应用自然邻居分类算法的大学生就业预测模型

摘要

随着我国高等教育由精英教育转变为大众教育，高校毕业生就业形势日趋严峻。大学生就业日益困难的一个重要原因就在于就业预期偏高，且主要表现在对于薪酬的预期过高。大学生对自我能力的认知往往与企业招聘标准存在偏差，这就导致了应届生找工作扎堆高薪企业从而忽视了和自身更加匹配的普通企业。因此对毕业生的就业能力进行准确评估，制定合理的薪酬预期十分重要。
　　针对上述问题，本文提出了基于自然邻居分类算法的大学生就业预测模型，具体工作如下：
　　1.调研并分析了大学生就业预期偏高的主要原因，阐述了大学生就业预测国内外的研究现状。
　　2.归纳介绍了分类的定义、过程以及常用的几种分类算法及其优缺点，接着总结了因子分析的数学模型与计算步骤。随后着重介绍了自然邻居技术，该技术的优势在于不需要设置任何参数，算法通过自适应计算每个样本的邻居。
　　3.通过因子分析构建了毕业生描述模型,探究了影响大学生就业质量的关键因素。首先通过关键词提取企业招聘热点并抽取出GPA成绩等15个测量变量,接着采取随机抽样的方式收集近三年信息类毕业生的就业数据,最后通过因子分析提取出决定大学生就业薪酬级别的4个潜在因子即学习能力、实践能力、人际处理能力、职业能力。
　　4.提出基于自然邻居的分类算法。在分析指出传统KNN分类算法的弊端即需要人工根据历史经验设定k值后,提出了基于自然邻居的分类算法。算法先采用一种基于自然邻居的训练样本加权算法对训练样本集进行权重分配,再基于自然邻居的思想通过已获取的带权值的训练样本集对测试样本进行分类。在收集到的信息类专业大学生就业数据上进行仿真实验,验证了本文中基于自然邻居的分类算法性能好于KNN算法以及加权KNN算法。同时结果表明,本文中基于自然邻居分类算法的大学生就业预测模型预测精确率高达80.16％,对于帮助大学生建立合理就业预期、提高就业能力等方面具有一定指导意义。