基于AI與大數(shù)據(jù)挖掘的大學(xué)生就業(yè)崗位自動推薦算法

中圖分類號：TP301.6 文獻標(biāo)志碼：A

0 引言

隨著企業(yè)對人才需求的日益多元化與精準(zhǔn)化，如何在海量人才與企業(yè)崗位信息中實現(xiàn)高效、精準(zhǔn)的匹配，已成為當(dāng)前就業(yè)領(lǐng)域亟待解決的關(guān)鍵問題。傳統(tǒng)的就業(yè)推薦方式，如人才市場招聘、校園招聘會以及簡單的網(wǎng)絡(luò)信息檢索等，往往存在信息不對稱、匹配效率低下精準(zhǔn)度不足等弊端。一方面，大學(xué)生難以全面、及時地獲取符合自身專業(yè)背景、技能水平及職業(yè)規(guī)劃的崗位信息；另一方面，企業(yè)也難以從眾多求職者中快速篩選出真正契合崗位需求的人才。這種供需不匹配不僅浪費了大量時間和資源，還可能導(dǎo)致人才資源的錯配，進而影響大學(xué)生的職業(yè)發(fā)展以及企業(yè)的運營效率。

杜曉宇等[提出利用多塊嵌入表示來描述節(jié)點并在節(jié)點間傳播消息。該方法通過分析標(biāo)簽感知推薦過程，提升了推薦效果。然而，在標(biāo)簽感知推薦中，用戶與標(biāo)簽數(shù)據(jù)可能存在稀疏性問題，影響模型的訓(xùn)練效果。劉靜文等2通過聚合多個通道學(xué)習(xí)到的用戶特征，獲得增強的用戶表示，遞歸地利用不同信息生成標(biāo)注樣本，采用對比學(xué)習(xí)策略進行互相監(jiān)督。但如果數(shù)據(jù)稀疏或存在噪聲，同樣可能會影響模型的推薦性能。

為此，文章提出基于AI與大數(shù)據(jù)挖掘的大學(xué)生就業(yè)崗位自動推薦算法。該算法利用長短期記憶網(wǎng)絡(luò)（LongShort-TermMemory，LSTM）模型深度處理學(xué)校內(nèi)部及就業(yè)平臺多源數(shù)據(jù)，提取詞特征并生成詞向量，經(jīng)分類標(biāo)注構(gòu)建用戶畫像，為個性化推薦奠定基礎(chǔ)；采用基于馬氏距離的用戶畫像聚類方法，量化多維特征，捕捉內(nèi)在關(guān)聯(lián)，精準(zhǔn)衡量樣本相似度，選出最優(yōu)聚類方案，提升聚類合理性；將隨機森林算法應(yīng)用于就業(yè)崗位推薦，通過多棵決策樹集成學(xué)習(xí)挖掘特征與崗位關(guān)聯(lián)模式，結(jié)合信息增益與熵值計算優(yōu)化節(jié)點劃分，提升對高維數(shù)據(jù)處理和噪聲容忍能力，實現(xiàn)推薦結(jié)果精準(zhǔn)排序與個性化調(diào)整。

1就業(yè)崗位推薦

1.1大學(xué)生就業(yè)用戶畫像構(gòu)建

本文整合了學(xué)校內(nèi)部的各類數(shù)據(jù)，涵蓋學(xué)生基本信息（如姓名、性別、年齡、專業(yè)等）、學(xué)業(yè)成績、課程選修記錄、所獲獎項與榮譽、參與的科研項目及實踐活動情況等，同時收集學(xué)生在就業(yè)相關(guān)平臺上的行為數(shù)據(jù)，包括瀏覽的就業(yè)崗位信息、簡歷投遞記錄、參與的線上招聘會和宣講會情況等[3]，利用AI技術(shù)對這些海量、多源的數(shù)據(jù)進行深度處理與分析。通過LSTM模型逐詞輸人數(shù)據(jù)并持續(xù)更新隱藏狀態(tài)，捕捉詞與詞之間的關(guān)聯(lián)關(guān)系，進而提取詞的特征表示。其公式為：

公式(1)中， x(t) 為第 Φ_t 個輸入詞; h(t-1) 為對應(yīng)時間步的隱藏狀態(tài)。通過LSTM模型逐個輸入字符并不斷更新向量，學(xué)習(xí)上下文信息，生成對應(yīng)的詞

向量表示。具體公式如下：

v(t)=f_LSTM(c(t)，v(t-1))

公式(2)中， v(t-1) 為當(dāng)前時間步的向量表示。本文將所有文本節(jié)點表示為二維詞向量，隨后根據(jù)用戶信息詞向量生成一個序列。設(shè)定文本節(jié)點集合為T={t₁，t₂，?，t_n} ，每個文本 Φ_t 可以表示一個二維詞向量 v∈R² ，將該序列與文本節(jié)點序列結(jié)合，通過LSTM模型的全連接層解碼詞向量。假設(shè)用戶信息表示為詞向量序列 U ，其中 U_j∈R^d 是用戶信息的第 j 個詞向量， d 是詞向量的維度，利用模型對解碼后的詞向量進行分類和標(biāo)注，實現(xiàn)用戶畫像文本標(biāo)簽信息的分類[4]。設(shè)定分類模型為 δ ，分類結(jié)果表示為：

y=δ(D)

公式(3)中， D 為解碼后的詞向量。本文根據(jù)分類后的用戶畫像信息，構(gòu)建大學(xué)生用戶畫像，為每個維度賦予相應(yīng)的權(quán)重，以反映該維度在就業(yè)推薦中的重要性。設(shè)定權(quán)重向量為 w ，加權(quán)后的用戶畫像可以表示為：

P=w?[B;E]

公式(4)中， [B;E] 為拼接長向量； B 為基本信息； E 為就業(yè)意向。將構(gòu)建好的用戶畫像保存到數(shù)據(jù)層，以便后續(xù)進行就業(yè)崗位推薦時使用[5]

1.2用戶畫像聚類

用戶畫像聚類主要基于對大學(xué)生多維特征的分析展開。首先對這些特征進行量化處理，構(gòu)建高維特征向量并將其作為聚類分析的輸人數(shù)據(jù)[6。在聚類過程中，本文采用基于馬氏距離的用戶畫像聚類方法，通過計算特征之間的協(xié)方差矩陣來捕捉特征間的內(nèi)在關(guān)聯(lián)，進而更精準(zhǔn)地衡量樣本之間的相似度[7]其對應(yīng)的計算公式為：

公式(5）~(7)中， X 為樣本矩陣； R 為自相關(guān)矩陣； μ 為均值; ψ 為協(xié)方差矩陣。在聚類分析中，當(dāng)聚類簇數(shù) E=2 時，局部最小值恰好也是全局最小值，從而可以選擇最優(yōu)的聚類劃分方式。本文首先構(gòu)建了一個多視角數(shù)據(jù)集，將所有數(shù)據(jù)初始?xì)w為一個整體簇。接著，計算該初始簇的中心，以此作為聚類分析的起始點。在確定簇中心數(shù)量處于合理范圍后，采用特定算法對該整體簇進行進一步劃分[8]。每次劃分操作完成后，計算劃分后各簇內(nèi)樣本點間距離的總和，該值可用于評估聚類結(jié)果的緊湊程度（即簇內(nèi)樣本的相似性）與分離程度（即不同簇間的差異性）。通過對比不同劃分方式下的距離總和，可從中選出最優(yōu)的聚類劃分方案。最終，依據(jù)該最優(yōu)方案，得到更為準(zhǔn)確、合理的聚類結(jié)果。其距離總和的計算公式為：

公式(8)中， T 為簇參數(shù)。本文通過比較所有劃分后的距離結(jié)果，選擇距離總和最小的劃分方式完成聚類。同時，當(dāng)簇中心個數(shù)達到 E 時，輸出聚類簇中心節(jié)點數(shù)量[9]?；谏鲜鼍垲惤Y(jié)果，從已就業(yè)學(xué)生集中找到與每個聚類簇相似度較高的用戶畫像，參考這些學(xué)生的就業(yè)情況，為當(dāng)前等待崗位推薦的大學(xué)生提供合適的就業(yè)崗位。

1.3基于隨機森林算法的大學(xué)生就業(yè)崗位推薦

隨機森林算法由多棵決策樹構(gòu)成，通過集成學(xué)習(xí)機制提升預(yù)測準(zhǔn)確性。將聚類處理后的數(shù)據(jù)輸入隨機森林算法進行訓(xùn)練，該算法可學(xué)習(xí)特征與崗位選擇之間的復(fù)雜關(guān)聯(lián)模式[0]。在隨機森林中，每棵決策樹均會獨立給出崗位推薦結(jié)果，通過投票或平均化處理等方式確定最終推薦崗位。該算法具備處理高維數(shù)據(jù)的能力，對噪聲和異常值具有較好的魯棒性，能夠有效挖掘數(shù)據(jù)中的潛在模式[\"]，從而為大學(xué)生提供精準(zhǔn)的就業(yè)崗位推薦，顯著提高就業(yè)匹配效率。在構(gòu)建決策樹時，本文選擇信息增益最大的特征作為當(dāng)前節(jié)點的劃分依據(jù)，以最小化劃分后子集的不確定性。因此，設(shè)定 X 是離散型隨機變量，其概率分布為p(X=x_i) ，那么隨機變量熵的計算公式為：

公式(9）中， p_i 為離散變量隨機分布概率。同時，本文結(jié)合信息增益，分析在某個條件下某種狀態(tài)的減少程度，具體表示為在一棵樹中某個節(jié)點的熵與下一層各個節(jié)點的總熵的差值。其計算公式為：

公式(10)中， p_k² 為數(shù)據(jù)集中屬于第 k 類的樣本比例。當(dāng)隨機森林模型訓(xùn)練完成后，本文將其應(yīng)用于大學(xué)生就業(yè)崗位的推薦。假設(shè)有 U 個用戶， J 個就業(yè)崗位。對于每個用戶選擇的就業(yè)崗位，其值增加1。當(dāng)多個用戶選擇同一就業(yè)崗位時，對應(yīng)的選擇頻次值會進行累加?；谠擃l次值，可計算每個就業(yè)崗位的熵值，該熵值反映了該崗位被用戶選擇的熱門程度。針對一名新的大學(xué)生用戶，將其特征數(shù)據(jù)輸入已訓(xùn)練好的隨機森林模型，模型會輸出該用戶對不同就業(yè)崗位的偏好概率。隨后，依據(jù)這些偏好概率對就業(yè)崗位進行排序，選取概率排名靠前的若干就業(yè)崗位推薦給該用戶[12]。設(shè)第 χ_t 棵決策樹將輸入特征預(yù)測為屬于就業(yè)崗位類別 c_j 的概率為 p_t(c_j∣x) 。在分類決策樹實現(xiàn)中，對于輸入特征 Ψ_x ，根據(jù)計算得到的偏好概率p_t(c_j∣x) 可以對就業(yè)崗位進行排序。將就業(yè)崗位類別按照對應(yīng)的概率值從高到低進行排序，滿足 。然后，選擇概率最高的 λ 個就業(yè)崗位類別，從這些概率結(jié)果中挑選出最符合用戶潛在就業(yè)意向的崗位類別，將其推薦給用戶。推薦的就業(yè)崗位集合可以表示為：

C={c_j1，c_j2，?，c_jλ}

公式中（11）： λ 為推薦的就業(yè)崗位數(shù)量，通常根據(jù)實際需求確定。本文將隨機森林算法應(yīng)用于就業(yè)崗位推薦，通過多棵決策樹集成學(xué)習(xí)，量化用戶對不同崗位的偏好概率。結(jié)合信息增益與熵值計算，優(yōu)化決策樹節(jié)點劃分特征選擇，提升了模型對高維數(shù)據(jù)的處理能力與噪聲容忍度，實現(xiàn)了推薦結(jié)果的精準(zhǔn)排序與個性化調(diào)整。

2實驗測試與分析

2.1 實驗準(zhǔn)備

本文基于MATLAB仿真平臺進行了方法性能測試。收集某高校過去5年來的學(xué)生就業(yè)數(shù)據(jù)，包括學(xué)生的基本信息（如專業(yè)、成績、技能證書等）、求職行為數(shù)據(jù)（如瀏覽崗位記錄、投遞崗位記錄、面試反饋等)以及最終的就業(yè)崗位信息。同時，收集當(dāng)前待推薦學(xué)生的相關(guān)信息。共采集到1527498條數(shù)據(jù)，經(jīng)過預(yù)處理后構(gòu)建成數(shù)據(jù)集。以杜曉宇等1方法和劉靜文等[2]方法分別作為對照1組和對照2組，將本文設(shè)計方法作為實驗組，進行對比驗證。

使用實驗組算法對已就業(yè)學(xué)生數(shù)據(jù)進行用戶畫像構(gòu)建，通過聚類分析識別與待推薦學(xué)生相似度高的用戶群體。在實驗組中，利用聚類后的數(shù)據(jù)建立隨機森林模型，量化計算待推薦學(xué)生對不同崗位的偏好概率，依據(jù)概率對崗位進行排序；對照組直接進行關(guān)鍵詞匹配推薦。實驗組將偏好概率最高的若干崗位推薦給目標(biāo)學(xué)生，對照組將匹配度最高的若干崗位推薦給目標(biāo)學(xué)生。

2.2 實驗指標(biāo)

實驗采用歸一化折損累積增益（NormalizedDiscountedCumulativeGain，NDCG）作為驗證指標(biāo)。該指標(biāo)體現(xiàn)了推薦結(jié)果中崗位的相關(guān)性以及它們在推薦列表中的位置。 NDCG@k 表示只考慮推薦列表中前k個崗位的NDCG值。 NDCG@k 值越高，說明推薦算法在排序上越能將相關(guān)性高的崗位排在前面，推薦質(zhì)量越好。該指標(biāo)不僅考慮了崗位的相關(guān)性，還考慮了排序的位置因素，比簡單的準(zhǔn)確率指標(biāo)更能反映推薦系統(tǒng)的實際效果。

多樣性覆蓋率用于衡量推薦結(jié)果中崗位的多樣性程度，體現(xiàn)推薦崗位在不同類別（如行業(yè)、職位類型等)上的分布情況。對于每個用戶，計算其推薦列表中不同類別崗位的數(shù)量與所有可能類別數(shù)量的比值，得到多樣性覆蓋率。多樣性覆蓋率越高，說明推薦算法能夠為學(xué)生提供更多不同類型和領(lǐng)域的崗位選擇，有助于學(xué)生拓寬就業(yè)視野，發(fā)現(xiàn)更多潛在的就業(yè)機會。在實際就業(yè)推薦中，僅僅推薦相關(guān)性高的崗位可能不夠，還要考慮崗位的多樣性，以滿足學(xué)生不同的職業(yè)發(fā)展需求。

2.3 結(jié)果與分析

基于上述設(shè)置，加入隨機推薦組和熱門推薦組，不同方法的推薦結(jié)果如表1所示。

表1不同方法的推薦結(jié)果

分析表1，在NDCG指標(biāo)上，與對照1組、對照2組、隨機推薦組和熱門崗位推薦組相比，實驗組表現(xiàn)更優(yōu)，這表明本文算法在崗位排序質(zhì)量上效果更顯著，能更精準(zhǔn)地將學(xué)生感興趣的崗位排在前列。對照1組和對照2組在特征提取、模型構(gòu)建或考慮學(xué)生特征全面性上存在不足。隨機推薦組不考慮學(xué)生需求，熱門崗位推薦組忽略個體差異，均導(dǎo)致推薦質(zhì)量欠佳。在多樣性覆蓋率指標(biāo)上，實驗組同樣優(yōu)于各對照組。對照1組過于注重直接匹配而忽略多樣性，對照2組在平衡相關(guān)性和多樣性上欠佳，隨機推薦組和熱門崗位推薦組雖有一定的多樣性但缺乏針對性。總之，本文算法在崗位排序質(zhì)量和多樣性方面表現(xiàn)卓越，能為學(xué)生提供更優(yōu)質(zhì)、個性化的就業(yè)崗位推薦。

3結(jié)語

本文基于AI與大數(shù)據(jù)挖掘進行了大學(xué)生就業(yè)崗位推薦研究，通過整合學(xué)校內(nèi)部及就業(yè)平臺行為數(shù)據(jù)，借助LSTM模型構(gòu)建多維度用戶畫像并賦權(quán)，為推薦提供精準(zhǔn)依據(jù)；采用馬氏距離聚類方法合理劃分用戶畫像，保證聚類結(jié)果準(zhǔn)確合理；在崗位推薦環(huán)節(jié)，引入隨機森林算法，挖掘特征與崗位選擇的潛在關(guān)系。實驗表明，該算法能更精準(zhǔn)地將學(xué)生感興趣崗位排在前列且在崗位多樣性上表現(xiàn)出色，能提供更多類型崗位選擇。未來可優(yōu)化算法以適應(yīng)復(fù)雜就業(yè)場景，拓展數(shù)據(jù)來源，融人更多就業(yè)信息，提升推薦系統(tǒng)全面性與準(zhǔn)確性，助力大學(xué)生就業(yè)。

參考文獻

[1]杜曉宇，陳正，項欣光.基于解耦圖神經(jīng)網(wǎng)絡(luò)的可解釋標(biāo)簽感知推薦算法[J].軟件學(xué)報，2023（12）：5670-5685.

[2]劉靜文，劉淵，袁琮淇.融合超圖卷積和自監(jiān)督協(xié)同訓(xùn)練的組推薦算法[J].中文信息學(xué)報，2024（7)：115-126，136.

[3]鐘麗丹.基于AI的智慧校園建設(shè)樣態(tài)實踐探索[J].無線互聯(lián)科技，2025（7）：22-26.

［4]歐道源，梁京章，吳麗娟.基于高斯分布建模的序列推薦算法[J].計算機應(yīng)用研究，2023（4)：1108-1112.

[5]王永，劉累，杜錫為，等.融合注意力機制的自編碼器推薦算法[J].運籌與管理，2024(2)：57-63.

[6]葛涵，任樹民，張紅良.考慮數(shù)據(jù)稀疏性的網(wǎng)絡(luò)關(guān)聯(lián)信息智能推薦算法[J].計算機仿真，2024（10）：311-316.

[7]任永功，周平磊，張志鵬.基于知識增強對比學(xué)習(xí)的長尾用戶序列推薦算法[J].通信學(xué)報，2024（6)：210-222.

[8]樊加倍，錢宇華，彭甫鎔.融合多層次交互注意力的引文推薦算法［J].小型微型計算機系統(tǒng)，2023(12):2656-2662.

[9]朱俊，韓立新，宗平，等.基于時間聚類和用戶動態(tài)相似度的自適應(yīng)位置推薦算法[J].計算機科學(xué)，2023(12):113-122.

[10]潘瑩，李浩，王世輝，等.融合注意力機制和評論文本特征的推薦算法[J].計算機工程與設(shè)計，2024(9):2764-2770.

[11]涂劍峰，李芳麗.冒充性攻擊下無線傳感節(jié)點信息數(shù)據(jù)安全推薦算法[J].傳感技術(shù)學(xué)報，2024（8）：1434-1440.

[12]吳昊，蔡子琪，王大哲.數(shù)字經(jīng)濟發(fā)展對勞動力就業(yè)的影響研究：基于城市面板數(shù)據(jù)的實證分析[J].江蘇科技信息，2025(1)：16-23.

(編輯 王雪芬)

Automatic recommendation algorithm for college students’ employment positions based on AI and big data mining

ZHOU Wenjimi (Xiamen Nanyang University，Xiamen 3626OO，China)

Abstract:Toenhance the practicalityof job recommendation for students，this paper proposesanautomatic job recommendation algorithmforcollge students basedonAI bigdata mining.This algorithm relies on big dataand AI technology to first construct auserprofile of collge students’employment，comprehensively depicting their characteristics.Then，using cluster analysis，accuratelyidentifyuser groups with high similarity tothe students tobe recommended from the massive data of employed students，providing reference for subsequent recommendations.After completing theportraitconstructionand clustering，thealgorithm establishesarandom forestmodel toquantitatively calculatetheprobabilityof students’preferences for diferent positions，andbasedonthis，ranks the positions. Finally，recommend the position with the highest preference probability to the students.The experimentalresultsshow thatthis algorithm performs excellentlyin job recommendation，acuratelyranking students’desired positionsatthe top of the recommendation list， and performing well in job diversity.

Key words:AI; big data;college students employment; job recommendation； automatic recommendation