本發(fā)明涉及職業(yè)規(guī)劃，特別是一種基于大數(shù)據(jù)的職業(yè)規(guī)劃系統(tǒng)及方法。

背景技術(shù)：

1、傳統(tǒng)的職業(yè)規(guī)劃，通常會根據(jù)個人用戶的學(xué)業(yè)進度以及證書和工作經(jīng)驗等，通過市場招聘信息進行簡單的職業(yè)規(guī)劃，而隨著用戶對職業(yè)規(guī)劃的重視，也會依賴于人工咨詢，獲取更多的外部市場職業(yè)信息，從而對自身的職業(yè)規(guī)劃進行調(diào)整，以此引申到職業(yè)規(guī)劃對大量數(shù)據(jù)的需求非常強烈，依托于大數(shù)據(jù)的推薦結(jié)果可以減少主觀判斷的局限性，近年來，職業(yè)規(guī)劃系統(tǒng)逐漸引入了大數(shù)據(jù)分析和算法模型，通過分析用戶簡歷、工作經(jīng)歷、教育背景等信息，來推薦職業(yè)方向；

2、但現(xiàn)有的基于大數(shù)據(jù)的職業(yè)規(guī)劃方法，通常采用靜態(tài)數(shù)據(jù)分析，容易忽視了用戶興趣和市場需求的動態(tài)變化，同時現(xiàn)有系統(tǒng)在處理用戶職業(yè)興趣分?jǐn)?shù)和職業(yè)路徑預(yù)測時，缺少對用戶隱性興趣的深度挖掘，導(dǎo)致推薦的職業(yè)方向不夠精確，且職業(yè)路徑規(guī)劃缺乏有效的動態(tài)調(diào)整機制，無法充分滿足用戶個性化職業(yè)發(fā)展的需求。

技術(shù)實現(xiàn)思路

1、鑒于上述現(xiàn)有的基于大數(shù)據(jù)的職業(yè)規(guī)劃系統(tǒng)及方法中存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明所要解決的問題在于現(xiàn)有的基于大數(shù)據(jù)的職業(yè)規(guī)劃方法，通常采用靜態(tài)數(shù)據(jù)分析，容易忽視了用戶興趣和市場需求的動態(tài)變化，同時現(xiàn)有系統(tǒng)在處理用戶職業(yè)興趣分?jǐn)?shù)和職業(yè)路徑預(yù)測時，缺少對用戶隱性興趣的深度挖掘，導(dǎo)致推薦的職業(yè)方向不夠精確，且職業(yè)路徑規(guī)劃缺乏有效的動態(tài)調(diào)整機制，無法充分滿足用戶個性化職業(yè)發(fā)展的需求。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種基于大數(shù)據(jù)的職業(yè)規(guī)劃系統(tǒng)，其包括，

4、興趣分?jǐn)?shù)模塊，采集用戶數(shù)據(jù)構(gòu)建用戶檔案，量化職業(yè)數(shù)據(jù)采用多臂老虎機算法計算職業(yè)方向選擇概率，并計算綜合顯性興趣分?jǐn)?shù)；

5、職業(yè)方向排序模塊，基于用戶社交媒體數(shù)據(jù)獲取用戶的職業(yè)相關(guān)行為數(shù)據(jù)，動態(tài)計算隱性興趣分?jǐn)?shù)，配合綜合顯性興趣分?jǐn)?shù)為職業(yè)方向排序，根據(jù)職業(yè)方向之間的綜合顯性興趣分?jǐn)?shù)增量，確定職業(yè)方向排序的職業(yè)方向數(shù)量；

6、圖神經(jīng)網(wǎng)絡(luò)模塊，基于圖神經(jīng)網(wǎng)絡(luò)識別職業(yè)方向具體職業(yè)的特征，通過softmax函數(shù)分析職業(yè)之間的轉(zhuǎn)換概率；

7、職業(yè)路徑預(yù)測模塊，基于職業(yè)轉(zhuǎn)化的信息增益確定職業(yè)路徑長度，根據(jù)職業(yè)路徑組合的完整路徑概率確定最優(yōu)職業(yè)路徑。

8、作為本發(fā)明所述基于大數(shù)據(jù)的職業(yè)規(guī)劃系統(tǒng)的一種優(yōu)選方案，其中：所述采集用戶數(shù)據(jù)構(gòu)建用戶檔案，量化職業(yè)數(shù)據(jù)采用多臂老虎機算法計算職業(yè)方向選擇概率，并計算綜合顯性興趣分?jǐn)?shù)，包括，

9、獲取用戶的簡歷內(nèi)容、歷史工作經(jīng)歷和教育背景信息，并基于社交媒體平臺用戶的職業(yè)信息、發(fā)文內(nèi)容和興趣標(biāo)簽；

10、依據(jù)采集的用戶數(shù)據(jù)進行標(biāo)準(zhǔn)化處理，構(gòu)建用戶檔案；

11、基于用戶檔案信息，量化職業(yè)培訓(xùn)次數(shù)、職業(yè)證書數(shù)量和學(xué)習(xí)培訓(xùn)時間，統(tǒng)計所有用戶的職業(yè)培訓(xùn)次數(shù)、職業(yè)證書數(shù)量和培訓(xùn)時間的最大值，計算用戶的顯性興趣分?jǐn)?shù)，表示為：

12、

13、其中sei表示顯性興趣分?jǐn)?shù)，nti表示職業(yè)培訓(xùn)次數(shù)，cti表示職業(yè)證書數(shù)量，tti表示學(xué)習(xí)培訓(xùn)時間，max(nti)、max(cti)和max(tti)分別表示所有用戶中參與培訓(xùn)次數(shù)、獲得證書數(shù)量和工作或?qū)W習(xí)時間的最大值，用于歸一化處理；

14、基于用戶的職業(yè)方向，初始化各個職業(yè)方向的概率，采用多臂老虎機算法在每個時間步h下，基于當(dāng)前的選擇概率，隨機選擇職業(yè)方向并計算對應(yīng)方向的顯性興趣分?jǐn)?shù)，作為計算獎勵；

15、基于計算獎勵，更新該職業(yè)方向的選擇概率，表示為：

16、pi(t+1)＝pi(t)+η·(ri(t)-pi(t))；

17、其中pi(t+1)表示時間步t+1職業(yè)方向i的選擇概率，pi(t)表示時間步t職業(yè)方向i的選擇概率，ri(t)表示時間步t職業(yè)方向i的計算獎勵，η表示學(xué)習(xí)率

18、基于選擇概率的更新，根據(jù)不同職業(yè)方向計算顯性興趣分?jǐn)?shù)的加權(quán)和，計算綜合顯性興趣分?jǐn)?shù)。

19、作為本發(fā)明所述基于大數(shù)據(jù)的職業(yè)規(guī)劃系統(tǒng)的一種優(yōu)選方案，其中：所述基于用戶社交媒體數(shù)據(jù)獲取用戶的職業(yè)相關(guān)行為數(shù)據(jù)，動態(tài)計算隱性興趣分?jǐn)?shù)，配合綜合顯性興趣分?jǐn)?shù)為職業(yè)方向排序，包括，

20、基于集成社交媒體平臺的api，根據(jù)職業(yè)相關(guān)關(guān)鍵詞檢索并獲取用戶與對應(yīng)職業(yè)相關(guān)的互動數(shù)據(jù)，將收集到的互動數(shù)據(jù)按照職業(yè)方向進行分類，

21、通過集成瀏覽器插件和搜索引擎api獲取用戶在搜索引擎中輸入的職業(yè)相關(guān)關(guān)鍵詞及其搜索次數(shù)，將用戶的搜索關(guān)鍵詞按照職業(yè)方向進行分類，并統(tǒng)計每個方向的搜索次數(shù)；

22、通過網(wǎng)頁瀏覽記錄或集成的行為分析工具，獲取用戶瀏覽職業(yè)相關(guān)網(wǎng)站的行為數(shù)據(jù)，包括瀏覽頻率和停留時間，將用戶瀏覽的職業(yè)相關(guān)網(wǎng)站按照職業(yè)方向進行分類，統(tǒng)計每個方向的瀏覽頻率和瀏覽時長；

23、基于采集的用戶與對應(yīng)職業(yè)相關(guān)的互動數(shù)據(jù)和搜索次數(shù)的和，作為用戶的提及頻率；

24、基于采集的用戶與對應(yīng)職業(yè)相關(guān)的關(guān)鍵詞搜索次數(shù)，作為用戶的搜索頻率；

25、基于采集的用戶與對應(yīng)職業(yè)相關(guān)的互動數(shù)據(jù)，作為用戶的互動頻率；

26、使用tf-idf算法結(jié)合用戶行為數(shù)據(jù)，計算用戶在不同職業(yè)方向上的隱性興趣分?jǐn)?shù)，表示為：

27、

28、其中sim,i表示用戶對第i個職業(yè)方向的隱性興趣分?jǐn)?shù)，fm,i表示用戶對第i個職業(yè)方向的提及頻率，fs,i表示用戶對第i個職業(yè)方向的搜索頻率，fn,i表示用戶對第i個職業(yè)方向的互動頻率，tb,i表示用戶瀏覽第i個職業(yè)方向相關(guān)網(wǎng)站的總時長，m表示不同職業(yè)方向的總數(shù)，n表示總用戶數(shù)，d表示提及當(dāng)前職業(yè)方向的用戶數(shù)；

29、階段性采集用戶數(shù)據(jù)，并通過概率分布的更新，動態(tài)調(diào)整用戶的隱性興趣分?jǐn)?shù)；

30、基于貝葉斯推斷中的高斯分布，為每個職業(yè)方向建立初始的隱性興趣分?jǐn)?shù)概率分布；

31、實時采集并更新用戶對不同職業(yè)方向的互動數(shù)據(jù)、搜索次數(shù)和行為數(shù)據(jù)；

32、基于貝葉斯推斷結(jié)合加權(quán)求和更新職業(yè)方向i上隱性興趣分?jǐn)?shù)的概率分布，并基于貝葉斯推斷中的高斯分布的更新規(guī)則更新均值和方差；

33、基于更新后的概率分布進行加權(quán)平均計算期望值作為更新的隱性興趣分?jǐn)?shù)；

34、綜合顯性興趣分?jǐn)?shù)和更新后隱性興趣分?jǐn)?shù)的和，作為綜合興趣分?jǐn)?shù)計算；

35、基于所有職業(yè)方向的綜合興趣分?jǐn)?shù)按照從高到低排序。

36、作為本發(fā)明所述基于大數(shù)據(jù)的職業(yè)規(guī)劃系統(tǒng)的一種優(yōu)選方案，其中：所述根據(jù)職業(yè)方向之間的綜合顯性興趣分?jǐn)?shù)增量，確定職業(yè)方向排序的職業(yè)方向數(shù)量，包括，

37、基于綜合興趣分?jǐn)?shù)的排序結(jié)果，計算每兩個職業(yè)方向之間的增量，且進行累計增量計算；

38、繪制累計興趣增量cq隨職業(yè)方向數(shù)量q變化的曲線，通過肘部法查看累計興趣增量曲線中的拐點，確定綜合興趣分?jǐn)?shù)的排序的前k個職業(yè)方向，作為綜合興趣職業(yè)方向。

39、作為本發(fā)明所述基于大數(shù)據(jù)的職業(yè)規(guī)劃系統(tǒng)的一種優(yōu)選方案，其中：所述基于圖神經(jīng)網(wǎng)絡(luò)識別職業(yè)方向具體職業(yè)的特征，通過softmax函數(shù)分析職業(yè)之間的轉(zhuǎn)換概率，包括，

40、基于圖神經(jīng)網(wǎng)絡(luò)gnn構(gòu)建職業(yè)路徑預(yù)測模型，基于前k個職業(yè)方向包括的具體職業(yè)，根據(jù)職業(yè)方向的具體職業(yè)作為圖神經(jīng)網(wǎng)絡(luò)gnn的節(jié)點，根據(jù)具體職業(yè)的技能要求等級、市場需求度和經(jīng)驗?zāi)晗迾?gòu)建節(jié)點特征向量；

41、基于歷史數(shù)據(jù)收集職業(yè)變動記錄中不同職業(yè)之間的轉(zhuǎn)換數(shù)據(jù)，構(gòu)建職業(yè)變換數(shù)據(jù)集，包括每個用戶從某個職業(yè)轉(zhuǎn)移到另一個職業(yè)的記錄；

42、對數(shù)據(jù)集進行預(yù)處理，并對時間序列進行歸一化，統(tǒng)計歷史數(shù)據(jù)中的職業(yè)i轉(zhuǎn)向職業(yè)j的轉(zhuǎn)化頻率和職業(yè)i的總轉(zhuǎn)換次數(shù)；

43、根據(jù)轉(zhuǎn)化頻率除以總轉(zhuǎn)化次數(shù)計算從職業(yè)i到職業(yè)j的轉(zhuǎn)化概率，將職業(yè)之間的轉(zhuǎn)化概率作為圖神經(jīng)網(wǎng)絡(luò)gnn的邊；

44、基于圖神經(jīng)網(wǎng)絡(luò)通過節(jié)點與鄰居節(jié)點之間的信息交換來學(xué)習(xí)職業(yè)轉(zhuǎn)化的特征，表示為：

45、

46、其中表示第k+1層中職業(yè)節(jié)點i的特征表示，表示第k層的職業(yè)節(jié)點j的特征表示，σ表示激活函數(shù)，b表示偏置項，ν(i)表示節(jié)點i的鄰居節(jié)點集合，deg(i)和deg(j)分別是節(jié)點i和節(jié)點j的連接邊數(shù)，w表示對鄰居節(jié)點信息的線性變換權(quán)重矩陣；

47、經(jīng)過k+1層的信息交換，職業(yè)節(jié)點i的特征將包含其鄰居職業(yè)的相關(guān)信息，并通過平均池化進行最終特征聚合；

48、最終的節(jié)點特征將作為職業(yè)路徑預(yù)測的輸入，通過softmax函數(shù)輸出未來職業(yè)路徑的概率分布，通過特征向量的內(nèi)積進行計算基于用戶當(dāng)前職業(yè)節(jié)點i，轉(zhuǎn)化到其鄰居職業(yè)節(jié)點j的概率，表示為：

49、

50、其中pij表示用戶從當(dāng)前職業(yè)i轉(zhuǎn)向目標(biāo)職業(yè)j的轉(zhuǎn)換概率，表示用戶當(dāng)前職業(yè)的特征表示，表示目標(biāo)職業(yè)j的特征表示。

51、作為本發(fā)明所述基于大數(shù)據(jù)的職業(yè)規(guī)劃系統(tǒng)的一種優(yōu)選方案，其中：所述基于職業(yè)轉(zhuǎn)化的信息增益確定職業(yè)路徑長度，包括，

52、基于用戶從當(dāng)前職業(yè)i轉(zhuǎn)向目標(biāo)職業(yè)j的轉(zhuǎn)化概率pij，重復(fù)將計算的轉(zhuǎn)化概率pij作為出發(fā)點預(yù)測用戶從職業(yè)節(jié)點j轉(zhuǎn)向下一步職業(yè)節(jié)點的轉(zhuǎn)化概率，遞歸地預(yù)測用戶未來可能的職業(yè)轉(zhuǎn)化路徑；

53、基于每次計算的轉(zhuǎn)化概率進一步通過轉(zhuǎn)化概率和對數(shù)計算分析職業(yè)轉(zhuǎn)化帶來的信息增益，表示為：

54、

55、其中ig(pij)表示當(dāng)前職業(yè)i到職業(yè)j轉(zhuǎn)化概率的信息增益；

56、跟隨重復(fù)計算的轉(zhuǎn)化概率，同步進行信息增益的計算，并計算每兩個轉(zhuǎn)化概率信息增益的變化值，且繪制信息增益的變化曲線，通過肘部法查看信息增益的變化曲線中的拐點，終止信息增益重復(fù)計算以及終止轉(zhuǎn)化概率的重復(fù)計算，并將重復(fù)計算的次數(shù)作為職業(yè)轉(zhuǎn)化路徑次數(shù)。

57、作為本發(fā)明所述基于大數(shù)據(jù)的職業(yè)規(guī)劃系統(tǒng)的一種優(yōu)選方案，其中：所述根據(jù)職業(yè)路徑組合的完整路徑概率確定最優(yōu)職業(yè)路徑，包括，

58、基于職業(yè)轉(zhuǎn)化路徑次數(shù)重復(fù)計算的轉(zhuǎn)化概率，形成職業(yè)路徑的組合；

59、基于職業(yè)路徑的組合，將職業(yè)路徑組合的各個轉(zhuǎn)化概率的乘積作為完整路徑概率；

60、根據(jù)每條職業(yè)路徑的完整路徑概率進行排序；

61、將最高完整路徑概率的職業(yè)路徑作為用戶的最優(yōu)職業(yè)路徑。

62、本發(fā)明的另外一個目的是提供一種基于大數(shù)據(jù)的職業(yè)規(guī)劃系統(tǒng)的方法，其包括，

63、采集用戶的職業(yè)相關(guān)數(shù)據(jù)，通過多臂老虎機算法動態(tài)調(diào)整職業(yè)方向選擇的概率，并計算每個職業(yè)方向的顯性興趣分?jǐn)?shù)；

64、通過tf-idf算法等方法分析用戶的職業(yè)行為數(shù)據(jù)，動態(tài)計算每個職業(yè)方向的隱性興趣分?jǐn)?shù)；

65、將綜合顯性興趣分?jǐn)?shù)和隱性興趣分?jǐn)?shù)結(jié)合，對職業(yè)方向進行排序，并根據(jù)綜合顯性興趣分?jǐn)?shù)的增量確定職業(yè)方向數(shù)量；

66、識別每個職業(yè)方向中的具體職業(yè)特征，并通過圖神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)職業(yè)節(jié)點之間的轉(zhuǎn)化概率；

67、基于職業(yè)轉(zhuǎn)化概率，預(yù)測用戶可能的未來職業(yè)路徑，使用信息增益來確定路徑長度，并通過概率的累積計算最優(yōu)職業(yè)路徑。

68、一種計算機設(shè)備，包括：存儲器和處理器；所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)上述基于大數(shù)據(jù)的職業(yè)規(guī)劃系統(tǒng)的方法的步驟。

69、一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述基于大數(shù)據(jù)的職業(yè)規(guī)劃系統(tǒng)的方法的步驟。

70、本發(fā)明有益效果為：通過綜合顯性興趣分?jǐn)?shù)是多個職業(yè)方向顯性興趣分?jǐn)?shù)的加權(quán)和，反映了用戶當(dāng)前對所有職業(yè)方向的整體興趣偏好，能夠動態(tài)調(diào)整用戶對各職業(yè)方向的隱性興趣分?jǐn)?shù)，配合tf-idf算法考慮了用戶行為的頻率及其集中度，通過顯性和隱性興趣分?jǐn)?shù)的結(jié)合，系統(tǒng)能夠全面、綜合地評估用戶在各職業(yè)方向的興趣并進行排序，通過計算興趣增量并使用肘部法自動確定前k個職業(yè)方向，通過多層的特征更新，職業(yè)節(jié)點包含了其鄰居職業(yè)的信息，使得職業(yè)轉(zhuǎn)化預(yù)測能夠更深入地反映復(fù)雜的職業(yè)轉(zhuǎn)化路徑，通過將每條職業(yè)轉(zhuǎn)化路徑的各個轉(zhuǎn)化概率的乘積作為整條路徑的概率，并根據(jù)概率大小對路徑進行排序，確保用戶選擇的是最具可能性和可行性的職業(yè)路徑。