一种毕业生去向信息管理及推荐系统的制作方法

本发明涉及数据分析挖掘技术领域，特别是涉及一种毕业生去向信息管理及推荐系统。

背景技术：

绝大部分学校都有自己的毕业生就业管理系统来提高本校学生的学生就业率。但是学校的官方就业网站不过是提供了一些公司的招聘信息以及发布一些信息的功能，针对不同类型、不同情况的学生的信息推荐功能尚不具备。并且这些系统仅仅是对选择就业的学生提供了企业招聘的信息，但对于选择升学、出国留学以及选择自主创业的同学没有参考价值，学生选择的方向太过狭窄，其不能促进个性、多化就业。而且目前很多学校的就业系统开发时间相对而言比较早，只可以完成简单、常规的业务需求，不具有灵活性和扩展性。

技术实现要素：

本发明所要解决的技术问题是提供一种毕业生去向信息管理及推荐系统，能够为应届生推荐准确、适合自己的毕业去向，以供其参考。

本发明解决其技术问题所采用的技术方案是：提供一种毕业生去向信息管理及推荐系统，包括：往届毕业生数据库，用于存储往届毕业生的毕业去向，以及每位毕业生的信息特征；分类展示模块，用于根据存储在毕业生数据库往届毕业生的毕业去向进行分类；k-means聚类模块，用于把与用户相似度高的往届毕业生的数据展示给用户；knn分类模块，使用knn分类算法为用户推荐相适合的毕业去向；贝叶斯分类器，根据用户的个人数据进行分析运算，通过数理统计的角度把用户划分到相应的毕业去向的分类中。

所述毕业生的信息特征包括专业成绩、绩点、获奖情况和性别。

所述分类展示模块将往届毕业生的毕业去向分为就业、录研、出国深造、创业和考公务员。

所述k-means聚类模块先依据simrank算法计算得到往届毕业生数据库往届毕业生间的相似度，接着根据所得相似度通过k-means算法对数据库中往届毕业生数据进行聚类，并划分成k个群簇，最后通过simrank算法计算出与用户相似度最高的群簇，并把群簇中的毕业生信息推荐给用户。

所述knn分类模块是采用knn分类算法找出与用户最为相似的k个节点，找出的k个节点中的毕业去向大多数属于某一个类别。

所述贝叶斯分类器是根据往届毕业生数据库中的数据通过贝叶斯分类算法制作数据统计模型，依据用户的个人数据利用数据统计模型进行分类预测用户的毕业去向并把预测结果推荐给用户。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明依据往届毕业生的毕业去向状况，其相比于现有的管理系统更有实际参考价值，并且毕业去向不仅仅是就业，对于升学、出国、创业的同学也有参考价值，有利于实现个性化就业。另外，本发明添加了信息推荐功能，利用数据挖掘的相关算法能够根据用户的个人情况把有价值的信息准确、高效的推荐给用户。

附图说明

图1是本发明的模块框架示意图；

图2是本发明中的用户操作工作流程图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种毕业生去向信息管理及推荐系统，如图1所示，包括：往届毕业生数据库，用于存储往届毕业生的毕业去向，以及每位毕业生的信息特征；分类展示模块，用于根据存储在毕业生数据库往届毕业生的毕业去向进行分类；k-means聚类模块，用于把与用户相似度高的往届毕业生的数据展示给用户；knn分类模块，使用knn分类算法为用户推荐相适合的毕业去向；贝叶斯分类器，根据用户的个人数据进行分析运算，通过数理统计的角度把用户划分到相应的毕业去向的分类中。

该系统主要包括：往届毕业生信息数据库、数据添加模块、k-means聚类模块、knn分类模块和贝叶斯分类器五个模块。制作过程如下：

步骤1，本实施方式的毕业生去向管理及推荐系统是以django框架编写的b/s架构的系统，采用mvc模式，使用图数据库neo4j储存数据同时使用k-means、knn、simrank以及贝叶斯分类算法来进行数据挖掘。

步骤2，本实施方式抽取东华大学信息学院2016年和2018年的学生就业数据，储存到图数据库neo4j中作为往届毕业生数据库。

步骤3，本实施方式依据simrank算法，计算得到数据库中往届毕业生间的相似度。

步骤4，根据所得相似度，通过k-means算法对数据库中往届毕业生数据进行聚类。划分成k个相似性较高的群簇，通过simrank算法计算出与用户相似度最高的群簇，并把群簇中的毕业生信息推荐给用户。

步骤5，使用knn算法，获得与用户最为相近的k个往届毕业生的毕业去向。选取其中占比较大的结果作为系统为用户推荐的毕业去向展示到页面。

步骤6，为了获取更多、更全面的数据。本实施方式在系统中制作了添加往届毕业生信息的模块。用户在确定自己的毕业去向之后可以自行添加包括兴趣、爱好等更完善的个人数据与毕业去向组成一个事务至系统数据库中。之后做出相应的审核模块。

步骤7，依据新加入的数据制作贝叶斯分类器，把用户的信息放入分类器中进行毕业去向的分类。并将结果推荐给用户。

综上，本系统以knn分类和贝叶斯分类器两种方式向用户推荐与之匹配的毕业去向。根据k-means聚类和simrank算法得出与之相似度较高的往届毕业生信息。另外，用户可以根据毕业去向查看相应分类下的往届毕业生去向供其参考。

图1中往届毕业生数据库的往年毕业生数据是从已有的高校毕业生信息管理系统和教工部以及系统自带的数据获取的模块中获取的。将找出影响学生未来毕业去向选择的重要因素，建立的信息管理数据库。以图数据库neo4j储存数据，以每一个毕业生数据作为一个节点，节点中包含每位毕业生的专业成绩、绩点、获奖情况、性别等特征等属性。neo4j数据库可以以节点和关系储存数据方便之后用simrank算法计算相似度。

图1中根据毕业生去向分类展示是依据数据库中往届毕业生数据，使用数据库查询技术和前端代码，根据毕业去向分为就业、出国、升学、创业等分类显示在系统前段页面中，方便用户根据自己所感兴趣的毕业去向查找往年学长、学姐的详细数据来进行分析参考。根据数据库中节点的专业成绩、绩点、获奖情况、性别等特征属性，采用simrank算法计算数据库中不同节点间的相似度。

图1中k-means算法聚类模块，是使用k-means算法是依据节点间的相似度对数据库中的节点进行分类。把数据库中相似的节点划分为一类。使用simrank算法计算出类中心的相似度，计算得到与用户相似度最高的类中心。再如图1所示把划分在这一类中的节点数据展示在页面中。

图1中knn分类模块，是找出与用户最为相似的k个节点。找出的k个最相邻的节点中的毕业去向大多数属于某一个类别，就如图1所示把这个类别作为系统给出的推荐毕业去向。

为了获得更多、更全面的数据。在本实施方式制作了系统自带的数据添加功能模块，如图1所示。在用户确定好毕业去向后，可以自行把自己的相关信息添加到系统中去。

图1中的贝叶斯分类器是根据往届毕业生数据库中的数据通过贝叶斯分类算法制作的数据统计模型。可以依据用户的个人数据进行分类，预测用户的毕业去向并把预测结果推荐给用户。

贝叶斯分类算法是统计学的一种分类方法，它是一类利用概率统计知识进行分类的算法。该算法能运用到大型数据库中，而且方法简单、分类准确率高、速度快。贝叶斯分类算法可分为三个阶段：

准备工作阶段，根据数据库节点中确定特征属性，并对每个特征属性进行适当划分，然后由人工对一部分待分类项进行分类，形成训练样本集合。这一阶段的输入是所有待分类数据，输出是特征属性和训练样本。

分类器训练阶段，是计算每个类别在训练样本中的出现频率及每个特征属性划分对每个类别的条件概率估计，并将结果记录。其输入是特征属性和训练样本，输出是毕业去向分类器。

应用阶段。这个阶段的任务是使用分类器对待分类项进行分类，其输入是分类器和待分类项，输出是待分类项与类别的映射关系。这一阶段也是机械性阶段，由程序完成。

图2是本发明的用户操作工作流程图，意在更清晰的说明用户在使用本发明时的具体过程，更清楚的展示本发明的优点和功能。

如图2所示，首先需要用户登录，对于新用户需要注册。在注册时获取用户的个人信息用于系统对用户进行分类、聚类等推荐相关信息的操作。

登录进去之后，用户可以通过分类好的展示页面查看往年毕业生数据库。用户可以通过knn分类模块得到系统推荐的去向。用户可以通过贝叶斯分类器得到系统推荐的去向。用户可以通过k-means聚类模块得到与用户相似度较高的往届毕业生数据。

如图2所示，在用户确定好自己的毕业去向之后，用户可以通过数据添加模块把自己的数据添加到系统数据库中。

综上所述该系统总体上包含三类功能，其一，获取往届毕业生毕业去向以及个人数据，并将数据分析的结果以一种直观地可视化地方式在前端展现出来；其二，根据用户输入的基本特征，可为用户获取与用户相似度高的往年毕业生数据为用户未来的毕业去向选择做参考。其三，可根据往年毕业生信息制作毕业去向分类器。根据用户输入的相关特征把用户分类到相关的毕业去向中，以此作为毕业去向推荐。

不难发现，本发明依据往届毕业生的毕业去向状况，其相比于现有的管理系统更有实际参考价值，并且毕业去向不仅仅是就业，对于升学、出国、创业的同学也有参考价值，有利于实现个性化就业。另外，本发明添加了信息推荐功能，利用数据挖掘的相关算法能够根据用户的个人情况把有价值的信息准确、高效的推荐给用户。