基于深度学习网络的大学生就业去向跟踪模型

李春燕

（东北石油大学，黑龙江大庆 163318）

伴随高等教育改革的逐渐深入，毕业生的就业竞争逐渐增大，高校大学生的就业形势愈发严峻。大学生就业问题为中国教育领域中的重中之重，此问题对高等教育的延续、社会经济发展与人才培养均存在不可忽视的作用[1]。为了全面优化大学生就业水平与就业质量，必须全面分析大学生就业状况。大学生就业去向跟踪能够全方位掌握大学生就业趋向，分析大学生对自身的就业观[2]。以往分析大学生就业状况时，各大高校均以就业率来评价，但有研究结果显示，就业率仅可以体现毕业生在毕业之际的就业状况。高校毕业生在刚刚踏入工作岗位后，就业状态将存在一定变动性，所以就业率并不能科学、合理地体现大学生就业状况[3]。就业去向跟踪，能够在指定时间段内，持续跟踪学生就业状况，分析学生就业质量[4]。为此，该文构建基于深度学习网络的大学生就业去向跟踪模型，对大学生就业状况分析存在现实意义。

1 大学生就业去向跟踪模型的具体设计

1.1 基于粗糙集与BP神经网络的就业数据分类方法

因为各大高校毕业生人群中存在尚未工作的学生，所以使用基于粗糙集与BP 神经网络的就业数据分类方法，筛选大学生就业数据，获取已就业大学生的就业数据。

1.1.1 分类模型的构建

1）就业数据预处理。将大学生就业原始数据集分为条件属性集合与目标属性集合，把每个就业数据属性实施泛化，泛化是为了将大学生就业原始数据集中就业数据连续属性的取值区间分成很多小区间，各个区间存在一种离散符号[5-6]。以此能够获取一种决策系统，合并决策系统里不存在差异的就业数据，获取用来支持分类模型的决策系统(V,DVE)。

2）把粗糙集理论使用在就业数据特征选取问题中，在原始就业数据里获取最能体现分类属性的特征[7]。详细方法是：

输入：就业数据特征选择的条件属性集D、就业数据特征选择的决策属性集E、就业数据特征选择的决策信息系统(V,DVE)，V表示论域。

输出：获取判断矩阵N、约简集RRED(D,E)。

第一步：假定决策系统里就业数据属性的数目是m，则RRED(D,E)=ϕ，ϕ表示大学生就业训练数据集，m=|V|。

第二步：建立m×m的空属性矩阵N。

第三步：构建判断矩阵N。

第四步：输出判断矩阵N、约简集RRED(D,E)。

3）构建模型节点。围绕约简集RRED(D,E)构建模型的初始节点，把就业数据属性不存在差异的节点放在模型的同一层间，之后分别在各个节点里去除一种属性，获取后续节点。

4）分类模型。将各个节点使用BP 神经网络模型实施训练，训练时，将第p层第j个节点设成获取的分类模型是：

其中，bn表示就业数据属性。

1.1.2 就业数据分类实现

将训练数据集构建分类模型后，使用该模型对大学生就业数据实现分类[8-9]。分类流程如下：

1）将需要分类的就业数据集条件属性和分层分类模型里的节点相匹配[10-11]。详情见图1。

图1 分类节点衍生详情

自左到右检索获取首个匹配节点。

2）使用此节点中已经训练完毕的BP 神经网络模型对就业数据集实施分类，筛选就业原始数据集中已就业与未就业的数据分类结果[12-13]。

1.2 基于马尔科夫过程的大学生就业移动预测模型

获取大学生就业原始数据集中已就业的就业数据后，通过基于马尔科夫过程的大学生就业移动预测模型，完成大学生就业去向跟踪[14]。

1.2.1 转移矩阵

假定{Ym} 描述马尔科夫链，大学生就业状态空间设成描述大学生就业状况第一次的概率分布。m描述转移次数构成矩阵形式可能表示为：

1.2.2 稳态概率分布

大学生在就业岗位里并不存在固定性，将就业状态设成V。针对随机V而言，具有正整数n，若qMM()1 ≥0，则马尔科夫链存在平稳分布状态向量α：

其属于方程组（4）的唯一正解：

若处于平稳分布状况的链是Y，稳态的就业质量等级(就业状态优劣)期望值FY与方差EY依次是：

式中，j表示就业等级（就业岗位等级）。

分析稳态过程里的就业岗位属性，能够获取大学生的就业结构、就业程度以及就业差异[15-16]。

1.2.3 转移步数跟踪

当就业去向转移矩阵Q已经获取后，m步转移概率矩阵是：

在第一次就业便存在m步转移，第m步时就业状态概率分布是：

设定置信度是β，则就业各个阶段的期望值是：

就业各个阶段的期望值与平稳分布α=(α1,α2,…,αj)的期望值之比是：

其中，m描述大学生第一次就业实现稳态时的转移步数最小值。

1.2.4 就业岗位级别跟踪

若大学生就业目标是一级就业(一级就业即为优秀岗位)，将大学生在第一次就业中实现就业目标的期望时间设成k(M)，那么时间模型是：

在前后两次就业跟踪中，就业目标降级出现的状况很少，就业等级变小的比例能够看成0。若i＞j，就业岗位转移矩阵是：

第一次就业的大学生实现就业目标的期望时间模型是：

2 实验分析

使用该文模型对北京市“对外经济贸易大学”2017 届某本科生在2018-2019 年就业去向实施跟踪。该学生学习的专业为经济与金融，该文模型对其就业去向跟踪结果见表1。

随机在表1 中提取几个月份的就业去向跟踪结果和实际就业状况实施校对，测试上述分析结果的真实性，结果见表2。根据表2 显示，该文模型对北京市“对外经济贸易大学”2017 届某本科生2018-2019 年的就业去向跟踪结果有效，与实际就业状况完全匹配。

表1 就业去向跟踪结果

表2 跟踪结果真实性

为了测试该文模型的应用性能，对不同专业的大学生就业去向实施跟踪，跟踪对象在校学习专业依次是经济与金融、物流管理、工商管理、海关管理、电子商务、行政管理、国际政治。分析该文模型、支持向量机模型对7 种专业大学生2018-2019 年的就业去向跟踪结果的召回率，结果见图2。分析图2 召回率的测试结果可知，两种模型对7 种专业大学生2018-2019 年就业去向的跟踪结果存在差异，该文模型跟踪结果的召回率大于支持向量机模型。由此可见，该文模型的跟踪性能最佳。

图2 两种模型召回率对比结果

测试两种模型在跟踪该校7 种专业大学生2 年内就业去向时，对大学生就业去向的时间、岗位数据的漏查率与误查率进行了对比，结果见图3、图4。分析图3、图4可知，该文模型对大学生就业去向的时间、岗位数据的漏查率与误查率较低，在差异专业的大学生就业数据中，该文模型对就业去向的时间、岗位数据漏查率与误查率均低于2%，而支持向量机模型对大学生就业去向的时间、岗位数据的漏查率与误查率始终高于2%，则该文模型更适用于大学生就业去向跟踪问题。

图3 两种模型漏查率对比结果

图4 两种模型误查率对比结果

3 结束语

大学生就业状况跟踪，对各大高校办学质量存在十分重要的影响。实时跟踪大学生就业状况，分析毕业生在工作岗位遇到的问题后，可在高校教育内容中进行拓展，对应届大学生的就业能力培养存在一定意义。该文构建的大学生就业去向跟踪模型，运用了深度学习理论对数据分类、趋势预测的优势，能够实现大学生就业去向高精度跟踪。经测试，该文模型的跟踪结果的召回率优于支持向量机模型，且漏查率与误查率较低，跟踪性能佳。