基于大數據挖掘技術的高校就業質量評價

魏玉曦

摘 ?要： 針對高校就業質量評價錯誤大，可靠性低等不足，為了獲得理想的高校就業質量評價效果，設計了基于大數據挖掘技術的高校就業質量評價模型。首先，研究當前高校就業質量評價相關文獻，選擇一些影響因素構建高校就業質量評價指標體系，并通過專家確定高校就業質量等級;然后，引入大數據挖掘技術擬合高校就業質量變化特點，建立高校就業質量評價模型;最后，采用具體數據對高校就業質量評價模型性能進行分析。文中所提模型較好地解決了當前高校就業質量評價模型的弊端，評價結果更加科學，高校就業質量評價偏差小于當前典型模型，具有廣泛的實際應用價值。

關鍵詞： 高校就業; 質量評價; 大數據挖掘技術; 仿真實驗; 評價指標; 模型建立

中圖分類號： TN911.1?34; TP181 ? ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）07?0103?04

University employment quality evaluation based on big data mining technology

WEI Yuxi

（Hetao College， Bayannur 015000， China）

Abstract： In view of big errors and low reliability of the employment quality evaluation of universities， an employment quality evaluation model based on big data mining technology is designed to obtain an ideal evaluation effect. The related literatures on the current employment quality evaluation of universities are studied. Some influencing factors are selected to construct an index system for employment quality evaluation of universities， and the employment quality stages of universities are determined by experts. The big data mining technology is introduced to fit the changing characteristics of employment quality evaluation and establish the evaluation model. Finally， the specific data is used to analyze the performance of the evaluation model. It shows that the proposed model can eliminate the drawbacks existing in the current evaluation models， and the evaluation results are more scientific. The evaluation deviation of the proposed model is smaller than that of the current typical models. Therefore， the proposed model has a wide range of application.

Keywords： university employment; quality evaluation; big data mining technology; simulation experiment; evaluation index; model building

0 ?引 ?言

高校就業質量是衡量高校辦學水平高低的一個重要指標，而高校就業受到大學生自身素質、社會因素、家庭因素、學校因素、政府因素等多種因素的影響和制約，因此，制定一套科學、準確的高校就業質量評價體系十分重要，對就業質量進行科學的評價已經受到高校的廣泛重視[1?3]。

針對高校就業質量問題，20世紀90年代就有學者開始投身于高校就業質量的研究中，隨著時間的推移，目前已取得了一些研究成果[4?6]。最初采用人工方式進行高校就業質量評價，通過一些校外或者校內的專家對過去一段時間的大學就業質量數據進行分析，得到高校就業質量結果，這種方式的高校就業質量評價結果可信度比較低，因為具有一定的主觀意識，同時，高校就業質量建模過程耗時比較長，無法滿足現代高校發展的要求[7?9]。由于信息技術、自動控制技術的不斷發展，出現了高校就業質量自動、智能評價模型，主要有：基于層次分析法的高校就業質量評價模型、基于模糊數學理論的高校就業質量評價模型、基于主成分分析法的高校就業質量評價模型以及BP神經網絡的高校就業質量評價模型。其中，層次分析法和模糊數學理論屬于線性的高校就業質量評價方法，假設高校就業質量等級與高校就業質量評價指標影響因子之間呈現一種線性變化關系，而高校就業質量與多種指標有關，變化比較復雜，不是一種非線性變化關系，因此，層次分析法和模糊數學理論的高校就業質量評價結果缺陷十分明顯[10?12]。主成分分析法和BP神經網絡屬于非線性的高校就業質量評價技術，高校就業質量評價正確率要明顯優于層次分析法和模糊數學理論，但是它們主要針對小規模的高校就業質量評價問題，沒有考慮高校就業質量評價數據的大規模特性，高校就業質量評價結果有待進一步改善[13?15]。

針對高校就業質量評價錯誤率高，評價結果可靠性低等難題，以改善高校就業質量評價效果為目標，提出了基于大數據挖掘技術的高校就業質量評價模型，并通過具體數據對高校就業質量評價進行仿真測試。結果表明，本文模型能夠避免當前高校就業質量評價模型存在的問題，提高高校就業質量評價的正確率，評價結果更加科學，可信度高，能夠獲得比其他模型更優的高校就業質量評價結果，驗證了本文模型的優越性。

1 ?大數據挖掘技術的高校就業質量評價模型

1.1 ?高校就業質量評價體系

當前高校就業質量評價指標復雜多樣，指標類型和數量很多，但是不可能將全部指標選作高校就業質量評價建模。本文高校就業質量評價建模采取的原則為：針對性原則、主客觀結合原則、可操作性原則以及相對獨立性原則。其中，針對性原則主要指具體的角度和對象;主客觀結合原則同時反映就業客觀性和就業者主觀性感受;可操作性原則主要表示評價指標體系的可行性和實用性;相對獨立性原則表示同一級評價指標不存在交叉影響，構建的高校就業質量評價指標體系如圖1所示。

1.2 ?大數據挖掘技術

隨著高校就業質量評價研究的不斷深入，一些傳統技術無法對高校就業質量進行準確、科學評價，為此本文引入大數據挖掘技術中的布谷鳥搜索算法和BP神經網絡對高校就業質量評價進行建模與分析，以獲得理想的高校就業質量評價結果。

1.2.1 ?布谷鳥搜索算法

布谷鳥搜索算法是大數據挖掘技術的一個重要分支，其模擬布谷鳥繁殖行為和萊維飛行，本文將其引入到BP神經網絡參數的優化過程中。為了便于對BP神經網絡參數優化問題進行求解，布谷鳥搜索算法作如下假設：

1） 一只布谷鳥只能下一個蛋，該蛋存放的鳥巢位置是隨機的，沒有一定的規律可循。

2） 質量優的鳥巢位置中的蛋會保留到下一代。

3） 鳥巢位置以及數量是事先確定的，不能改變，蛋被宿主發現的概率為[Pa]。

在第[t+1]代搜索過程中，鳥巢位置的更新方式為：

[Xi（t+1）=Xi（t）+α⊕Levy（λ）] ? ? （1）

式中：[α]為步長;[λ]為帶有重尾的概率分布函數;[⊕]為點積運算;[Levy（λ）]為萊維飛行行為：

[Levy： μ=t-λ， ? ?1<λ<3] ? ? ? ?（2）

1.2.2 ?BP神經網絡

設第[k]個高校就業質量評價樣本的期望輸出結果和BP神經網絡的實際輸出結果分別為[dk]和[Ok]，那么訓練樣本的輸出誤差計算公式為：

[E=12k=1h（dk-Ok）2] （3）

式中[h]表示訓練樣本的數量。

隱含層與輸出層間、輸入層與隱含層的權重分別為[Wij]和[Wjk]，其中，[j]，[i]，[k]分別表示隱含層節點、輸出層節點、輸入層節點的編號，權重值的更新方式為：

[Wij（t+1）=Wij（t）+ΔWij， ? ?ΔWij=-η?E?Wij] ?（4）

[Wjk（t+1）=Wjk（t）+ΔWjk， ? ?ΔWjk=-η?E?Wjk] ?（5）

式中[η]表示學習速度。

BP神經網絡的學習過程實際就是權值更新的過程，當前權值更新規則為梯度下降法，但是權重的初始值直接影響BP神經網絡的學習性能，當前主要憑經驗方式確定，這樣會對高校就業質量評價結果產生不利影響，因此，本文采用布谷鳥搜索算法確定BP神經網絡權重的初始值。

1.3 ?大數據挖掘技術的高校就業質量評價步驟

大數據挖掘技術的高校就業質量評價步驟如下：

1） 根據圖1的高校就業質量評價指標體系，采集一些歷史數據，并得到相應的高校就業質量評分值，組成高校就業質量評價的樣本集合。

2） 對高校就業質量評價指標進行標準化處理，作為BP神經網絡的輸入向量，高校就業質量評分值作為期望輸出，確定BP神經網絡的結構。

3） 確定BP神經網絡的[Wij]和[Wjk]的取值范圍，隨機確定[Wij]和[Wjk]的初始值，將它們進行編碼作為鳥巢位置。

4） 初始化布谷鳥搜索算法的相關參數值，并將高校就業質量評價誤差作為布谷鳥搜索算法的適應度函數值。

5） 根據式（1）產生一組新的鳥巢位置，并與上一代的鳥巢位置進行對比，采用較優的新鳥巢位置代替較差的舊鳥巢位置。

6） 根據[Pa]丟棄適應度函數值差的鳥巢位置。

7） 通過步驟5）和步驟6）得到最優的鳥巢位置，并對最優鳥巢位置進行反編碼，得到最優的[Wij]和[Wjk]的初始值。

8） 根據最優的[Wij]和[Wjk]的初始值，進行高校就業質量評價的BP神經網絡訓練，并采用高校就業質量評價訓練數據對訓練好的BP神經網絡進行測試，輸出高校就業質量評價結果。

大數據挖掘技術的高校就業質量評價流程如圖2所示。

2 ?仿真測試

2.1 ?測試環境

為了測試大數據挖掘技術的高校就業質量評價效果，采用Visual Studio 2013作為開發工具編程實現高校就業質量評價程序。硬件為：CPU 6核 2.7 GHz，32 GB內存，高校就業質量評價結果采用100分制進行描述，大于90分為優，80～90分為良，70～80分為中，60～70分為合格，低于60分為不合格，共采集到10 000個高校就業質量評價數據，部分高校就業質量評價數據如表1所示。

2.2 ?測試結果與分析

采用層次分析法、主成分分析法的高校就業質量評價模型進行對比實驗，進行5次高校就業質量評價實驗，每一次首先從表1中隨機抽取8 000個樣本作為高校就業質量評價的訓練樣本，然后采用剩余2 000個數據作為測試樣本，統計高校就業質量評價精度，具體如圖3所示。

從圖3可以看出：層次分析法的高校就業質量評價精度最低，高校就業質量評價誤差最大;其次為主成分分析法;大數據挖掘技術的高校就業質量評價精度最高，大幅度減少了高校就業質量評價誤差，解決了當前高校就業質量評價過程中存在的不足，高校就業質量評價結果更加可信。

采用層次分析法、主成分分析法、大數據挖掘技術的高校就業質量評價的時間進行各評價模型的性能分析，結果如表2所示。從表2可以發現，大數據挖掘技術的高校就業質量評價的時間少于層次分析法、主成分分析法，這是因為本文方法融合了布谷鳥搜索算法和BP神經網絡的優勢，提高了高校就業質量的評價效率。

3 ?結 ?語

為了改善高校就業質量評價效果，本文設計了基于大數據挖掘技術的高校就業質量評價模型，采用布谷鳥搜索算法和BP神經網絡對高校就業質量評價進行建模，結果表明，本文模型的高校就業質量評價結果科學、可信，具有較高的實際應用價值。

參考文獻

[1] 鮑金勇.從源頭提高大學生就業滿意度和就業質量的思考[J].中國成人教育，2014，22（11）：30?32.

[2] 陳歡，劉春風.高校畢業生就業質量評價體系構建[J].現代教育管理，2012，24（12）：57?60.

[3] 陳韶，徐向東，符志剛.高校畢業生就業質量評價體系研究[J].工業工程，2010，13（5）：112?116.

[4] 柯羽.高校畢業生就業質量評價指標體系的構建[J].中國高教研究，2007，22（7）：82?84.

[5] 李淑娥.基于模糊隸屬度的高職畢業生就業質量評價體系研究[J].黑龍江高教研究，2016，15（7）：98?102.

[6] 駱雄輝.基于主成份分析法的高校就業質量評價模型研究[J].韶關學院學報，2012，33（11）：151?154.

[7] 譚璐，陳志波.地方高校本科畢業生就業質量評價方法研究與實踐[J].繼續教育研究，2009，12（7）：119?121.

[8] 譚衛偉.以國家建設需要為導向的大學生就業質量評價體系[J].教育與職業，2011，9（5）：32?33.

[9] 衛鐵林.基于AHP的高校畢業生就業質量評價模型構建[J].教育與經濟，2013，41（2）：43?47.

[10] 吳新中，董仕奇.高校畢業生就業質量評價要素及體系建構[J].科技進步與對策，2017，34（4）：140?144.

[11] 武毅英，王志軍.教育部直屬高校畢業生就業質量評價體系探析：基于教育部直屬高校2013年就業質量年度報告的數據[J].江蘇高教，2015，22（1）：100?104.

[12] 楊昱梅，李繼娜.基于AHP和BP神經網絡的高校畢業生就業質量評價研究[J].中國教育學刊，2015，23（z1）：148?149.

[13] 尹曉菲，楊昱梅.以“就業質量提升”為導向的高校就業質量評價體系優化研究[J].中國職業技術教育，2019，22（10）：82?87.

[14] 張瑤祥.基于三方滿意度的高校畢業生就業質量評價研究[J].中國高教研究，2013，9（5）：82?86.

[15] 朱鈞陶.大學生就業質量評價體系的實證研究：以華南農業大學為例[J].高教探索，2015，12（5）：109?112.