基于大数据挖掘技术的高校就业质量评价.docx

    基于大数据挖掘技术的高校就业质量评价    魏玉曦摘  要： 针对高校就业质量评价错误大，可靠性低等不足，为了获得理想的高校就业质量评价效果，设计了基于大数据挖掘技术的高校就业质量评价模型首先，研究当前高校就业质量评价相关文献，选择一些影响因素构建高校就业质量评价指标体系，并通过专家确定高校就业质量等级;然后，引入大数据挖掘技术拟合高校就业质量变化特点，建立高校就业质量评价模型;最后，采用具体数据对高校就业质量评价模型性能进行分析文中所提模型较好地解决了当前高校就业质量评价模型的弊端，评价结果更加科学，高校就业质量评价偏差小于当前典型模型，具有广泛的实际应用价值关键词： 高校就业; 质量评价; 大数据挖掘技术; 仿真实验; 评价指标; 模型建立： TN911.1?34; TP181                   ： A                    ： 1004?373X（2020）07?0103?04University employment quality evaluation based on big data mining technologyWEI 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 building0  引  言高校就業质量是衡量高校办学水平高低的一个重要指标，而高校就业受到大学生自身素质、社会因素、家庭因素、学校因素、政府因素等多种因素的影响和制约，因此，制定一套科学、准确的高校就业质量评价体系十分重要，对就业质量进行科学的评价已经受到高校的广泛重视[1?3]。

针对高校就业质量问题，20世纪90年代就有学者开始投身于高校就业质量的研究中，随着时间的推移，目前已取得了一些研究成果[4?6]最初采用人工方式进行高校就业质量评价，通过一些校外或者校内的专家对过去一段时间的大学就业质量数据进行分析，得到高校就业质量结果，这种方式的高校就业质量评价结果可信度比较低，因为具有一定的主观意识，同时，高校就业质量建模过程耗时比较长，无法满足现代高校发展的要求[7?9]由于信息技术、自动控制技术的不断发展，出现了高校就业质量自动、智能评价模型，主要有：基于层次分析法的高校就业质量评价模型、基于模糊数学理论的高校就业质量评价模型、基于主成分分析法的高校就业质量评价模型以及BP神经网络的高校就业质量评价模型其中，层次分析法和模糊数学理论属于线性的高校就业质量评价方法，假设高校就业质量等级与高校就业质量评价指标影响因子之间呈现一种线性变化关系，而高校就业质量与多种指标有关，变化比较复杂，不是一种非线性变化关系，因此，层次分析法和模糊数学理论的高校就业质量评价结果缺陷十分明显[10?12]主成分分析法和BP神经网络属于非线性的高校就业质量评价技术，高校就业质量评价正确率要明显优于层次分析法和模糊数学理论，但是它们主要针对小规模的高校就业质量评价问题，没有考虑高校就业质量评价数据的大规模特性，高校就业质量评价结果有待进一步改善[13?15]。

针对高校就业质量评价错误率高，评价结果可靠性低等难题，以改善高校就业质量评价效果为目标，提出了基于大数据挖掘技术的高校就业质量评价模型，并通过具体数据对高校就业质量评价进行仿真测试结果表明，本文模型能够避免当前高校就业质量评价模型存在的问题，提高高校就业质量评价的正确率，评价结果更加科学，可信度高，能够获得比其他模型更优的高校就业质量评价结果，验证了本文模型的优越性1  大数据挖掘技术的高校就业质量评价模型1.1  高校就业质量评价体系当前高校就业质量评价指标复杂多样，指标类型和数量很多，但是不可能将全部指标选作高校就业质量评价建模本文高校就业质量评价建模采取的原则为：针对性原则、主客观结合原则、可操作性原则以及相对独立性原则其中，针对性原则主要指具体的角度和对象;主客观结合原则同时反映就业客观性和就业者主观性感受;可操作性原则主要表示评价指标体系的可行性和实用性;相对独立性原则表示同一级评价指标不存在交叉影响，构建的高校就业质量评价指标体系如图1所示1.2  大数据挖掘技术随着高校就业质量评价研究的不断深入，一些传统技术无法对高校就业质量进行准确、科学评价，为此本文引入大数据挖掘技术中的布谷鸟搜索算法和BP神经网络对高校就业质量评价进行建模与分析，以获得理想的高校就业质量评价结果。

1.2.1  布谷鸟搜索算法布谷鸟搜索算法是大数据挖掘技术的一个重要分支，其模拟布谷鸟繁殖行为和莱维飞行，本文将其引入到BP神经网络参数的优化过程中为了便于对BP神经网络参数优化问题进行求解，布谷鸟搜索算法作如下假设：1） 一只布谷鸟只能下一个蛋，该蛋存放的鸟巢位置是随机的，没有一定的规律可循2） 质量优的鸟巢位置中的蛋会保留到下一代3） 鸟巢位置以及数量是事先确定的，不能改变，蛋被宿主发现的概率为[Pa]在第[t+1]代搜索过程中，鸟巢位置的更新方式为：[Xi（t+1）=Xi（t）+α⊕Levy（λ）]     （1）式中：[α]为步长;[λ]为带有重尾的概率分布函数;[⊕]为点积运算;[Levy（λ）]为莱维飞行行为：[Levy： μ=t-λ，    1<λ1.2.2  BP神经网络设第[k]个高校就业质量评价样本的期望输出结果和BP神经网络的实际输出结果分别为[dk]和[Ok]，那么训练样本的输出误差计算公式为：[E=12k=1h（dk-Ok）2] （3）式中[h]表示训练样本的数量隐含层与输出层间、输入层与隐含层的权重分别为[Wij]和[Wjk]，其中，[j]，[i]，[k]分别表示隐含层节点、输出层节点、输入层节点的编号，权重值的更新方式为：[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]表示学习速度。

BP神经网络的学习过程实际就是权值更新的过程，当前权值更新规则为梯度下降法，但是权重的初始值直接影响BP神经网络的学习性能，当前主要凭经验方式确定，这样会对高校就业质量评价结果产生不利影响，因此，本文采用布谷鸟搜索算法确定BP神经网络权重的初始值1.3  大数据挖掘技术的高校就业质量评价步骤大数据挖掘技术的高校就业质量评价步骤如下：1） 根据图1的高校就业质量评价指标体系，采集一些历史数据，并得到相应的高校就业质量评分值，组成高校就业质量评价的样本集合2） 对高校就业质量评价指标进行标准化处理，作为BP神经网络的输入向量，高校就业质量评分值作为期望输出，确定BP神经网络的结构3） 确定BP神经网络的[Wij]和[Wjk]的取值范围，随机确定[Wij]和[Wjk]的初始值，将它们进行编码作为鸟巢位置4） 初始化布谷鸟搜索算法的相关参数值，并将高校就业质量评价误差作为布谷鸟搜索算法的适应度函数值5） 根据式（1）产生一组新的鸟巢位置，并与上一代的鸟巢位置进行对比，采用较优的新鸟巢位置代替较差的旧鸟巢位置6） 根据[Pa]丢弃适应度函数值差的鸟巢位置7） 通过步骤5）和步骤6）得到最优的鸟巢位置，并对最优鸟巢位置进行反编码，得到最优的[Wij]和[Wjk]的初始值。

8） 根据最优的[Wij]和[Wjk]的初始值，进行高校就业质量评价的BP神经网络训练，并采用高校就业质量评价训练数据对训练好的BP神经网络进行测试，输出高校就业质量评价结果大数据挖掘技术的高校就业质量评价流程如图2所示2  仿真测试2.1  测试环境为了测试大数据挖掘技术的高校就业质量评价效果，采用Visual Studio 2013作为开发工具編程实现高校就业质量评价程序硬件为：CPU 6核 2.7 GHz，32 GB内存，高校就业质量评价结果采用100分制进行描述，大于90分为优，80～90分为良，70～80分为中，60～70分为合格，低于60分为不合格，共采集到10 000个高校就业质量评价数据，部分高校就业质量评价数据如表1所示2.2  测试结果与分析采用层次分析法、主成分分析法的高校就业质量评价模型进行对比实验，进行5次高校就业质量评价实验，每一次首先从表1中随机抽取8 000个样本作为高校就业质量评价的训练样本，然后采用剩余2 000个数据作为测试样本，统计高校就业质量评价精度，具体如图3所示从图3可以看出：层次分析法的高校就业质量评价精度最低，高校就业质量评价误差最大;其次为主成分分析法;大数据挖掘技术的高校就业质量评价精度最高，大幅度减少了高校就业质量评价误差，解决了当前高校就业质量评价过程中存在的不足，高校就业质量评价结果更加可信。

采用层次分析法、主成分分析法、大数据挖掘技术的高校就业质量评价的时间进行各评价模型的性能分析，结果如表2所示从表2可以发现，大。