基于个性化偏好的大学生就业推荐算法研究.pdf

中文摘要 摘 要 毕业生求职竞争越来越激烈，找到一份满意的工作总是充满挑战。与有工作 经历的人不同，毕业生缺乏工作经验和社会人际关系网络的支持，他们必须从数 百家公司或机构中筛选一些感兴趣的工作。工作申请过程是非常耗时的，尤其是 准备和参加笔试和面试。如果毕业生不清楚自己的职业选择，他们必须投入大量 的时间和精力去准备每一个可能被聘用的潜在招聘单位。这样的求职策略很容易 导致就业不满意或就业失败。因此，为毕业生推荐一些适合他们的就业单位是很 有价值的，对高就业成功率和满意度都有帮助。 目前，高校就业中心主要通过问卷收集学生求职意向，然后分析问卷数据为 学生供就业帮助。其中一种毕业生就业推荐是计算学生求职简历中述的专业 技能与招聘单位所要求的专业技能之间相似性，然后根据相似性高低为学生推荐 最相似的就业单位。这样的策略都不可靠，因为问卷调查和学生简历都是自我评 估的结果，不具备真实性。协同过滤方法（CF ）是目前最常用且效果最好的推荐 方法，所以本研究也希望使用 CF 方法来实现毕业生就业推荐。然而，CF 技术是 基于用户过去大量的行为或记录来预测用户将来的项目选择，而绝大多数毕业生 是第一次申请工作，他们没有历史就业记录。因此，CF 方法不能直接用于毕业生 就业推荐。此外，用户的个人偏好在项目选择时起着至关重要的作用。同理，学 生对就业单位的个人偏好也会影响学生的就业选择。因此，如何分析与确定学生 对就业单位的偏好也是本研究面临的挑战之一。 为解决这些挑战，本文做了以下几个方面的工作和改进： ①本文使用学生校园数据来评估学生各项指标与能力，该数据更客观、更准 确，因为它记录的是学生在学校生活、学习等真实行为。为发掘学生对就业单位 的个人偏好，本文使用多种统计及可视化方法从多种角度、多种维度分析了学生 就业模式。发现女生选择事业单位、银行等类型的就业单位更多，选择计算机开 发岗的更少，且选择熟悉度高的地区的就业单位的人更多。96% 的学业表现好的学 生会选择继续深造；而学业表现不好的学生几乎全部选择就业，并且往往会选择 在熟悉度高的地方工作。家庭条件好的学生出国留学的比例最大，并且就业单位 所在地的经济发达度和区域熟悉度往往偏高；家庭条件不好的学生就业私有企业 的比例最大，因为这类企业往往薪资较高。 ②本文出了毕业生个性化偏好就业推荐算法（P2CF ）。该算法是一个具有层 次结构的推荐算法，考虑了学生群体和个人的就业选择。主要由两个部分构成： 毕业生群体划分和毕业生就业推荐。毕业生群体划分部分根据学生学业能力和家 I 重庆大学硕士学位论文 庭经济条件使用聚类算法将毕业生划分为不同的学生群体。将一个群体视为一个 有历史记录的用户，于是可以在群体基础上使用 CF 方法，解决了 CF 方法不能直 接用于毕业生就业推荐的问题。毕业生就业推荐部分目的是计算学生对就业单位 的评分，然后根据评分高低为学生推荐就业单位。主要由三个部分构成：群体就 业单位选择、学生对就业单位属性偏好和对就业单位所在地偏好。将学生对就业 单位属性偏好纳入 BPR 算法的求解目标，构造新的优化目标函数，求解融合了就 业单位属性偏好偏置的群体就业单位选择。然后，使用二元高斯分布来拟合学生 对就业单位所在地偏好。最后计算毕业生对就业单位的评分，该评分是毕业生所 属群体对就业单位的评分与学生对就业单位所在地偏好评分之和。 最后，实验结果表明，本文出的毕业生就业推荐算法表现最优，在 K=50 时， HR 达到了 44.37% ，大约是基于内容的推荐方法的 2 倍，比基于邻域的CF 方法高 了约20 个百分点；MRR 达到了 17.14%，大约是基于内容的推荐方法的 7 倍，比 基于邻域的 CF 方法高了约 3 个百分点。相比贝叶斯个性化排序算法（BPR ），引 入毕业生对就业单位属性偏好和就业单位所在地偏好后，对结果升明显，命中 率高了约 2 个百分点。 关键词：教育数据挖掘；学生就业模式分析；学生就业推荐；群体划分；个性化 偏好 II 英文摘要