何劍萍 黃曉蘭 蔣大銳

摘要：將校企聯(lián)合融入大學生就業(yè)指導中，優(yōu)化了化工專業(yè)大學生就業(yè)指導流程。采用MPA對SVM核函數(shù)參數(shù)進行優(yōu)化，提出了基于MPA-SVM 的大學生就業(yè)指導評價模型。通過對比MPA-SVM模型和其他模型的性能，驗證了MPA-SVM模型具有更佳的性能。將MPA-SVM模型應用于某院校化工專業(yè)畢業(yè)生就業(yè)數(shù)據(jù)中，結果表明，將校企融合融入到大學生就業(yè)指導中能夠有效提升大學生就業(yè)的質(zhì)量，同時大學生就業(yè)的質(zhì)量也和市場經(jīng)濟的發(fā)展之間具有密切的關系。這對促進大學生就業(yè)指導質(zhì)量的提升具有一定的參考價值。

關鍵詞：支持向量機；海洋捕食者算法；大學生就業(yè)指導；校企聯(lián)合

中圖分類號：O231???????? 標志碼：A?????? 文章編號：1001-5922（2023）03-0122-05

Research on technical practice and work precision orientation based on MPA-SVM

HE Jianping 1，HUANG Xiaolan2，JIANG Darui1

（1. Guangzhou Huashang College，Guangzhou 511300，China；

2. Guangdong University of Finance and Economics，510300，Guangdong China）

Abstract：The school-enterprise combination has been integrated into college students employment guidance，and the process of college students employment guidance has been optimized. MPA is used to optimize the parameters of SVM kernel function，and an evaluation model of college students employment guidance based on MPA-SVM is proposed. By comparing the performance of MPA-SVM model with other models，it is verified that MPA-SVM mod? el has better performance. The MPA-SVM model is applied to the employment data of chemical engineering gradu? ates from a university. The results show that the integration of school and enterprise into college students employ? ment guidance can effectively improve the quality of college students employment. At the sametime，the quality of college students employment is also closely related to the development of market economy. This has certain refer? ence value for promoting the quality of college students employment guidance.

Keywords：support vector machine；marine predators algorithm；smart employment guidance for college students； data support

伴隨著高等教育的快速發(fā)展，高校畢業(yè)生人數(shù)在快速增加，大學生就業(yè)成為了備受社會廣泛關注的話題。尤其是“生環(huán)化材”專業(yè)畢業(yè)生，就業(yè)更是難上加上，被認為是“天坑專業(yè)”。有效解決大學生就業(yè)問題離不開高校對大學生的精準就業(yè)指導，通過精準、有效的就業(yè)指導，幫助大學生科學定位，從而實現(xiàn)高質(zhì)量就業(yè)。有學者分析了化工專業(yè)大學生就業(yè)的流程與就業(yè)相關手續(xù)注意事項，幫助化工專業(yè)大學生快速實現(xiàn)角色的轉(zhuǎn)變[1]；對電力院校大學生就業(yè)指導進行了研究，指出高校在開展就業(yè)指導工作的過程中應該將人才培養(yǎng)與企業(yè)需求相結合，通過校企合作來促進大學生就業(yè)[2]。盡管當前學術界對大學生就業(yè)指導給予了高度的關注，但是研究主要是從定性的角度，缺乏定量化的研究。結合校企合作大環(huán)境，開展技術實踐，提升大學生就業(yè)競爭力，幫助大學生明確就業(yè)指向是提升高校辦學質(zhì)量的關鍵所在。優(yōu)化大學生就業(yè)指導流程，構建大學生就業(yè)指導評價體系，并采用改進的支持向量機（SVM）對大學生就業(yè)指導進行評價，為大學生就業(yè)工作精準指向提供數(shù)據(jù)支撐。

1 大學生就業(yè)指導優(yōu)化

化工專業(yè)具有很強的實踐性，要想實現(xiàn)高質(zhì)量就業(yè)就必須具備掌握化工理論知識與比較強的化工實踐技能。當前化工專業(yè)院校在開展大學生就業(yè)指導的過程中忽視了化工專業(yè)學生的特殊性，沒有很好地實現(xiàn)與化工企業(yè)之間的對接，這導致大學生就業(yè)時存在很大的迷茫性。在開展化工專業(yè)大學生就業(yè)指導的過程中將校企合作融入其中，通過校企合作來提升學生自身的硬實力，從而實現(xiàn)更高質(zhì)量的就業(yè)[3]?；I(yè)大學生就業(yè)指導優(yōu)化流程如圖1所示。

從圖1可以看出，大學生就業(yè)一方面要了解企業(yè)需求、掌握企業(yè)工作技能與產(chǎn)品生產(chǎn)工藝；另一方面是高校人才培養(yǎng)方案、課程改革、實踐教學要緊跟學生的就業(yè)需求。高校在開展就業(yè)指導的過程中拋棄企業(yè)，這樣的就業(yè)指導是“假大空”；而是要通過校企合作來促進化工專業(yè)大學生的就業(yè)，從而幫助大學生實現(xiàn)精準就業(yè)指導。

大學生的就業(yè)質(zhì)量和大學生自身的職業(yè)素養(yǎng)之間具有十分密切的關系，高校教師帶領大學生參與企業(yè)實踐的過程中要參與其中，通過專業(yè)教師、企業(yè)工作人員以及就業(yè)指導教師相結合，更好地培養(yǎng)大學生的職業(yè)素養(yǎng)，增強在激烈就業(yè)市場中的競爭力。大學生企業(yè)實踐職業(yè)素養(yǎng)培養(yǎng)流程如圖2所示。

2 化工專業(yè)大學生就業(yè)指導評價

2.1 支持向量機

SVM 是一種二分類模型，可以有效解決分類、回歸、異常值檢測等問題。SVM 的學習策略是間隔最大化，在高維空間數(shù)據(jù)處理中具有十分廣泛的應用[4]。 SVM原理如圖3所示。

從圖3可以看出，在邊緣上有4個樣本點，被稱之為支持向量。設有 m 個訓練樣本（xi .yi ），i =1.2.….m ，yi? e ]1.-1}，最優(yōu)超平面為[5]：

式中：w 為法向量；b 為偏置位移。

SVM 學習的目標是尋找法向量 w 以及偏置位移b ，使盡可能多的訓滿足

對最優(yōu)超平面的求解可以轉(zhuǎn)化為2次凸優(yōu)化問題，即[6]：

實際問題往往是線性不可分的，這使得采用硬邊距SVM模型進行樣本集合的分類會產(chǎn)生誤差。通過引入懲罰系數(shù)C 和松弛變量εi來構造等價優(yōu)化問題，即[7]：

引入拉格朗日乘子 ai 可以將式（4）轉(zhuǎn)化為對偶問題，即：

求解該優(yōu)化問題得到?jīng)Q策函數(shù)

當樣本分類為非線性問題時，通過非線性變換將其轉(zhuǎn)化為線性分類問題。由于線性分類問題的目標函數(shù)和決策函數(shù)只涉及實例和實例之間的內(nèi)積，因此可以采用核函數(shù) K（x .z）來代替內(nèi)積。對任意輸入空間 x 和 z ，有[8]：

式中：o（.）為輸入空間到特征空間的映射。

于是，非線性問題的決策函數(shù)為

核函數(shù)不同，SVM 算法不同，核函數(shù)的選擇要結合具體的問題來確定。本文選擇的核函數(shù)為徑向基函數(shù)，即[9]：

2.2 海洋捕食者算法優(yōu)化支持向量機

懲罰系數(shù) C 和核函數(shù)參數(shù) g 對 SVM 分類性能影響比較大，采用海洋捕食者算法（MPA）對參數(shù)組合（C .g）進行優(yōu)化。MPA 算法是一種新型元啟發(fā)式優(yōu)化算法，是受到海洋中生物捕食者以及獵物的行為啟發(fā)提出的。MPA算法流程如下：

2.2.1 采用隨機方式或混沌映射方式進行種群初始化

設Xmax、Xmin分別為獵物搜索邊界的上下限，在搜索邊界內(nèi)對獵物位置初始化，即[10]：

式中：X0為獵物初始位置；rand 為區(qū)間[0.1]上的隨機數(shù)。

2.2.2 構造精英矩陣 Ei 和獵物矩陣 Pi ，并進行記憶存儲

按照適者生存理論，位于食物鏈頂級的捕食者覓食具有優(yōu)勢，那么頂級捕食者所在的位置就是最優(yōu)解，構造精英矩陣（Elite）[11]：

式中：下標 n 、d 分別為搜索代理數(shù)量和維數(shù)；XI 為頂級捕食者向量。

在整個生物鏈中，捕食者和獵物是相對的，頂級捕食者在搜索獵物時，獵物也在搜索下一級的獵物。從這個角度上來講，獵物與捕食者都是搜索代理。在 MPA 算法中，每一次迭代處于頂級的捕食者都會被更佳的捕食者所取代，從而實現(xiàn)精英矩陣（Elite）更新。同精英矩陣對應的是獵物矩陣（Prey），其表達式為：

2.2.3 優(yōu)化方案

捕食者在不同的階段捕食者和獵物的速度不同，那么所采用的覓食策略也是不同的。MPA 共包含3個階段，分別為迭代前期、迭代中期、迭代后期[12]；圖4為3個階段的示意圖。

（1）迭代前期。捕食者的速度大于獵物的速度，采用勘探策略，數(shù)學模型為[13]：

（2）迭代中期。捕食者的速度和獵物的速度相同，采用勘察和開發(fā)并重策略，數(shù)學模型為[14]：

（3）迭代后期。捕食者的速度小于獵物的速度，采用開發(fā)策略，數(shù)學模型為[15]：

式中：si為移動步長；RB 為正態(tài)分布的布朗游走隨機向量；?為逐項乘法運算；R 為區(qū)間[0.1]上的均勻隨機向量；RL 為Levy分布的隨機向量；CF 為控制捕食者移動步長的參數(shù)。

為了避免優(yōu)化過程中在局部最優(yōu)處停滯，添加FADs效應，數(shù)學模型為[16]：

式中：Xmax和Xmin分別為搜索空間范圍的最大值和最小值；FADs 為影響概率；r 為區(qū)間[0.1]上的隨機數(shù)；r 1和 r2分別為獵物矩陣的隨機索引。

2.3 MPA-SVM 就業(yè)指導評價

高校就業(yè)指導關系到高校畢業(yè)生的就業(yè)精準度，進而影響到高校的辦學質(zhì)量提升。在當前大學生就業(yè)難備受社會廣泛關注的大背景下，為促進大學生高質(zhì)量、精準就業(yè)，高校應該結合專業(yè)人才培養(yǎng)目標和學生的實際情況來開展更具針對性的就業(yè)指導工作。高校畢業(yè)生就業(yè)信息數(shù)據(jù)庫包含了高校畢業(yè)生的就業(yè)信息，如學生基本信息、學生成績信息、學生素質(zhì)拓展信息等?？紤]到有的信息是定型的，有的信息是定量的，同時不同信息屬性存在比較大的差異，因此在開展就業(yè)指導評價的過程中對定型信息量化處理，同時對所有的信息進行歸一化處理，作為樣本數(shù)據(jù)集進行分析[17]。結合對化工專業(yè)大學生就業(yè)指導的評價來找出大學生就業(yè)指導存在的問題，進而開展更具針對性的就業(yè)指導，提升化工專業(yè)大學生就業(yè)質(zhì)量。將樣本數(shù)據(jù)集按照8∶2的比例劃分為模型訓練樣本數(shù)據(jù)集和模型測試樣本數(shù)據(jù)集，采用 MPA 對SVM 的懲罰系數(shù)（C）和核函數(shù)參數(shù)（g）進行優(yōu)化，得到 MPA-SVM 模型?；?MPA-SVM 的化工專業(yè)大學生就業(yè)指導評價模型如圖5所示。

3 實例分析

3.1 數(shù)據(jù)來源

不同的高校辦學目標不同，學生就業(yè)去向差別也比較大。選擇湖北省武漢市某普通本科院校作為研究對象，從大學生就業(yè)數(shù)據(jù)庫中提取近10年化工專業(yè)學生就業(yè)數(shù)據(jù)信息。就業(yè)數(shù)據(jù)信息包括學生的性別、年齡、在校實習次數(shù)、參加社團、學科類別、英語等級、政治面貌、計算機等級、學習成績等屬性。考慮到每屆畢業(yè)生的人數(shù)在1000名學生左右，最終確定每一屆選擇800名學生，將樣本數(shù)據(jù)集按照8∶2的比例隨機分配，其中訓練樣本數(shù)據(jù)6400，測試樣本數(shù)據(jù)1600。

3.2 結果分析及討論

設置MPA 算法的種群規(guī)律為50，最大迭代次數(shù)為500，影響概率為0.25，對 SVM 的參數(shù)組合（C .g）進行優(yōu)化，獲得優(yōu)化后的SVM 模型。另外，為了對比不同智能優(yōu)化算法對SVM 懲罰系數(shù)和核函數(shù)參數(shù)優(yōu)化得到的不同改進SVM模型，采用遺傳算法（GA）[18]、粒子群算法（PSO）[19]優(yōu)化SVM參數(shù)，得到GA-SVM模型、PSO-SVM模型。對比不同模型對化工專業(yè)大學生就業(yè)指導的準確率和算法運行時間，結果如表1所示。

由表1可知，采用智能優(yōu)化算法（GA、PSO、MPA）對SVM 懲罰系數(shù)和核函數(shù)參數(shù)優(yōu)化之后，模型的準確率均得到了一定程度的提升，其中MPA-SVM模型對就業(yè)指導的準確率由78.6%增加到了95.7%。從算法運行的時間來看，SVM 模型的運行效率最高，這是因為智能優(yōu)化算法會降低模型的運行效率，但是相比較而言，PSO-SVM、MPA-SVM 和SVM 模型的運行時間相差很小，可以忽略不計[20]。從整體上來講， MPA-SVM的性能最佳。

校企聯(lián)合是高校提升辦學質(zhì)量的關鍵所在，選擇的高校在2015年開展校企聯(lián)合，即2013～2018屆畢業(yè)生并沒有參與到校企聯(lián)合培養(yǎng)中來。采用 MPA-SVM 模型對2013～2018年的化工專業(yè)畢業(yè)生就業(yè)指導質(zhì)量進行評價，結果如圖6所示。

從圖6可以看出，2013～2018年化工專業(yè)畢業(yè)生就業(yè)指導質(zhì)量得分呈現(xiàn)出波動變化的趨勢。畢業(yè)生的就業(yè)和經(jīng)濟形勢之間有很大的關系，出現(xiàn)波動受到社會經(jīng)濟發(fā)展大趨勢的影響，這也在一定程度上說明了該校就業(yè)指導工作開展還有很大的提升空間。

所選擇的高校2019屆畢業(yè)生是該校第一屆參與到校企聯(lián)合培養(yǎng)的學生，采用 MPA-SVM 模型對2019～2022年的化工專業(yè)畢業(yè)生就業(yè)指導質(zhì)量進行評價，結果如圖7所示。

從圖7可以看出，高校實施校企聯(lián)合之后，化工專業(yè)畢業(yè)生的就業(yè)指導質(zhì)量評價得分明顯提升，但是整體上增速比較慢。導致出現(xiàn)這種情況的原因是由于2019年底爆發(fā)了新冠疫情，新冠疫情采取的居家隔離政策使得經(jīng)濟發(fā)展受到了比較大的影響，同時將校企聯(lián)合融入到大學生就業(yè)指導的過程中還存在一定的問題，這也是使得就業(yè)指導質(zhì)量評價得分相對并不高的又一原因。通過對比近10年化工專業(yè)畢業(yè)生的就業(yè)指導質(zhì)量評價得分，將校企融合與大學生就業(yè)指導結合起來對提升大學生的就業(yè)質(zhì)量具有至關重要的價值。

4 結語

高校畢業(yè)生人數(shù)的持續(xù)增加使得畢業(yè)生就業(yè)難備受關注，促進高校畢業(yè)生高質(zhì)量、精準就業(yè)能夠更好地提升高等教育質(zhì)量和促進經(jīng)濟社會的快速發(fā)展。將校企聯(lián)合融入到大學生就業(yè)指導中，通過技術實踐來增強大學生就業(yè)硬實力，實現(xiàn)精準就業(yè)。運用支持向量機構建了大學生就業(yè)指導評價模型，并采用MPA對支持向量機的懲罰系數(shù)和核函數(shù)參數(shù)進行優(yōu)化，提出了化工專業(yè)大學生就業(yè)指導評價的MPA-SVM 模型。通過對比MPA-SVM、GA-SVM、PSO-SVM、SVM，結果表明MPA-SVM模型的性能最佳。將MPA-SVM應用于化工專業(yè)畢業(yè)生就業(yè)指導評價中，結果表明校企聯(lián)合融入大學生就業(yè)指導使得大學生就業(yè)質(zhì)量明顯提升，這對提升化工專業(yè)大學生的就業(yè)質(zhì)量具有一定的參考。

【參考文獻】

[1] 劉姬冰，王瀾.基于化工行業(yè)發(fā)展與專業(yè)現(xiàn)狀的大學生就業(yè)指導[J].熱固性樹脂，2021，36（2）：72-73.

[2] 陳亞青.電力科技院校學生就業(yè)指導與實踐探索[J].電氣傳動，2019，49（12）：116-120.

[3] 陳素彬，胡振，蔡韻凝，等.高職院校涉農(nóng)專業(yè)分析類共享實驗室的校企共建與協(xié)同管理[J].實驗技術與管理，2022，39（10）：194-199.

[4] 張雅麗，王科.工程專業(yè)技術人才教研信息統(tǒng)籌多維度評價體系優(yōu)化構建[J].粘接，2022，49（12）：129-132.

[5] 蓋曜麟，葛麗娟，郭懿中，等.基于改進SVM 算法的高壓斷路器故障診斷[J].高壓電器，2022，58（12）：14-20.

[6] 郭金玉，于歡，李元.基于KPCA-SVM的相關和獨立變量故障檢測方法[J].深圳大學學報（理工版），2023，40（1）：14-21.

[7] 吳艷.基于KPCA-ICS-SVM模型的膠粘復合材料涂層管道外腐蝕速率預測研究[J].粘接，2022，49（8）：25-31.

[8] 密俊霞，于會龍，席軍強.基于MLP-SVM 的駕駛員換道行為預測[J].兵工學報，2022，43（12）：3020-3029.

[9] 王鑫，張奇志.改進麻雀搜索算法優(yōu)化支持向量機的井漏預測[J].科學技術與工程，2022，22（34）：15115-15122.

[10] 王昱琛，楊仕教，郭欽鵬，等.基于MPA-SVM 的煤礦拋擲爆破爆堆形態(tài)預測[J].爆破器材，2023，52（1）：58-64.

[11] 張長有，張文宇，袁永斌，等.基于改進MPA 優(yōu)化的高斯混合模型算法[J].科技管理研究，2022，42（23）：199-208.

[12] 侯軼軒，路敬祎，張昆，等.基于MPA-VMD的去噪方法在管道泄漏檢測中的應用[J].壓力容器，2022，39（7）：64-72.

[13] 張青，曾慶華，張宗宇，等.基于海洋捕食者算法的武器-目標分配問題研究[J].兵器裝備工程學報，2022，43（8）：158-163.

[14] 馬馳，曾國輝，黃勃，等.融合混沌對立和分組學習的海洋捕食者算法[J].計算機工程與應用，2022，58（22）：271-283.

[15] 張孟健，王德光，汪敏，等.求解工程約束問題的新型智能優(yōu)化算法及展望[J].計算機應用，2022，42（2）：534-541.

[16] 胡順強，崔東文.基于海洋捕食者算法優(yōu)化的長短期記憶神經(jīng)網(wǎng)絡徑流預測[J].中國農(nóng)村水利水電，2021（2）：78-82.

[17] 楊寒雨，趙曉永，王磊.數(shù)據(jù)歸一化方法綜述[J].計算機工程與應用，2022（12）：1-11.

[18] 李健，吳懷超，趙麗梅，等.基于光散射法和GA-SVM 的高速鋼軋輥粗糙度檢測[J].組合機床與自動化加工技術，2022（10）：97-99.

[19] 張大可，馬雋，王立英，等.基于粒子群優(yōu)化-支持向量機的睡眠呼吸暫停檢測[J].科學技術與工程，2022，22（33）：14644-14651.

[20] 黃丹妮.基于扎根理論的創(chuàng)業(yè)型企業(yè)技術轉(zhuǎn)移模式創(chuàng)新研究[J].粘接.2021，46（4）：166-169.