数据挖掘技术在职业生涯规划中应用.docVIP

数据挖掘技术在职业生涯规划中应用 　　摘要：文章采用数据挖掘技术，利用决策树，探讨在职业生涯规划教育中如何运用定量分析法来增加职业生涯规划分析的客观性。 　　关键词：数据挖掘；职业生涯规划；决策树 　　 　　职业生涯规划是指个人对职业的选择、职业的适应和职业的发展所进行的规划。职业生涯规划强调结合自身情况、眼前机遇和制约因素，为自己确立职业方向和职业目标，选择职业道路，确定教育计划和发展计划，为实现职业生涯目标而确定行动时间和行动方案。职业生涯是以心理开发、生理开发、智力开发、技能开发、伦理开发等人的潜能开发为基础，以工作内容的确定和变化，工作业绩的评价，工资待遇、职称、职务的变动为依据，以满足需求为目标的工作经历和内心体验的经历。 　　目前常用的职业生涯规划方法有SWOT分析法及“五What法”，这两种常规分析法的优点是可以通过较简单的个人因素模型得出个人技能、职业、喜好和职业机会，其缺点是个体评估必然带来主观性问题，人们往往会夸大自己的优势而导致分析缺乏客观性，由于所处角度的不同和掌握信息的不同，个体对外部环境的评估和分析往往不全面。为了克服分析的客观性的不足，本文采用数据挖掘技术，利用决策树对职业生涯规划采用定量分析法，增加职业生涯规划分析的客观性。 　　 　　数据挖掘技术简介 　　 　　(一)数据挖掘的基本概念 　　数据挖掘(Data Mining)，又称为数据库中的知识发现(Knowledge Discovery in Database，KDD)，就是从大量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程，简单地说，数据挖掘就是从大量数据中提取或挖掘有用知识。 　　数据挖掘利用了来自如下一些领域的思想：(1)来自统计学的抽样、估计和假设检验；(2)人工智能、模式识别和机器学习的搜索算法、建模技术和学习理论。数据挖掘还接纳了其他领域的思想，包括最优化、进化计算、信息论、信号处理、可视化和信息检索等。 　　 　　(二)数据挖掘的一般流程 　　定义问题：清晰地定义出业务问题，确定数据挖掘的目的。 　　数据准备：包括选择数据――在大型数据库和数据仓库目标中提取数据挖掘的目标数据集；数据预处理――进行数据再加工，包括检查数据的完整性及数据的一致性、去噪声、填补丢失的域、删除无效数据等。 　　数据挖掘：根据数据功能、类型和特点选择相应的算法，在净化和转换过的数据集上进行数据挖掘。 　　结果分析：对数据挖掘的结果进行解释和评价，转换成为能够最终被用户理解的知识。 　　知识运用：将分析所得到的知识集成到业务信息系统的组织结构中。 　　 　　(三)决策树的概念 　　决策树是用样本的属性作为节点，由属性的取值作为分支的树结构，它是利用信息化原理对大量的属性进行分析和归纳后产生的。决策树的根结点是所有样本中信息量最大的属性。树的中间结点是以该结点为根的子树所包含的样本子集中信息量的属性，决策树的叶结点是样本的类别值。决策树法是数据挖掘中非常有效的分类方法。 　　决策树用于对新的样本的分类，即通过决策树对新样本属性值进行测试，从树的根结点出发，按照样本属性的取值，沿着决策树向下，直到树的叶结点，该叶结点表示的类别就是新样本的类别。 　　 　　(四)ID3方法 　　决策树概念最早出现在CLS(Concept Learning System)中，影响最大的是昆兰(J.R.Quinlan)提出的ID3方法，他提出利用信息增益(即信息论中的互信息)来选择属性作为决策树的结点。由于决策树的建树算法具有思想简单、识别样本效率高的特点，利用ID3算法可以较好地解决机器学习领域的相关问题。利用ID3方法建立决策树的步骤是首先找出信息增益最大属性，把数据分成多个子集，每个子集又选择信息增益最大的属性进行划分，一直进行到所有子集仅包含同一类型的数据为止。 　　 　　数据挖掘技术在职业生涯规划中的应用 　　 　　(一)职业生涯规划类别与属性设计 　　根据目前的大学生就业情况，为了便于决策树模型建立和阐述，可以将职业规划者从事的职业大致划分为以下几类：(1)技术型；(2)社会服务型；(3)管理型；(4)研究型。将学生所适合职业类型的决定因素抽象为以下几个属性：性别、性格、专业、学习情况。具体属性值见表1。 　　 　　(二)训练集 　　训练集是以霍兰德(John L.Holland)人格类型论为基础，结合现实生活中成功人士的数据得到的。20世纪60年代，美国职业指导专家霍兰德在帕森斯(Frank Parsons)观点的基础上，结合当时的人格心理学概念，认为职业选择是个人人格在工作世界的表露和延伸，即人们在工作选择过程中表达的是自己的个人兴趣和价值观。现实生活中不同领域有许多成功人士