基于人工神經(jīng)網(wǎng)絡(luò)的高校大學(xué)生就業(yè)情況分析

王 偉，金保明

（1.寧德師范學(xué)院信息與機(jī)電工程學(xué)院，福建寧德 352000；2.福州大學(xué)土木工程學(xué)院，福建福州 350116）

俗話說：“編筐編簍，貴在收口”。高校畢業(yè)生到了在校學(xué)習(xí)的最后一年，也到了學(xué)生們?nèi)松駬竦年P(guān)鍵路口。對(duì)于國家而言，就業(yè)在“六保六穩(wěn)”中居首要位置，做好就業(yè)工作是實(shí)現(xiàn)“六保六穩(wěn)”的關(guān)鍵。對(duì)于學(xué)校來講，畢業(yè)生就業(yè)水平是檢驗(yàn)高校辦學(xué)質(zhì)量的一條重要標(biāo)準(zhǔn)。對(duì)于學(xué)生家長而言，孩子們能成功就業(yè)，就好業(yè)是他們翹首以盼的心愿。而對(duì)于輔導(dǎo)員來講，學(xué)生的就業(yè)就像在大一時(shí)候埋下的一顆種子，四年用心培育，直至畢業(yè)時(shí)節(jié)開花、結(jié)果，最終長成參天大樹。但是當(dāng)前的就業(yè)大環(huán)境不景氣，后疫情時(shí)期經(jīng)濟(jì)下行，輔導(dǎo)員就業(yè)指導(dǎo)不精準(zhǔn)等一系列問題，給高校就業(yè)工作單位和高校畢業(yè)班輔導(dǎo)員帶來了新的挑戰(zhàn)。

1 當(dāng)下高校大學(xué)生就業(yè)環(huán)境和就業(yè)觀念

隨著國家經(jīng)濟(jì)的發(fā)展，高等教育的普及，高等教育已經(jīng)從“精英教育”向“大眾教育”轉(zhuǎn)變。2002 年全國大學(xué)生畢業(yè)人數(shù)不足142萬人，2010年608.2萬人，2020 年874 萬人，年平均增長率高達(dá)27.12%，不到20年間大學(xué)生畢業(yè)人數(shù)已經(jīng)翻了6倍之多[1]。高校畢業(yè)生就業(yè)情況不容樂觀。2019年12月中國武漢地區(qū)新型冠狀病毒爆發(fā)引起的肺炎疫情，迫使武漢這座歷史悠久、大學(xué)生人數(shù)最多的城市一度采取封城的措施，全國各大城市也都受到了不同程度的影響[2]。2019 年底至今，各行各業(yè)處于后疫情時(shí)期的經(jīng)濟(jì)復(fù)蘇階段，全國乃至全世界都呈現(xiàn)出市場不景氣，經(jīng)濟(jì)下行的現(xiàn)象。旅游業(yè)、航空業(yè)、運(yùn)輸業(yè)、餐飲業(yè)等更是受到了嚴(yán)重的打擊，大量小微企業(yè)出現(xiàn)了倒閉、裁員的現(xiàn)象。但是大學(xué)生畢業(yè)人數(shù)卻年復(fù)一年以較快的速度增長，后疫情階段市場經(jīng)濟(jì)的衰退，工作崗位的減少，越發(fā)凸顯了大學(xué)生就業(yè)的困難。

隨著脫貧攻堅(jiān)、全面建成小康社會(huì)工作巨大成果、鄉(xiāng)村振興工作的持續(xù)開展，全國人民的生活水平有了顯著提高，“畢業(yè)了，工作慢慢找不著急，找份穩(wěn)定離家近的工作”作為許多家長對(duì)孩子就業(yè)的普遍態(tài)度。并且大多數(shù)家長存在著“有編制就是鐵飯碗”這個(gè)相對(duì)保守落后的就業(yè)理念，強(qiáng)迫自己的孩子一定要考取公務(wù)員、事業(yè)單位等。還有部分應(yīng)屆畢業(yè)生習(xí)慣了“校園”這把保護(hù)傘，不愿走出高校這個(gè)舒適區(qū)，到工作崗位上磨礪自己的意志、增長工作技能。在即將畢業(yè)之際幻想著從“校園”這把保護(hù)傘逃避到“考研”“考國家公務(wù)員”的另一把保護(hù)傘。

后疫情時(shí)期市場經(jīng)濟(jì)不景氣、部分家庭就業(yè)觀念相對(duì)滯后、學(xué)生自身就業(yè)意向不積極等諸多不利因素，導(dǎo)致高校就業(yè)指導(dǎo)工作困難重重。

2 輔導(dǎo)員對(duì)畢業(yè)生就業(yè)指導(dǎo)的困境

高校就業(yè)工作一般由高校就業(yè)指導(dǎo)中心部署，畢業(yè)班輔導(dǎo)員負(fù)責(zé)實(shí)施落實(shí)。畢業(yè)班輔導(dǎo)員作為高校就業(yè)工作的一線力量，直接指導(dǎo)和統(tǒng)計(jì)畢業(yè)生的就業(yè)工作情況，該項(xiàng)工作內(nèi)容復(fù)雜多樣并且直接影響著學(xué)校的就業(yè)水平。根據(jù)教育部公布《普通高等學(xué)校輔導(dǎo)員隊(duì)伍建設(shè)規(guī)定》，高等學(xué)校師生比率不低于1∶200 設(shè)置高校專職輔導(dǎo)員。高校因?yàn)檩o導(dǎo)員招聘、遴選、離職、轉(zhuǎn)崗等各種原因，實(shí)際比率還要略低文件規(guī)定1∶200 的標(biāo)準(zhǔn)。輔導(dǎo)員日常工作千頭萬緒，包括思想政治教育、心理輔導(dǎo)、班級(jí)活動(dòng)組織等形式多樣的工作內(nèi)容。1 名輔導(dǎo)員在面對(duì)200 多名學(xué)生的就業(yè)問題時(shí)，不可避免存在對(duì)學(xué)生就業(yè)指導(dǎo)不精準(zhǔn)，就業(yè)一對(duì)一幫扶對(duì)象選擇不精確等實(shí)際工作問題。

其中，2017 年最新頒布的《普通高等學(xué)校輔導(dǎo)員隊(duì)伍建設(shè)規(guī)定》，各大高校響應(yīng)文件要求，近兩年公開招聘了數(shù)量較多的年輕輔導(dǎo)員，但新進(jìn)輔導(dǎo)員在面對(duì)后疫情時(shí)期的就業(yè)大環(huán)境，就業(yè)工作開展就會(huì)更顯得力不從心。在就業(yè)大環(huán)境不景氣，輔導(dǎo)員精準(zhǔn)就業(yè)指導(dǎo)存在力不能及的現(xiàn)象、就業(yè)一對(duì)一幫扶對(duì)象選擇困難等情況。將通過收集分析高校大學(xué)生4 個(gè)學(xué)年的各種特征數(shù)據(jù)，構(gòu)建BP 人工神經(jīng)網(wǎng)絡(luò)就業(yè)預(yù)測模型，對(duì)應(yīng)屆畢業(yè)生的就業(yè)情況進(jìn)行預(yù)測。在確保就業(yè)預(yù)測模型具有較高準(zhǔn)確性的前提下，根據(jù)模型預(yù)測的結(jié)果，將未能就業(yè)的學(xué)生列為需要精準(zhǔn)幫扶或者一對(duì)一幫扶的對(duì)象，使得輔導(dǎo)員在開展就業(yè)工作的過程更有目標(biāo)性、針對(duì)性、精確性，達(dá)到就業(yè)工作精細(xì)化的效果。

3 BP人工神經(jīng)網(wǎng)絡(luò)原理簡介及作用

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networ），是通過模擬生物大腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能，從而創(chuàng)建的一種分析和處理數(shù)據(jù)的物理數(shù)學(xué)模型[3-4]。該網(wǎng)絡(luò)模型對(duì)于數(shù)據(jù)信息處理的概括、聯(lián)想、類比等能力方面有比較明顯的優(yōu)勢，并且有較強(qiáng)的魯棒性和容錯(cuò)能力。

圖1 為單個(gè)神經(jīng)元人工神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)示意圖，輸入向量Pi（i 為1，2，…，n）每一個(gè)元素均通過權(quán)值向量?i（i 為1，2，…，n）和神經(jīng)元相連，輸入向量Pi先乘以權(quán)值向量?i，加上閾值b形成凈輸入量n，最后利用傳輸函數(shù)f對(duì)凈輸入量n進(jìn)行變換處理產(chǎn)生輸出量a。這一過程可以用以下式子表示：

圖1 單個(gè)神經(jīng)元人工網(wǎng)絡(luò)基本結(jié)構(gòu)示意圖

其中，BP 人工神經(jīng)網(wǎng)絡(luò)是按誤差反向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)。該類型網(wǎng)絡(luò)是所有人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣的一種[5-6]。BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)分為輸入層、隱含層、輸出層。隱含層一般為單層即可滿足計(jì)算要求，故網(wǎng)絡(luò)一般為3層結(jié)構(gòu)。層與層之間全連接，而層內(nèi)神經(jīng)元相互未連接。設(shè)置合適的網(wǎng)絡(luò)參數(shù)，迭代一定次數(shù)，網(wǎng)絡(luò)收斂后，即可得到精度較高的結(jié)果。

BP 神經(jīng)網(wǎng)絡(luò)的算法主要可分為兩個(gè)部分：一是原始數(shù)據(jù)經(jīng)網(wǎng)絡(luò)的輸入層到隱含層最后傳遞到輸出層，數(shù)據(jù)信號(hào)逐層正向傳播；二是若通過正向傳播獲得的輸出數(shù)據(jù)與理想數(shù)據(jù)的誤差較大，不滿足設(shè)置的誤差界限。則將誤差從輸出層向隱含層最后到輸入層逐層反向傳播，并修改各層的連接權(quán)重，使誤差在網(wǎng)絡(luò)中不斷訓(xùn)練，直至減小到滿意的范圍內(nèi)，算法結(jié)束。至此經(jīng)過這兩個(gè)過程，BP 人工神經(jīng)網(wǎng)絡(luò)完成對(duì)輸入數(shù)據(jù)的訓(xùn)練和學(xué)習(xí)。多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖2。

圖2 多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

4 實(shí)例分析

4.1 數(shù)據(jù)預(yù)處理

根據(jù)寧德師范學(xué)院信息與機(jī)電工程學(xué)院部分專業(yè)一共527 名學(xué)生各項(xiàng)特征數(shù)據(jù)與實(shí)際就業(yè)情況建立BP 人工神經(jīng)網(wǎng)絡(luò)模型。隨機(jī)選取11/12 數(shù)據(jù)序列作為訓(xùn)練樣本，剩下1/12 數(shù)據(jù)作為檢驗(yàn)樣本，驗(yàn)證模型預(yù)報(bào)的精度。收集的各類特征數(shù)據(jù)包括性別、學(xué)生4 個(gè)學(xué)年平均學(xué)分績點(diǎn)、畢業(yè)設(shè)計(jì)成績、非素質(zhì)專業(yè)學(xué)分、志愿服務(wù)時(shí)長、就業(yè)情況。采用數(shù)據(jù)類型如表1。

表1 畢業(yè)生特征數(shù)據(jù)與就業(yè)情況（部分）

表1 中數(shù)據(jù)可以看出，原始數(shù)據(jù)中有部分?jǐn)?shù)據(jù)屬于文本類型，無法直接輸入神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。有部分?jǐn)?shù)據(jù)的范圍屬于（0，5）（0，100），數(shù)量級(jí)差異較大，若未進(jìn)行處理直接輸入模型可能導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)速度變慢甚至不能收斂。因此，根據(jù)公式（2）將數(shù)據(jù)變換到[0，1]內(nèi)，文本格式的數(shù)據(jù)用[0，1]表示，歸一化后的數(shù)據(jù)見表2。

表2 歸一化后的數(shù)據(jù)（部分）

式中，X為歸一化處理后的輸入值，x為實(shí)際輸入數(shù)據(jù)數(shù)值，xmax為實(shí)際輸入數(shù)據(jù)的最大值，xmin為實(shí)際輸入數(shù)據(jù)的最小值。

4.2 人工神經(jīng)網(wǎng)絡(luò)模型建立

為提高模型結(jié)果的說服力、可信性，將527 名學(xué)生的特征數(shù)據(jù)隨機(jī)分配為483 組訓(xùn)練樣本數(shù)據(jù)和44 組檢驗(yàn)樣本數(shù)據(jù)。本次分析采用的BP 神經(jīng)網(wǎng)絡(luò)模型為3 層結(jié)構(gòu)，其中輸入層為5 個(gè)神經(jīng)元節(jié)點(diǎn)，分別代表學(xué)生的性別、平均學(xué)分績點(diǎn)、畢業(yè)設(shè)計(jì)成績、非素質(zhì)專業(yè)學(xué)分、志愿服務(wù)時(shí)長，輸出層為1 個(gè)神經(jīng)元節(jié)點(diǎn)，表示學(xué)生的就業(yè)情況，隱含層為單層。隱含層作為模型結(jié)構(gòu)的中間層，在模型運(yùn)算中起到承上啟下的關(guān)鍵作用，但是輸入層與隱含層之間鏈接的節(jié)點(diǎn)數(shù)的確定比較困難，目前尚沒有一個(gè)理想的解析式可以用來確定合理的隱含層節(jié)點(diǎn)數(shù)，這也是實(shí)際應(yīng)用中BP 神經(jīng)網(wǎng)絡(luò)的一個(gè)缺陷[7-8]。做法是先運(yùn)用經(jīng)驗(yàn)公式（3）確定隱含層節(jié)點(diǎn)數(shù)的大致范圍，再運(yùn)用“試錯(cuò)法”進(jìn)行試算，通過Matlab 程序進(jìn)行多次網(wǎng)絡(luò)訓(xùn)練計(jì)算，最終確定最優(yōu)的隱含層節(jié)點(diǎn)數(shù)。神經(jīng)網(wǎng)絡(luò)模型的層與層之間通過不同類型的激勵(lì)函數(shù)進(jìn)行連接，其中輸入層與隱含層之間通過log-sigmoid函數(shù)連接，隱含層與輸出層之間選擇purelin 函數(shù)。一個(gè)S 型隱含層加上一個(gè)線性輸出層的BP網(wǎng)絡(luò)，能夠逼近任何在閉區(qū)間內(nèi)的一個(gè)連續(xù)非線性函數(shù)。

其中，M代表隱含層的節(jié)點(diǎn)數(shù)，n代表神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元節(jié)點(diǎn)數(shù)，m代表神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元節(jié)點(diǎn)數(shù)，a是2～6之間的常數(shù)。

4.3 神經(jīng)網(wǎng)絡(luò)模型計(jì)算結(jié)果分析

根據(jù)公式（3）大致確定隱含層節(jié)點(diǎn)數(shù)在[4，9]之間，再將隱含層節(jié)點(diǎn)數(shù)：4、5、6、7、8、9分別代入模型中運(yùn)算判斷。當(dāng)隱含層節(jié)點(diǎn)數(shù)為4，5，6，7時(shí)，模型預(yù)測的正確率分別為40.90%，31.82%，22.73%，54.54%，正確率呈現(xiàn)低且波動(dòng)較大的情況。當(dāng)隱含層節(jié)點(diǎn)數(shù)為8時(shí)，就業(yè)預(yù)測模型的正確率為86.63%，而當(dāng)隱含層節(jié)點(diǎn)數(shù)為9 時(shí)，就業(yè)預(yù)測模型的正確率為70.45%，相較為隱含層節(jié)點(diǎn)數(shù)8，預(yù)測正確率略有下降。考慮到論文的邏輯嚴(yán)謹(jǐn)性，雖然根據(jù)經(jīng)驗(yàn)公式確定隱含層節(jié)點(diǎn)數(shù)的大致范圍[4，9]，但是無法明確在隱含層節(jié)點(diǎn)數(shù)超過9之后，是否會(huì)出現(xiàn)預(yù)測結(jié)果更優(yōu)的情況。故將隱含層節(jié)點(diǎn)數(shù)為10、11 和12 等三種情況分別代入模型計(jì)算驗(yàn)證，得到的就業(yè)預(yù)測正確率分別為68.18%、52.77%和38.64%。繪制就業(yè)預(yù)測正確率與隱含層節(jié)點(diǎn)數(shù)趨勢關(guān)系如圖3。根據(jù)隱含層節(jié)點(diǎn)數(shù)與預(yù)測結(jié)果趨勢關(guān)系分析并結(jié)合相關(guān)文獻(xiàn)結(jié)果，認(rèn)為隱含層節(jié)點(diǎn)數(shù)是模型實(shí)現(xiàn)非線性功能的系統(tǒng)元素，當(dāng)隱含層節(jié)點(diǎn)數(shù)過少，無法產(chǎn)生足夠的鏈接權(quán)重來滿足樣本的訓(xùn)練和學(xué)習(xí)，就會(huì)出現(xiàn)預(yù)測結(jié)果正確率偏低的情況，如本次就業(yè)預(yù)測中，隱含層節(jié)點(diǎn)數(shù)為4、5、6 和7 的情況。但當(dāng)隱含層節(jié)點(diǎn)數(shù)過多時(shí)，在訓(xùn)練階段神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練效率高，擬合效果好，可是當(dāng)加入檢驗(yàn)樣本或者測試樣本時(shí)，擬合或者預(yù)測效果會(huì)有明顯的下降，泛化或者延展效果差。如本次就業(yè)預(yù)測中，隱含層節(jié)點(diǎn)數(shù)為9、10、11和12的現(xiàn)象。

圖3 就業(yè)預(yù)測正確率與隱含層節(jié)點(diǎn)數(shù)趨勢關(guān)系圖

結(jié)合上述結(jié)果，當(dāng)隱含測節(jié)點(diǎn)數(shù)確定為8時(shí)，預(yù)測模型結(jié)果為最優(yōu)。神經(jīng)網(wǎng)絡(luò)模型運(yùn)行收斂情況如圖4。結(jié)合圖4可知，在神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練階段，經(jīng)過141次迭代計(jì)算后，模型收斂并達(dá)到設(shè)定的誤差要求，停止運(yùn)算。模型收斂后根據(jù)Matlab 平臺(tái)得到相應(yīng)神經(jīng)網(wǎng)絡(luò)模型各層的權(quán)值和閾值見表3。本次檢驗(yàn)樣本系列一共44 組數(shù)據(jù)，就業(yè)預(yù)測模型正確預(yù)測了其中38名學(xué)生的就業(yè)情況，僅有6名學(xué)生的就業(yè)情況預(yù)測有誤，模型預(yù)測結(jié)果精度為86.36%，具有較高的精確度，對(duì)高校就業(yè)工作和畢業(yè)班輔導(dǎo)員指導(dǎo)就業(yè)具有一定參考性和指導(dǎo)意義。

表3 神經(jīng)網(wǎng)絡(luò)模型各層權(quán)值和閾值

圖4 模型收斂情況

輔導(dǎo)員可以利用神經(jīng)網(wǎng)絡(luò)模型中預(yù)測的結(jié)果，將未能成功就業(yè)的學(xué)生設(shè)置為重點(diǎn)關(guān)注對(duì)象或者精準(zhǔn)幫扶對(duì)象，為他們制定更有針對(duì)性、個(gè)性化的就業(yè)方案。大四這一學(xué)年，提前介入，更多地關(guān)注這些學(xué)生的興趣、性格、技能、價(jià)值觀等各個(gè)方面，進(jìn)而引導(dǎo)學(xué)生去了解、探索自身更適合從事什么樣的職業(yè)，在什么樣崗位上去實(shí)現(xiàn)自己的人生價(jià)值。

5 結(jié)論及建議

根據(jù)寧德師范學(xué)院2021屆部分專業(yè)527名學(xué)生的就業(yè)情況，建立了BP人工神經(jīng)網(wǎng)絡(luò)模型對(duì)學(xué)生就業(yè)情況進(jìn)行預(yù)測，預(yù)測結(jié)果的精度達(dá)到86.36%，具有較高的預(yù)測精度，可以對(duì)高校就業(yè)工作提供一定的指導(dǎo)。

收集到的學(xué)生就業(yè)數(shù)據(jù)量有限，畢業(yè)生特征數(shù)據(jù)類型不多，預(yù)測精度上還有提高空間。后續(xù)的研究可以從增加學(xué)生就業(yè)數(shù)據(jù)量和豐富學(xué)生特征數(shù)據(jù)類型去完善和改BP神經(jīng)網(wǎng)絡(luò)就業(yè)預(yù)測模型。在神經(jīng)網(wǎng)絡(luò)就業(yè)預(yù)測模型更加成熟后，可以將其集成至校園網(wǎng)頁或者校園管理APP中，供畢業(yè)班輔導(dǎo)員參考。

在增加數(shù)據(jù)量和豐富數(shù)據(jù)類型的基礎(chǔ)上，對(duì)輸入數(shù)據(jù)在輸入模型前進(jìn)行預(yù)處理，運(yùn)用專家打分、問卷調(diào)查、層次分析法等方法，計(jì)算各輸入數(shù)據(jù)的權(quán)重值。將不同的特征數(shù)據(jù)按重要性不同，賦予不同的權(quán)重，或能夠在更大程度上提升模型預(yù)測的正確率。