摘要：在當(dāng)前高校畢業(yè)生就業(yè)形勢(shì)嚴(yán)峻的情況下，推薦系統(tǒng)可以作為畢業(yè)生與企業(yè)需求之間的橋梁，實(shí)現(xiàn)個(gè)性化推薦。本文重點(diǎn)介紹了協(xié)同過(guò)濾推薦算法在高校畢業(yè)生推薦系統(tǒng)中的應(yīng)用，采用基于內(nèi)容的推薦算法計(jì)算相似度，并使用基于用戶(hù)的協(xié)同過(guò)濾算法生成推薦結(jié)果，這樣可以解決高校畢業(yè)生隨意就業(yè)和招聘企業(yè)盲目招聘等問(wèn)題，提高推薦結(jié)果的準(zhǔn)確度，有助于緩解這種情況。

關(guān)鍵詞：高校畢業(yè)生推薦系統(tǒng)；協(xié)同過(guò)濾算法；個(gè)性化推薦；相似度計(jì)算

引言

根據(jù)最新的數(shù)據(jù)顯示，預(yù)計(jì)2023年全國(guó)普通高校畢業(yè)生人數(shù)將達(dá)到1158萬(wàn)人，較2013年的699萬(wàn)人增加了459萬(wàn)人，增幅達(dá)到65.7%[1]。每年畢業(yè)季都需要大量就業(yè)崗位來(lái)應(yīng)對(duì)龐大的畢業(yè)生數(shù)量，因此畢業(yè)生的就業(yè)形勢(shì)給社會(huì)帶來(lái)了更大的挑戰(zhàn)。同時(shí)，企業(yè)對(duì)人才質(zhì)量的要求不斷提高，導(dǎo)致就業(yè)門(mén)檻不斷提高。隨著人工智能技術(shù)的不斷應(yīng)用，傳統(tǒng)市場(chǎng)結(jié)構(gòu)體系受到了巨大的沖擊。為了適應(yīng)這種變化，各企業(yè)都在積極調(diào)整內(nèi)部人才結(jié)構(gòu)組成，這導(dǎo)致大量技術(shù)熟練人員重新進(jìn)入人才市場(chǎng)，從而加大了應(yīng)屆畢業(yè)生的就業(yè)阻力[2]。

各高校都成立了學(xué)生就業(yè)指導(dǎo)中心，主動(dòng)為學(xué)生提供求職指導(dǎo)，積極收集和發(fā)布招聘信息為學(xué)生提供及時(shí)可靠的就業(yè)信息。然而，隨著科技進(jìn)步，信息更新速度不斷加快，目前范圍性的信息推薦方式已經(jīng)不能滿(mǎn)足學(xué)生的求職需求。因此，制定個(gè)性化的職業(yè)推薦方案是目前畢業(yè)生就業(yè)問(wèn)題研究的主要方向。本文的研究重點(diǎn)是探討協(xié)同過(guò)濾推薦算法在高校畢業(yè)生推薦系統(tǒng)中的應(yīng)用，設(shè)計(jì)并實(shí)現(xiàn)了一套個(gè)性化推薦系統(tǒng)，旨在提高推薦結(jié)果的準(zhǔn)確性，為畢業(yè)生就業(yè)提供有力的支持。

1. 協(xié)同過(guò)濾算法概述

推薦算法是一種利用用戶(hù)的歷史行為、偏好、興趣等信息進(jìn)行分析，從而向用戶(hù)推薦可能感興趣的物品或服務(wù)的方法。推薦算法已廣泛應(yīng)用于電商、社交媒體、新聞報(bào)道、音樂(lè)電影等領(lǐng)域[3]。常見(jiàn)的推薦算法包括：基于內(nèi)容的推薦算法、協(xié)同過(guò)濾推薦算法、基于矩陣分解的推薦算法、深度學(xué)習(xí)推薦算法。在選擇推薦算法時(shí)，需要考慮實(shí)際應(yīng)用場(chǎng)景和數(shù)據(jù)特征。協(xié)同過(guò)濾推薦算法是一種基于用戶(hù)歷史行為數(shù)據(jù)的推薦算法，其主要思想是利用用戶(hù)之間的相似性或物品之間的相似性來(lái)進(jìn)行推薦[4]。

2. 基于協(xié)同過(guò)濾算法實(shí)現(xiàn)高校畢業(yè)生推薦系統(tǒng)研究

2.1 高校畢業(yè)生推薦算法的設(shè)計(jì)思路

為了幫助高校畢業(yè)生更好地實(shí)現(xiàn)就業(yè)，我們需要一種高效準(zhǔn)確的推薦算法，將學(xué)生的個(gè)人特點(diǎn)和企業(yè)的需求進(jìn)行有機(jī)結(jié)合，實(shí)現(xiàn)最佳匹配?；诖耍覀?cè)O(shè)計(jì)了一種基于協(xié)同過(guò)濾算法的高校畢業(yè)生推薦系統(tǒng)，將學(xué)生視為用戶(hù)，將企業(yè)視為項(xiàng)目，通過(guò)計(jì)算學(xué)生之間的相似度和學(xué)生對(duì)企業(yè)的關(guān)注度，找到最適合學(xué)生的就業(yè)崗位，為他們提供個(gè)性化的推薦服務(wù)。

在該系統(tǒng)中，首先建立了學(xué)生數(shù)據(jù)庫(kù)和企業(yè)數(shù)據(jù)庫(kù)，收集應(yīng)屆畢業(yè)生和往屆畢業(yè)生的就業(yè)屬性信息，包括學(xué)歷、專(zhuān)業(yè)、外語(yǔ)水平、計(jì)算機(jī)技能、獲獎(jiǎng)情況等；然后，通過(guò)比較應(yīng)屆畢業(yè)生和往屆畢業(yè)生之間的各種主要屬性特征，計(jì)算他們之間的相似度，以找到與應(yīng)屆畢業(yè)生興趣度相似的往屆畢業(yè)生。同時(shí)，需要采集學(xué)生登錄系統(tǒng)產(chǎn)生的瀏覽行為數(shù)據(jù)和瀏覽內(nèi)容數(shù)據(jù)，并對(duì)其進(jìn)行處理，以計(jì)算學(xué)生對(duì)企業(yè)的關(guān)注度（評(píng)價(jià)值）。

根據(jù)所有學(xué)生對(duì)企業(yè)的關(guān)注程度，發(fā)現(xiàn)與應(yīng)屆畢業(yè)生對(duì)企業(yè)興趣度相似的往屆畢業(yè)生中最相鄰的學(xué)生，并根據(jù)該相鄰的往屆畢業(yè)生的簽約情況進(jìn)行相關(guān)企業(yè)的推薦。最后，將學(xué)生相似度和企業(yè)關(guān)注度結(jié)果相結(jié)合，預(yù)測(cè)應(yīng)屆畢業(yè)生對(duì)企業(yè)的評(píng)價(jià)值，取排名靠前的企業(yè)按先后順序推薦給應(yīng)屆畢業(yè)生，以完成畢業(yè)生推薦就業(yè)功能。

2.2 學(xué)生屬性特征相似度計(jì)算

2.2.1 收集數(shù)據(jù)

為了實(shí)現(xiàn)高校畢業(yè)生推薦系統(tǒng)，首先需要收集大量的學(xué)生和企業(yè)數(shù)據(jù)，以便進(jìn)行算法設(shè)計(jì)和優(yōu)化。在本研究中，我們選取了10個(gè)具有代表性的影響因素來(lái)衡量學(xué)生的綜合能力，包括專(zhuān)業(yè)、學(xué)歷、外語(yǔ)水平、計(jì)算機(jī)技能、獲獎(jiǎng)情況、在校成績(jī)、政治面貌、學(xué)生干部經(jīng)歷、性別和生源地。這些指標(biāo)包括定性和定量指標(biāo)，是企業(yè)在求職過(guò)程中會(huì)關(guān)注的硬性條件，具有重要的參考價(jià)值。

在數(shù)據(jù)的收集過(guò)程中，首先建立了學(xué)生數(shù)據(jù)庫(kù)和企業(yè)數(shù)據(jù)庫(kù)。對(duì)于學(xué)生的個(gè)人信息，通過(guò)學(xué)校的學(xué)籍管理系統(tǒng)和學(xué)生運(yùn)營(yíng)平臺(tái)進(jìn)行數(shù)據(jù)的收集和整合。這些數(shù)據(jù)包括應(yīng)屆畢業(yè)生和往屆畢業(yè)生的相關(guān)信息，為本研究提供了豐富的數(shù)據(jù)資源。對(duì)于企業(yè)的信息，可以從學(xué)校內(nèi)部的就業(yè)發(fā)布網(wǎng)站上導(dǎo)入數(shù)據(jù)庫(kù)。為了讓數(shù)據(jù)庫(kù)更加全面，采用了網(wǎng)絡(luò)爬蟲(chóng)技術(shù)，從各大招聘網(wǎng)站和企業(yè)官網(wǎng)上收集和補(bǔ)充相關(guān)數(shù)據(jù)。這些數(shù)據(jù)包括企業(yè)的基本信息、職位信息，以及企業(yè)對(duì)于求職者的要求等內(nèi)容。

2.2.2 數(shù)據(jù)預(yù)處理

為了建立準(zhǔn)確的用戶(hù)畫(huà)像和企業(yè)數(shù)據(jù)庫(kù)，需要對(duì)收集到的原始數(shù)據(jù)進(jìn)行處理和清洗。數(shù)據(jù)預(yù)處理是數(shù)據(jù)挖掘過(guò)程中非常重要的一步，可以幫助我們識(shí)別并消除數(shù)據(jù)中的異常值、缺失值、重復(fù)值和錯(cuò)誤值等，從而提高數(shù)據(jù)的質(zhì)量和可用性。在本研究中，我們采用了以下技術(shù)來(lái)進(jìn)行數(shù)據(jù)預(yù)處理。

（1）數(shù)據(jù)清洗。數(shù)據(jù)清洗是數(shù)據(jù)預(yù)處理的一項(xiàng)重要工作，可以幫助發(fā)現(xiàn)和消除數(shù)據(jù)中的噪聲和異常值，使數(shù)據(jù)更加干凈和可靠。在本研究中，采用了數(shù)據(jù)可視化技術(shù)和統(tǒng)計(jì)分析技術(shù)，對(duì)數(shù)據(jù)進(jìn)行篩查和清理，消除了數(shù)據(jù)中的噪聲和異常值。

（2）數(shù)據(jù)轉(zhuǎn)換。數(shù)據(jù)轉(zhuǎn)換是將原始數(shù)據(jù)轉(zhuǎn)換為可分析和可用的格式的過(guò)程，可以幫助識(shí)別數(shù)據(jù)中的模式和趨勢(shì)，為數(shù)據(jù)建模和分析提供基礎(chǔ)。在本研究中，采用了數(shù)據(jù)標(biāo)準(zhǔn)化、數(shù)據(jù)離散化、數(shù)據(jù)歸一化、數(shù)據(jù)二值化等技術(shù)，將原始數(shù)據(jù)轉(zhuǎn)換為可以用于分析的格式。

（3）數(shù)據(jù)降維。數(shù)據(jù)降維是將高維數(shù)據(jù)轉(zhuǎn)換為低維數(shù)據(jù)的過(guò)程，可以幫助簡(jiǎn)化數(shù)據(jù)分析過(guò)程，提高計(jì)算效率和準(zhǔn)確性。本文采用主成分分析和因子分析等技術(shù)，將高維數(shù)據(jù)進(jìn)行降維處理，提高了數(shù)據(jù)分析的效率和準(zhǔn)確性。

舉例來(lái)說(shuō)，學(xué)生的干部經(jīng)歷或?qū)嵙?xí)經(jīng)歷包含的信息維度較多，可能存在一定的相關(guān)性和重復(fù)信息，導(dǎo)致數(shù)據(jù)維度過(guò)高，不利于后續(xù)的數(shù)據(jù)分析和建模。因此，采用主成分分析（PCA）或因子分析等技術(shù)對(duì)實(shí)習(xí)經(jīng)歷數(shù)據(jù)進(jìn)行降維處理。具體方法是將這些數(shù)據(jù)轉(zhuǎn)換為一個(gè)矩陣，其中每一行代表一個(gè)畢業(yè)生的實(shí)習(xí)經(jīng)歷，每一列代表一個(gè)實(shí)習(xí)經(jīng)歷的特征（如實(shí)習(xí)公司、實(shí)習(xí)崗位、實(shí)習(xí)時(shí)長(zhǎng)等）。對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使得每個(gè)特征的均值為0，方差為1。進(jìn)行主成分分析或因子分析，得到新的主成分或因子，代表了原始數(shù)據(jù)中的主要信息和關(guān)鍵因素。一般來(lái)說(shuō)，可以根據(jù)主成分的貢獻(xiàn)率，選取其中的前幾個(gè)主成分作為新的特征，代替原始的多個(gè)特征，從而實(shí)現(xiàn)數(shù)據(jù)降維和特征提取的目的。

通過(guò)以上技術(shù)的應(yīng)用，我們成功地對(duì)原始數(shù)據(jù)進(jìn)行了預(yù)處理和清洗，建立了全面的用戶(hù)畫(huà)像和企業(yè)數(shù)據(jù)庫(kù)，這為后續(xù)的數(shù)據(jù)分析和算法設(shè)計(jì)提供了堅(jiān)實(shí)的基礎(chǔ)。這一步驟是非常關(guān)鍵的，因?yàn)橹挥薪?jīng)過(guò)了有效的數(shù)據(jù)預(yù)處理，才能確保在后續(xù)的數(shù)據(jù)分析和模型構(gòu)建過(guò)程中得到的結(jié)果是準(zhǔn)確和可靠的。

2.2.3 計(jì)算學(xué)生的相似度

為了實(shí)現(xiàn)高校畢業(yè)生推薦功能，需要計(jì)算出系統(tǒng)中任意兩名畢業(yè)生之間的相似度，以實(shí)現(xiàn)最佳匹配。對(duì)往屆畢業(yè)生，還需要考慮畢業(yè)時(shí)間對(duì)計(jì)算結(jié)果的影響。在本研究中，我們選擇了余弦相似度算法，通過(guò)比較應(yīng)屆畢業(yè)生和往屆畢業(yè)生之間的各種主要屬性特征，計(jì)算他們之間的相似度。

2.2.4 計(jì)算企業(yè)的相似度

就業(yè)是一個(gè)雙向選擇的過(guò)程，因此企業(yè)自身的屬性也應(yīng)當(dāng)納入算法考量中。與學(xué)生模塊類(lèi)似，首先要在企業(yè)數(shù)據(jù)庫(kù)的基礎(chǔ)上建立企業(yè)屬性評(píng)分矩陣，將企業(yè)性質(zhì)、規(guī)模、招聘崗位、行業(yè)領(lǐng)域等指標(biāo)進(jìn)行數(shù)據(jù)建模并歸一化處理。在本研究中，我們使用歐幾里得距離公式計(jì)算出企業(yè)之間的相似度。

2.2.5 往屆畢業(yè)生聚類(lèi)分析

為了降低后續(xù)數(shù)據(jù)計(jì)算的復(fù)雜性，提升運(yùn)算速度，我們?cè)诒狙芯恐胁捎昧薑-Means聚類(lèi)算法對(duì)歷年學(xué)生的特征數(shù)據(jù)進(jìn)行分類(lèi)，將歷年學(xué)生劃分為多個(gè)群體。具體流程如下：

（1）初始化聚類(lèi)中心

從歷年畢業(yè)學(xué)生中選擇K個(gè)學(xué)生作為初始狀態(tài)下的各類(lèi)聚類(lèi)中心。選擇標(biāo)準(zhǔn)是基于開(kāi)設(shè)專(zhuān)業(yè)數(shù)量進(jìn)行篩選。

（2）計(jì)算相似度

計(jì)算其余學(xué)生與這K個(gè)學(xué)生的相似性，并將其余學(xué)生分別聚集到以這K個(gè)學(xué)生為中心的聚類(lèi)中，以完成對(duì)不同類(lèi)別的劃分。

（3）更新聚類(lèi)中心

根據(jù)各專(zhuān)業(yè)學(xué)生的素質(zhì)重新選擇K個(gè)學(xué)生作為新的聚類(lèi)中心。選擇標(biāo)準(zhǔn)是基于專(zhuān)業(yè)成績(jī)、職業(yè)素養(yǎng)、綜合評(píng)價(jià)的平均值進(jìn)行分組，然后再次計(jì)算其余學(xué)生與這K個(gè)學(xué)生的相似性，并按照最近原則將其余學(xué)生分別聚集到以這K個(gè)學(xué)生為中心的聚類(lèi)中。

（4）重復(fù)以上步驟

依據(jù)聚類(lèi)原則，多次迭代上述步驟，直到達(dá)到收斂。最后，對(duì)分類(lèi)后的數(shù)據(jù)進(jìn)行聚類(lèi)中心的計(jì)算，完成聚類(lèi)，并對(duì)每類(lèi)中的數(shù)據(jù)進(jìn)行標(biāo)記，同時(shí)標(biāo)記每類(lèi)的聚類(lèi)中心。

為了提升計(jì)算效率，在實(shí)際應(yīng)用中，可以離線處理往屆學(xué)生分類(lèi)。這樣在應(yīng)屆學(xué)生輸入個(gè)人特征后，只需計(jì)算學(xué)生與每個(gè)分類(lèi)中心的差異度，即可選擇差異度最小的類(lèi)別，從而避免在整個(gè)特征矩陣中在線計(jì)算鄰近相似性。

2.3 畢業(yè)生對(duì)企業(yè)關(guān)注度（評(píng)價(jià)值）的計(jì)算

不同畢業(yè)生對(duì)企業(yè)的偏好不同，關(guān)注程度也不同，將畢業(yè)生對(duì)企業(yè)的關(guān)注度納入推薦系統(tǒng)中可以實(shí)現(xiàn)更精準(zhǔn)的個(gè)性化推薦。推薦系統(tǒng)可以根據(jù)畢業(yè)生的關(guān)注度，為其推薦更符合其興趣和喜好的就業(yè)機(jī)會(huì)，提高其就業(yè)成功率。

為了量化畢業(yè)生對(duì)企業(yè)的興趣程度，需要?jiǎng)?chuàng)建一個(gè)評(píng)價(jià)矩陣，該矩陣需要綜合考慮多種因素，如學(xué)生對(duì)企業(yè)的認(rèn)知水平、企業(yè)的聲譽(yù)和口碑、企業(yè)的招聘需求等。在本研究中，我們通過(guò)以下步驟構(gòu)建了學(xué)生對(duì)企業(yè)的評(píng)價(jià)矩陣。

2.3.1 數(shù)據(jù)的收集和處理

通過(guò)前端技術(shù)嵌入相關(guān)的數(shù)據(jù)采集代碼，通過(guò)監(jiān)控學(xué)生的行為事件（如點(diǎn)擊、滾動(dòng)、鼠標(biāo)懸停等），捕捉學(xué)生在系統(tǒng)中的行為數(shù)據(jù)和瀏覽內(nèi)容等信息，并將其傳輸?shù)胶笈_(tái)服務(wù)器進(jìn)行儲(chǔ)存和處理。對(duì)相關(guān)行為數(shù)據(jù)和瀏覽內(nèi)容等信息進(jìn)行去重、篩選和分類(lèi)等處理，以識(shí)別出訪問(wèn)頻繁、停留時(shí)間長(zhǎng)的相關(guān)企業(yè)。將這些企業(yè)按照降序排列，得到應(yīng)屆畢業(yè)生感興趣的企業(yè)清單。

2.3.2 評(píng)價(jià)標(biāo)準(zhǔn)的設(shè)定

對(duì)于學(xué)生感興趣的企業(yè)，按照1～5的評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行評(píng)價(jià)。其中，往屆畢業(yè)生的簽約企業(yè)得到5分，其余的則根據(jù)興趣程度分別得到1分到4分，對(duì)不感興趣的企業(yè)計(jì)為0分。

2.3.3 評(píng)價(jià)矩陣的構(gòu)建

將學(xué)生感興趣的企業(yè)及其對(duì)應(yīng)的評(píng)價(jià)記錄在一個(gè)矩陣中，其中行代表學(xué)生，列代表企業(yè)，評(píng)價(jià)分?jǐn)?shù)代表學(xué)生對(duì)企業(yè)的興趣程度。

在建立了應(yīng)屆畢業(yè)生－企業(yè)評(píng)分矩陣后，再次通過(guò)余弦相似度算法來(lái)計(jì)算學(xué)生對(duì)企業(yè)關(guān)注度之間的相似度。

2.4 協(xié)同過(guò)濾算法的實(shí)現(xiàn)

通過(guò)上述過(guò)程，得到了學(xué)生之間的就業(yè)特征相似度、企業(yè)之間的相似度和學(xué)生對(duì)企業(yè)評(píng)價(jià)的相似度計(jì)算方法。接下來(lái)的推薦算法實(shí)現(xiàn)過(guò)程如下：

2.4.1 選擇鄰居

在這一步中，需要根據(jù)相似度矩陣選擇最相似的K個(gè)學(xué)生和M個(gè)企業(yè)作為鄰居。通過(guò)試驗(yàn)分析，我們?cè)诒狙芯恐腥≈礙=4，M=3。

2.4.2 預(yù)測(cè)評(píng)分

對(duì)于每個(gè)學(xué)生S和每個(gè)企業(yè)E，我們可以通過(guò)計(jì)算S與其鄰居對(duì)E的評(píng)價(jià)加權(quán)平均值來(lái)預(yù)測(cè)S對(duì)E的評(píng)價(jià)。對(duì)于學(xué)生S和企業(yè)E，假設(shè)S的鄰居列表為{N1，N2，...，NK}，其中Ni表示S的第i個(gè)鄰居，那么S對(duì)E的評(píng)價(jià)預(yù)測(cè)值R（S，E）可以計(jì)算如下：

其中，相似度sim（S，Ni）表示學(xué)生S與鄰居Ni之間的相似度，評(píng)價(jià)值G（Ni，E）表示鄰居Ni對(duì)企業(yè)E的評(píng)價(jià)值。

2.4.3 推薦排序

根據(jù)預(yù)測(cè)評(píng)分的大小，選取前M個(gè)企業(yè)作為推薦結(jié)果。

通過(guò)協(xié)同過(guò)濾算法的應(yīng)用，成功地將學(xué)生之間的就業(yè)特征相似度和學(xué)生對(duì)企業(yè)評(píng)價(jià)的相似度結(jié)合起來(lái)，實(shí)現(xiàn)了最佳匹配和預(yù)測(cè)評(píng)價(jià)的生成，從而為學(xué)生提供了更加準(zhǔn)確和個(gè)性化的就業(yè)推薦服務(wù)。

結(jié)論

研究協(xié)同過(guò)濾算法在高校畢業(yè)生就業(yè)推薦系統(tǒng)中的應(yīng)用，可以有效解決畢業(yè)生就業(yè)和企業(yè)招聘的盲目性等問(wèn)題。該系統(tǒng)考慮了畢業(yè)生的就業(yè)興趣，通過(guò)分析畢業(yè)生在系統(tǒng)中的瀏覽行為和內(nèi)容，將結(jié)果融入相似度計(jì)算中，確保推薦結(jié)果的合理性和可預(yù)測(cè)性。然而，在實(shí)現(xiàn)高校畢業(yè)生推薦系統(tǒng)的協(xié)同過(guò)濾算法過(guò)程中，仍然需要不斷深入研究，以提高模型的精度和實(shí)用性。系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn)并不足以完全具備準(zhǔn)確性，還需要經(jīng)過(guò)后期的測(cè)試和不斷應(yīng)用，進(jìn)而不斷改進(jìn)和提升系統(tǒng)的性能。

參考文獻(xiàn)：

[1]2023屆高校畢業(yè)生預(yù)計(jì)達(dá)1158萬(wàn)人[EB/OL].（2022-11-18）[2023-7-14].http：//www.moe.gov.cn/jyb_xwfb/s5147/202211/t20221118_995344.html.

[2]薛妍.高校學(xué)生就業(yè)推薦算法研究及應(yīng)用[D].西安：西北大學(xué)，2019.

[3]李鵬飛.基于頻繁項(xiàng)集的個(gè)性化推薦的研究[D].北京：北京郵電大學(xué)，2017.

[4]彭文惠，吳小剛.基于Web的推薦系統(tǒng)數(shù)據(jù)挖掘算法分析[J].信息與電腦（理論版），2019，（13）：44-47.

作者簡(jiǎn)介：尤亮，講師，碩士研究生，研究方向：計(jì)算機(jī)軟件工程。

基金項(xiàng)目：集美大學(xué)誠(chéng)毅學(xué)院青年科研基金項(xiàng)目——高校畢業(yè)生就業(yè)推薦系統(tǒng)的研發(fā)（編號(hào)：CK19060）。