基于小波网络和霍兰德理论的大学生职业预测模型

郭富强

（陕西广播电视大学 资源建设与现代教育技术中心，陕西 西安 710068）

职业预测是在一定理论指导下，根据拟定的指标体系，对一个人职业生涯的主客观条件进行测定、分析和总结，对其兴趣、爱好和能力进行综合分析与权衡，并结合时代特点和被测者的职业倾向，确定其最佳职业的过程。预测是一门集理论、方法、评价及应用于一体的新兴学科，从其思维和思想体系来看，主要有惯性原理、类推原理和相关原理。职业预测的目的就是减少职业盲目性，为毕业后的择业提供参考依据，让学生早日了解自己，理性把握自己未来发展趋势，提早进行个人职业规划，合理进行职业选择，实现人生价值的最大化。职业预测也是学校研究、指导和咨询大学生就业的重要手段。

预测模型的建立需要解决两个问题，一个是建立预测指标体系，文中将通过对约翰·霍兰德的职业兴趣理论的分析来完成；另一个是确定预测算法。职业预测是一个复杂的非线性系统，难以建立精确的数学模型。传统的预测往往进行了一些假设和简化，降低了预测的有效性；预测方法不下百种，但大多数为单指标预测，多指标预测很少[1]。近年来，人工神经网络被引入职业预测，其中应用较广泛要数BP网络。但单纯的BP算法又存在收敛速度较慢、容易陷入局部极小等缺点[2]。为克服以上不足，文中提出了一种既利用小波变换的时-频局部化特性，又能发挥神经网络的自学习功能的小波神经网络预测模型。该模型既考虑了各种人为因素对职业预测的综合影响，又实现了职业指标的多因素非线性时变预测，克服现存方法在多指标预测中的不足。

1 小波神经网络

1.1 小波神经网络简介

小波变换作为一种时、频域分析方法，具有多分辨率的特点，且在时、频域都具有表征信号局部特征的能力，具有良好的时频分析特性，特别适宜于非平稳信号的处理，是处理非线性、非稳态信号的有力工具。神经网络以其并行分布式处理、联想记忆、自组织及自学习能力和极强的非线性映射能力，特别适合于多因素、因素交叉等复杂模式识别问题，这两项技术的结合，是目前研究的热点。

小波神经网络（Wavelet Neural Networks，WNN），是近几年国际上新兴的一种数学建模分析方法，是小波变换良好的时频局域化性质与传统人工神经网络的自学习能力相结合的产物。目前主要的研究方向是小波与前馈神经网络的结合。由于引入了两个新的参变量，即伸缩因子和平移因子，所以小波神经网络具有比小波分解更多自由度，从而使其具有更灵活有效的函数逼近能力，更强的模式识别能力和容错能力。由于其建模算法不同，克服了BP算法固有的缺陷。

1.2 小波神经网络的结构

根据小波分析理论与神经网络的特点，两者的结合有两种途径[4]:

1）小波变换与常规神经网络的“结合”。是指整个系统由小波变换和神经网络构成，两者直接相联，但却又相对独立。先用小波分析对信号进行预处理，即以小波空间作为模式识别的特征空间，通过小波分析来实现信号的特征提取，然后将提取的特征向量送入神经网络处理，完成分类、函数逼近等功能。

2）小波分解与前馈神经网络的“融合”。是将常规单隐层前馈神经网络的隐节点激活函数采用小波函数，相应的输入层到隐层的权值及隐层阈值分别由小波函数的伸缩与平移参数所代替，如图1所示。本文研究的是学生的职业预测，没有时域和频域的变化，所以选用这种结构。

图1 小波神经网络的结构Fig.1 Structure of wavelet neural network

2 约翰·霍兰德的职业兴趣理论

约翰·霍兰德（John Holland）是美国约翰·霍普金斯大学心理学教授，美国著名的职业指导专家。他于1959年提出了具有广泛社会影响的职业兴趣理论[3]，主要从兴趣的角度出发来探索职业指导的问题，明确提出了职业兴趣的人格观，使人们对职业兴趣的认识有了质的变化。

霍兰德认为，人的内在本质必须在职业生涯的领域中得以充分扩展，一个人能够在适当的生涯舞台上充分的展现自我，实现自我。他认为人的人格类型、兴趣与职业密切相关，兴趣是人们活动的巨大动力，当个体所从事的职业和他的职业兴趣类型匹配时，个体的潜在能力可以得到最彻底的发挥，促使人们积极地、愉快地从事该职业，且职业兴趣与人格之间存在很高的相关性。在霍兰德的理论中，人格被看作是兴趣、价值、需求、技巧、信仰、态度和学习个性的综合体。他将人格划分为现实型、研究型、艺术型、社会型、企业型和常规型6种类型，给出了每种人格类型的共同特征和适合从事的一群典型职业。绝大多数人都可以被归于6种类型中的一种。

然而，大多数人都并非只属于一种人格类型（比如，一个人的性向中很可能是同时包含着社会型、实际型和调研型这3种），6种类型也并非是独立并列的、有着明晰的边界的。霍兰德认为，这些人格类型越相似，相容性越强，则一个人在选择职业时所面临的内在冲突和犹豫就会越少。为了帮助描述这种情况，霍兰德将这六种人格类型分别放在一个正六角形的角上，形象的标示出了6大类型的相互关系。见图2所示。

图2 霍兰德的职业兴趣人格类型关系Fig.2 Hollander’s occupation interest relationship personality types

从图中可以看出，每一种类型与其他类型之间存在不同程度的关系。大体可描述为3类：

1）相邻关系，如 RI、IA、AS、SE、EC、CR。 属于这种关系的两种类型的个体之间共同点较多，比如现实型R、研究型I的人就都不太偏好人际交往，这两种职业环境中也都较少机会与人接触。

2）相隔关系，如 RA、IS、AE、SC、ER 及 CI，属于这种关系的两种类型个体之间共同点较相邻关系少。

3）相对关系，在六边形上处于对角位置的类型之间即为相对关系，如RS、IE及AC即是，相对关系的人格类型共同点很少，因此，一个人同时对处于相对关系的两种职业环境都兴趣很浓的情况较为少见。

运用霍兰德的职业兴趣理论进行职业兴趣测试，个体可以清晰地了解自己的职业兴趣类型和在职业选择中的主观倾向，从而在纷繁的职业机会中找寻到最适合自己的职业，避免职业选择中的盲目行为。尤其是对于大学生和缺乏职业经验的人，霍兰德的职业兴趣理论可以帮助他们做好职业选择和职业设计，成功地进行职业调整，从整体上认识和发展自己的职业能力。目前，职业兴趣测试已在教育、培训、企业管理等领域有了越来越多的应用。

3 基于小波神经网络的职业预测模型设计

3.1 小波神经网络的适用性分析

职业预测是一个复杂的非线性系统，相关的因素很多，涉及许多不确定因素，且各个因素之间的相互关系错综复杂，具有不定性和波动性。这就决定了系统状态的变化并不按照某一特定的规律或函数变化，很难使用确切的数学方式来进行描述。而这些特点与人工神经网络的典型特性——非线性特性相适应。这种特性上的耦合决定了人工神经网络在职业预测中具有可行性和较强的适应性。小波神经网络方法具有很强的非线性动态处理问题的能力，在建模时可以不必事先假设数据必须服从何种分布，数据之间符合什么规律或满足怎样的关系。神经网络方法在处理问题的过程中采用了类似“黑箱”的方法，它是通过不断的学习和记忆而不是通过假设找出输入变量与输出变量之间的关系。在对问题进行求解时，将数据输入已经训练完成的网络，根据网络学到并储存于其中的知识进行演绎和推理，从而得到问题的解决方案[5]。

3.2 确定预测指标体系

根据霍兰德的职业兴趣理论[3]，文中职业预测所选用的测试指标由以下18项组成，如表1所示。

3.3 小波神经网络的设计

文中采用图1为小波神经网络的结构。输入层节点个数等于输入向量的维数。用于职业预测的指标有18个，即网络有18个输入，因此输入层的神经元个数为18，依次对应变量X1～X18。输出层节点个数反映了人格类型数，霍兰德的职业兴趣理论把人格类型分为6种，即现实型、研究型、艺术型、社会型、企业型和常规型，依次对应输出变量Y1～Y6。

表1 职业预测指标体系Tab.1 Occupation prediction index system

网络参数初始化[6]：在（0，1）区间上随机生成小波神经网络需要调整的参数值，包括网络的伸缩因子、平移因子以及网络的各层节点的连接权值，并设定网络学习速率η=0.02，动量因子α=0.935。

4 职业预测模型的测试与分析

4.1 确定网络样本集

网络样本集包括训练样本集和测试样本集两种。训练样本集用于对网络进行训练，测试样本集用于检测网络训练的效果和推广能力。训练样本集不仅应全面涵盖系统所有模式类的数据，还应有一定的代表性，同时还必须保证学习的有效性。测试样本集的选择应满足“交叉检验”的原则。

本模型中，训练样本不是来自实际测试数据，而是按照人格特征与人格类型的对应关系，以及6种人格类型之间的远近关系，设计而来。训练样本如表2所示。

在预测模型中，每个人格类型直接对应的人格特征变量有3个（如表1所示），对应的输出变量有一个，现实型、研究型、艺术型、社会型、企业型和常规型6种人格类型对应的输出变量依次为Y1～Y6。在设计训练样本时考虑以下4个关系：

1）直接关系：若某一人格类型对应的3个人格特征变量的输入均为1，其他输入均为0，则对应职业类型的输出即为1，其余输出为0。表2中序号1到6的样本即为这种情况。如X1、X2、X3为现实型职业类型对应的人格特征输入变量，若均为1时，对应的现实型职业类型的输出Y1的输出即为1。

2）相邻关系：一个人的人格特征往往是多样化的，不只3个方面，但也处在一个相近的范围内。在六边形人格类型关系图中，处于相邻关系的两个人格类型的人格特征有许多相同或相似之处，因此，在相邻人格类型对应的两个职业群中选择职业是适当的。表2中序号7到12的样本即反映了这种关系。如现实型（特征变量为X1、X2、X3）和研究型（特征变量为 X4、X5、X6）即为相邻关系，当 X1～X6均为 1 时，则 Y1、Y2的输出即为1，其余输出为0。

3）相隔关系：处于相隔关系的两个人格类型的人格特征较相邻关系的共同点少。表2中序号13到18的样本即反映了这种关系。当两个处于相隔关系的人格类型对应的人格特征为1时，网络对应的输出较小，以提醒被测者人格特征选择不准。如现实型和艺术型（特征变量为X7、X8、X9）即为相隔关系，当 X1、X2、X3、X7、X8、X9均为 1 时，则 Y1、Y3的输出设为0.3，用以表示处于相隔关系时，网络输出对职业选择的参考价值不大。

4）相对关系：相对关系的人格类型共同点更少，一个共同人同时对处于相对关系的两种职业环境都兴趣很浓的情况较为少见。表2中序号19到21的样本即反映了这种关系。当两个处于相对关系的人格类型对应的人格特征为1时，网络对应的输出几乎为0，以提醒被测者人格特征选择矛盾。如现实型和社会型（特征变量为X10、X11、X12）即为相对关系，当 X1、X2、X3、X10、X11、X12均为 1 时，则 Y1、Y4的输出设为 0。

测试样本由学生填写根据预测指标体系编制的量表得到。学生在确定自己的人格特征时，在每个变量上只需要回答“是”或“不是”，分别用1和0表示。需要向学生说明，确定自己的人格特征时应把握两个原则：1）客观原则，要正确认识自己，不要把自己的希望当成了特征；2）最大特征原则，每个人往往有许多特征，但只有最主要的3到6个特征决定职业选择，应忽略一般特征。表3为部分测试样本及结果，来自陕西某高校06级学生。

表2 网络训练样本Tab.2 Network training samples

4.2 测试结果分析

对预测结果的分析要把握4个方面。1）最大隶属度原则，网络输出值越大，表示隶属度越大，预测结果的参考价值越大。2）人格特征越明显、越集中，隶属度越大，反之，人格特征越分散，隶属度越小。3）充分考虑人格的复杂性，个体本身常是多种人格类型的综合体，单一类型显著突出的情况不多，因此评价个体的人格类型时也时常以其在6大类型中得分居前2、3位的类型组合而成，组合时根据隶属度的高低依次排列字母，构成其人格类型组，如 RC、AIS等。4）预测的结果与被预测者选择的人格特征值的准确度密切相关。输出值越接近1，则预测越可靠。若网络输出结果都远小于1，说明被预测者选择的人格特征值不挡，应修改自己的选择或舍弃次要的特征，重新预测。

编号为 1、2 的学生，Y2的输出分别为 0.6673、0.5339，其他输出很小，隶属度较高，说明这两个学生基本属于单一的研究型人格类型I。

编号为 3的学生，Y1、Y2的输出分别为 0.6123、0.4768，其人格类型为RI，适宜依次在现实型、研究型对应的职业群中选择职业。编号为4的学生，Y1、Y6的输出分别为0.4218、0.6673，其人格类型为CR，适宜依次在常规型、现实型对应的职业群中选择职业。这两个学生的人格类型均具有相邻关系。

编号为 5的学生，Y2、Y4的输出分别为 0.1435、0.2790，其余输出接近零。编号为6的学生类似。两个学生所确认的人格特征对应的人格类型具有相隔关系，参考的人格类型是SI，学生可依次在社会型、研究型对应的职业群中选择职业。但隶属度不高。若在这种环境中工作，个体需要不断妥协以逐渐适应工作环境。学生可考虑重新确定自己的人格特征。

表3 网络测试样本Tab.3 Network test sample

编号为7的学生，Y1、Y2、Y6的输出非常接近，且隶属度不高，说明该学生的特征不明显，可以在现实型、研究型、常规型对应的职业群中选择职业，选择范围比较宽。

编号为8、9的学生，网络的输出均接近零，说明学生所确认的人格特征对应的人格类型具有相对关系，应该重新确定人格特征并预测。如果个体寻找的是相对的职业环境，意味着所进入的是与自我人格特征完全不同的职业环境，则工作起来可能难以适应，或者难以做到工作时觉得很快乐，相反，甚至可能会每天工作得很痛苦。

但职业选择中，个体并非一定要选择与自己人格类型完全对应的职业环境。因为影响职业选择的因素是多方面的，不完全依据人格类型，还要参照社会的职业需求及获得职业的现实可能性等因素。

5 结束语

文中运用约翰·霍兰德的职业兴趣理论和小波神经网络建立了一个职业预测模型，设计了网络结构、预测指标体系和网络训练样本，并通过测试和分析验证了这种模型的有效性。但文中样本数据的设计还不很完善，需要继续研究以进一步提高网络的泛化能力。

[1]万毅.试析影响大学生职业选择的因素及对策研究[J].价值工程，2011（27）：276-277.

WAN Yi.Analysis of the factors affecting the career choice of college students and countermeasures[J].Value Engineering，2011（27）：276-277.

[2]马丽，张舟云，贡俊.基于RBF神经网络和虚拟仪器的车用电测功系统数据处理 [J].吉林大学学报：工学版，2011（S2）：316-320.

MA Li，ZHANG Zhou-yun，GONG Jun.Data disposal of electrical dynamometer system based on RBF neural network and virtual instrument used in vehicle[J].Journal of Jilin University：Engineering and Technology Edition，2011（S2）：316-320.

[3]赵冬芝，施俊琦.霍兰德职业性向理论在人力资源管理中的应用[J].人才资源开发，2006（12）:48-50.

ZHAO Dong-zhi，SHI Jun-qi.Holland vocational aptitude theory in human resource management[J].Development of Human Resources，2006（12）:48-50.

[4]Stratta P，Daneluzzo E，Rinaldi 0，et al.Subjective cognitive valuation in a university student population by cognitive failure questionnaire （CFQ）[J].Schizophrenia Research，2003，60（supplement）:159.

[5]赵洁.基于AHP法的高校学生综合素质评价研究[J].科学技术与工程，2005，5（7）：460-463.

ZHAO Jie.Study on the appraisement on the integrated quality of college students based on AHP [J].Science Technology and Engineer，2005，5（7）：460-463.

[6]孙守亮，江铭炎.小波网络参数初始化研究及应用[J].信息技术，2005（7）：106-109.

SUN Shou-liang，JIANG Ming-yan.Study and application of waveletnetwork parameter initialization[J]. Information Technology，2005（7）：106-109.