基于協同過濾算法實現高校畢業生推薦系統研究

摘要：在當前高校畢業生就業形勢嚴峻的情況下，推薦系統可以作為畢業生與企業需求之間的橋梁，實現個性化推薦。本文重點介紹了協同過濾推薦算法在高校畢業生推薦系統中的應用，采用基于內容的推薦算法計算相似度，并使用基于用戶的協同過濾算法生成推薦結果，這樣可以解決高校畢業生隨意就業和招聘企業盲目招聘等問題，提高推薦結果的準確度，有助于緩解這種情況。

關鍵詞：高校畢業生推薦系統；協同過濾算法；個性化推薦；相似度計算

引言

根據最新的數據顯示，預計2023年全國普通高校畢業生人數將達到1158萬人，較2013年的699萬人增加了459萬人，增幅達到65.7%[1]。每年畢業季都需要大量就業崗位來應對龐大的畢業生數量，因此畢業生的就業形勢給社會帶來了更大的挑戰。同時，企業對人才質量的要求不斷提高，導致就業門檻不斷提高。隨著人工智能技術的不斷應用，傳統市場結構體系受到了巨大的沖擊。為了適應這種變化，各企業都在積極調整內部人才結構組成，這導致大量技術熟練人員重新進入人才市場，從而加大了應屆畢業生的就業阻力[2]。

各高校都成立了學生就業指導中心，主動為學生提供求職指導，積極收集和發布招聘信息為學生提供及時可靠的就業信息。然而，隨著科技進步，信息更新速度不斷加快，目前范圍性的信息推薦方式已經不能滿足學生的求職需求。因此，制定個性化的職業推薦方案是目前畢業生就業問題研究的主要方向。本文的研究重點是探討協同過濾推薦算法在高校畢業生推薦系統中的應用，設計并實現了一套個性化推薦系統，旨在提高推薦結果的準確性，為畢業生就業提供有力的支持。

1. 協同過濾算法概述

推薦算法是一種利用用戶的歷史行為、偏好、興趣等信息進行分析，從而向用戶推薦可能感興趣的物品或服務的方法。推薦算法已廣泛應用于電商、社交媒體、新聞報道、音樂電影等領域[3]。常見的推薦算法包括：基于內容的推薦算法、協同過濾推薦算法、基于矩陣分解的推薦算法、深度學習推薦算法。在選擇推薦算法時，需要考慮實際應用場景和數據特征。協同過濾推薦算法是一種基于用戶歷史行為數據的推薦算法，其主要思想是利用用戶之間的相似性或物品之間的相似性來進行推薦[4]。

2. 基于協同過濾算法實現高校畢業生推薦系統研究

2.1 高校畢業生推薦算法的設計思路

為了幫助高校畢業生更好地實現就業，我們需要一種高效準確的推薦算法，將學生的個人特點和企業的需求進行有機結合，實現最佳匹配?；诖?，我們設計了一種基于協同過濾算法的高校畢業生推薦系統，將學生視為用戶，將企業視為項目，通過計算學生之間的相似度和學生對企業的關注度，找到最適合學生的就業崗位，為他們提供個性化的推薦服務。

在該系統中，首先建立了學生數據庫和企業數據庫，收集應屆畢業生和往屆畢業生的就業屬性信息，包括學歷、專業、外語水平、計算機技能、獲獎情況等；然后，通過比較應屆畢業生和往屆畢業生之間的各種主要屬性特征，計算他們之間的相似度，以找到與應屆畢業生興趣度相似的往屆畢業生。同時，需要采集學生登錄系統產生的瀏覽行為數據和瀏覽內容數據，并對其進行處理，以計算學生對企業的關注度（評價值）。

根據所有學生對企業的關注程度，發現與應屆畢業生對企業興趣度相似的往屆畢業生中最相鄰的學生，并根據該相鄰的往屆畢業生的簽約情況進行相關企業的推薦。最后，將學生相似度和企業關注度結果相結合，預測應屆畢業生對企業的評價值，取排名靠前的企業按先后順序推薦給應屆畢業生，以完成畢業生推薦就業功能。

2.2 學生屬性特征相似度計算

2.2.1 收集數據

為了實現高校畢業生推薦系統，首先需要收集大量的學生和企業數據，以便進行算法設計和優化。在本研究中，我們選取了10個具有代表性的影響因素來衡量學生的綜合能力，包括專業、學歷、外語水平、計算機技能、獲獎情況、在校成績、政治面貌、學生干部經歷、性別和生源地。這些指標包括定性和定量指標，是企業在求職過程中會關注的硬性條件，具有重要的參考價值。

在數據的收集過程中，首先建立了學生數據庫和企業數據庫。對于學生的個人信息，通過學校的學籍管理系統和學生運營平臺進行數據的收集和整合。這些數據包括應屆畢業生和往屆畢業生的相關信息，為本研究提供了豐富的數據資源。對于企業的信息，可以從學校內部的就業發布網站上導入數據庫。為了讓數據庫更加全面，采用了網絡爬蟲技術，從各大招聘網站和企業官網上收集和補充相關數據。這些數據包括企業的基本信息、職位信息，以及企業對于求職者的要求等內容。

2.2.2 數據預處理

為了建立準確的用戶畫像和企業數據庫，需要對收集到的原始數據進行處理和清洗。數據預處理是數據挖掘過程中非常重要的一步，可以幫助我們識別并消除數據中的異常值、缺失值、重復值和錯誤值等，從而提高數據的質量和可用性。在本研究中，我們采用了以下技術來進行數據預處理。

（1）數據清洗。數據清洗是數據預處理的一項重要工作，可以幫助發現和消除數據中的噪聲和異常值，使數據更加干凈和可靠。在本研究中，采用了數據可視化技術和統計分析技術，對數據進行篩查和清理，消除了數據中的噪聲和異常值。

（2）數據轉換。數據轉換是將原始數據轉換為可分析和可用的格式的過程，可以幫助識別數據中的模式和趨勢，為數據建模和分析提供基礎。在本研究中，采用了數據標準化、數據離散化、數據歸一化、數據二值化等技術，將原始數據轉換為可以用于分析的格式。

（3）數據降維。數據降維是將高維數據轉換為低維數據的過程，可以幫助簡化數據分析過程，提高計算效率和準確性。本文采用主成分分析和因子分析等技術，將高維數據進行降維處理，提高了數據分析的效率和準確性。

舉例來說，學生的干部經歷或實習經歷包含的信息維度較多，可能存在一定的相關性和重復信息，導致數據維度過高，不利于后續的數據分析和建模。因此，采用主成分分析（PCA）或因子分析等技術對實習經歷數據進行降維處理。具體方法是將這些數據轉換為一個矩陣，其中每一行代表一個畢業生的實習經歷，每一列代表一個實習經歷的特征（如實習公司、實習崗位、實習時長等）。對數據進行標準化處理，使得每個特征的均值為0，方差為1。進行主成分分析或因子分析，得到新的主成分或因子，代表了原始數據中的主要信息和關鍵因素。一般來說，可以根據主成分的貢獻率，選取其中的前幾個主成分作為新的特征，代替原始的多個特征，從而實現數據降維和特征提取的目的。

通過以上技術的應用，我們成功地對原始數據進行了預處理和清洗，建立了全面的用戶畫像和企業數據庫，這為后續的數據分析和算法設計提供了堅實的基礎。這一步驟是非常關鍵的，因為只有經過了有效的數據預處理，才能確保在后續的數據分析和模型構建過程中得到的結果是準確和可靠的。

2.2.3 計算學生的相似度

為了實現高校畢業生推薦功能，需要計算出系統中任意兩名畢業生之間的相似度，以實現最佳匹配。對往屆畢業生，還需要考慮畢業時間對計算結果的影響。在本研究中，我們選擇了余弦相似度算法，通過比較應屆畢業生和往屆畢業生之間的各種主要屬性特征，計算他們之間的相似度。

2.2.4 計算企業的相似度

就業是一個雙向選擇的過程，因此企業自身的屬性也應當納入算法考量中。與學生模塊類似，首先要在企業數據庫的基礎上建立企業屬性評分矩陣，將企業性質、規模、招聘崗位、行業領域等指標進行數據建模并歸一化處理。在本研究中，我們使用歐幾里得距離公式計算出企業之間的相似度。

2.2.5 往屆畢業生聚類分析

為了降低后續數據計算的復雜性，提升運算速度，我們在本研究中采用了K-Means聚類算法對歷年學生的特征數據進行分類，將歷年學生劃分為多個群體。具體流程如下：

（1）初始化聚類中心

從歷年畢業學生中選擇K個學生作為初始狀態下的各類聚類中心。選擇標準是基于開設專業數量進行篩選。

（2）計算相似度

計算其余學生與這K個學生的相似性，并將其余學生分別聚集到以這K個學生為中心的聚類中，以完成對不同類別的劃分。

（3）更新聚類中心

根據各專業學生的素質重新選擇K個學生作為新的聚類中心。選擇標準是基于專業成績、職業素養、綜合評價的平均值進行分組，然后再次計算其余學生與這K個學生的相似性，并按照最近原則將其余學生分別聚集到以這K個學生為中心的聚類中。

（4）重復以上步驟

依據聚類原則，多次迭代上述步驟，直到達到收斂。最后，對分類后的數據進行聚類中心的計算，完成聚類，并對每類中的數據進行標記，同時標記每類的聚類中心。

為了提升計算效率，在實際應用中，可以離線處理往屆學生分類。這樣在應屆學生輸入個人特征后，只需計算學生與每個分類中心的差異度，即可選擇差異度最小的類別，從而避免在整個特征矩陣中在線計算鄰近相似性。

2.3 畢業生對企業關注度（評價值）的計算

不同畢業生對企業的偏好不同，關注程度也不同，將畢業生對企業的關注度納入推薦系統中可以實現更精準的個性化推薦。推薦系統可以根據畢業生的關注度，為其推薦更符合其興趣和喜好的就業機會，提高其就業成功率。

為了量化畢業生對企業的興趣程度，需要創建一個評價矩陣，該矩陣需要綜合考慮多種因素，如學生對企業的認知水平、企業的聲譽和口碑、企業的招聘需求等。在本研究中，我們通過以下步驟構建了學生對企業的評價矩陣。

2.3.1 數據的收集和處理

通過前端技術嵌入相關的數據采集代碼，通過監控學生的行為事件（如點擊、滾動、鼠標懸停等），捕捉學生在系統中的行為數據和瀏覽內容等信息，并將其傳輸到后臺服務器進行儲存和處理。對相關行為數據和瀏覽內容等信息進行去重、篩選和分類等處理，以識別出訪問頻繁、停留時間長的相關企業。將這些企業按照降序排列，得到應屆畢業生感興趣的企業清單。

2.3.2 評價標準的設定

對于學生感興趣的企業，按照1～5的評價標準進行評價。其中，往屆畢業生的簽約企業得到5分，其余的則根據興趣程度分別得到1分到4分，對不感興趣的企業計為0分。

2.3.3 評價矩陣的構建

將學生感興趣的企業及其對應的評價記錄在一個矩陣中，其中行代表學生，列代表企業，評價分數代表學生對企業的興趣程度。

在建立了應屆畢業生－企業評分矩陣后，再次通過余弦相似度算法來計算學生對企業關注度之間的相似度。

2.4 協同過濾算法的實現

通過上述過程，得到了學生之間的就業特征相似度、企業之間的相似度和學生對企業評價的相似度計算方法。接下來的推薦算法實現過程如下：

2.4.1 選擇鄰居

在這一步中，需要根據相似度矩陣選擇最相似的K個學生和M個企業作為鄰居。通過試驗分析，我們在本研究中取值K=4，M=3。

2.4.2 預測評分

對于每個學生S和每個企業E，我們可以通過計算S與其鄰居對E的評價加權平均值來預測S對E的評價。對于學生S和企業E，假設S的鄰居列表為{N1，N2，...，NK}，其中Ni表示S的第i個鄰居，那么S對E的評價預測值R（S，E）可以計算如下：

其中，相似度sim（S，Ni）表示學生S與鄰居Ni之間的相似度，評價值G（Ni，E）表示鄰居Ni對企業E的評價值。

2.4.3 推薦排序

根據預測評分的大小，選取前M個企業作為推薦結果。

通過協同過濾算法的應用，成功地將學生之間的就業特征相似度和學生對企業評價的相似度結合起來，實現了最佳匹配和預測評價的生成，從而為學生提供了更加準確和個性化的就業推薦服務。

結論

研究協同過濾算法在高校畢業生就業推薦系統中的應用，可以有效解決畢業生就業和企業招聘的盲目性等問題。該系統考慮了畢業生的就業興趣，通過分析畢業生在系統中的瀏覽行為和內容，將結果融入相似度計算中，確保推薦結果的合理性和可預測性。然而，在實現高校畢業生推薦系統的協同過濾算法過程中，仍然需要不斷深入研究，以提高模型的精度和實用性。系統的設計和實現并不足以完全具備準確性，還需要經過后期的測試和不斷應用，進而不斷改進和提升系統的性能。

參考文獻：

[1]2023屆高校畢業生預計達1158萬人[EB/OL].（2022-11-18）[2023-7-14].http：//www.moe.gov.cn/jyb_xwfb/s5147/202211/t20221118_995344.html.

[2]薛妍.高校學生就業推薦算法研究及應用[D].西安：西北大學，2019.

[3]李鵬飛.基于頻繁項集的個性化推薦的研究[D].北京：北京郵電大學，2017.

[4]彭文惠，吳小剛.基于Web的推薦系統數據挖掘算法分析[J].信息與電腦（理論版），2019，（13）：44-47.

作者簡介：尤亮，講師，碩士研究生，研究方向：計算機軟件工程。

基金項目：集美大學誠毅學院青年科研基金項目——高校畢業生就業推薦系統的研發（編號：CK19060）。