维普资讯 http://www.cqvip.com 中国科技信息 ２００８年第１ ４期 ＣＨＩＮＡ ＳＣＩＥＮＣＥ ＡＮＤ ＴＥＯ－Ｕ￣ＬＯＧＹ ＩＮＦＯＲＭＡＴＩＯＮ Ｊｕｉ．２００８ 在高校毕业生就业中的应用 郭佳陈春燕河北金融学院信息管理与工程系ＯＴｌ ０５１ 噪声的、模糊的、随机的数据中，提取 段：数据准备、数据挖掘和结果表达和解 随着高校毕业生人数的增加和管理镭息系统 出隐含在其中的、人们事先不知道的、但 释，一个完整的数据挖掘过程如图ｌ所 的应用，声生并积累了大量的、复杂的毕业 又是潜在有用的信息和知识的过程。数据 不。 生就业信息数据 － 该文章利用这些数据，从 挖掘从数据中提取人们感兴趣的可用信息 １．２．１数据准备阶段 数据挖掘的角度 利用决策树算法对数据进 和知识，并将提取出来的信息和知识表示 这个阶段又可进一步分成４个子步 行分类，找出有助于学生顺利就业的一些规 成概念、规则、规律和模式等便于人们理 骤：数据集成、数据选择、数据预处理、 律，对提高毕业生就业率具有一定的指导意 解与利用的形式。 数据转换。 义 并且，数据挖掘是一个多学科交叉领 数据集成：将多个文件或多数据库运 数据挖掘；决策树；就业 域，它涉及数据库技术、人工智能、机 行环境中的数据进行合并处理，解决语义 器学习、神经网络、统计学、模式识别、 模糊性，处理数据中的遗漏和清洗脏数据 知识库系统、知识获取、信息提取、高 近年来，高校毕业生人数逐年增加， 等Ｉ 。】； 性能计算和数据可视化等学科。根据挖掘 就业压力不断增大，如何做好毕业生的就 数据选择：为知识发现的目标搜集和 任务，可分为分类／预测、数据总结、 选择有关的数据，这包括不同格式数据的 业指导，促进学生更好地就业，引起了社会 聚类、关联规则挖掘、序列模式发现、依 各方面的广泛关注。随着教育信息化进程 转换以及不同部 数据的统一和汇总； 赖关系或依赖模型发现、异常和趋势发现 数据预处理：对数据进行清洗和充实 的推进，将数据挖掘技术应用于高校毕业 等。其挖掘对象有关系数据库、异质数据 等预处理工作； 生就业指导工作，从大量的数据中发现隐 库、遗产数据库、空间数据库、时态数 藏的、有用的知识来指导毕业生少走弯路， 数据转换：数据转换的 个重要工怍 据库、文本数据源、多媒体数据库、面 是对数据进行编码，将数据库中字段、属 实现更快更好的就业，成为一个值得研究 向对象数据库以及Ｗｅｂ、基因库等。其 的课题。 性的不同取值转换成数码形式，以有利于 应用领域包括商业、科学研究、天文学、 搜索。 １数据挖掘技术 保险业、电信业、教育、ＤＮＡ分析等。 １．２．２数据挖掘阶段 １．ｉ数据挖掘的概念 １．２数据挖掘的过程 这个阶段进行实际的挖掘操作，利用 数据挖掘（Ｄａｔａ Ｍｉｎｉｎｇ，简称为ＤＭ） 数据挖掘是一个萃取（ｅｘｔｒａｃｔｉｎｇ）；￣ｌｌ展 各种方法从数据库中发现有用的模式和知 是一种半自动地从大量的、不完全的、有 现（ｐｒｅｓｅｎｔｉｎｇ）新知识的过程，它有三个阶 识。模式是浓缩数据的信息形式，如精烁 数据库、表格、决策数、神经网络的权 值等。 表１训练样本集合 序号 专业成绩 英语成绩 社会任职 单位性质和就业方式 Ｉ 良好以上 ：＞４００ 有 事业—最用 中等 ＞４００ 育 尘ｌ业一录用 ３ 曼好以上 ＞４００ 无 垒业—录用 ４ 基好强上 ＞４００ 有 垒ｌ耍一聘角 ５ 中等盥下 ＜＝４００ 无 碡盐 ６ 良好强土 ＜＝４００ 有 企业—录用 是好以上 ＜＝４００ 盘业一聘用 ８ 中等强下 ＜＝４００ 寿 待韭 ９ 中蒋 ＜＝４００ 南 壹盐—器羁 ｔＯ 皂好醴上 ＞４００ 无 盘业一聘用 ｔｔ 中等醴下 ＜＝４００ 无 骛韭 １： 中等 ＞４００ 无 五三业一录薅 ｌ３ 审等 ＜＝４００ 无 垒韭一骋用 图１ 数据挖掘的一般过程 １４ 中等 ＜＝４００ 无 企业一聘写 １１８ 维普资讯 http://www.cqvip.com ≮ — 。≥ ≥ ｜ 襄萎掘 ：萋喜掘喜 缶萋萋蒌耋，；～ 萎兰： 囊蠢薹 萋攀计 羹 ．一……一～， …） 一 ．ｐ， ｌｏｇ：） 三 薹人誊数羹的近一墓增年加来以，及随高着校高学校生的管扩理招信，息毕系业统的生 ‘ ’ ’一……………… … 一让 一ｖ个子集｛ｓ，ｓ 一，ｓ ，；其中Ｓ 包 一含了集合 联系，从而有助于学校加强对学生就蒜业指 的信 一列 囊 息，善囊 位性 禳 应 ｌ ＞４００育 Ｃ１ ＞４００无 Ｃ２ ２ ＞４００育 Ｃ２ ９ ＜＝４００南 Ｃ２ １２ ＞４００无 Ｃ２ ＞４００有 Ｃ３ ６ ＜＝４００有 ｃ２ １３ ＜＝４００无 Ｃ３ １４ ＜＝４００ ｊＥ Ｃ３ ＜＝４００无 Ｃ３ １０ ＞４００无 Ｃ３ 图２决策树根节点的测试属性 图３经数据分类生成的决策树 ｌｌ９ 维普资讯 http://www.cqvip.com 卑氍毒 慧 年案 ４强 ＣＨＩＮＡ ＳＣＩＦＪｑＣＥ ＡＮＤ 删ＩＮＦＯＩ￣ＭＡＴＩＯＮ Ｊｕ１．２００８ 中的类别标志属性的取值，分为４类（即 ｍ＝４）：Ｃ１、ｃ２、ｃ３、ｃ４，分别代表事 业、 。Ｅ（英浯成绩）＝ ６＊１４５８＋旦．ｌ ５６５＝１ ５１９ ｌｏ２， 一 ｌ０２ 一１：１４ ２—２ ２… ｄ ０．５＋０．５：１ 录用、企业录用、企业一聘用、待 当任职情况为有时：Ｓ ＝１ Ｓｎ ３ Ｓ３１ １ Ｓ４ｌ“。１， ， 训练样本集Ｓ中共有１４个元组，其中 ｃｌ、ｃ２、ｃ３、ｃ４类所对应的子集Ｒ１、Ｒ２、 Ｒ ３、Ｒ ４中的元组个数分别为ｒ １＝１， ｒ２ ５，ｒ３＝５，ｒ４ ３。为了计算每一个决 策属性的信息增益，首先利用公式计算集 合Ｓ的关于分类的期望信息量： Ｅ（英语成绩）＝ － 卜１ ０ Ｉ（ｓ ｓ２ｌ，ｓ３１，ｓ４１） １． １ ３． — 。ｇ ３ １． １ １． １ Ｇａｉｎ（英语成绩）＝１．４５８—１．３３３ ０．１２５ 侄Ｐ １中任职情况为有时，ｓ， －－１ Ｓ ｌ。。ｌ Ｓ３ｌ。。ｌ Ｓ４ｌ。。０， ６ 。ｇ — 。ｇ： — 。ｇ： ＝０．４３０＋０．５＋０．４３０＋０．４３０＝１ ７９ ｌｉｓｌｌ’Ｓ ｌ，Ｓ３１，Ｓ４ｌ户 当任职情况为无时：Ｓ， ＝０ Ｓ －－２ Ｓ ３２。“４ Ｓ４２ ２， ｌ０ 一 ｌ。 ！一 ｌ。 ３ 一３ ３ ３ ３ 一３ ｊ ， ）：ｊ０，５，５，３）＝一 吉一奇ｂ 亩一Ｉ ｏ擘 古一云 ｏｇ 舌 ０．０７１４＂（３．８０５）０．３５７＊（１．４８６）０． ３５７＊（１．４８６）０．２１４＂（２．２２５）１．８０９ 下一步，需要计算每个屙 的熵，即 客户年龄专业成绩、英语成绩、社会任职。 先看专业成绩属Ｊ性，观察专业的每个样本 值的ｃｌ、ｃ２、ｃ３、ｃ４分布，对每个分布分别 计算信息熵： 当专业成绩为良好以上时：Ｓ ＝ｌ Ｓ ２ Ｓ ，＝３ Ｓ ０， ｌｉｓ＿】，Ｓ２ｌ’Ｓ３１，Ｓ４ｌ ）＝ 。ｓ 一 ｌｏｇ ２ 一 ｌｏｇ， 一 ｓ： ０：０ ４３０＋Ｏ．５２８＋Ｏ．５：１．４５８ ６ 当专业成绩为中等时：Ｓ 一０ Ｓ： ＝３ Ｓ３：。。２ ８４２ ０， Ｉ（ｓｌ２，ｓ ，ｓ ｓ４１） 一 ｂ ：；一 ５ 。ｓ ；一； 。ｓ：；一 ｂ ： 【ｌ：０ ４４４＋ｏ ５２８：０．９７２ 当专业成绩为中等以下时：Ｓ， ＝０ ８２３＝０ ８ ３ ３－－０ ８４３－－３， Ｉ（Ｓ１３，５２３，８３３＇８４３）一 ！；＿０ Ｅ（专业成绩）＝ １ ４５８＋三 ０９７２十三 ０：０ ９７２ ．当英语成绩＞４００时：ｓ ｌ ｓ！ 。“３ Ｓ，，一２ Ｓ．．＝０， Ｉ（％，ｓａｌ，Ｓ３１，８４１）－ 。ｇ 一 。ｇ 一 。ｇ： 一 。ｇ： ｉ。＝０・４００＋０ ＋０・５２８＝ ４５８ 当英语成绩＜＝４【）（】时：ｓｌ２＝０ ｓ！ ＝２ Ｓ ＝３￥４２＝３， ～Ｉ（ｓｔ２，Ｓ２２，Ｓ３２＇Ｓ４２）： ， 。 ｏ “ ｇ ｉ一； 。ｇ！ 一１ｏｇ ｉ＝０，．５＋１．０６５： 。 ＝Ｉ（ｓｌ ，ｓ２ ，ｓ ｓ４２）一 ０ ５２８＋０．５２８＋０ ５１８＝１ ５８４ 一 ’ｌｏｇ、三一¨４ｌｏｇ 兰一三ｌｏｇ 三 在Ｐ １中任职情况为无时，ｓ， ０ ！ — ｉ— ！ Ｓ ＝１ Ｓ －－２ Ｓ ，＝０， ＝０ ５＋０ ＋０ ＝１ Ｓ Ｉ（ｓ，，，Ｓ ，，Ｓ ，￥４２）＝ ｌｏ 、１２：Ｅ（任职） 舌 ９ ｏ １．６２４ ０．５２８＋０．３８９：０．９１ ７ ３ 一３ ３ ３ 利用上述属．Ｉ生对当前分支节点进行相 １ １ Ｅ（任职）＝＝： ５８４＋ ＂０．９１ ７－－１ －应样本集合划分所获得的信息增益分别 为： Ｇａｉｎ（任职）一１．４５８ １．２５１＝０．２０７ Ｇａｉｎ（专业成绩）＝， ，＿， ，＿）Ｅ（专业 因为任职属性的信息增益最大，所以 成绩）一１．８０９ ０．９７２ ０．８３７ 以它为该分支的节点，再向下分支，类似处 理Ｐ２，最后得到的决策树如图３所示。 Ｇａｉｎ（英语成绩）＝， ＿，＿）Ｅ（英语 成绩）＝１．８０９—１．５１９ ０．２９ 例如对于一个毕业生来晚，专业课程 Ｇａｉｎ（任职）：＝＝＝ ，ｒ＾，ｒ＾，０）Ｅ（任职）＝１． 成绩优秀，英语成绩突出，还担任过社会 ８０９ １．６２４＝０．１８５ 职务，在就业过程中指导他既可以应聘事 业单位，也可以应聘企业，而且容易被录 由上述结果可知，属性专业成绩具有 用；又如一个毕业生专业成绩中等，英语 最高信息增益，因此成为决策树根节点的 成绩突出，可以指导他主要应聘企业，被 测试属性，如图２所示。 录用的可能性大；再有就是专业成绩只达 在样本中对属性专业成绩的３个取值 到及格，就要指导他转变就业观念，降低 进行分支，３个分支对应３个子集，分别 就业期望值，实现先就业再择业。 为： 数据挖掘作为一种新兴的数据管理和 Ｐ１＝｛１，３，４，６，７，ｌ０Ｉ 分析技术，将其引入高校毕业生就业指导 Ｐ２－＝＝｛２，９，１２，１３，ｌ４ 工作，刘‘提高工作效率，促进毕业生更快更 Ｐ３｛５，８，１１｝ 其中Ｐ３的样本都为Ｃ４类，因此对应 好地就业必将起到一定的现实意义。但毕 业生就业涉及的因素很多，如：当年社会需 分支标记为Ｃ４，Ｐ１和Ｐ２的样本类别不 求、国家政策等， 此，如何考虑这些因素， 定，因此需要对Ｐ１子集和Ｐ２子集分别递 使数据挖掘更好地应用到毕业生就业指导 归调用ＩＤ３算法。 在Ｐｌ中可求出余下的２个詹眭：英语 中是值得继续研究的问题。 成绩和任职情况的信息增益。 ， １’『 ，－）＝一ｌｏｇ ２ 一 ｌ。ｇ — ｌ。ｇ！ 在Ｐｌ中英语成绩＞４００时，ｓ ：ｌ ｓ ＝ｔ ｓ孔二：２ ｓ ＝０， 毫 § 蠹０１０ｌ蠢｜０ ０ｔ｜－ ０ ＿ 。 ｜ ［１】杨会志．韵墙挖掘技术的主要方法及其 ｌ ｊ ｌ ｌ ２． ２ 发展方向．河北科技大学学４￣２ｏｏｏ 一 ［２］张阐军．基于数据挖掘的ｅＲＭ系统关键 ０－５十Ｏ・５＋０ ５ １・５ 技术研完及其应用．硕士论文￣２００５ 在Ｐ１中英语成绩＜＝４００时，Ｓ１ ２＝０ ［５】姜永波，孙向前．基于数据挖掘的客户 ８２２ １ Ｓ ３２ １ ８４２ ０关系管理．经济管理论坛．２ｏｏ５（９） ， Ｉ（ｓ１ ，ｓ， ，ｓ ，ｓ∞）一 醐蛹≯≯ ０００ ００◇ 郭佳大学本科助教研究方向：信息管理。 １２０