文/韓霖 金健宇 方丹丹

什么影響學生就業(yè)：大數(shù)據(jù)模型告訴你

文/韓霖 金健宇 方丹丹

隨著計算機技術(shù)和信息技術(shù)的發(fā)展，高校各業(yè)務管理系統(tǒng)經(jīng)過多年的運行和使用積累了大量數(shù)據(jù)，包括大學生在校期間學習生活等各方面的詳細數(shù)據(jù)，其中部分因素對就業(yè)有著或多或少的影響?？梢岳脤Υ髷?shù)據(jù)的挖掘和處理得到海量數(shù)據(jù)里面蘊含的有價值的數(shù)據(jù)。

基于以上背景，本文針對大學生就業(yè)過程中亟需提高就業(yè)服務質(zhì)量，提升就業(yè)數(shù)據(jù)的信息價值問題，以及大學生就業(yè)之前的求學過程中有利于就業(yè)的個性化發(fā)展問題，建立影響因素的數(shù)學模型，并用于就業(yè)工作的改進，包括就業(yè)時根據(jù)個人情況的就業(yè)方向和就業(yè)單位的個性化建議以及求學過程中根據(jù)個人就業(yè)意愿對個人發(fā)展的建議等。

數(shù)據(jù)收集

1.數(shù)據(jù)的收集范圍

本文以大學生就業(yè)為研究對象，最終要根據(jù)建立的數(shù)學模型對學校就業(yè)政策提出建議，對大學生就業(yè)和就業(yè)前的發(fā)展提出建議，所有與之相關(guān)的所有數(shù)據(jù)都在收集的范圍之內(nèi)。收集的數(shù)據(jù)經(jīng)過處理之后，其中影響比較大的因素作為主要研究對象。另外，在此過程長期的運行中，各因素的影響程度會有所變化，建議也要隨著實際情況而動態(tài)變化。

各相關(guān)數(shù)據(jù)存在于學校不同部門的業(yè)務系統(tǒng)中。其中招聘信息和學生就業(yè)信息在學生就業(yè)系統(tǒng)中，學生基本信息、成績等信息在學工和教務系統(tǒng)中，校園卡消費信息在財務系統(tǒng)中，圖書借閱信息在圖書館系統(tǒng)中，學生日常上網(wǎng)信息在網(wǎng)絡計費系統(tǒng)中，學生科研信息在科研信息系統(tǒng)中。

2.數(shù)據(jù)的收集和存儲

由于各個業(yè)務系統(tǒng)都是相對獨立的，所以數(shù)據(jù)不僅是分散的，其記錄方式和格式也都各不相同，為了解決這個問題，先建立數(shù)據(jù)中心，再將數(shù)據(jù)中心的數(shù)據(jù)庫與各個業(yè)務系統(tǒng)的數(shù)據(jù)庫對接，實現(xiàn)數(shù)據(jù)的同步，將分散的數(shù)據(jù)復制到數(shù)據(jù)中心統(tǒng)一存儲，并在同步的過程中建立好對應關(guān)系，在數(shù)據(jù)中心的數(shù)據(jù)庫中按照便于處理的形式進行存儲，例如：同一字段在不同的業(yè)務系統(tǒng)中其存儲格式是不同的，那么數(shù)據(jù)中心會指定一種標準的存儲格式，并在數(shù)據(jù)庫同步的過程中將不符合標準的數(shù)據(jù)進行對應的格式轉(zhuǎn)換。

數(shù)據(jù)處理

搜集的數(shù)據(jù)將作為數(shù)學模型的輸入和輸出進行運算，數(shù)據(jù)的質(zhì)量好壞在一定程度上影響了數(shù)學模型能夠優(yōu)化到的程度的高低，所以在進行計算之前，要對數(shù)據(jù)進行質(zhì)量的優(yōu)化即數(shù)據(jù)清洗和數(shù)據(jù)規(guī)范化。

1. 數(shù)據(jù)清洗

核心企業(yè)的地位重要，存在沒有及時回款的情況，產(chǎn)生應收賬款。下游經(jīng)銷商需要大量存貨，需要付出預付款，導致存貨成本。上下游企業(yè)的信用較低，難以獲得相應的貸款，阻礙了發(fā)展。降低成本、信用傳遞、背書分享，在這樣的背景下產(chǎn)生了供應鏈金融。

數(shù)據(jù)清洗就是把“臟”的部分數(shù)據(jù)“洗掉”，發(fā)現(xiàn)并糾正數(shù)據(jù)文件中可識別的錯誤的最后一道程序，包括檢查數(shù)據(jù)一致性，處理無效值和缺失值等。數(shù)據(jù)倉庫中的數(shù)據(jù)是面向某一主題的數(shù)據(jù)的集合，這些數(shù)據(jù)從多個業(yè)務系統(tǒng)中抽取而來并包含歷史數(shù)據(jù)，有的數(shù)據(jù)是錯誤數(shù)據(jù)、有的數(shù)據(jù)相互之間有沖突，此類錯誤的或有沖突的數(shù)據(jù)稱為“臟數(shù)據(jù)”。需要按照一定的規(guī)則把“臟數(shù)據(jù)”“洗掉”，這就是數(shù)據(jù)清洗。不符合要求的數(shù)據(jù)主要是有不完整的數(shù)據(jù)、錯誤的數(shù)據(jù)、重復的數(shù)據(jù)三大類。

表1 數(shù)據(jù)數(shù)值化

2. 數(shù)據(jù)規(guī)范化

數(shù)據(jù)規(guī)范化包括數(shù)據(jù)數(shù)值化和標準化兩步，先對非數(shù)值部分的數(shù)據(jù)進行數(shù)值化處理，然后再對所有數(shù)據(jù)進行標準化處理，得到的數(shù)據(jù)作為數(shù)學模型的數(shù)據(jù)基礎。

3. 數(shù)據(jù)數(shù)值化

數(shù)據(jù)數(shù)值化顧名思義是針對那些不是以數(shù)值來存儲的數(shù)據(jù)，要將其以一定的規(guī)則轉(zhuǎn)換成數(shù)值，方可作為數(shù)學模型的數(shù)據(jù)基礎，便于進行計算。例如就業(yè)結(jié)果數(shù)據(jù)的數(shù)值化過程見表1，對于不同的指標分別將其非數(shù)值的數(shù)據(jù)按照統(tǒng)一的標準一一對應成為數(shù)值，數(shù)值并不代表何種實際意義，只是為了便于運算。

4. 數(shù)據(jù)標準化

在多指標評價體系中，由于各評價指標的性質(zhì)不同，通常具有不同的量綱和數(shù)量級。當各指標間的水平相差很大時，如果直接用原始指標值進行分析，就會突出數(shù)值較高的指標在綜合分析中的作用，相對削弱數(shù)值水平較低指標的作用。因此，為了保證結(jié)果的可靠性，需要對原始指標數(shù)據(jù)進行標準化處理。

例如某門課程的成績t1取值范圍是從0至100，另外一門課程成績t2的取值范圍是從0至150，在直接使用數(shù)據(jù)進行運算時會造成權(quán)重的不均衡，所以按公式1進行處理得到t1'和t2'，其取值范圍都是0 至1且代表某成績樣本在取值范圍中所處位置高低的百分比。

應用公式： t'=t/（tmax-tmin）

就業(yè)影響因素數(shù)學模型

1. 機器學習

機器學習是人工智能的核心，是使計算機具有智能的根本途徑，它研究了計算機怎樣模擬或?qū)崿F(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。在本文中，機器學習利用了計算機的高性能和大數(shù)據(jù)處理的優(yōu)勢，模擬人類對指標的評判，經(jīng)過不斷的優(yōu)化和迭代從而建立指標體系，并據(jù)此進行智能推薦。

2.遺傳算法優(yōu)化的人工神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡是對人類大腦的一種物理結(jié)構(gòu)上的模擬，即以計算機仿真的方法，從物理結(jié)構(gòu)上模擬人腦，以使系統(tǒng)具有人腦的某些智能。

遺傳算法以生物進化過程為背景，模擬生物進化的步驟，將繁殖、雜交、變異、競爭和選擇等概念引入到算法中，通過維持一組可行解，并通過對可行解的重新組合，改進可行解在多維空間內(nèi)的移動軌跡或趨向，最終走向最優(yōu)解。它克服了傳統(tǒng)優(yōu)化方法的缺點，是一種全局優(yōu)化算法。

基于遺傳算法的人工神經(jīng)網(wǎng)絡的基本原理是用遺傳算法對神經(jīng)網(wǎng)絡的連接權(quán)值進行優(yōu)化學習，利用遺傳算法的尋優(yōu)能力來獲取最佳權(quán)值。由于遺傳算法具有魯棒性強、隨機性、全局性以及適于并行處理的優(yōu)點，所以被廣泛應用于神經(jīng)網(wǎng)絡中。

對于本文研究的大學生就業(yè)影響因素的指標體系，為基于遺傳算法的神經(jīng)網(wǎng)絡模型準備數(shù)據(jù)基礎，首先要明確政策可控類數(shù)據(jù)和個人可控類數(shù)據(jù)以及學生就業(yè)結(jié)果數(shù)據(jù)。其中，政策可控類數(shù)據(jù)是指政策的制定和管理者可以進行調(diào)控的數(shù)據(jù)類別，個人可控類數(shù)據(jù)是指個人在發(fā)展和規(guī)劃中可以進行改進和控制的數(shù)據(jù)類別，學生就業(yè)結(jié)果數(shù)據(jù)是指不可直接進行改變的學生就業(yè)結(jié)果類數(shù)據(jù)。本文建立數(shù)學模型并研究大學生就業(yè)因素，最終目的在于利用對可控類數(shù)據(jù)的調(diào)控和改進，對不可直接改變的就業(yè)結(jié)果類數(shù)據(jù)進行間接的影響，幫助廣大學生實現(xiàn)更好的就業(yè)目標。

圖1 數(shù)學模型

3.數(shù)據(jù)模型的建立和優(yōu)化

數(shù)學模型的建立如圖1所示，對政策可控類數(shù)據(jù)、個人可控類數(shù)據(jù)以及學生就業(yè)結(jié)果數(shù)據(jù)分別進行數(shù)據(jù)清洗和數(shù)據(jù)規(guī)范化處理，得到的結(jié)果數(shù)據(jù)分別作為核心算法的輸入和輸出，其中數(shù)據(jù)清洗的目的是為了將異常數(shù)據(jù)過濾掉以提高整個系統(tǒng)的運算準確率；數(shù)據(jù)規(guī)范化則包括非數(shù)值數(shù)據(jù)數(shù)值化、數(shù)據(jù)標準化等過程，規(guī)范化得到的數(shù)據(jù)作為核心算法的輸入，規(guī)范化做得越好則核心算法的效率和準確度也會更高；核心算法是由遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡模型。

核心算法數(shù)學模型的建立和優(yōu)化是以這三類大數(shù)據(jù)為基礎的，利用大量的數(shù)據(jù)樣本作為輸入和輸出來進行訓練得到相對比較成熟的數(shù)學模型，利用該模型可以在輸入新樣本時得到非常接近實際數(shù)據(jù)的輸出結(jié)果。為了保證核心算法數(shù)據(jù)模型的高準確性，隨著時間的流逝和大量新數(shù)據(jù)的獲取，需要不斷地用新樣本數(shù)據(jù)去繼續(xù)訓練以得到更加優(yōu)化的數(shù)據(jù)模型并達到更高的準確率。

其次，基于理論研究和實踐經(jīng)驗，根據(jù)學生就業(yè)方向和個人要求的不同，確立學生就業(yè)結(jié)果數(shù)據(jù)中的若干種標桿數(shù)據(jù)，標桿數(shù)據(jù)的確定并不是選取某個樣本，而是綜合考慮每項數(shù)據(jù)指標得到的理想的學生就業(yè)結(jié)果數(shù)據(jù)，同樣經(jīng)過數(shù)據(jù)清洗和數(shù)據(jù)規(guī)范化得到核心算法的若干標桿輸出數(shù)據(jù)。

再次，對于某個樣本，在將其各項指標數(shù)據(jù)輸入核心算法后得到的輸出數(shù)據(jù)一般是偏離標桿輸出數(shù)據(jù)的，通過對樣本輸入的多個數(shù)據(jù)進行變化試驗，得到如何改變輸入才能更加接近目標的標桿輸出數(shù)據(jù)，在此過程中，通過單個指標數(shù)據(jù)變化而保持其他指標數(shù)據(jù)不變的試驗可以用來判定哪些指標更能影響輸出結(jié)果，以此為依據(jù)選取用于向用戶建議的指標項。

最后，通過數(shù)據(jù)規(guī)范化的逆運算得到輸入數(shù)據(jù)所對應的兩類可控數(shù)據(jù)的變化建議，再提供給被建議者。

在實際的應用當中，模型在不斷的迭代和優(yōu)化，在其中某一時間被選取的個人可控類數(shù)據(jù)可能包括：每月圖書借閱數(shù)、每周到食堂早餐次數(shù)、每月逃課次數(shù)、每學期各科成績以及參加課外活動的次數(shù)及類型等數(shù)據(jù)，選取的政策可控類數(shù)據(jù)可能包括每年舉辦就業(yè)創(chuàng)業(yè)培訓講座的次數(shù)、對逃課行為的處理嚴重程度、對成績提高的學生設置獎勵的情況等數(shù)據(jù)。為了更好地利用機器學習運算客觀準確的優(yōu)勢，將人為主觀判斷造成的不準確影響降到最低，在選取影響因素的過程中也要先考慮盡量多的因素，然后根據(jù)機器學習的運算結(jié)果來篩選，而不是按個人的印象來決定選取哪些不選取哪些，如此整個系統(tǒng)就能更加高效準確地運行起來并不斷地自我優(yōu)化，同時提供越來越符合實際且效果好的建議。

（作者單位為對外經(jīng)濟貿(mào)易大學）