大数据时代下高校毕业生就业网络“精准化”服务模式研究

拜亚萌　张燕玲

【摘 要】对国内外大学生就业网络信息服务进行研究，分析高校毕业生就业网络信息服务中存在的问题。结合大学生就业网络信息服务的实际需求，采用大数据分析技术、数据挖掘技术，优化大数据分析模型及相应推荐算法，设计毕业生就业网络信息服务模型，构建大数据时代下的就业网络服务模式。通过收集、获取多维度的海量就业数据，并分析求职者的求职行为，预测出求职者的求职意向，并推荐符合其个性化需求的就业信息，从而达到“精准化”的就业服务。

【关键词】就业服务模式；用户行为；个性化推荐

中图分类号： G647.38；G252 文献标识码： A 文章编号： 2095-2457（2018）31-0006-002

DOI：10.19694/j.cnki.issn2095-2457.2018.31.003

0 引言

“就业难”和“招工难”并存的现象，充分反映了高校毕业生就业结构不合理，有效需求分析不足等问题。现有的就业网站服务的服务内容、就业资源组织形式及匹配策略等也没有专门针对高校毕业生需求建设，使得高校毕业生在利用就业网站求职时的个性化服务需求很难得到满足。

另外现有的就业网络信息服务模式大都形式单一，仍停留在“人找工作”传统模式，没有根据求职者的简历或偏好给出有精确性的信息匹配，个性化推荐程度不高[1]。虽然大多数就业服务网站提供了职位推荐功能，但大部分推荐系统智能化水平不高，仅根据求职者所填写的求职意向等基本信息进行职位推荐，并没有针对用户求职者的网络浏览行为进行深度分析，不能准确掌握求职者的求职偏好，无法对求职者提供“精准化”推荐服务[2-3]。与此同时，由于人才库信息量巨大，人才信息特点各异，用人单位对人才的需求各不相同，在海量的信息下，信息匹配精准不准确，“工作匹配人”的服务模式不够成熟 。由此可见，精准化推荐成为就业网络信息服务模式的发展趋势之一。

1 就业网络信息服务模式构建思路

在网络就业招聘领域，求职用户和招聘需求是具有供需关系的对立主体，也是就业信息服务的主要研究对象，每一类用户都拥有各自的属性资源。其中，求职用户除了拥有自己的客观属性之外，也有对未来就业的主观兴趣要求，与此同时，企业用户所发布的实际岗位需求，也可以划分为岗位客观需求和对应聘者的主观要求 。求职用户和企业用户的客观属性和主观需求有很多对应的关系，如图1所示。

由图1可知，不同的主体用户的主客观信息都有着一一对应的关系，求职用户对职位的需求跟公司的招聘需求是一个对等的关系，可以用同一个统一的属性集合来表示，通过匹配二者的属性来决定是否给用户做推荐。本文正是基于此思路，提出并设计基于大数据分析的就业网络信息服务模式。

2 就业网络信息服务模式构建方案

就业网络信息服务模式构建方案，从服务对象、服务平台、服务内容、服务策略以及相互关系进行描述，重点阐述了就业网络信息服务平台以及“精准化”就业服务推荐模型的设计过程。

2.1 就业网络信息服务平台总体设计

就业网络信息服务平台的总体模型采用多层次结构为设计思想，自顶而下划分为三个层次：信息服务平台层、信息服务策略层、信息数据库层。各个层次分工明确、相辅相成，共同组成了面向不同用户维度的高校毕业生就业信息服务体系，同时，使得该信息服务平台具有低耦合、可扩展等技术特性，该服务平台总体架构如图2所示。

（1）服务平台层

以就业信息服务网站的方式，向求职者和用人单位等相关主体用户提供访问通道，主要向用户提供各种就业信息服务，包括个人简历管理、个人信息管理、个性化搜索管理、职业规划管理等多个核心模块和基本的服务功能。

（2）服务策略层

该层负责对上层所提出的各种业务需求提供智能化、个性化的就业信息服务和服务策略，为求职用户提供精准化的职位匹配结果，为用人单位提供就业趋势分析。

（3）数据仓库层

底层为数据仓库系统，主要为上层的各种就业网络应用提供基础的数据支撑。包括海量异构数据仓库、就业网络信息服务核心数据库以及数据ETL引擎三部分组成，效解决了异构数据库之间的数据共享度低和集成度低等问题。

2.2 精准化就业服务推荐模型设计

精准化就业服务推荐模型是整个就业信息服务模式的核心，通过对求职者的行为数据进行分析，利用精准化推荐引擎，为求职者的真实求职意图进行预测和推荐，从而提高就业服务的智能化水平。其中，精准化推荐流程如图3所示，推荐模型工作步骤设计如下：

（1）采集信息：获取求职用户基本信息、用户行为数据以及招聘需求的基本信息；

（2）创建模型：对求职用户和招聘企业分别创建简历类资源模型和职位类资源模型；

（3）抽取集合：抽取由主观兴趣和客观特征组成的属性集合，进而生成各自属性向量集；

（4）数据处理：利用用户协同过滤推荐算法，对用户——就业信息数据向量进行匹配计算；

（5）结果推荐：根据匹配结果，对权重推荐度进行排序，取相似度靠前的推荐结果推荐给用户。

推荐算法是推荐引擎的核心部件，本文采用协同过滤推荐算法作为推荐算法，相比基于内容和基于规则的推荐算法，协同过滤推荐算法具有数据依赖度较低、模型构建简单、数据采集便捷等特点。该算法对用户隐式数据的挖掘具有明显的优势，能够提高推荐系统的结果多样性。算法思想：以收集用户行为数据为基础，找出与目标求职者相似的其他用户，利用相似求职者的求职行为，对目标求职者的行为进行预测，并将相似结果推荐给求职者。由此可对基于用户的协同过滤推荐算法进行如下描述：

算法输入：对不同职位进行兴趣度评分，构建评分矩阵向量

算法输出：产生职位推荐结果

算法流程：

（1）利用相似度计算公式，计算两个评分向量之间的夹角与余弦值，即相似度值S；

（2）若S越大，則表示两个求职者的兴趣度一致，否则表示两个求职者的兴趣度有差别；

（3）设置相似度阈值F，对相似度计算结果进行过滤，将低于该阈值的用户信息舍弃，保留高于该阈值的用户信息；

（4）设置邻居数值K，对筛选后的用户进行排序，选取前K个作为用户的邻居；

（5）提取前K个邻居的兴趣信息，并将该结果作为推荐结果，作为数据输出；

3 结束语

本文围绕高校毕业生就业信息服务模式进行研究，优化构建一种基于大数据分析的就业信息服务模式，对网络求职者的操作行为进行收集和分析，建立用户行为模型和职位需求模型，并通过模型计算和属性匹配，预测求职者的真实的求职意图。该服务模型的创建，可以弥补当前就业信息服务的不足，进而为就业信息实现更为精准化、个性化的就业推荐服务。

【参考文献】

[1]刘彤.大学生求职信息搜集行为与就业信息服务供给优化[J].经济研究导刊，2018（20）：77-79.

[2]赵明.浅谈大学生就业信息服务体系的构建[J].现代职业教育，2018（12）：43-45.

[3]贾小涵，周思彤，叶俊豪，等.高校就业信息服务实施策略研究[J].山西青年，2018（13）：110-112.