，老師們不可能給他們創(chuàng)造真正的“項目創(chuàng)意”，也不可能給他們創(chuàng)造一個好的創(chuàng)業(yè)環(huán)境，在課堂上無法培養(yǎng)出學(xué)生的實戰(zhàn)能力。所以，在網(wǎng)絡(luò)快速發(fā)展的今天，提高高校信息化水平和大學(xué)生創(chuàng)新創(chuàng)業(yè)平臺服務(wù)能力已成為當(dāng)下高校工作的重點。各大高校需要建立創(chuàng)新創(chuàng)業(yè)平臺，并進(jìn)行大數(shù)據(jù)分析，這對培養(yǎng)學(xué)校創(chuàng)新創(chuàng)業(yè)方面的人才具有非常實際的意義。所以該文設(shè)計和構(gòu)建了大學(xué)生創(chuàng)新創(chuàng)業(yè)平臺，并進(jìn)行大數(shù)據(jù)處理，為大學(xué)生學(xué)習(xí)提供資源和數(shù)據(jù)支持，進(jìn)一步提高學(xué)生的創(chuàng)新創(chuàng)業(yè)能力。

1 大學(xué)生創(chuàng)新創(chuàng)業(yè)平臺設(shè)計中大數(shù)據(jù)模塊應(yīng)用分析

1.1 大數(shù)據(jù)模塊應(yīng)用分析方法

當(dāng)前，部分高校的各類工作大都是以手工方式進(jìn)行，信息分散在校園各個單位和個人手里，各個部門相互聯(lián)系較少，信息交互性差，使有關(guān)校園領(lǐng)導(dǎo)和主管干部難以形成一個完整的認(rèn)識，無法準(zhǔn)確地了解學(xué)生創(chuàng)新創(chuàng)業(yè)活動的現(xiàn)狀，也就無法制定出有針對性的相關(guān)政策，這對創(chuàng)新創(chuàng)業(yè)工作的有效開展是非常不利的。另一方面，企業(yè)的創(chuàng)新性工作不斷深化，資料日益增多，但也日益零散，因此對大學(xué)生創(chuàng)新創(chuàng)業(yè)數(shù)據(jù)進(jìn)行整合，了解數(shù)據(jù)動態(tài)、學(xué)生創(chuàng)業(yè)項目、項目領(lǐng)域等內(nèi)容是十分必要的?！按髮W(xué)生創(chuàng)新創(chuàng)業(yè)平臺設(shè)計中大數(shù)據(jù)處理”可保證學(xué)生能對大數(shù)據(jù)處理信息進(jìn)行整合劃分，以便學(xué)生做好規(guī)劃，實施項目。

為保證數(shù)據(jù)的有效性，該系統(tǒng)設(shè)計主要圍繞數(shù)據(jù)相關(guān)算法、數(shù)據(jù)爬取、數(shù)據(jù)清洗等方面進(jìn)行研究，其中在對大學(xué)生創(chuàng)新創(chuàng)業(yè)平臺設(shè)計中大數(shù)據(jù)模塊進(jìn)行應(yīng)用分析時發(fā)現(xiàn)，爬取數(shù)據(jù)并不能直接利用，需要對數(shù)據(jù)進(jìn)行聚類分析，才能了解大學(xué)生在各行業(yè)的創(chuàng)業(yè)情況和側(cè)重行業(yè)，進(jìn)而為大學(xué)生創(chuàng)業(yè)提供幫助。

1.1.1 模糊集

模糊集合是用來表達(dá)模糊性概念的集合。在大學(xué)生創(chuàng)新創(chuàng)業(yè)平臺設(shè)計中創(chuàng)業(yè)項目與行業(yè)有關(guān)，通過模糊集并利用項目相關(guān)度對內(nèi)容進(jìn)行劃分，有助于數(shù)據(jù)進(jìn)行聚類分析。

先給定U為區(qū)域，那么從U到單位區(qū)間[0，1] 的映射μA：U→[0，1]是U上的一個模糊集（或模糊子集）[2]。映射μA（x）是函數(shù)，叫作模糊集A的隸屬函數(shù)：對每個x∈U，μA（x）叫作元素x對模糊集A的隸屬度。μA（x）的值越接近于1，表示x隸屬于A的程度越大；μA（x）的值越接近于0，表示隸屬于A的程度越小。

1.1.2 聚類分析

聚類分析是將一個數(shù)據(jù)對象的集合歸并，以相似的物體構(gòu)成的多個類別進(jìn)行歸類的方法。在數(shù)據(jù)分析之前，需要先查看大學(xué)生創(chuàng)業(yè)網(wǎng)數(shù)據(jù)，包括行業(yè)數(shù)據(jù)中是否有異常值、無效樣本等，這樣能保證數(shù)據(jù)有效聚類。如果有異常值則需要進(jìn)行處理，然后再進(jìn)行分析。如圖1所示，根據(jù)不同的數(shù)據(jù)的間距來進(jìn)行聚類，并將相鄰的數(shù)據(jù)物件分成一簇。

根據(jù)圖1所示，進(jìn)行大學(xué)生創(chuàng)新創(chuàng)業(yè)大數(shù)據(jù)分析時主要采用聚類算法，在聚類算法中“+”為聚類中心，進(jìn)行聚類中心的選定時，可對大學(xué)生創(chuàng)新創(chuàng)業(yè)數(shù)據(jù)和群集的關(guān)聯(lián)程度進(jìn)行運算，獲得最佳的聚類中心。數(shù)據(jù)根據(jù)關(guān)聯(lián)性可劃分為一個類別，將聚類中心的輸出數(shù)據(jù)用作該算法的聚類中心，保證各類別信息數(shù)據(jù)準(zhǔn)確。

1.2 大學(xué)生創(chuàng)新創(chuàng)業(yè)數(shù)據(jù)聚類分析

將大學(xué)生創(chuàng)新創(chuàng)業(yè)平臺設(shè)計數(shù)據(jù)分為4種類型，利用隸屬函數(shù)實現(xiàn)這4種類型（數(shù)值型、布爾型、空值和類屬型）的數(shù)據(jù)的初始化處理[3]。

1.2.1 布爾屬性的的隸屬函數(shù)

布爾屬性值相對來說較為簡單，在該次分析中以布爾形式存在。N是“是”或者“否”的個數(shù)，則隸屬函數(shù)如公式（1）所示。

在該次分析中以布爾形式存在。N是“是”或者“否”的個數(shù)，則隸屬函數(shù)如公式（1）所示。

式中：n為U中數(shù)據(jù)的總個數(shù)；U為數(shù)據(jù)域。

1.2.2 數(shù)值屬性的隸屬函數(shù)

I是總類數(shù)，Ci是第i個類，N（Ci）是類Ci包括的屬性值的個數(shù)，則隸屬函數(shù)如公式（2）所示。

1.2.3 類屬屬性值的隸屬函數(shù)

類屬屬性值的隸屬函數(shù)，是從有限分類集中取得某一類值。劃分相同屬性值為同一類，并需要考慮各類屬性值個數(shù)在總的分類集中所占的比例。

J是屬性的分類數(shù)，Cj是第j個類，N（Cj）是類Cj包括的屬性值的個數(shù)，則類屬屬性值的隸屬函數(shù)如公式（3）所示。

1.2.4 空值屬性值的隸屬函數(shù)

空值屬性值對應(yīng)于其所屬的屬性值特性，如果某個屬性的空值個數(shù)和總的元素個數(shù)之比例超過限定閩值Z0，可以在聚類分析時不考慮此屬性；對比例低于Z0的屬性，可設(shè)定3個等級（高、中、低），對應(yīng)空值的個數(shù)所占總數(shù)的比例，分為高、中、低隸屬度，其隸屬函數(shù)如公式（4）所示。

式中：Cij是第i個元素、第j個屬性的屬性值；r0為空值所占比例；h0為高比例閩值；l0為低比例閾值。

1.3 初始化數(shù)據(jù)的聚類

初始化數(shù)據(jù)的聚類可采用模糊矩陣聚類方法。設(shè)論域為U，元素個數(shù)為|U|，進(jìn)行聚類的步驟如下：

根據(jù)歐幾里得距離公式，R的階數(shù)為|U|，計算R矩陣的元素rij；經(jīng)過計算后得到R矩陣，見表1，大學(xué)生創(chuàng)新創(chuàng)業(yè)平臺設(shè)計大數(shù)據(jù)處理模塊模糊相似關(guān)系矩陣如公式（5）所示，通過表1可以劃分創(chuàng)業(yè)數(shù)據(jù)信息。

表1 聚類分析分類表

式中：M為屬性個數(shù)；Sik為第i行、第k列的屬性值。

表1是利用大學(xué)生創(chuàng)業(yè)網(wǎng)數(shù)據(jù)信息進(jìn)行聚類分析的，主要采用2021年數(shù)據(jù)進(jìn)行數(shù)據(jù)爬取以及數(shù)據(jù)聚類分析，并根據(jù)行業(yè)、地區(qū)、項目等指標(biāo)進(jìn)行數(shù)據(jù)可視化分析，進(jìn)而建立系統(tǒng)數(shù)據(jù)圖表，有利于大學(xué)生創(chuàng)新創(chuàng)業(yè)平臺信息推送，并給相關(guān)學(xué)生給予數(shù)據(jù)指導(dǎo)。

2 大學(xué)生創(chuàng)新創(chuàng)業(yè)平臺設(shè)計中大數(shù)據(jù)模塊應(yīng)用設(shè)計

2.1 系統(tǒng)功能構(gòu)建分析

該系統(tǒng)爬取主要針對網(wǎng)站信息（全國大學(xué)生創(chuàng)業(yè)服務(wù)網(wǎng)ncss.cn）進(jìn)行爬取，因此選用較為簡單的BS4框架進(jìn)行數(shù)據(jù)爬取[4]。相比XPath和正則表達(dá)式，BS4語法更簡單易懂。其主要步驟如下：1） 進(jìn)行數(shù)據(jù)爬取時，需要導(dǎo)入Requests庫和BeautifulSoup庫函數(shù)。2）使用Requests抓取全國大學(xué)生創(chuàng)業(yè)服務(wù)網(wǎng)，把要爬取的整個頁面抓取下來。3）使用BeautifulSoup中的find（）和find_all（）抓取需要的標(biāo)簽內(nèi)容。

因為網(wǎng)頁數(shù)據(jù)可能會涉及翻頁，所以需要設(shè)計循環(huán)控制爬取的目標(biāo)網(wǎng)頁范圍。爬到數(shù)據(jù)并不能夠直接使用，需要進(jìn)行預(yù)處理。另外，數(shù)據(jù)為jason格式，因此使用jason.loads將其轉(zhuǎn)化為數(shù)組，需要進(jìn)行去除空數(shù)據(jù)和錯誤數(shù)據(jù)。處理完畢后保存到本地備用。

大學(xué)生創(chuàng)新創(chuàng)業(yè)平臺其系統(tǒng)總體的E-R圖，如圖2所示。

如圖2所示，平臺是基于學(xué)生構(gòu)建的，所以需要為學(xué)生提供有效數(shù)據(jù)。建立大學(xué)生創(chuàng)新創(chuàng)業(yè)平臺時，可通過Wiki的技術(shù)結(jié)構(gòu)模型來實現(xiàn)學(xué)習(xí)資源的開發(fā)，既可以實現(xiàn)自身的功能，并根據(jù)學(xué)員具體的學(xué)習(xí)需要與學(xué)校的教學(xué)內(nèi)容、社會工作信息等進(jìn)行對接，借助平臺的語義關(guān)聯(lián)進(jìn)行各方數(shù)據(jù)信息的精準(zhǔn)連接，也可以將其納入校園整體教育教學(xué)平臺當(dāng)中作為一個子模塊。該系統(tǒng)的主要實體包括課程、設(shè)施、團(tuán)隊、指導(dǎo)老師、項目、報告、項目成績、計算公式、評審成績、評審指標(biāo)等，在分析各實體之間的關(guān)系后形成了該系統(tǒng)的邏輯模型。

圖2 系統(tǒng)架構(gòu)圖

2.2 大數(shù)據(jù)模塊應(yīng)用詳細(xì)設(shè)計

2.2.1 數(shù)據(jù)獲取

該系統(tǒng)經(jīng)由Python軟件爬蟲，主要通過Requests庫爬取大學(xué)生創(chuàng)業(yè)網(wǎng)https：//cy.ncss.cn/search/projects，進(jìn)行數(shù)據(jù)分析，以建立大學(xué)生創(chuàng)新創(chuàng)業(yè)平臺數(shù)據(jù)信息庫，為大學(xué)生創(chuàng)業(yè)提供優(yōu)質(zhì)服務(wù)。

2.2.2 數(shù)據(jù)爬取

該系統(tǒng)進(jìn)行數(shù)據(jù)爬取，在https：//cy.ncss.cn/search/projects需要登錄才能顯示頁面。

數(shù)據(jù)來源：發(fā)送請求時，請求要帶上Cookie，然后使用Session去get（獲得）“https：//cy.ncss.cn/search/projects”數(shù)據(jù)。

數(shù)據(jù)爬?。簲?shù)據(jù)本系統(tǒng)采用Scrapy進(jìn)行爬蟲，利用純Python代碼實現(xiàn)的一種高層次的、快速的屏幕抓取和網(wǎng)頁抓取框架，用于從指定Web頁面中抓取數(shù)據(jù)，提取結(jié)構(gòu)性數(shù)據(jù)。在爬蟲技術(shù)中，大學(xué)生創(chuàng)新創(chuàng)業(yè)平臺設(shè)計的大數(shù)據(jù)模塊中的Scrapy用于對URL進(jìn)行抓取，然后調(diào)用BeautifulSoup庫對抓取的網(wǎng)頁進(jìn)行解析，獲取相關(guān)數(shù)據(jù)。通過網(wǎng)站獲取數(shù)據(jù)，對所在領(lǐng)域、學(xué)科成果轉(zhuǎn)化、融資階段以及所在區(qū)域等數(shù)據(jù)能夠有效進(jìn)行數(shù)據(jù)爬取，經(jīng)由聚類分析進(jìn)行數(shù)據(jù)清洗，利用F12打開開發(fā)者工具，可獲得數(shù)據(jù)。代碼如下：

2.2.3 大學(xué)生創(chuàng)新創(chuàng)業(yè)平臺設(shè)計中大數(shù)據(jù)模塊數(shù)據(jù)爬取結(jié)果分析

進(jìn)行大學(xué)生創(chuàng)新創(chuàng)業(yè)平臺數(shù)據(jù)爬取時，主要采用模糊算法和聚類算法[5]。為了有更精確的精度控制，可以使用NumPy擴(kuò)展庫。使用round（）內(nèi)置方法，round（）如果只有一個數(shù)作為參數(shù)，不指定位數(shù)時，返回的是一個整數(shù)，而且是最靠近的整數(shù)（這點類似四舍五入）。但是當(dāng)出現(xiàn)“.5”時，兩邊的距離都一樣，round（）取靠近的偶數(shù)，例如round（2.5）=2。當(dāng)指定取舍的小數(shù)點位數(shù)時，一般情況也是使用四舍五入的規(guī)則，但是碰到0.5這樣的情況，如果要取舍的位數(shù)前的小數(shù)是奇數(shù)，則直接舍棄，遇到偶數(shù)時則向上取舍。

該大學(xué)生創(chuàng)新創(chuàng)業(yè)平臺爬蟲系統(tǒng)的爬取對象選取大學(xué)生創(chuàng)業(yè)網(wǎng)，因為網(wǎng)站都開放了點擊數(shù)量查詢，系統(tǒng)爬取可通過更改URL的pageIndex參數(shù)即可獲取每頁的數(shù)據(jù)，其編寫步驟如下：1）寫請求頭Header和URL。2）獲取頁面。3）提取數(shù)據(jù)，翻頁，寫入Excel中，并形成excel數(shù)據(jù)統(tǒng)計表。代碼如下：

該數(shù)據(jù)結(jié)果可采用vue.js實現(xiàn)，在該業(yè)務(wù)類中完成在前端界面中的展示，當(dāng)前臺用戶注冊后，會通過與后臺處理自然語言的算法來處理前臺傳回的數(shù)據(jù)?？蛇M(jìn)行操作數(shù)據(jù)庫，然后把結(jié)果返回給前端網(wǎng)頁數(shù)據(jù)以圖和文字的形式提現(xiàn)到前端界面。

3 結(jié)語

該文對大學(xué)生創(chuàng)新創(chuàng)業(yè)平臺設(shè)計中大數(shù)據(jù)模塊進(jìn)行了論述，分析了該系統(tǒng)大數(shù)據(jù)模塊的基本算法，并進(jìn)行數(shù)據(jù)采集，通過獲取URL、響應(yīng)內(nèi)容、數(shù)據(jù)提取、數(shù)據(jù)清洗、數(shù)據(jù)持久化等，根據(jù)爬蟲實際情況進(jìn)行項目名、省份以及領(lǐng)域等多元素的分類和數(shù)據(jù)統(tǒng)計，并加以處理，在PyCharm中運行Python API類，使項目等信息可在注冊過的用戶中展示，游客登錄時展示的則是空白信息，同時采用vue.js實現(xiàn)對前端頁面的可視化。