大数据时代大学生就业论文提纲

论文题目：基于决策树算法的高校就业数据分析

摘要：从国家统计局公布的数据,2015年我国高等教育毛入学率达到40%,依据马丁特罗教授提出的高等教育发展阶段划分的理论,我国高等教育进入了大众化教育阶段。虽然高校连续长达13年的本科扩招已经停止,但每年高校毕业生人数都在不断的增加。2017年高校毕业生人数达到795万人,2018年毕业生人数已经超过了800万人,连续三年高校毕业生人数突破700万人。在新时代就业发展形势下,各行业都加强对人才的重视。毕业生人数年年递增,就业市场也越来越职业化、自由化、市场化,就业之难也似乎成了常态。各高校也一直在帮助毕业生提高就业率,如召开多场专题招聘会,多场就业指导讲座等形式,可是效果一般。如今社会处于大数据时代,大数据挖掘是现当今应用比较广泛的技术,数据开发人员通过数据挖掘技术,对数据进行更深层次的探索,发掘数据的关联性,为决策者提供决策支持。随着数据挖掘技术不断成熟,在金融领域、电信业、零售业、医疗电信领域、交通领域等都得到了广泛的应用,而高校教育在这方面应用还比较滞后,特别是在高校就业当中使用的就更少。在高校学生就业信息数据分析领域,存在多年的学生就业信息,而这些毕业生就业信息数据紧紧是存在电脑硬盘里,最多只是被就业管理人员用作普通的信息查询,利用率十分低。充分发挥出高校就业工作数据的潜在力量,让就业指导工作更高效、更准确、更有个性、更有针对性为学生服务,同时为高校就业服务提供参考依据,促进高校就业工作有新举措。。本文比较和分析了几种典型的决策树算法,着重对ID3算法和C4.5算法进行了描述。ID3算法以前的决策树算法要求数据集的所有值都是准确值,缺失数据会降低算法的性能,缺失数据处理不当,就会累计大量错误,增加后续算法的运算时间和复杂度。C4.5算法尽管可以处理缺失数据,但仍然不尽完善。使用关联规则和贝叶斯算法对决策树算法进行优化。利用叶斯模型填充决策树的缺失值,然后再用决策树算法构造决策。数据来自XX学院2016届的毕业生数据进行测试。本文主要从五个部分展开。第一部分绪论,介绍研究背景、内容、框架、意义和方法,以及当今数据挖掘技术在高校就业中的应用现状。第二部分介绍了数据挖掘基本概念,以及决策树算法的概念和决策树的典型算法。第三部分和第四部分,分别用关联规则和贝叶斯规则对决策树算法进行优化,并使用数据进行测试、验证、分析。第五部分基于决策树算法的就业数据分析系统的设计,对XX学院的学生就业信息数据进行分析,验证了算法的可靠性。最后,对全文的总结和展望。对高校学生相关的就业数据进行挖掘,发现潜在规律,找出隐含的模式,为就业指导提供决策依据,从而推进毕业生就业制度改革,促进大学生就业。

关键词：决策树;关联规则;贝叶斯;大学生就业

学科专业：大数据科学与应用

摘要

Abstract

第一章 绪论

1.1 研究背景

1.2 国内外研究现状

1.2.1 国外现状

1.2.2 国内现状

1.2.3 数据挖掘在大学生就业中的研究现状

1.3 研究意义

1.4 研究框架、内容和方法

1.4.1 研究框架

1.4.2 研究内容

1.4.3 研究方法

第二章 数据挖掘和决策树概念

2.1 数据挖掘的概念

2.1.1 数据挖掘定义

2.1.2 数据挖掘过程

2.1.3 数据挖掘的模式

2.1.4 数据挖掘技术

2.2 决策树算法概述

2.2.1 决策树的有关概念

2.2.2 决策树优缺点

2.3 决策树主要算法

2.3.1 CLS算法

2.3.2 C4.5 算法

2.3.3 ID3 算法

2.3.4 CART算法

2.4 数据测试与分析

第三章 决策树与关联规则的结合

3.1 关联规则算法的基本概念

3.2 典型的关联规则算法

3.2.1 AIS算法

3.2.2 SETM算法

3.2.3 Apriori算法

3.2.3.1 Apriori算法的预备知识

3.2.4 FP—树频集算法

3.2.5 关联规则算法改进决策树模型

3.3 数据测试与分析

第四章 决策树和贝叶斯算法的结合

4.1 贝叶斯算法概念

4.2 贝叶斯算法改进决策树模型

4.3 数据测试与分析

第五章 基于决策树算法就业数据分析系统

5.1 软件实现与测试

5.2 就业数据收集和处理

第六章 总结

6.1 总结

6.2 展望

致谢

参考文献