趙 楠，聶子一，焦夢(mèng)青，賈子純

（1.河北地質(zhì)大學(xué)研究生學(xué)院，河北石家莊 050031；2.河北地質(zhì)大學(xué)信息工程學(xué)院，河北石家莊 050031；3.河北地質(zhì)大學(xué)水資源與環(huán)境學(xué)院，河北石家莊 050031）

促進(jìn)高校畢業(yè)生就業(yè)，特別是按照高層次人才培養(yǎng)的研究生就業(yè)，是實(shí)施“科技興國(guó)、人才強(qiáng)國(guó)”戰(zhàn)略的重要舉措，也是全面建成小康社會(huì)的重要推力[1]，當(dāng)前促進(jìn)高校畢業(yè)生的政策導(dǎo)向也十分鮮明[2].近年來(lái)，我國(guó)研究生招生人數(shù)在陸續(xù)增加，研究生及其家長(zhǎng)對(duì)就業(yè)的關(guān)注點(diǎn)逐漸從“能否就業(yè)”轉(zhuǎn)向“就業(yè)質(zhì)量”，就業(yè)質(zhì)量評(píng)價(jià)受到國(guó)家體制、經(jīng)濟(jì)發(fā)展水平、高校層次差異及個(gè)體能力等因素的影響，不同高校因其辦學(xué)特色、學(xué)科布局及人才培養(yǎng)方案不同，就業(yè)質(zhì)量評(píng)價(jià)體系也有所差異[3].一些高水平的綜合類(lèi)大學(xué)如中國(guó)人民大學(xué)、南開(kāi)大學(xué)、西南大學(xué)等已逐步探索建立了本校的就業(yè)質(zhì)量評(píng)價(jià)指標(biāo)體系[4].一些具有一流學(xué)科的財(cái)經(jīng)類(lèi)、醫(yī)藥類(lèi)、農(nóng)林類(lèi)高校也針對(duì)本校的就業(yè)質(zhì)量評(píng)價(jià)制定了特色化的指標(biāo)體系.

在就業(yè)質(zhì)量評(píng)價(jià)體系指標(biāo)研究方面，使用頻度較高的指標(biāo)為就業(yè)率、畢業(yè)生就業(yè)滿(mǎn)意度、用人單位滿(mǎn)意度、工作穩(wěn)定性和社會(huì)認(rèn)可度五項(xiàng)[5].張文锍[6]分別從大學(xué)生個(gè)體、學(xué)校、用人單位、家庭和社會(huì)五個(gè)維度構(gòu)建指標(biāo)體系，采取主客觀(guān)相結(jié)合、定性定量相互補(bǔ)充、以及宏觀(guān)微觀(guān)相互交叉的方法評(píng)價(jià)就業(yè)質(zhì)量.呂欽[7]在對(duì)國(guó)內(nèi)外就業(yè)質(zhì)量評(píng)價(jià)指標(biāo)充分調(diào)研的基礎(chǔ)上，將評(píng)價(jià)指標(biāo)概括為五大類(lèi)：薪酬?duì)顩r、客觀(guān)工作條件、工作與生活的平衡、工作滿(mǎn)意度和發(fā)展情況.

在就業(yè)質(zhì)量評(píng)價(jià)模型研究方面，張淼[8]以陜西省高校畢業(yè)生作為研究樣本，制定了穩(wěn)定與公平、安全與健康、報(bào)酬與提升3個(gè)一級(jí)指標(biāo)，9個(gè)二級(jí)指標(biāo)以及13個(gè)三級(jí)指標(biāo)，通過(guò)結(jié)合層次分析法、實(shí)證調(diào)研法、專(zhuān)家打分法3種基本方法，確定了三級(jí)指標(biāo)的不同權(quán)重，以及加權(quán)求和的計(jì)算公式.劉永平[9]、齊鵬等[10]、尹曉菲等[11]、劉敏等[12]在充分進(jìn)行文獻(xiàn)調(diào)研的基礎(chǔ)上，基于滿(mǎn)意度的視角下，構(gòu)建涵蓋工作單位滿(mǎn)意度、就業(yè)指導(dǎo)滿(mǎn)意度、個(gè)人滿(mǎn)意度的就業(yè)評(píng)價(jià)指標(biāo)體系，并采用模糊數(shù)學(xué)理論方法確定每個(gè)指標(biāo)的模糊綜合評(píng)價(jià)值.童娟[13]把畢業(yè)生就業(yè)質(zhì)量劃分為優(yōu)、良、一般、差4個(gè)等級(jí)，建立神經(jīng)網(wǎng)絡(luò)模型，通過(guò)對(duì)就業(yè)數(shù)據(jù)的訓(xùn)練學(xué)習(xí)獲得指標(biāo)權(quán)重，避免人為規(guī)定權(quán)重的主觀(guān)性.

智能預(yù)測(cè)就業(yè)質(zhì)量模型屬于非線(xiàn)性的評(píng)價(jià)技術(shù)，其預(yù)測(cè)結(jié)果明顯優(yōu)于層次分析法、模糊數(shù)學(xué)理論等傳統(tǒng)方法.但是單一的智能算法在迭代尋求最優(yōu)解時(shí)會(huì)有一個(gè)明顯的問(wèn)題，即傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于就業(yè)質(zhì)量評(píng)價(jià)易陷入局部最優(yōu)、泛化能力不足.為解決這一問(wèn)題，本文提出基于粒子群改進(jìn)神經(jīng)網(wǎng)絡(luò)的混合算法評(píng)價(jià)研究生就業(yè)質(zhì)量，以期改善當(dāng)前模型不足，提高評(píng)價(jià)精度，獲得更可靠的評(píng)價(jià)效果.

1 粒子群改進(jìn)神經(jīng)網(wǎng)絡(luò)的研究生就業(yè)質(zhì)量評(píng)價(jià)模型

1.1 研究生就業(yè)質(zhì)量評(píng)價(jià)體系

對(duì)于研究生就業(yè)質(zhì)量評(píng)價(jià)，存在大量不同指標(biāo)的評(píng)價(jià)模型，也不可能將全部指標(biāo)均納入研究生就業(yè)質(zhì)量評(píng)價(jià)體系.本文建立的研究生就業(yè)質(zhì)量評(píng)價(jià)體系考慮以下特點(diǎn)：（1）針對(duì)性更強(qiáng)，研究生具有高層次人才的特性，篩選的評(píng)價(jià)指標(biāo)更能突出研究生的特性，減少對(duì)于本科生、研究生均適用的普適標(biāo)準(zhǔn)；（2）主客觀(guān)相結(jié)合，既反映就業(yè)者的主觀(guān)感受，同時(shí)兼顧工作單位的客觀(guān)滿(mǎn)意度；（3）可操作性強(qiáng)，評(píng)價(jià)指標(biāo)體系具有實(shí)用和可推廣的特點(diǎn).構(gòu)建的研究生就業(yè)質(zhì)量評(píng)價(jià)體系如表1所示.

表1 研究生就業(yè)質(zhì)量評(píng)價(jià)指標(biāo)體系

1.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)，即它的傳播方向是從后向前反向傳播，它通常具有三層拓?fù)浣Y(jié)構(gòu)，即輸入層、隱含層和輸出層，如圖1所示.BP神經(jīng)網(wǎng)絡(luò)通過(guò)不斷更新傳播過(guò)程中的權(quán)值和閾值來(lái)逐步完善網(wǎng)絡(luò)，最終達(dá)到實(shí)際輸出值和期望輸出值誤差均方差最小的目的.

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

設(shè)第m個(gè)研究生就業(yè)質(zhì)量評(píng)價(jià)樣本的期望輸出結(jié)果為Em，BP神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出結(jié)果記為Om，那么訓(xùn)練樣本的結(jié)果應(yīng)輸出誤差計(jì)算公式為：

式中n為訓(xùn)練樣本數(shù).

隱含層與輸出層間的權(quán)重為Wxy、輸入層與隱含層間的權(quán)重為Wyz，其中，y代表隱含層節(jié)點(diǎn)、x為輸出層節(jié)點(diǎn)、z為輸入層節(jié)點(diǎn)，權(quán)值的更新方式如下：

式中η為學(xué)習(xí)速度，E為真實(shí)值與預(yù)測(cè)值的誤差.

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程實(shí)際就是權(quán)值和閾值更新的過(guò)程，傳統(tǒng)更新規(guī)則為梯度下降法，權(quán)重的初始值主要依據(jù)個(gè)人經(jīng)驗(yàn)所得.權(quán)重初值的選取直接影響B(tài)P神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)性能，進(jìn)而影響模型的評(píng)價(jià)效果.因此，本文采用粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)重賦初始值.

1.3 粒子群算法

粒子群算法用一種粒子來(lái)代表鳥(niǎo)群中的鳥(niǎo)，這種粒子是無(wú)質(zhì)量的，僅具有兩個(gè)屬性：速度和位置.各粒子在空間中單獨(dú)搜尋最優(yōu)解，將其記為當(dāng)前個(gè)體極值pbest，并將個(gè)體極值與整個(gè)粒子群的其他粒子共享，找到最佳的個(gè)體極值作為整個(gè)粒子群的當(dāng)前全局最優(yōu)解gbest.在每一次迭代中，粒子通過(guò)跟蹤這兩個(gè)極值更新自己的速度和位置，即：

式中：i表示粒子的數(shù)目，νi表示粒子的速度，rand()是介于（0,1）之間的隨機(jī)數(shù)，xi是粒子當(dāng)前的位置，c1、c2是學(xué)習(xí)因子，ω為權(quán)值系數(shù).

1.4 粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)研究生就業(yè)質(zhì)量步驟

傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法容易陷入局部最優(yōu)問(wèn)題的原因是在更新過(guò)程中單純利用誤差反向傳播調(diào)整權(quán)值和閾值.通過(guò)粒子群算法可拓展搜索權(quán)值、閾值的范圍和深度，優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，實(shí)現(xiàn)全局最優(yōu).具體實(shí)施步驟如下：

（1）根據(jù)表1的評(píng)價(jià)指標(biāo)內(nèi)容，采集歷史數(shù)據(jù)，組成研究生就業(yè)質(zhì)量評(píng)價(jià)樣本集合；

（2）歸一化處理的樣本數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入向量，研究生就業(yè)質(zhì)量評(píng)分值作為輸出向量，確定算法的拓?fù)浣Y(jié)構(gòu)；

（3）設(shè)置種群規(guī)模，初始化種群位置和速度，并將研究生就業(yè)質(zhì)量評(píng)價(jià)誤差作為適應(yīng)度函數(shù)值；

（4）計(jì)算粒子適應(yīng)度函數(shù)，更新個(gè)體最優(yōu)位置pbest和群體最優(yōu)位置gbest；

（5）根據(jù)式（4）調(diào)整粒子速度和位置；

（6）產(chǎn)生（0,1）范圍隨機(jī)數(shù)，如果小于變異系數(shù)，則隨機(jī)初始化種群，否則，獲得最優(yōu)Wxy和Wyz的初始值；

（7）根據(jù)最優(yōu)的Wxy和Wyz初始值，進(jìn)行研究生就業(yè)質(zhì)量評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并采用測(cè)試集對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行仿真測(cè)試.

通過(guò)粒子群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型的研究生就業(yè)質(zhì)量評(píng)價(jià)流程如圖2所示.

圖2 粒子群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法流程

2 仿真測(cè)試

2.1 測(cè)試環(huán)境

為了測(cè)試粒子群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的研究生就業(yè)質(zhì)量評(píng)價(jià)效果，采用Python 3.8作為開(kāi)發(fā)工具編程實(shí)現(xiàn)研究生就業(yè)質(zhì)量評(píng)價(jià)程序.研究生就業(yè)質(zhì)量評(píng)價(jià)結(jié)果采用百分制進(jìn)行描述，共收集2500條研究生就業(yè)質(zhì)量評(píng)價(jià)數(shù)據(jù).使用留出法將樣本數(shù)據(jù)隨機(jī)分為訓(xùn)練集（2000條）和測(cè)試集（500條），統(tǒng)計(jì)研究生就業(yè)質(zhì)量評(píng)價(jià)精度.

2.2 測(cè)試結(jié)果與分析

為顯示出優(yōu)化后的算法的優(yōu)勢(shì)，將單一算法與粒子群優(yōu)化后的算法進(jìn)行對(duì)照.為了分析的準(zhǔn)確性，本文從3個(gè)角度，即平均絕對(duì)誤差（AAD）、平均絕對(duì)百分誤差（RAAD）、均方根誤差（RMSE），對(duì)仿真效果進(jìn)行對(duì)比，預(yù)測(cè)結(jié)果如圖3所示.

圖3 預(yù)測(cè)結(jié)果對(duì)比

其中N表示測(cè)試樣本數(shù)量.

從圖3可以看出，無(wú)論是AAD、RAAD還是RMSE，粒子群改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)顯示出的優(yōu)勢(shì)十分顯著，改進(jìn)后的算法預(yù)測(cè)誤差均低于傳統(tǒng)算法的預(yù)測(cè)誤差.

3 結(jié)論

為了改善研究生就業(yè)質(zhì)量評(píng)價(jià)效果，本文引入了基于大數(shù)據(jù)挖掘技術(shù)的研究生就業(yè)質(zhì)量評(píng)價(jià)模型，采用粒子群算法和BP神經(jīng)網(wǎng)絡(luò)建模對(duì)研究生就業(yè)質(zhì)量進(jìn)行評(píng)價(jià).仿真結(jié)果表明，智能混合算法優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)權(quán)重、閾值的初始值，避免了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法陷入局部最優(yōu)的情況，且精度更高，預(yù)測(cè)值更接近真實(shí)值，評(píng)價(jià)結(jié)果更可靠，為研究生就業(yè)質(zhì)量評(píng)價(jià)提供了一種更好的方法.