基于小波網絡和霍蘭德理論的大學生職業預測模型

郭富強

（陜西廣播電視大學 資源建設與現代教育技術中心，陜西 西安 710068）

職業預測是在一定理論指導下，根據擬定的指標體系，對一個人職業生涯的主客觀條件進行測定、分析和總結，對其興趣、愛好和能力進行綜合分析與權衡，并結合時代特點和被測者的職業傾向，確定其最佳職業的過程。預測是一門集理論、方法、評價及應用于一體的新興學科，從其思維和思想體系來看，主要有慣性原理、類推原理和相關原理。職業預測的目的就是減少職業盲目性，為畢業后的擇業提供參考依據，讓學生早日了解自己，理性把握自己未來發展趨勢，提早進行個人職業規劃，合理進行職業選擇，實現人生價值的最大化。職業預測也是學校研究、指導和咨詢大學生就業的重要手段。

預測模型的建立需要解決兩個問題，一個是建立預測指標體系，文中將通過對約翰·霍蘭德的職業興趣理論的分析來完成；另一個是確定預測算法。職業預測是一個復雜的非線性系統，難以建立精確的數學模型。傳統的預測往往進行了一些假設和簡化，降低了預測的有效性；預測方法不下百種，但大多數為單指標預測，多指標預測很少[1]。近年來，人工神經網絡被引入職業預測，其中應用較廣泛要數BP網絡。但單純的BP算法又存在收斂速度較慢、容易陷入局部極小等缺點[2]。為克服以上不足，文中提出了一種既利用小波變換的時-頻局部化特性，又能發揮神經網絡的自學習功能的小波神經網絡預測模型。該模型既考慮了各種人為因素對職業預測的綜合影響，又實現了職業指標的多因素非線性時變預測，克服現存方法在多指標預測中的不足。

1 小波神經網絡

1.1 小波神經網絡簡介

小波變換作為一種時、頻域分析方法，具有多分辨率的特點，且在時、頻域都具有表征信號局部特征的能力，具有良好的時頻分析特性，特別適宜于非平穩信號的處理，是處理非線性、非穩態信號的有力工具。神經網絡以其并行分布式處理、聯想記憶、自組織及自學習能力和極強的非線性映射能力，特別適合于多因素、因素交叉等復雜模式識別問題，這兩項技術的結合，是目前研究的熱點。

小波神經網絡（Wavelet Neural Networks，WNN），是近幾年國際上新興的一種數學建模分析方法，是小波變換良好的時頻局域化性質與傳統人工神經網絡的自學習能力相結合的產物。目前主要的研究方向是小波與前饋神經網絡的結合。由于引入了兩個新的參變量，即伸縮因子和平移因子，所以小波神經網絡具有比小波分解更多自由度，從而使其具有更靈活有效的函數逼近能力，更強的模式識別能力和容錯能力。由于其建模算法不同，克服了BP算法固有的缺陷。

1.2 小波神經網絡的結構

根據小波分析理論與神經網絡的特點，兩者的結合有兩種途徑[4]:

1）小波變換與常規神經網絡的“結合”。是指整個系統由小波變換和神經網絡構成，兩者直接相聯，但卻又相對獨立。先用小波分析對信號進行預處理，即以小波空間作為模式識別的特征空間，通過小波分析來實現信號的特征提取，然后將提取的特征向量送入神經網絡處理，完成分類、函數逼近等功能。

2）小波分解與前饋神經網絡的“融合”。是將常規單隱層前饋神經網絡的隱節點激活函數采用小波函數，相應的輸入層到隱層的權值及隱層閾值分別由小波函數的伸縮與平移參數所代替，如圖1所示。本文研究的是學生的職業預測，沒有時域和頻域的變化，所以選用這種結構。

圖1 小波神經網絡的結構Fig.1 Structure of wavelet neural network

2 約翰·霍蘭德的職業興趣理論

約翰·霍蘭德（John Holland）是美國約翰·霍普金斯大學心理學教授，美國著名的職業指導專家。他于1959年提出了具有廣泛社會影響的職業興趣理論[3]，主要從興趣的角度出發來探索職業指導的問題，明確提出了職業興趣的人格觀，使人們對職業興趣的認識有了質的變化。

霍蘭德認為，人的內在本質必須在職業生涯的領域中得以充分擴展，一個人能夠在適當的生涯舞臺上充分的展現自我，實現自我。他認為人的人格類型、興趣與職業密切相關，興趣是人們活動的巨大動力，當個體所從事的職業和他的職業興趣類型匹配時，個體的潛在能力可以得到最徹底的發揮，促使人們積極地、愉快地從事該職業，且職業興趣與人格之間存在很高的相關性。在霍蘭德的理論中，人格被看作是興趣、價值、需求、技巧、信仰、態度和學習個性的綜合體。他將人格劃分為現實型、研究型、藝術型、社會型、企業型和常規型6種類型，給出了每種人格類型的共同特征和適合從事的一群典型職業。絕大多數人都可以被歸于6種類型中的一種。

然而，大多數人都并非只屬于一種人格類型（比如，一個人的性向中很可能是同時包含著社會型、實際型和調研型這3種），6種類型也并非是獨立并列的、有著明晰的邊界的。霍蘭德認為，這些人格類型越相似，相容性越強，則一個人在選擇職業時所面臨的內在沖突和猶豫就會越少。為了幫助描述這種情況，霍蘭德將這六種人格類型分別放在一個正六角形的角上，形象的標示出了6大類型的相互關系。見圖2所示。

圖2 霍蘭德的職業興趣人格類型關系Fig.2 Hollander’s occupation interest relationship personality types

從圖中可以看出，每一種類型與其他類型之間存在不同程度的關系。大體可描述為3類：

1）相鄰關系，如 RI、IA、AS、SE、EC、CR。 屬于這種關系的兩種類型的個體之間共同點較多，比如現實型R、研究型I的人就都不太偏好人際交往，這兩種職業環境中也都較少機會與人接觸。

2）相隔關系，如 RA、IS、AE、SC、ER 及 CI，屬于這種關系的兩種類型個體之間共同點較相鄰關系少。

3）相對關系，在六邊形上處于對角位置的類型之間即為相對關系，如RS、IE及AC即是，相對關系的人格類型共同點很少，因此，一個人同時對處于相對關系的兩種職業環境都興趣很濃的情況較為少見。

運用霍蘭德的職業興趣理論進行職業興趣測試，個體可以清晰地了解自己的職業興趣類型和在職業選擇中的主觀傾向，從而在紛繁的職業機會中找尋到最適合自己的職業，避免職業選擇中的盲目行為。尤其是對于大學生和缺乏職業經驗的人，霍蘭德的職業興趣理論可以幫助他們做好職業選擇和職業設計，成功地進行職業調整，從整體上認識和發展自己的職業能力。目前，職業興趣測試已在教育、培訓、企業管理等領域有了越來越多的應用。

3 基于小波神經網絡的職業預測模型設計

3.1 小波神經網絡的適用性分析

職業預測是一個復雜的非線性系統，相關的因素很多，涉及許多不確定因素，且各個因素之間的相互關系錯綜復雜，具有不定性和波動性。這就決定了系統狀態的變化并不按照某一特定的規律或函數變化，很難使用確切的數學方式來進行描述。而這些特點與人工神經網絡的典型特性——非線性特性相適應。這種特性上的耦合決定了人工神經網絡在職業預測中具有可行性和較強的適應性。小波神經網絡方法具有很強的非線性動態處理問題的能力，在建模時可以不必事先假設數據必須服從何種分布，數據之間符合什么規律或滿足怎樣的關系。神經網絡方法在處理問題的過程中采用了類似“黑箱”的方法，它是通過不斷的學習和記憶而不是通過假設找出輸入變量與輸出變量之間的關系。在對問題進行求解時，將數據輸入已經訓練完成的網絡，根據網絡學到并儲存于其中的知識進行演繹和推理，從而得到問題的解決方案[5]。

3.2 確定預測指標體系

根據霍蘭德的職業興趣理論[3]，文中職業預測所選用的測試指標由以下18項組成，如表1所示。

3.3 小波神經網絡的設計

文中采用圖1為小波神經網絡的結構。輸入層節點個數等于輸入向量的維數。用于職業預測的指標有18個，即網絡有18個輸入，因此輸入層的神經元個數為18，依次對應變量X1～X18。輸出層節點個數反映了人格類型數，霍蘭德的職業興趣理論把人格類型分為6種，即現實型、研究型、藝術型、社會型、企業型和常規型，依次對應輸出變量Y1～Y6。

表1 職業預測指標體系Tab.1 Occupation prediction index system

網絡參數初始化[6]：在（0，1）區間上隨機生成小波神經網絡需要調整的參數值，包括網絡的伸縮因子、平移因子以及網絡的各層節點的連接權值，并設定網絡學習速率η=0.02，動量因子α=0.935。

4 職業預測模型的測試與分析

4.1 確定網絡樣本集

網絡樣本集包括訓練樣本集和測試樣本集兩種。訓練樣本集用于對網絡進行訓練，測試樣本集用于檢測網絡訓練的效果和推廣能力。訓練樣本集不僅應全面涵蓋系統所有模式類的數據，還應有一定的代表性，同時還必須保證學習的有效性。測試樣本集的選擇應滿足“交叉檢驗”的原則。

本模型中，訓練樣本不是來自實際測試數據，而是按照人格特征與人格類型的對應關系，以及6種人格類型之間的遠近關系，設計而來。訓練樣本如表2所示。

在預測模型中，每個人格類型直接對應的人格特征變量有3個（如表1所示），對應的輸出變量有一個，現實型、研究型、藝術型、社會型、企業型和常規型6種人格類型對應的輸出變量依次為Y1～Y6。在設計訓練樣本時考慮以下4個關系：

1）直接關系：若某一人格類型對應的3個人格特征變量的輸入均為1，其他輸入均為0，則對應職業類型的輸出即為1，其余輸出為0。表2中序號1到6的樣本即為這種情況。如X1、X2、X3為現實型職業類型對應的人格特征輸入變量，若均為1時，對應的現實型職業類型的輸出Y1的輸出即為1。

2）相鄰關系：一個人的人格特征往往是多樣化的，不只3個方面，但也處在一個相近的范圍內。在六邊形人格類型關系圖中，處于相鄰關系的兩個人格類型的人格特征有許多相同或相似之處，因此，在相鄰人格類型對應的兩個職業群中選擇職業是適當的。表2中序號7到12的樣本即反映了這種關系。如現實型（特征變量為X1、X2、X3）和研究型（特征變量為 X4、X5、X6）即為相鄰關系，當 X1～X6均為 1 時，則 Y1、Y2的輸出即為1，其余輸出為0。

3）相隔關系：處于相隔關系的兩個人格類型的人格特征較相鄰關系的共同點少。表2中序號13到18的樣本即反映了這種關系。當兩個處于相隔關系的人格類型對應的人格特征為1時，網絡對應的輸出較小，以提醒被測者人格特征選擇不準。如現實型和藝術型（特征變量為X7、X8、X9）即為相隔關系，當 X1、X2、X3、X7、X8、X9均為 1 時，則 Y1、Y3的輸出設為0.3，用以表示處于相隔關系時，網絡輸出對職業選擇的參考價值不大。

4）相對關系：相對關系的人格類型共同點更少，一個共同人同時對處于相對關系的兩種職業環境都興趣很濃的情況較為少見。表2中序號19到21的樣本即反映了這種關系。當兩個處于相對關系的人格類型對應的人格特征為1時，網絡對應的輸出幾乎為0，以提醒被測者人格特征選擇矛盾。如現實型和社會型（特征變量為X10、X11、X12）即為相對關系，當 X1、X2、X3、X10、X11、X12均為 1 時，則 Y1、Y4的輸出設為 0。

測試樣本由學生填寫根據預測指標體系編制的量表得到。學生在確定自己的人格特征時，在每個變量上只需要回答“是”或“不是”，分別用1和0表示。需要向學生說明，確定自己的人格特征時應把握兩個原則：1）客觀原則，要正確認識自己，不要把自己的希望當成了特征；2）最大特征原則，每個人往往有許多特征，但只有最主要的3到6個特征決定職業選擇，應忽略一般特征。表3為部分測試樣本及結果，來自陜西某高校06級學生。

表2 網絡訓練樣本Tab.2 Network training samples

4.2 測試結果分析

對預測結果的分析要把握4個方面。1）最大隸屬度原則，網絡輸出值越大，表示隸屬度越大，預測結果的參考價值越大。2）人格特征越明顯、越集中，隸屬度越大，反之，人格特征越分散，隸屬度越小。3）充分考慮人格的復雜性，個體本身常是多種人格類型的綜合體，單一類型顯著突出的情況不多，因此評價個體的人格類型時也時常以其在6大類型中得分居前2、3位的類型組合而成，組合時根據隸屬度的高低依次排列字母，構成其人格類型組，如 RC、AIS等。4）預測的結果與被預測者選擇的人格特征值的準確度密切相關。輸出值越接近1，則預測越可靠。若網絡輸出結果都遠小于1，說明被預測者選擇的人格特征值不擋，應修改自己的選擇或舍棄次要的特征，重新預測。

編號為 1、2 的學生，Y2的輸出分別為 0.6673、0.5339，其他輸出很小，隸屬度較高，說明這兩個學生基本屬于單一的研究型人格類型I。

編號為 3的學生，Y1、Y2的輸出分別為 0.6123、0.4768，其人格類型為RI，適宜依次在現實型、研究型對應的職業群中選擇職業。編號為4的學生，Y1、Y6的輸出分別為0.4218、0.6673，其人格類型為CR，適宜依次在常規型、現實型對應的職業群中選擇職業。這兩個學生的人格類型均具有相鄰關系。

編號為 5的學生，Y2、Y4的輸出分別為 0.1435、0.2790，其余輸出接近零。編號為6的學生類似。兩個學生所確認的人格特征對應的人格類型具有相隔關系，參考的人格類型是SI，學生可依次在社會型、研究型對應的職業群中選擇職業。但隸屬度不高。若在這種環境中工作，個體需要不斷妥協以逐漸適應工作環境。學生可考慮重新確定自己的人格特征。

表3 網絡測試樣本Tab.3 Network test sample

編號為7的學生，Y1、Y2、Y6的輸出非常接近，且隸屬度不高，說明該學生的特征不明顯，可以在現實型、研究型、常規型對應的職業群中選擇職業，選擇范圍比較寬。

編號為8、9的學生，網絡的輸出均接近零，說明學生所確認的人格特征對應的人格類型具有相對關系，應該重新確定人格特征并預測。如果個體尋找的是相對的職業環境，意味著所進入的是與自我人格特征完全不同的職業環境，則工作起來可能難以適應，或者難以做到工作時覺得很快樂，相反，甚至可能會每天工作得很痛苦。

但職業選擇中，個體并非一定要選擇與自己人格類型完全對應的職業環境。因為影響職業選擇的因素是多方面的，不完全依據人格類型，還要參照社會的職業需求及獲得職業的現實可能性等因素。

5 結束語

文中運用約翰·霍蘭德的職業興趣理論和小波神經網絡建立了一個職業預測模型，設計了網絡結構、預測指標體系和網絡訓練樣本，并通過測試和分析驗證了這種模型的有效性。但文中樣本數據的設計還不很完善，需要繼續研究以進一步提高網絡的泛化能力。

[1]萬毅.試析影響大學生職業選擇的因素及對策研究[J].價值工程，2011（27）：276-277.

WAN Yi.Analysis of the factors affecting the career choice of college students and countermeasures[J].Value Engineering，2011（27）：276-277.

[2]馬麗，張舟云，貢俊.基于RBF神經網絡和虛擬儀器的車用電測功系統數據處理 [J].吉林大學學報：工學版，2011（S2）：316-320.

MA Li，ZHANG Zhou-yun，GONG Jun.Data disposal of electrical dynamometer system based on RBF neural network and virtual instrument used in vehicle[J].Journal of Jilin University：Engineering and Technology Edition，2011（S2）：316-320.

[3]趙冬芝，施俊琦.霍蘭德職業性向理論在人力資源管理中的應用[J].人才資源開發，2006（12）:48-50.

ZHAO Dong-zhi，SHI Jun-qi.Holland vocational aptitude theory in human resource management[J].Development of Human Resources，2006（12）:48-50.

[4]Stratta P，Daneluzzo E，Rinaldi 0，et al.Subjective cognitive valuation in a university student population by cognitive failure questionnaire （CFQ）[J].Schizophrenia Research，2003，60（supplement）:159.

[5]趙潔.基于AHP法的高校學生綜合素質評價研究[J].科學技術與工程，2005，5（7）：460-463.

ZHAO Jie.Study on the appraisement on the integrated quality of college students based on AHP [J].Science Technology and Engineer，2005，5（7）：460-463.

[6]孫守亮，江銘炎.小波網絡參數初始化研究及應用[J].信息技術，2005（7）：106-109.

SUN Shou-liang，JIANG Ming-yan.Study and application of waveletnetwork parameter initialization[J]. Information Technology，2005（7）：106-109.