蔣大銳，徐勝超

（廣州華商學院數(shù)據(jù)科學學院，廣東 廣州 511300）

0 引 言

近年來，隨著高等教育改革的逐漸深入，大學畢業(yè)生的就業(yè)壓力增大，就業(yè)形勢日益嚴峻[1-3]。實現(xiàn)信息化是解決學生就業(yè)難的有效辦法，高效、便捷的學生就業(yè)服務平臺以及先進的網(wǎng)絡技術(shù)都是解決就業(yè)困難的新方法。建立一個有效的學生就業(yè)服務平臺，有助于解決大學生就業(yè)中的各種問題，使其發(fā)揮最大的效用[4-5]。然而，隨著學生就業(yè)服務平臺建設不斷增加，學生就業(yè)服務平臺所積累的數(shù)據(jù)量隨之增加，數(shù)據(jù)類型也更加多樣。為全面優(yōu)化學生就業(yè)水平與就業(yè)質(zhì)量，必須對學生就業(yè)服務平臺數(shù)據(jù)進行分類[6-7]。

文獻[8]提出了基于FPGA 和機器學習的大學生就業(yè)數(shù)據(jù)平臺。文中采用貝葉斯方法、多層感知和順序最小優(yōu)化、集成方法和決策樹預測學生的就業(yè)。該算法不同于數(shù)據(jù)挖掘中的分類技術(shù)，是一種能夠?qū)崿F(xiàn)學生就業(yè)數(shù)據(jù)分類的方法。

文獻[9]研究了基于支持向量機方法的成績單等級路徑對公共高等教育畢業(yè)生入學選擇的分類方法。該研究中，使用平均學期成績單等級1～5 的參數(shù)進行數(shù)據(jù)測試。基于數(shù)據(jù)測試的結(jié)果，使用SVM 方法測量數(shù)據(jù)分類準確度水平，以確定分類執(zhí)行標準。上述兩種方法均能夠有效實現(xiàn)高等教育學生就業(yè)數(shù)據(jù)分類，但仍存在數(shù)據(jù)分類精度較低的問題。

文獻[10]提出了基于混合深度神經(jīng)網(wǎng)絡的就業(yè)推薦方法，設定學生基本屬性和行為序列，將混合深度神經(jīng)網(wǎng)絡模型與自注意力機制相結(jié)合來挖掘?qū)W生職業(yè)特征屬性，完成特征交互和數(shù)據(jù)擬合，實現(xiàn)學生就業(yè)推薦。但是神經(jīng)網(wǎng)絡隱藏層中包含多個神經(jīng)元，在計算過程中容易造成算力不足。

為了提高學生就業(yè)分類數(shù)據(jù)計算算力，文獻[11]提出了基于決策樹算法的高校畢業(yè)生就業(yè)預測方法。通過C4.5 算法生成決策樹，計算學生就業(yè)信息增益率指標，根據(jù)指標結(jié)果對就業(yè)數(shù)據(jù)進行分類，構(gòu)建就業(yè)預測模型；利用混淆矩陣求解模型，完成學生就業(yè)預測。

文獻[12]提出了利用K-最近鄰算法的就業(yè)數(shù)據(jù)預測模型，通過K-近鄰算法聚類學生行為信息，根據(jù)學生屬性分類就業(yè)數(shù)據(jù)并結(jié)合KD 樹索引完成學生就業(yè)預測。但是，決策樹算法和K-最近鄰算法在數(shù)據(jù)分類時間性能方面有待進一步提高。

為了解決上述方法存在的問題，本文提出一種基于統(tǒng)計學習算法的學生就業(yè)服務平臺數(shù)據(jù)分類方法，通過真實實驗數(shù)據(jù)驗證本文學生就業(yè)數(shù)據(jù)分類方法的精準度與高效性。

1 選擇學生就業(yè)服務平臺樣本數(shù)據(jù)特征屬性

為有效實現(xiàn)學生就業(yè)服務平臺數(shù)據(jù)分類，基于信息熵[13-14]選擇學生就業(yè)服務平臺數(shù)據(jù)樣本特征屬性。設定學生就業(yè)服務平臺樣本數(shù)據(jù)集為Q，以信息熵為Q純度的度量指標。信息熵Ent(Q) 的數(shù)值較低時，則表示Q的純度越高，其計算公式為：

式中：Pi為學生就業(yè)服務平臺樣本數(shù)據(jù)集Q中包含的第i類學生就業(yè)服務平臺樣本的數(shù)量占整個集合樣本總數(shù)的比例；a表示學生就業(yè)服務平臺樣本數(shù)據(jù)集Q中包含的樣本類別數(shù)量，即i∈[ 1,a]。

最佳的學生就業(yè)服務平臺樣本數(shù)據(jù)特征屬性的選擇是利用信息增益指標[15-17]來完成的，核心思路是：以信息增益作為衡量指標，選取信息增益值最大的學生就業(yè)服務平臺樣本數(shù)據(jù)特征屬性來對學生就業(yè)服務平臺樣本數(shù)據(jù)集進行劃分。信息增益是指利用該平臺的樣本數(shù)據(jù)特征屬性W劃分Q可以得到的收益量。信息增益值越大，將W作為分配屬性，獲得的樣本的純度就越高，所得的收益量就越大。其表達式為：

式中：n表示以學生就業(yè)服務平臺樣本數(shù)據(jù)特征屬性W為劃分屬性對學生就業(yè)服務平臺樣本數(shù)據(jù)集Q進行劃分時所產(chǎn)生的樣本數(shù)量；Qi表示第i類學生就業(yè)服務平臺樣本集合，i∈[ 1,n]。

2 融合學生就業(yè)服務平臺樣本數(shù)據(jù)特征信息

在選擇最佳學生就業(yè)服務平臺樣本數(shù)據(jù)特征屬性后，利用主成分分析法[18-20]融合學生就業(yè)服務平臺樣本數(shù)據(jù)特征信息。在a個學生就業(yè)服務平臺樣本數(shù)據(jù)集包含的樣本類別中，分別提取E個學生就業(yè)服務平臺樣本數(shù)據(jù)特征信息，獲取的學生就業(yè)服務平臺樣本數(shù)據(jù)特征矩陣為：

將原始的學生就業(yè)服務平臺樣本數(shù)據(jù)特征變量R1,R2,…,RE線性表示主成分分析后，得到綜合的學生就業(yè)服務平臺樣本數(shù)據(jù)特征變量為：

用料：菜子油 10 kg，拆好的蟹黃2 kg，姜米 500 g，小料（拍松的姜塊 1 kg，大蔥段 500 g，圓蔥塊 250 g，香葉、八角各 5 g）。

假設第xE與第yE個學生就業(yè)服務平臺樣本數(shù)據(jù)特征之間存在的協(xié)方差為cxy，其計算公式如下：

根據(jù)式（5）計算結(jié)果構(gòu)建協(xié)方差矩陣，為：

將學生就業(yè)服務平臺樣本數(shù)據(jù)特征值按照從大到小的順序排序，獲取各個主成分，學生就業(yè)服務平臺樣本數(shù)據(jù)特征值即為各主成分對應的方差。

假設學生就業(yè)服務平臺樣本數(shù)據(jù)特征向量對應的非零特征根為γ1,γ2,…,γE，獲得累計貢獻率為：

式中γk是綜合的學生就業(yè)服務平臺樣本數(shù)據(jù)特征信息中第k個主成分提取的信息所占的份額。

確定變換的學生就業(yè)服務平臺樣本數(shù)據(jù)特征向量個數(shù)和主成分個數(shù)，獲得變換矩陣。通過主成分分析和樣本原始學生就業(yè)服務平臺樣本數(shù)據(jù)特征計算變換矩陣，完成學生就業(yè)服務平臺樣本數(shù)據(jù)特征信息融合。

3 學生就業(yè)服務平臺數(shù)據(jù)分類

統(tǒng)計學習算法是指使用基于統(tǒng)計原理的有效方法從數(shù)據(jù)中推斷函數(shù)的算法[21-23]，其將數(shù)學、計算機和統(tǒng)計學的原理相結(jié)合，能夠從數(shù)據(jù)中提取出有用的信息，以便進一步對數(shù)據(jù)進行處理。樸素貝葉斯算法是統(tǒng)計學習算法的一種，常用于數(shù)據(jù)分類等場合，能夠有效處理多分類任務[24-26]。因此，本文采用統(tǒng)計學習算法中的樸素貝葉斯算法實現(xiàn)學生就業(yè)服務平臺數(shù)據(jù)分類。將融合后的學生就業(yè)服務平臺樣本數(shù)據(jù)特征信息輸入到樸素貝葉斯分類器模型中，結(jié)合先驗概率和后驗概率完成學生就業(yè)服務平臺數(shù)據(jù)分類。

設定學生就業(yè)服務平臺數(shù)據(jù)的訓練樣本集與其樣本集合是固定的，那么樸素貝葉斯分類器將學生就業(yè)服務平臺數(shù)據(jù)都視為獨立存在的個體，通過統(tǒng)計學生就業(yè)服務平臺數(shù)據(jù)的訓練樣本集的數(shù)量，得到關于學生就業(yè)服務平臺數(shù)據(jù)的先驗概率，表示為：

式中：Dx為學生就業(yè)服務平臺數(shù)據(jù)的先驗概率；so為學生就業(yè)服務平臺數(shù)據(jù)樣本點；g為樸素貝葉斯分類器模型迭代次數(shù)。

在學生就業(yè)服務平臺樣本集合中引入統(tǒng)計學習算法中的樸素貝葉斯算法，得到樸素貝葉斯分類器模型為：

式中φ為樸素貝葉斯分類器模型常數(shù)。

將融合后的學生就業(yè)服務平臺樣本數(shù)據(jù)特征信息輸入到樸素貝葉斯分類器中，其計算公式如下：

式中：為學生就業(yè)服務平臺樣本數(shù)據(jù)頻率系數(shù)。

在學生就業(yè)服務平臺數(shù)據(jù)分類的過程中，計算出學生就業(yè)服務平臺數(shù)據(jù)的訓練樣本集與其樣本集合，可以大幅度地簡化后驗概率的計算量。因此，將其先驗概率與后驗概率相結(jié)合，并計算出學生就業(yè)服務平臺數(shù)據(jù)的所有后驗概率數(shù)值，公式如下所示：

計算出學生就業(yè)服務平臺數(shù)據(jù)的所有后驗概率數(shù)值后，排序得到所有后驗概率數(shù)值，并且找到一個最大的后驗概率，它相應的分類就是樸素貝葉斯分類器的結(jié)果，由此完成學生就業(yè)服務平臺數(shù)據(jù)分類。

4 實驗結(jié)果與分析

4.1 實驗設置

4.1.1 實驗硬件環(huán)境

為了驗證基于統(tǒng)計學習算法的學生就業(yè)服務平臺數(shù)據(jù)分類方法的有效性，在實驗中采用CPU i3 2120 作為測試環(huán)境。CPU 頻率為3.30 GHz，MEM 為4 GB，硬盤為1 000 GB，顯卡為512 MB，光刻為32 nm，總線速度為5 GT/s，TDP 為65 W。

4.1.2 實驗軟件環(huán)境

安裝了64 位Windows 系統(tǒng)的計算機，并通過Java程序?qū)崿F(xiàn)文中所述的樸素貝葉斯分類器，選擇的開源統(tǒng)計學習平臺為Weka[27]。Weka 軟件是一款免費、非商業(yè)化的數(shù)據(jù)挖掘軟件。在Weka 平臺下完成學生就業(yè)數(shù)據(jù)特征選擇、分類、回歸。數(shù)據(jù)庫處理工具采用MySQL，語料提取工具采用NLP，向量訓練工具采用Fast Text。

4.1.3 實驗數(shù)據(jù)選擇

在某全日制本科（二本）院校近5年的高校學生就業(yè)服務信息數(shù)據(jù)中，隨機選取1 500 名高校學生的1 500 個信息數(shù)據(jù)，具體數(shù)據(jù)內(nèi)容如表1 所示。

表1 學生就業(yè)數(shù)據(jù)

選擇的學生就業(yè)服務平臺樣本數(shù)據(jù)特征屬性是250 個，以文獻[8]方法（基于FPGA 和機器學習的大學生就業(yè)數(shù)據(jù)平臺）與文獻[9]方法（利用支持向量機方法對公立高等教育的分類）為對比方法，對所提方法進行驗證。

4.2 ROC 曲線指標測試

為了驗證所提方法的學生就業(yè)服務平臺數(shù)據(jù)分類效果，將ROC 曲線作為評價指標。ROC 曲線下面積與方法的實際分類效果之間呈正比例相關，即面積越大，分類效果越好。分別采用文獻[8]方法、文獻[9]方法和所提方法進行對比，得到不同方法的ROC 曲線對比結(jié)果，如圖1 所示。

圖1 不同方法的ROC 曲線對比結(jié)果

分析圖1 可知，文獻[8]方法和文獻[9]方法的ROC 曲線面積分別達到整體有效面積的90%和85%，而所提方法的ROC 曲線面積達到整體有效面積的98%以上。因為所提方法在提取學生就業(yè)服務數(shù)據(jù)樣本特征屬性過程中，利用信息熵和信息增益劃分屬性，以此提升了數(shù)據(jù)分類效果。由此可知，所提方法的ROC 曲線面積較大，其分類效果較好。

4.3 分類準確率測試

進一步驗證所提方法的學生就業(yè)服務平臺數(shù)據(jù)分類精度，將分類準確率作為評價指標，分類準確率越大，表明方法的學生就業(yè)服務平臺數(shù)據(jù)分類精度越高。分類準確率計算公式如下：

式中Wr為正確分類的學生就業(yè)服務平臺樣本數(shù)據(jù)特征屬性。分別采用文獻[8]方法、文獻[9]方法和所提方法進行對比，得到不同方法的學生就業(yè)服務平臺數(shù)據(jù)分類準確率對比結(jié)果，如圖2 所示。

圖2 不同方法的數(shù)據(jù)分類準確率對比結(jié)果

分析圖2 可知，當學生就業(yè)服務平臺樣本數(shù)據(jù)特征屬性為250 個時，文獻[8]方法和文獻[9]方法的平均學生就業(yè)服務平臺數(shù)據(jù)分類準確率分別為84.3%和88.6%，而所提方法的平均學生就業(yè)服務平臺數(shù)據(jù)分類準確率高達95.8%。因為所提方法采用樸素貝葉斯算法對學生就業(yè)服務平臺樣本數(shù)據(jù)特征進行分類，利用先驗概率和后驗概率簡化計算量，提高計算算力，從而提高了數(shù)據(jù)分類準確率。由此可知，所提方法的學生就業(yè)服務平臺數(shù)據(jù)分類準確率較大，具有較高的學生就業(yè)服務平臺數(shù)據(jù)分類精度。

4.4 分類時間測試

在此基礎上，進一步驗證所提方法的學生就業(yè)服務平臺數(shù)據(jù)分類時間，將文獻[8]方法、文獻[9]方法與所提方法相比較，得出不同方法的學生就業(yè)服務平臺數(shù)據(jù)分類時間對比結(jié)果，如表2 所示。

表2 分類時間對比結(jié)果

根據(jù)表2 可知，隨著學生就業(yè)服務平臺樣本數(shù)據(jù)特征屬性的增加，不同方法的學生就業(yè)服務平臺數(shù)據(jù)分類時間隨之增加。當學生就業(yè)服務平臺樣本數(shù)據(jù)特征屬性為250 個時，文獻[8]方法和文獻[9]方法的學生就業(yè)服務平臺數(shù)據(jù)分類時間分別為9.55 ms 和12.77 ms，而所提方法的學生就業(yè)服務平臺數(shù)據(jù)分類時間僅為5.38 ms。因為所提方法利用主成分分析法融合學生就業(yè)服務平臺樣本數(shù)據(jù)特征信息，消除了評價指標之間的相關影響，從而降低了數(shù)據(jù)分類時間。由此可知，所提方法可以有效縮短學生就業(yè)服務平臺數(shù)據(jù)的分類時間。

5 結(jié) 語

本文提出一種基于統(tǒng)計學習算法的學生就業(yè)服務平臺數(shù)據(jù)分類方法。通過選擇學生就業(yè)服務平臺樣本數(shù)據(jù)特征屬性，融合學生就業(yè)服務平臺樣本數(shù)據(jù)特征信息，實現(xiàn)學生就業(yè)服務平臺數(shù)據(jù)分類。但由于研究時間和研究條件有限，實驗范圍選取不夠?qū)挿?，此次研究僅選取一所全日制本科（二本）院校作為實驗對象。在之后的研究中將結(jié)合本文實驗結(jié)果選擇多種類型院校驗證所提方法的普適性，為學生就業(yè)服務數(shù)據(jù)分類系統(tǒng)設計提供理論支持。