包装设计专业就业率图表分析-基于大数据可视化技术的毕业生就业分析服务项目（软件创新设计最终报告）

《软件创新设计》

总结报告

项目名称：

基于大数据可视化技术的毕业生就业分析服务项目

姓名：

学生卡：

班级：

一、项目简介

“基于大数据可视化技术的毕业生就业分析服务项目”项目针对当前大学生、广大企业就业选择困难、无法基于个人和个人情况制定就业目标、预测未来就业状况等问题。研究生院，以及无法首先获取企业信息。 设计并实施大学生就业数据分析服务项目。

本项目研究基于大数据可视化分析方法、推荐算法、模糊查询、基于模糊信息的大学生满意度评价方法。 它是根据软件工程开发流程设计的。 项目主要功能包括：“就业趋势分析”针对学生情况推荐并制定就业计划”、“根据关键词模糊查询”、“添加企业招聘信息日历提醒”、“用户满意度评价”等功能。

2.1 项目目的

随着当前市场经济的快速发展，高等学校规模不断扩大，就业制度改革不断深入，毕业生人数逐年增加，社会整体就业形势日趋严峻，而大学生就业也逐渐成为社会高度关注的话题。 研究大学生就业问题具有一定的紧迫性和重要性。

从大学生自身的角度，分析目前的情况，大学生在选择就业目标时，并没有清晰的就业理念。 此外，他们无法根据往届毕业生的就业情况制定合理的就业目标。 道路变得艰难而漫长。 另一方面，如今互联网信息平台泛滥，每个平台都有大量的招聘信息，但这些平台无法根据自身条件做出合理推荐，无法准确定位符合自己理想专业的企业。 可以像大海捞针一样从海量信息中提取出来，然后手动复制到记事本上。 但记事本上的信息无法随时提醒。 一不留神，很容易错过准备已久的公司，导致大学生很苦恼。

因此，我们的“基于大数据可视化技术的毕业生就业分析服务项目”项目应运而生。 通过该项目，大学生可以结合平台上往届毕业生就业状况汇总的图表，合理定制就业目标。 查看“就业日历”，搜索最适合您的职业和水平的公司。

2.2 项目意义

高等学校的根本使命是培养人才，大学生就业情况是履行这一使命的重要指标之一。 更好地帮助学生进行就业分析和指导，提高学生就业率和就业质量，是促进高校教育发展的一大着力点。 。

根据现状分析，当前高校大多通过第三方协议或电话回访等方式收集统计毕业生就业情况，并绘制成EXCEL表格进行存储。 没有统一的数据库管理数据，毕业生数量较多，回访工作流程复杂，需要大量的财力、人力和时间。 同时，在收集信息的过程中难免会出现各种弊端和疏忽。 充分利用这些数据的价值已经不能满足当今高校加强毕业生就业指导的需要。 通过“基于大数据可视化技术的毕业生就业分析服务项目”，可以改变目前低效的工作形式，改革传统的就业指导方式，使其数字化、信息化。 对于更有效地加强大学生就业指导，帮助大学生做出合理的职业定位，认清就业形势，掌握就业和求职技巧，解决大学生、家长和大学生的就业困惑具有重要意义。高校，对于促进大学生就业和高校教育发展具有重要意义。 。

三、项目研究现状及分析

3.1 毕业生就业服务申请现状分析

目前，国内对于毕业生的就业指导，学校经常邀请企业来授课，由专门的导师提供一对一的创业辅导。 在校外，媒体经常宣传公司的招聘信息，或者网络信息平台粗略地展示招聘信息。 这些无法改变。 满足了毕业生自主分析就业趋势的需求，缺乏专门针对学生就业服务的服务体系。 因此，在当前“互联网+”、“大数据时代”的形势下吉祥物设计，高校就业服务数字化、信息化仍处于探索阶段，有必要进一步结合学生和学校的需求，为学生提供更好的就业服务体验。

3.2 大数据可视化技术在教育领域的研究现状分析

针对当前高校数据生产和获取能力呈几何级增长的情况，如何分析海量数据支撑学生深度学习，如何应用信息技术更好地服务学生就业服务、优化就业就业过程已成为亟待解决的问题。 问题。 由此，数据挖掘和数据可视化技术成为人们关注的焦点。

大数据可视化是对数据可视化表示的科学技术研究。 其中，这种数据的视觉表示被定义为以某种概括形式提取的信息，包括相应信息单元的各种属性和变量。 这是一个不断发展的概念，其边界不断扩大。 主要指技术上更先进的技术方法，允许使用图形、图像处理、计算机视觉和用户界面解释，通过体积、表面、属性和动画的表示、建模和显示来实现数据可视化。

经过多年的发展包装设计专业就业率图表分析，数据可视化技术已经产生了大量优秀的产品工具，并在工程、计算、金融、医疗等领域得到了较为成熟的应用。 但其在教育领域的应用还不够。 如何运用大数据技术应用挖掘就业数据并获得良好的可视化展示还需要进一步研究。

3.3 个性化推荐技术

个性化推荐技术是数据挖掘的一种。 该技术直到20世纪末才被提出。 随着计算机技术的不断发展，直到Web2.0技术成熟才应用于实践。 个性化推荐技术的运用使用户获取信息从被动变为主动。 个性化推荐技术在商业领域的成功应用，大大增加了推荐系统的产品种类。 具有代表性的教具推荐系统有eBay、Amazon、YouTube等。 等等，这些系统的用户数量是相当可观的

3.4 模糊评价研究与分析

综合模糊评价的研究现状，不难发现FMADM理论和方法的研究引起了国内外学者和专家的关注，并取得了丰富的成果，特别是基于模糊决策矩阵的MADM 。 但由于MADM是一个复杂的系统工程，无论是理论研究还是方法应用都还不是很成熟，还存在需要改进和完善的地方。

综上所述，利用大数据可视化技术的毕业服务项目具有一定的研究意义。

参考

中国行业信息网，2018年全国毕业生人数和就业率最高的10个专业分析及毕业生就业形势分析，李璞，杨德祥，提高大学生就业竞争力的培养体系研究[ J]. 2010(3)高凤荣，杜晓勇，王珊，一种基于稀疏矩阵划分的个性化推荐算法，大人物信息张金雷，张宝辉，刘永贵，数据可视化技术在教学中的应用[J]． 现代远程教育研究，2013年第6期 涂聪，大数据时代背景下的数据可视化应用研究[J].数字产业，2013年第5期 孙静宇，李彻，张震，浅析远程教育发展现状大学校园APP[J]. 中国传媒科技，2014年第6期，袁春华，基于协同过滤算法的个性化大学选课推荐系统研究[J]． 2012年第5期陈琳，陈耀华。 信息化驱动的教育现代化路径探索与分析[J]. 教育研究，2013，（11）：114-118。 周斌等. 用户访问模式数据挖掘模型与算法研究，计算机研究与发展，1999, 36(1O): 870~875 朱芝婷，沈德梅，基于大数据的教育技术研究新范式[J]． 电化教育研究，2013(10)孙宏涛，教育大数据核心技术、应用现状及发展趋势[J]． 远程教育学报，2016年（6）

本项目的研究内容主要包括以下几个方面：

针对根据往届毕业生就业情况分析就业趋势的问题，利用大数据可视化技术，将数据集中的数据以图形、图像的形式表示出来，利用数据分析和开发工具进行总结和观察多维度信息开展深度就业。 趋势分析对于毕业生就业推荐计划的制定问题，采用静态和动态算法、协同过滤算法、聚类算法、最佳优先搜索算法（BFS）、模糊查询规则等帮助毕业生根据自身需求确定就业目标针对高校毕业生就业信息存储问题，根据数据来源，使用ETI工具将数据提取到数据库中，对数据建立索引并存储在数据库中，保证开源、高可靠、高性能，以及可扩展性，能够存储大规模的结构化数据，（如图4-1所示）

图4-1 大学存储数据信息

(4)针对用户满意度评价问题，研究了基于模糊信息的满意度评价方法。 以模糊数学为基础，综合应用信息论、灰色系统运筹学理论等学科知识，运用转换函数、数学方法等，研究基于模糊相关平均算子和模糊多属性的满意度评价方法。

(5)设计优化分析和平台需求分析采用自上而下的分析方法。 研究并优化毕业生优化流程； 分析平台的功能需求和非功能需求，包括：多线程编程、锁的应用、事务特性等系统并发性的研究。

（6）基于大数据可视化技术的毕业生就业分析服务平台的设计与实现，遵循软件工程的方法和流程。 项目主要功能包括：“分析就业趋势”、“根据学生情况推荐并制定就业计划”、“根据关键词模糊查询”、“添加企业招聘信息日历提醒”、“用户满意度评价”等功能。

5、项目技术路线（约800字）

该项目基于大数据技术分析就业趋势，包括数据存储、数据分析与挖掘、数据可视化。 个性化推荐的操作主要是通过结合协同过滤算法，并利用模糊信息技术收集用户满意度评价来进行。

在大数据技术方面，进行如下图所示的技术开发

对于高校一般就业数据的提取和存储，可以采用同样的数据提取方法。 对于结构良好的各种信息系统的数据，使用KETTLE等ETI工具将数据提取到数据库中。 针对网页等非结构化数据，对数据进行爬取、索引并存入数据库，满足开源、高可靠、高性能、可扩展的要求。

数据分析是利用适当的统计分析方法对收集到的大量数据进行分析，提取有用信息并形成结论，对数据进行详细研究和总结的过程。 将就业分析模型所需的数据存入数据库后，即可使用该数据进行分析，并提供简单的类似SQI的查询语句。 通过我们包装设计专业就业率图表分析，我们可以实现传统数据仓库实现的就业数据的汇总统计分析，并且可以轻松扩展其存储容量和计算能力。 计算学生之间的相似度，为即将毕业的学生推荐合适的就业单位和职位，并提供个性化服务； 其次是聚类，这是一种无监督机器学习。 对未能及时找到工作的学生进行分析，找出他们的共同特征，然后对比在校学生的相关属性，给学生预警，以便他们确定后续学习和生活的目标。

在数据展示层，构建大学生就业城市和就业企业类别的直方图或曲线图的抽象和描述。 我们可以使用该软件将分析结果可视化，并将数据与漂亮的图标完美结合。 ，它包含了很多预定义的图标格式，还可以在单​​个图表中显示时间、地图等维度

在所有个性化推荐算法中，协同过滤系统的应用效果和应用状况最好。 协同过滤推荐可以完成对过滤内容的过滤和分析，分析用户爱好、主观特征，提高信息服务质量，根据对象提高信息服务质量协同过滤算法可以分为基于用户和基于项目两种。 我们的项目服务平台选择以用户为基础。

具体过程包括：建立评价矩阵、搜索最近邻、生成推荐。 算法公式如下

sire(a,z)表示相似度，scale表示项目评分，R和表示项目评价的平均值。

模糊决策是指在模糊环境下进行决策的数学理论和方法。 严格来说吉祥物，最现实的决策都是模糊决策。 模糊决策的研究起步较晚，但涉及面广，范围不明确。 常见的模糊决策方法有模糊排序、模糊优化和模糊对策等。

本项目采用模糊决策技术收集用户满意度评价信息，分析总结系统改进的建议和目标，为长期开发和维护打下良好的基础，努力满足用户需求。