基于廣義回歸神經(jīng)網(wǎng)絡(luò)的職業(yè)性向分析

林森

（江蘇工程職業(yè)技術(shù)學(xué)院，南通 226007）

基于廣義回歸神經(jīng)網(wǎng)絡(luò)的職業(yè)性向分析

林森

（江蘇工程職業(yè)技術(shù)學(xué)院，南通 226007）

對(duì)在校大學(xué)生進(jìn)行霍蘭德職業(yè)性向測(cè)評(píng)，利用模糊聚類(lèi)對(duì)測(cè)評(píng)數(shù)據(jù)進(jìn)行初步歸類(lèi)，應(yīng)用廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)迭代訓(xùn)練建立分類(lèi)模型，將主客觀測(cè)評(píng)數(shù)據(jù)對(duì)應(yīng)的分類(lèi)結(jié)果進(jìn)行比對(duì)獲取吻合率，為大學(xué)生的就業(yè)指導(dǎo)提供參考。

職業(yè)性向；廣義回歸神經(jīng)網(wǎng)絡(luò)；模糊聚類(lèi)；Matlab應(yīng)用

1 職業(yè)性向基礎(chǔ)理論

職業(yè)性向又名職業(yè)興趣、職業(yè)性格，反映出的是就職者對(duì)不同職業(yè)的取向意愿和渴望程度。個(gè)人的性格和稟賦作為職業(yè)性向形成的重要因素，也對(duì)個(gè)人職業(yè)生涯規(guī)劃和發(fā)展產(chǎn)生重要影響。職業(yè)性向不可被直接感知，但可以從行為模式中去觀察推測(cè)或者利用問(wèn)卷調(diào)查進(jìn)行了解。美國(guó)著名職業(yè)指導(dǎo)專(zhuān)家霍蘭德（John Holland）認(rèn)為不同的職業(yè)性向適宜不同的職業(yè)選擇，即興趣與職業(yè)密切相關(guān)：兩者相投則相互促進(jìn)，兩者相悖則互相阻礙。同時(shí)，霍蘭德提出可將現(xiàn)實(shí)中的人分為現(xiàn)實(shí)型（Realistic）、研究型（Investigative）、藝術(shù)型（Artistic）、社會(huì)型（Social）、企業(yè)型（Enterprise）、傳統(tǒng)型（Conventional）6種類(lèi)型。利用一個(gè)正六邊形，如圖1所示，可以簡(jiǎn)單表述這6種類(lèi)型之間的關(guān)系，正六邊形的6個(gè)頂點(diǎn)代表6種類(lèi)型，如果頂點(diǎn)間的連線(xiàn)距離越短，表明不同類(lèi)型之間的相關(guān)性越大；頂點(diǎn)間的連線(xiàn)距離越長(zhǎng)，表明不同類(lèi)型之間的相關(guān)性越小。霍蘭德?lián)司幹瞥龅穆殬I(yè)性向測(cè)試題在全球各大企業(yè)人事錄用和選拔人才的過(guò)程中發(fā)揮了重要作用。本文即是利用霍蘭德職業(yè)性向測(cè)試，對(duì)在校大學(xué)生開(kāi)展自我評(píng)估、職業(yè)了解和就業(yè)指導(dǎo)進(jìn)行初步探索[1-2]。

圖16 種類(lèi)型間的關(guān)系圖

2 廣義回歸神經(jīng)網(wǎng)絡(luò)基本原理

廣義回歸神經(jīng)網(wǎng)絡(luò)[3]（GRNN，Generalized Regression Neural

Network）由美國(guó)學(xué)者Donald F.Specht于1991年提出，是一種基于非線(xiàn)性回歸理論的前饋式神經(jīng)網(wǎng)絡(luò)模型，是RBF神經(jīng)網(wǎng)絡(luò)的分支，通過(guò)激活神經(jīng)元來(lái)逼近函數(shù)。廣義回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，包括輸入層、模式層、求和層和輸出層。輸入層中的神經(jīng)元數(shù)目等于學(xué)習(xí)樣本中輸入向量的維數(shù)，對(duì)應(yīng)網(wǎng)絡(luò)輸入為輸出層中的神經(jīng)元數(shù)目等于學(xué)習(xí)樣本中輸出向量的維數(shù)，對(duì)應(yīng)網(wǎng)絡(luò)輸出為模式層中的神經(jīng)元數(shù)目等于學(xué)習(xí)樣本的數(shù)目，各神經(jīng)元對(duì)應(yīng)不同的學(xué)習(xí)樣本，模式層中神經(jīng)元的傳遞函數(shù)為]，其中X是網(wǎng)絡(luò)輸入變量，Xi是第i個(gè)神經(jīng)元對(duì)應(yīng)的學(xué)習(xí)樣本，δ為平滑因子。求和層中使用兩種類(lèi)型的神經(jīng)元進(jìn)行，對(duì)應(yīng)兩類(lèi)求和計(jì)算公式：一類(lèi)是對(duì)模式層所有神經(jīng)元的輸出進(jìn)行算術(shù)求和，傳遞函數(shù)為另一類(lèi)則對(duì)模式層所有神經(jīng)元的輸出進(jìn)行加權(quán)求和，傳遞函數(shù)為輸出層中的神經(jīng)元將求和層中的兩個(gè)和值輸出相除，得到估計(jì)結(jié)果

圖2 廣義回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3 職業(yè)性向?qū)嵶C分析

本文使用的霍蘭德職業(yè)性向測(cè)評(píng)問(wèn)卷分為主、客觀兩部分?？陀^部分包含被測(cè)試者所感興趣的活動(dòng)、所擅長(zhǎng)的活動(dòng)和所喜歡的職業(yè)3個(gè)方面，每方面都對(duì)應(yīng)霍蘭德職業(yè)性向的6種不同類(lèi)型的測(cè)評(píng)題各10題，共計(jì)60題，被測(cè)試者根據(jù)測(cè)評(píng)題中的陳述，將與自身情形相符的測(cè)評(píng)題勾選中，選中1題計(jì)1分，從而得到對(duì)應(yīng)6種不同類(lèi)型測(cè)評(píng)題的6個(gè)客觀性得分。主觀部分針對(duì)霍蘭德職業(yè)性向的6種不同類(lèi)型，被測(cè)試者進(jìn)行自我評(píng)價(jià)，7分為最高分，0分為最低分，自我評(píng)價(jià)的得分高低，表明被測(cè)試者對(duì)于自身屬于此種類(lèi)型的主觀認(rèn)可度的強(qiáng)弱，從而得到對(duì)應(yīng)6種不同類(lèi)型自我評(píng)價(jià)的6個(gè)主觀性得分。最后記錄下主客觀部分的各自分值。表1為客觀性問(wèn)卷，表2為主觀性問(wèn)卷。

依據(jù)主客觀兩部分的分值情況，利用模糊聚類(lèi)與廣義神經(jīng)網(wǎng)絡(luò)分別進(jìn)行迭代聚類(lèi)，從而得到依據(jù)客觀性問(wèn)卷得分和主觀性問(wèn)卷得分所對(duì)應(yīng)的兩組分類(lèi)結(jié)果，并將這兩組分類(lèi)結(jié)果進(jìn)行比對(duì)分析，獲取兩組分類(lèi)結(jié)果的吻合率。算法流程如圖3所示，算法流程中各個(gè)模塊的作用為：①模糊聚類(lèi)模塊采用模糊均值聚類(lèi)算法，將職業(yè)性向分析數(shù)據(jù)分為6類(lèi)，并得到每類(lèi)的聚類(lèi)中心和個(gè)體模糊隸屬度矩陣。②網(wǎng)絡(luò)訓(xùn)練初始數(shù)據(jù)選擇模塊根據(jù)模糊聚類(lèi)的結(jié)果，選擇最靠近每類(lèi)中心的20個(gè)樣本作為廣義回歸神經(jīng)網(wǎng)絡(luò)聚類(lèi)訓(xùn)練樣本。首先求得每類(lèi)的類(lèi)內(nèi)均值（中心值），然后求得每類(lèi)中所有樣本到中心值的距離矩陣，從距離矩陣中選擇距離最小的20個(gè)樣本作為一組，共6組120個(gè)，并設(shè)定其對(duì)應(yīng)的網(wǎng)絡(luò)輸出。③廣義回歸神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊利用訓(xùn)練數(shù)據(jù)訓(xùn)練廣義神經(jīng)網(wǎng)絡(luò)。④廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模塊利用訓(xùn)練好的網(wǎng)絡(luò)預(yù)測(cè)所有輸入樣本數(shù)據(jù)的分類(lèi)輸出。⑤網(wǎng)絡(luò)選擇訓(xùn)練數(shù)據(jù)模塊，根據(jù)預(yù)測(cè)輸出把職業(yè)性向分析數(shù)據(jù)重新分類(lèi)為6類(lèi)，重復(fù)步驟②的操作，找出最靠近每類(lèi)中心值的20個(gè)樣本作為新的訓(xùn)練樣本。⑥未達(dá)到20次的迭代次數(shù)就反復(fù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，達(dá)到20次的迭代次數(shù)后，根據(jù)輸入的職業(yè)性向分析數(shù)據(jù)，輸出所對(duì)應(yīng)的分類(lèi)結(jié)果。

表1 客觀性問(wèn)卷

在Matlab7.8環(huán)境下，所有數(shù)據(jù)均來(lái)源于南通紡織職業(yè)技術(shù)學(xué)院機(jī)電工程學(xué)院學(xué)生，共287個(gè)采集對(duì)象，分屬于電子信息工程技術(shù)、電氣自動(dòng)化技術(shù)、機(jī)電一體化技術(shù)和機(jī)械設(shè)計(jì)與制造4個(gè)不同專(zhuān)業(yè)的二年級(jí)和三年級(jí)學(xué)生。針對(duì)主客觀兩方面的分值，利用廣義回歸神經(jīng)網(wǎng)絡(luò)分別進(jìn)行訓(xùn)練分類(lèi)，并將兩者的分類(lèi)結(jié)果進(jìn)行比對(duì)，求取主客觀分類(lèi)結(jié)果相吻合的比率。由于本文采用的廣義回歸神經(jīng)網(wǎng)絡(luò)屬于RBF神經(jīng)網(wǎng)絡(luò)的范疇，神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)其中的網(wǎng)絡(luò)權(quán)值不斷變化，從而導(dǎo)致每一次訓(xùn)練后的外推分類(lèi)數(shù)據(jù)也不完全一致，具有一定的隨機(jī)性，故本文隨機(jī)運(yùn)行程序10次，記錄下分類(lèi)結(jié)果吻合率的最高值與最低值。其中模糊聚類(lèi)函數(shù)為調(diào)用Matlab函數(shù)[center,U,obj_fcn]=fcm(data,cluster_n)，聚類(lèi)數(shù)cluster_n設(shè)為6類(lèi)；廣義回歸神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)為調(diào)用Matlab函數(shù)net=newgrnn(P，T，spread)，徑向基函數(shù)的擴(kuò)展速度spread設(shè)為0.1。表3為基于GRNN的職業(yè)性向分類(lèi)結(jié)果吻合率。試驗(yàn)結(jié)果截屏示意圖見(jiàn)圖4和圖5。截屏中的變量說(shuō)明：sy7a2為主觀性數(shù)據(jù)分類(lèi)結(jié)果，sy8a2為客觀性數(shù)據(jù)分類(lèi)結(jié)果，r1、r2、r3和r4分別為電子信息專(zhuān)業(yè)、機(jī)電一體化專(zhuān)業(yè)、機(jī)械制造專(zhuān)業(yè)和電氣自動(dòng)化專(zhuān)業(yè)的主客觀分類(lèi)結(jié)果吻合率。隨機(jī)試驗(yàn)兩次，圖4為第一次隨機(jī)試驗(yàn)的結(jié)果，圖5為第二次隨機(jī)試驗(yàn)的結(jié)果。

從試驗(yàn)結(jié)果可以看到，經(jīng)過(guò)模糊聚類(lèi)的無(wú)監(jiān)督分類(lèi)與廣義回歸神經(jīng)網(wǎng)絡(luò)的有監(jiān)督學(xué)習(xí)后，4個(gè)專(zhuān)業(yè)中學(xué)生主客觀職業(yè)性向選擇的最高吻合率為66.04%，出現(xiàn)在電氣自動(dòng)化專(zhuān)業(yè)；最低吻合率為34.67%，出現(xiàn)在機(jī)械制造專(zhuān)業(yè)，4個(gè)不同專(zhuān)業(yè)的學(xué)生主客觀職業(yè)性向的吻合率偏低，說(shuō)明學(xué)生主觀的自我認(rèn)識(shí)和自身評(píng)價(jià)與客觀的能力愛(ài)好和從業(yè)意向還存在著一定的偏差，這會(huì)對(duì)學(xué)生步入社會(huì)時(shí)的職業(yè)選擇帶來(lái)不利影響，因此在今后的大學(xué)生就業(yè)指導(dǎo)工作中，應(yīng)進(jìn)一步加強(qiáng)引導(dǎo)適時(shí)糾正，讓學(xué)生對(duì)自身有更為清晰的認(rèn)識(shí)，使得學(xué)生能夠邁好進(jìn)入社會(huì)的第一步。

表2 主觀性問(wèn)卷

圖3 基于GRNN的職業(yè)性向分析算法流程圖

表3 基于GRNN的職業(yè)性向分類(lèi)結(jié)果吻合率

圖4 第一次隨機(jī)試驗(yàn)的分類(lèi)結(jié)果

4 結(jié)論

本文對(duì)在校大學(xué)生進(jìn)行霍蘭德職業(yè)性向測(cè)評(píng)，利用模糊聚類(lèi)和廣義回歸神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)評(píng)問(wèn)卷獲得的數(shù)據(jù)進(jìn)行分析，分析結(jié)果表明學(xué)生主客觀職業(yè)性向選擇的吻合率仍有待提高，對(duì)于在校大學(xué)生在職業(yè)定位、職業(yè)規(guī)劃與職業(yè)選擇方面的教育工作需要加強(qiáng)。此外，本研究也存在某些需要改進(jìn)的方面，例如廣義回歸神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)擴(kuò)展速度的確定，是通過(guò)主觀人為設(shè)定，需在今后更深入地展開(kāi)研究，以進(jìn)一步提高算法的客觀性。

[1]冼建英.霍蘭德職業(yè)人格測(cè)試在就業(yè)指導(dǎo)工作中的應(yīng)用[J].職業(yè)技術(shù)教育，2008（23）：91-92.

[2]呂國(guó)富.霍蘭德人格類(lèi)型理論與大學(xué)生職業(yè)生涯輔導(dǎo)[J].貴州師范大學(xué)學(xué)報(bào)：社會(huì)科學(xué)版，2007（147）:95-99.

[3]李剛.廣義回歸神經(jīng)網(wǎng)絡(luò)在大壩安全監(jiān)測(cè)數(shù)據(jù)分析中的應(yīng)用[D].武漢：武漢大學(xué)，2005.

（責(zé)任編輯：王曉燕）

Career Orientation Analysis Based on Generalized Regression Neural Network

LIN Sen

（Jiangsu College of Engineering and Technology，Nantong 226007，China）

Holland’s Vocational Preference Inventory is used to evaluate the career orientation of college students.The results are classified by means of fuzzy cluster，and a classifying model is then established by using Generalized Regression Neural Network(GRNN)iterative algorithm.Classified results of subjective and objective evaluation are compared to obtain the rate of agreement.The study provides references for the career guidance in college education.

career orientation；GRNN；fuzzy cluster；Matlab application

TP391

A

1671-6191（2014）02-0018-04

2013-12-12

林森(1981-)，男，江蘇鎮(zhèn)江人，江蘇工程職業(yè)技術(shù)學(xué)院機(jī)電工程學(xué)院講師，研究方向?yàn)闄C(jī)電專(zhuān)業(yè)教學(xué)。