翟晓鹤

(新疆医科大学 护理学院， 新疆 乌鲁木齐 830054)

0 引言

随着高校的扩展，学生人数不断增加，毕业生的数量随之增多，大学生就业竞争十分激烈，就业压力越来越大[1-2]。人们对毕业生就业问题十分关注，同时毕业生就业率是高校学生培养质量的一个重要指标，因此高校对毕业生就业率高度重视，这样需要对毕业生就业率进行建模与分析，找到影响毕业生就业率的一些主要因素，从而使高校能够相应的调整学生培养模式，给高校毕业生管理者提供有效的建议，同时为毕业生提供有价值的信息[3]。

对于毕业生就业率预测问题，国内外许多学者都进行了各种尝试研究，最初为线性建模技术，如：基于ARIMA的毕业生就业率预测模型、基于灰色系统的毕业生就业率预测模型，基于决策树的毕业生就业率预测模型[4-6]。它们主要针对小规模、变化简单的毕业生就业率进行预测，当毕业生就业率变化比较复杂时，则就业率预测误差急剧上升；随后出现了一些非线性建模技术，如基于机器学习算法的毕业生就业率预测模型，最具有代表性的为人工神经网络，其具有比较好的非线性建模预测性能，能够从毕业生就业率历史数据中挖掘出毕业生就业率变化特点，预测建模效率要优于线性建模技术[7-8]。由于毕业生就业率具有一定的混沌性，而当前机器学习算法进行毕业生就业率预测建模时，忽略了该特点，使得预测结果并未达到最理想的状态，同时预测精度不太稳定。……