高校毕业生就业推荐系统

近年来，高校毕业生就业问题已经成为了社会关注的热点问题，而当前传统的就业管理模式已无法满足就业管理工作的需要，并不具备信息推荐功能。本系统采用了基于经验公式和基于SimRank算法两种办法来获得两名学生之间的相似度；然后，根据学生之间的相似度，使用K-Means算法对学生进行聚类分析，并通过进一步分析得到应届毕业生与企业间的相似度；最后，将学生与企业的相似度同基于PageRank算法获得的各个企业的“求职指数”结合获得企业的推荐排序权值。 因此提出了对高校毕业生就业推荐系统的设计与实现这一课题进行研究开发，特撰写此文。高校毕业生就业推荐系统的设计与实现则通过推荐方法与聚类算法可使毕业生根据自己的个体情况，得到一份科学、可靠的就业推荐，并以此作为择业依据。

 

 

系统总体设计

高校毕业生就业推荐系统其实可以认为是一种个性化推荐系统，简单来说，就是我们根据一些特定的算法，以学生和企业的各项特征为基础，通过计算得到某一权值，并以这个权值作为依据为学生推荐合适企业的过程。其主要流程如下:

(1)根据己有资料构建学生数据库和企业数据库，其中学生数据库又分为往届和

应届两个数据库

(2)根据往届和应届学生数据库中的数据获得应届学生和往届学生签约企业之间

的关系(相似度)

(3)获得企业数据库中各企业之间的关系(每家企业在企业数据库中的地位);

(4)将(2)和(3)的结果相结合，得到最终排序的权值

(5)对应届学生库中的每个学生，按(4)得到的权值将企业库中的企业排序后显

示给他(也可以按照指定要求显示排序靠前的企业)

 

3.3系统的主要功能

3.3.1企业信息抽取模块

本模块的主要设计目的是将我校就业网站上发布的企业招聘信息和收到的企业招

聘邮件进行内容抽取和规范化处理，并将诸如“行业领域”、“需求专业”、“地里位

置”、“需求学历”等信息存入“企业数据库”中。

3.3.2学生间相似度模块

本模块的主要设计思路是针对“学生数据库”(包括应届和往届)中的任意两名学生，计算内他们之间的相似度。在“高校毕业生就业推荐系统”的开发过程中，我们先后采用了经验公式和simRank算法两种不同的相似度计算方法，并根据推荐结果的对比，最终确定选择SimRank算法作为本模块的最终方法。

 

3.3.3学生聚类分析模块

根据系统之前获得的往届学生之间的相似度关系，采用聚类分析的思想K-Means算法(相关技术里详细介绍)将往届学生进行“分类”。

 

3.3.4学生与企业间相似度模块

 前面我们己经实现了对往届毕业生进行分类，在本模块中，我们需要得到的是学生与企业之间的相似度关系。本模块的设计主要包含两个部分:

(l)根据前面得到的“应届学生”与“往届学生”间相似度，比较“应届学生数据库”中某个学生(学生P)与往届学生聚类分析后所得的每个类中心学生的相似度，找到与其最接近(相似度最大)的类(类C)。

(2)因每名往届学生均签约了企业，我们可以根据应届学生P与类C中所有往届学生之间的相似度经过特殊的处理进一步获得P与这些往届学生所签约企业间的相似度。

 

3.3.5企业“求职指数模块“

我们将企业视为一个节点，将企业之间的联系视为不同节点间的边，将企业之间的相似度视为该边的权值，那么我们可以利用企业数据库中的企业构造企业间的关系图，我们可以发现这个关系图与网页之间的链接关系图十分相似。在这个企业关系图上，运用PageRank算法计算出每个节点的“热度”，本文中我们将“热度”定义为企业的“求职指数”PR。

3.3.6排序权值

本模块主要设计目的是根据前面获得的某位应届学生与企业之间的相似度和企业的“求职指数”PR，通过特定公式计算得到权值砰，并依据砰将企业进行排序后反馈给该生。对于最终权值砰的计算公式。