基于畫像技術的大學生就業資源個性化推薦系統

賀冰心

（湖南環境生物職業技術學院，湖南 衡陽 421005）

隨著社會不斷發展和就業競爭加劇，大學生就業問題日益凸顯[1]。大學生們面臨龐大的就業市場和復雜的職業選擇，往往很難準確把握個人的職業發展方向，從而導致就業匹配度和就業成功率較低[2]。針對該問題，該文設計了基于畫像技術的大學生就業資源個性化推薦系統。畫像技術作為一種綜合利用個人特征和行為數據的分析方法，有助于深入了解用戶的需求、興趣、技能和價值觀等個人特征，從而提供個性化的推薦服務。在大學生就業領域，利用畫像技術進行個性化推薦可以為大學生提供精準的就業資源推薦，幫助他們更好地適應職場需求，提高就業競爭力[3]。該文旨在設計一種基于畫像技術的大學生就業資源個性化推薦系統，以解決大學生就業過程中的問題。該系統將利用大學生的個人畫像信息，包括學歷、專業、技能以及興趣愛好等，通過數據分析和機器學習算法建立個人畫像模型。然后，基于該模型，系統將有針對性地為每個大學生提供就業資源，幫助其找到與個人特征匹配的職位機會。該系統可以為大學生就業資源的個性化推薦提供一種有效的解決方案，有助于大學生更好地應對就業挑戰，提高就業成功率。

1 基于畫像技術的大學生就業資源個性化推薦系統

基于畫像技術的大學生就業資源個性化推薦系統的總框架設計可以劃分為數據層、服務層和應用層，具體如圖1所示。

圖1 系統總框架

數據層主要負責采集、存儲和管理數據，收集大學生的個人信息、求職意向、期望以及就業資源等相關信息，例如公司招聘信息、崗位需求等。將采集的數據存儲到數據庫或數據倉庫中，確保數據的安全性和可用性。對數據進行清洗、預處理和標注，以便進行建模和分析。

服務層是系統的核心組成部分，主要負責數據處理、建模和推薦服務，基于收集的大學生個人信息構建個人畫像模型，例如使用機器學習或深度學習技術對個人畫像進行表示和建模。從收集的就業資源中提取相關特征，例如公司規模、行業類型以及職位描述等，可以使用自然語言處理技術進行文本分析和特征提取。基于大學生個人畫像和就業資源特征構建推薦模型，可以使用協同過濾、內容過濾以及深度學習等推薦算法實現個性化的推薦服務[4]。使用歷史數據進行模型訓練，并通過評估和優化模型來提高推薦效果和準確性。

應用層是用戶與系統進行交互的接口，可以提供用戶友好的界面和功能，用戶可以填寫個人信息、修改和管理個人信息、求職意向以及期望。用戶還可以瀏覽系統收集的就業資源信息，例如公司招聘信息、崗位需求等。根據用戶的個人畫像和就業資源特征，系統推薦符合用戶需求的就業資源，包括推薦列表、推薦排序等[5]。用戶可以對推薦結果進行反饋和評價，系統可以利用用戶反饋數據對推薦模型進行優化。

2 模塊設計

2.1 數據層

數據層是基于畫像技術的大學生就業資源個性化推薦系統的基礎層，負責采集、存儲和管理數據。數據采集通過線上問卷調查的方式收集大學生的個人信息，例如年齡、性別、專業以及學歷等基本信息；收集大學生的求職意向和期望，例如行業、職位以及薪資等；收集就業資源的相關信息，例如公司招聘信息、崗位需求以及薪資水平等。

將采集的數據存儲到數據庫或數據倉庫中，保障數據安全。采用 MySQL 關系型數據庫存儲數據，根據需求選擇合適的數據存儲方案。在數據管理過程中，需要先對采集的數據進行清洗，處理缺失值、異常值等問題，使用均值、中位數以及眾數等統計量填充缺失值，刪除包括缺失值的數據行或數據列，保證數據的質量和一致性。對數據進行預處理，包括特征縮放、標準化以及離散化等操作，以提高后續分析和建模的效果。將特征值線性映射到指定范圍進行特征縮放，最小-最大縮放公式如公式（1）所示。

式中：x為原始特征值；min為特征值的最小值；max為特征值的最大值；xscaled為縮放后的特征值。

對特征值進行標準化處理，如公式（2）所示。

式中：mean為特征值的平均值（均值）；std為特征值的標準差；xstand為經過標準化處理后的特征值。

在完成一系列預處理后，對數據進行標注，給數據添加標簽或類別，方便后續的推薦和分類分析。

2.2 服務層

服務層是基于畫像技術的大學生就業資源個性化推薦系統的核心部分，負責數據處理、建模和推薦服務，個人畫像建模流程如圖2所示。

圖2 個人畫像建模

由圖2可知，對采集的個人信息進行處理，例如特征縮放、標準化以及編碼等，根據個人信息提取有代表性的特征，例如年齡、性別以及專業相關性等，將個人信息轉化為可供模型使用的特征向量或特征矩陣，使用機器學習或深度學習技術，將個人信息映射到1個表示個人畫像的模型中。均方誤差（Mean Squared Error，MSE）計算預測值與實際值間的平方差的平均值，如公式（3）所示。

式中：n為樣本數量；ypred，i為第i個樣本的預測值；yactual，i為第i個樣本的實際值。

服務層可以對收集的就業資源信息進行處理，從而提取就業資源特征，例如文本清洗、分詞以及去除停用詞等。使用詞袋模型、TF-IDF以及詞嵌入自然語言處理技術將就業資源文本轉化為數值特征。根據就業資源的其他屬性，例如公司規模、行業類型等，提取相關特征，將就業資源的特征轉化為可供模型使用的特征向量或特征矩陣。構建推薦模型需要將個人畫像特征和就業資源特征組合成訓練樣本或特征矩陣。根據具體需求和數據特點，使用歷史數據進行模型訓練，通過優化算法、損失函數等使模型可以學習個性化推薦規則。使用評估指標（例如準確率、召回率以及F1值（F1值是綜合評估分類模型性能的指標,它結合了精確率(Precision)和召回率(Recall)）等）對模型進行評估，并根據評估結果進行模型優化。準確率Accuracy如公式（4）所示。

式中：TP為真正例（True Positive）的數量；TN為真負例（True Negative）的數量；FP為假正例（Positive）的數量；FN為假負例（Negative）的數量。

召回率Recall如公式（5）所示。

召回率可以衡量模型對正例樣本的查全率，即模型能夠正確識別多少實際正例樣本，召回率較高表示模型能夠較好地捕捉正例樣本，減少漏識別的情況。F1值（F1-score）綜合考慮了模型的精確率（Precision）和召回率（Recall），是精確率和召回率的調和平均，F1如公式（6）所示。

式中：Precision為精確率。

綜合使用準確率、召回率和F1值可以更全面地評估模型的性能，并根據評估結果進行模型優化、參數調整或特征工程等操作，以提高模型的性能和適應實際應用需求。

2.3 應用層

應用層是基于個性化推薦系統的最上層，它負責根據數據層和服務層提供的結果為用戶提供個性化的就業資源推薦和相應的應用功能，具體流程如圖3所示。

圖3 應用層工作流程

應用層通過與用戶交互、用戶注冊、問卷調查以及用戶行為分析等方式獲取用戶的個人信息、興趣偏好以及職業意向等需求信息。基于用戶需求和服務層提供的推薦結果，應用層使用推薦算法將最相關和合適的就業資源推薦給用戶，通過計算用戶間的相似度找到相似興趣的用戶，用戶間的相似度計算如公式（7）所示。

式中：rui為用戶u對項目i的評分；I為項目集合；rvi為用戶v對項目i的評分。

應用層可以以列表形式、卡片形式或其他方式將個性化推薦的結果呈現給用戶。用戶通過界面交互與推薦結果進行互動，標記喜歡或不喜歡的資源，提供反饋和評價等。應用層收集用戶的反饋信息，包括用戶的評分、點擊行為以及評論等，從而改進推薦算法、優化模型和提高個性化推薦效果。

3 系統測試試驗

3.1 試驗準備

為了測試基于畫像技術的大學生就業資源個性化推薦系統是否運行流暢，試驗使用1臺配置高性能的Dell XPS 15計算機，該計算機配備Intel Corei7或更高級別的處理器、16GB或更大容量的內存以及大容量的固態硬盤（SSD）。存儲設備選擇高容量且可靠的西部數據（Western Digital）My Passport外置移動硬盤，容量為2 TB或更大。GPU加速器選擇NVIDIA GeForce RTX 3070，這些顯卡具有強大的計算能力和高速的顯存，可以滿足深度學習在系統中的運作需求。上述設備將為試驗提供足夠的計算資源和存儲空間，以確保系統的高效性能和穩定運行。試驗選擇包括100個大學生個人信息、1 000個職位需求信息和10 000個求職歷史記錄的真實數據集作為測試數據。從數據集中隨機選擇200個大學生用戶進行測試，確保樣本的多樣性和代表性，將200個用戶分為4個試驗組，一組50個人，以平均數據作為試驗結果。

3.2 試驗結果

3.2.1 響應時間

在系統性能測試中，響應時間為系統處理用戶請求的平均時間（單位為ms），該系統的響應時間測試數據見表1。

表1 測試響應時間

通過對比不同試驗組的數據可以評估系統在不同條件下的響應速度，平均響應時間、最長響應時間較短意味系統能夠快速處理用戶請求，為用戶提供及時響應。基于畫像技術的大學生就業資源個性化推薦系統在不同試驗組下具有較短的響應時間，因此可以快速處理用戶請求。

3.2.2 推薦準確度

系統根據用戶畫像推薦的就業資源與用戶實際需求的匹配程度，使用準確率、召回率和F1值進行推薦準確度評估，具體數據見表2。

表2 推薦準確度

由表2可知，不同試驗組的準確率為0.80～0.87，準確率較高表示系統能夠準確地推薦與用戶畫像匹配的就業資源，用戶找到滿意職位的概率更高。召回率為0.75～0.81，召回率較高表示系統能夠涵蓋更多與用戶畫像匹配的就業資源，可以提高用戶獲取多樣化就業機會的可能性。不同試驗組的F1值在0.80左右，F1值較高表示系統能夠在準確率和召回率間取得平衡，同時兼顧推薦準確度和覆蓋率，F1值提高意味系統能夠在個性化推薦中實現更好的平衡效果，提供更全面、更準確的推薦結果。因此，系統在不同試驗組下均展現了較高的推薦準確度，能夠準確地根據用戶的畫像進行個性化的就業資源推薦。

4 結語

通過分析和挖掘大學生的個人畫像信息，該系統能夠為其提供精準、個性化的就業資源推薦。系統通過數據層、服務層和應用層的架構，結合特征工程、推薦算法和深度學習技術，實現了對大學生進行畫像分析和就業推薦的功能。經過試驗驗證，該系統性能較高，大學生可以通過該系統更高效地獲取符合自身需求的就業資源，提高就業匹配度和就業成功率。未來，將進一步提高系統的算法模型和數據挖掘能力，提高系統的推薦精度和效果，考慮引入用戶反饋機制，進一步優化個性化推薦過程，提供更準確、更貼近用戶需求的推薦結果。