依托大數據構建基于地域特點的就業推薦模型
——以廣東省民辦院校為例

■劉麗娜

(廣州工商學院工學院,廣東 廣州 510850)

隨著我國教育政策的普及和發展，高校擴招的熱潮逐年攀升，特別是珠三角等發展較快的地區。廣東近五年來畢業生實際參加就業人數從2016年的53.5萬人發展到2020年的60.3萬人[1-2]，就業競爭愈加激烈。此外，產業升級和網絡的快速發展促使招聘形式和就業手段更加多樣化，但隨之暴露出來的問題也更多。一方面由于高校畢業生初次進入社會對自身認識評估不足，在用人單位和就業方向的選擇上存在諸多困惑[3]，部分高校畢業生在連連碰壁之后迫于生計選擇了不適合自己的職業，后續“閃辭”的情況也屢屢發生，既浪費雙方的時間和前期投入又消耗了社會資源；另一方面則是用人單位種類雜多，少部分用人單位缺少規范甚至違法，讓高校畢業生難以分辨抉擇。另外，就業面試的選擇有線上和線下之分，加之近年疫情影響，進入后疫情時代，增加了就業成本和困難。因此，本文以廣東省民辦院校為研究對象，提出依托大數據分析技術分析往屆畢業生信息數據構建面向廣東民辦院校畢業生的就業數據庫，探索精準指導高校畢業生就業的模式，以期降低就業成本提高就業質量。

一、相關研究介紹

越來越多的高校畢業生陷入就業困境引起了很多專家學者對該課題的研究興趣，結合當前高度發達的網絡催生了許多就業推薦體系模型。沈士強[4]根據學生各方面的能力測評構建基于AHP-Fuzzy的評估體系，對大學生的就業能力進行綜合評價排序，然后推薦給用人單位，該體系可以比較全面地評價大學生的就業素質，為用人單位招聘提供有益參考，但并未對用人單位的把控進行相關說明。李恒凱等[5]構建了一個結合聚類算法、多元回歸和關鍵字且集高校、用人單位和畢業生于一體的開放性雙向推薦平臺，該平臺能通過關鍵字算法向用人單位推薦應聘人員同時也可以向高校畢業生推薦用人單位，但同樣未對用人單位進行一定的篩選把控。楊明等[6]提出構建一種基于Apriori算法結合高校畢業生興趣特征的就業推薦模型，該模型可以有效地提高學生的就業滿意度，但是并未說明企業數據的由來。褚蓉等[7]認為應該推進就業信息化建設，構建精準匹配的就業推薦平臺。隋占麗等[8]采用協同過濾算法結合高校畢業生的興趣特征實現與用人單位雙向匹配的推薦功能，該模型可以有效提高高校畢業生的就業質量和企業的招聘效率，但該模型亦未說明企業數據的來源。

因此，基于學生對自身定位及對用人單位的認識不足且用人單位信息來源可靠性難以得到有效的保證，本文提出以往屆畢業生的就業信息為研究對象，根據高校對往屆畢業生的就業單位跟蹤評估構建可靠的用人單位數據庫，利用關聯規則算法預測適合高校畢業生的用人單位，同時向用人單位推薦符合其要求特征的高校畢業生，形成就業信息可靠且可雙向智能推薦的就業模型。

二、構建高校畢業生就業推薦模型

（一）大數據分析技術在高校畢業生就業數據中的作用

大數據分析技術旨在從海量數據中發現共性規律并應用該規律預測當前或未來可能發生的情況。目前大數據分析技術主要有頻繁項集生成、頻繁模式增長和垂直格式等[9]。頻繁項集生成通過計算候選頻繁項集的支持度產生強規則[10]；頻繁模式增長只掃描一次掃描數據庫即可構建FP樹找出頻繁項集[11]；而垂直格式則是對數據庫矩陣進行行列轉置后再不斷迭代裁剪候選頻繁項集得到頻繁項集直至候選集為空[12]。

隨著高校畢業生規模的不斷擴大，就業指導在高校畢業生就業中的作用越來越重要。然而，傳統的高校畢業生就業指導依舊停留在就業指導課程中的職業生涯規劃、大學生創新創業項目、校園講座或校園招聘會宣傳等，難以為高校畢業生提供個性化或實際意義上有效的就業指導。

自我國全面推進信息化以來，各高校陸續實現信息化辦公，因此高校往屆及應屆畢業生的教務學籍數據、學生成績數據、學生選課數據、學生圖書借閱數據和學生就業信息數據基本齊全，且隨著時間與空間的推移，橫向與縱向的數據合并，數據量將越來越大。

因此，面對如此多的高校學生數據，如何利用大數據分析技術分析往屆畢業生的海量數據，從紛雜的數據中整理分析提取出共性規律，為應屆畢業生提供用人單位和就業崗位預測，甚至根據薪酬區間或興趣測評實現具有個性化或具體的推薦具有重要意義和作用。

（二）構建就業推薦模型

近年來，隨著產業結構的調整，珠三角經濟不斷發展，密集型產業需要更多的專業人才，而廣東省高校數量及畢業生人數占比也一直居高不下，如此供求雙方需求量較大較頻繁的情況但由于種種原因大部分用人單位及高校畢業生并不能在短時間內找到最適合的目標。高校在長期發展中畢業生輸出穩定，對畢業生的就業情況跟蹤基本可以確定就業單位的可靠性，且廣東高校畢業生的就業地區大部分集中在珠三角地區，因此為穩定的就業推薦提供了可能性。為縮短高校畢業生就業簽約時間、提高就業質量，本文采用大數據分析技術中的關聯規則Apriori算法分析廣東省其中兩所高校2014—2019屆畢業生的就業數據及其在校期間的數據，包括圖書信息、選課信息、專業信息、學生成績、用人單位、就業崗位和薪酬區間等形成就業數據庫。構建就業推薦模型的具體實施步驟如下。

首先，對所收集到的往屆畢業生信息數據進行融合，融合后共得到34個屬性約7萬條記錄，對一些信息不全的記錄例如個別學生休學退學轉學或缺少就業信息的記錄進行刪除清洗，再抽取關鍵字對不適合分析的數據加以概化[13]，如成績跨度太大不適合分析則按區間分為不及格、及格、中等、良好和優秀五個等級得到適合分析的數據集。

其次，利用SPSS Modeler數據分析平臺構建Apriori模型，用Apriori分析學生各個信息之間的關聯關系，在其他屬性作為前導入項的條件下分別取用人單位、就業崗位或用人單位所屬區域作為輸出后項的概率并設置最小支持度和置信度[9]分析處理后的數據集得到不同支持度與置信度的頻繁項集。

最后，從頻繁項集中篩選出強規則，根據不同的規則匹配應屆畢業生當前的數據從而預測用人單位或就業崗位或就業方向等，根據預測結果指導應屆畢業生進行相應方向的選擇或投遞簡歷至推薦到的用人單位或崗位，從而提高應屆畢業生的就業簽約速度，為其找到對口的崗位或方向，從而提高就業率及就業質量。

（三）利用Apriori模型分析就業數據

Apriori是數據挖掘中的關聯規則算法，該算法通過分析記錄中屬性重復的概率，首先以最小支持度判定各個屬性是否大于或等于最小支持度，符合條件則加入第一候選頻繁項集，第一候選頻繁項集進行自身連接后再對比最小支持度判定是否加入第二候選頻繁項集，然后重復自身連接與最小支持度對比判定直至候選頻繁項集為空，最終得到頻繁項集，最后通過最小置信度篩選出強規則。本文試圖利用強規則預測用人單位和畢業生之間的就業信息實現快速精準就業從而提高就業率及就業質量。

SPSSModeler是一款專門用于挖掘海量數據或數據建模將數據挖掘算法貫穿于業務流全程的可視化數據分析平臺。本文利用SPSSModeler構建的Apriori數據流模型如圖1所示，源數據從Excel文件中讀取，然后進入類型確定并控制字段元數據以讀取各個屬性字段的區間值后再將數據導入到Apriori模型，該模型中設置最低支持度為10%，最低置信度為10%，運行流之后生成挖掘模型。

圖1 Apriori挖掘模型

通過篩選挖掘結果后截取部分規則如附表1所示，由附表1可以看出，規則（平均成績=優→工作崗位=行政事務人員）的支持度置信度幾乎都達到25%，說明一般成績比較好的學生找工作會傾向于比較穩定的行政事務崗位。規則（專業=建筑技術→工作崗位=技術人員）和規則（專業=會計→工作崗位=技術人員）的支持度占百分之十幾，置信度卻高達近40%，說明建筑技術和會計專業的學生專業性較強，一般這些專業的學生比較適合應聘相關專業的技術崗位。規則（平均成績=優→就業速度=高）、規則（是否學生干部=是，平均成績=優→就業速度=高）和規則（平均成績=優，圖書瀏覽量=高→就業速度=高）的支持度約為18%，置信度也幾乎達到50%，可以看出一般學習成績比較好、學習比較認真并且有一定職務經驗的學生對自己的職業規劃都比較明確，在找工作上比較積極。而規則（專業=建筑技術→工作單位=廣東**建筑工程有限公司）的支持度和置信度約為17%，表明該公司與廣東多所開設建筑專業的民辦院校均有長期合作，并且對這些畢業生的表現都較為滿意，是高校建筑專業畢業生的穩定輸出點。

附表1 挖掘結果（部分）

三、實施應用效果

本研究選擇廣東省其中兩所民辦高校2020屆和2021屆的畢業生作為實踐對象，主要通過三方面指導應屆畢業生的就業。一是學生干部成績優秀就業速度快則可以細分學生干部職責讓更多的學生有機會擔任學生干部從而加速就業簽約速度；二是專業性較強的畢業生適合推薦至相應的專業技術崗位，通過該規則，學校可以有指向性地為他們推薦多一些專業性較強的用人單位；三是直接推薦學生至規則指導的后項用人單位應聘，但由于用人單位較多，人員就業較分散，缺少更多就業數據的支持，因此需調小支持度，以達到更多規則后項為單位的規則，由此推薦更多的學生至用人單位應聘。

對比2018—2021屆畢業生同一時間點的就業率、用人單位對畢業生的滿意度、畢業生對用人單位的滿意度、畢業生對學院就業指導服務的滿意度和轉崗比率，結果如圖2所示。

圖2 2018—2021屆就業質量對比

由圖2可以看出，同一時間點的就業率中，2018和2019屆的往屆畢業生就業率基本持平，2020和2021屆則以挖掘規則指導學生就業，因為疫情影響就業率有所下降，但下降幅度較小，而2021年雖然也受疫情影響但就業率卻比2019年有所提高。同時，通過對比可以看出，用人單位對畢業生的滿意度也在2020和2021屆達到百分之百，特別是畢業生對用人單位的滿意度有明顯向好的改變，畢業生對學校就業指導服務的總體滿意度也逐年提高。另外，從轉崗率可以看出，畢業生對所在單位滿意度提高，因此辭職轉崗率也在下降。

四、結論及展望

本文針對高校畢業生就業難題和廣東省高校與企業密集的地域特點提出以廣東省民辦院校為研究對象構建畢業生就業推薦模型，依托SPSSModeler平臺中的Apriori模型分析往屆畢業生的信息數據，提取其中有益的數據規律，然后將數據規律應用于應屆畢業生的就業指導工作中，最終通過實踐效果驗證了該就業推薦模型能有效提高高校畢業生的就業率和就業質量。

雖然本研究所構建的高校畢業生就業推薦模型取得了一定的成效，但SPSSModeler中Apriori分析模型在數據量不斷增加時執行效率急劇下降，后期隨著高校畢業生的規模不斷擴大需進一步優化。同時，由于往屆畢業生數據量支撐度不足且就業信息相對分散導致規則支持度普遍偏低，但隨著就業數據庫規模的不斷擴大，規則的可靠性將進一步提高。