摘 要：IT類專業(yè)學(xué)生由于其專業(yè)特點(diǎn)，企業(yè)實(shí)習(xí)環(huán)節(jié)往往貫穿整個(gè)培養(yǎng)過程，實(shí)習(xí)環(huán)節(jié)效果的好壞直接影響到學(xué)生的能力培養(yǎng)與就業(yè)質(zhì)量。如何將實(shí)習(xí)單位的資源配置、業(yè)務(wù)特點(diǎn)及學(xué)生專長與興趣等因素進(jìn)行有機(jī)整合，是改善和提高實(shí)習(xí)效果的有效途徑。本文基于機(jī)器學(xué)習(xí)的方法，對(duì)IT專業(yè)學(xué)生實(shí)習(xí)單位推薦與評(píng)價(jià)開展了研究工作，以某高校計(jì)算機(jī)專業(yè)歷年的實(shí)習(xí)、評(píng)價(jià)和就業(yè)等相關(guān)數(shù)據(jù)為學(xué)習(xí)樣本，自動(dòng)學(xué)習(xí)和生成推薦模型與評(píng)價(jià)體系。實(shí)際應(yīng)用效果表明：該系統(tǒng)能為實(shí)習(xí)組織工作提供更加客觀的決策支持信息，有效提高學(xué)生的實(shí)習(xí)與就業(yè)質(zhì)量。

　　關(guān)鍵詞：推薦系統(tǒng);機(jī)器學(xué)習(xí);評(píng)價(jià)系統(tǒng)

　　1 引言(Introduction)

　　國家信息化建設(shè)的迫切需求催生了大量IT企業(yè)的涌現(xiàn)，同時(shí)也提出了持續(xù)性的IT專業(yè)人才需求。順應(yīng)這種趨勢(shì)，幾乎所有的高校都開設(shè)了IT類專業(yè)。在廣招生源的同時(shí)，各培養(yǎng)單位也都意識(shí)到企業(yè)實(shí)習(xí)環(huán)節(jié)在IT類專業(yè)學(xué)生培養(yǎng)過程中的重要性，也開展了大量有針對(duì)性的研究工作。

　　文獻(xiàn)[1]對(duì)工科類大學(xué)生的成長方式進(jìn)行了探索與總結(jié)，通過雷達(dá)圖的形式給出了“實(shí)習(xí)、實(shí)訓(xùn)”和“科技創(chuàng)新訓(xùn)練”環(huán)節(jié)對(duì)學(xué)生就業(yè)能力培養(yǎng)的影響，詳細(xì)的論述了以就業(yè)為導(dǎo)向的工科類大學(xué)生培養(yǎng)應(yīng)該尤其注重加強(qiáng)企業(yè)實(shí)習(xí)環(huán)節(jié)的管理，充分利用好這一寶貴的社會(huì)資源，以培養(yǎng)出能滿足社會(huì)需求的專業(yè)人才;文獻(xiàn)[2]基于“5S管理理論”分析和論述了加強(qiáng)高校學(xué)生實(shí)習(xí)、實(shí)訓(xùn)環(huán)節(jié)管理工作的必要性，并給出了相關(guān)的實(shí)施流程及可行性分析報(bào)告;文獻(xiàn)[3]以促進(jìn)學(xué)生就業(yè)為出發(fā)點(diǎn)，詳盡的介紹了美國高校對(duì)于學(xué)生實(shí)習(xí)的有關(guān)價(jià)值觀念的形成過程和與之相對(duì)應(yīng)的政策制定與演進(jìn)，實(shí)習(xí)過程的組織與效果測(cè)評(píng)等內(nèi)容。隨后與我國的相關(guān)制度與組織過程進(jìn)行了深入對(duì)比，強(qiáng)調(diào)了“制度化”作為“基石”的重要性;文獻(xiàn)[4]也從促進(jìn)學(xué)生就業(yè)的角度出發(fā)，探討了加強(qiáng)實(shí)習(xí)基地建設(shè)，緩解就業(yè)壓力和提高就業(yè)質(zhì)量的必要性和緊迫性，并對(duì)研究小組所開展的探索工作進(jìn)行了簡潔的總結(jié)與反思;文獻(xiàn)[5]分析了在信息化背景下，教與學(xué)的過程在執(zhí)行環(huán)節(jié)中存在的一些問題，著重強(qiáng)調(diào)了“過程”的重要性。而實(shí)習(xí)環(huán)節(jié)也是整個(gè)過程中極為重要的一個(gè)環(huán)節(jié)。

　　2 機(jī)器學(xué)習(xí)輔助決策(Decision-Making aided bymachine learning)

　　機(jī)器學(xué)習(xí)是指使用計(jì)算機(jī)通過模擬人類學(xué)習(xí)和獲取信息的準(zhǔn)則，以預(yù)測(cè)為目標(biāo)的一系列過程。它包括統(tǒng)計(jì)建模、優(yōu)化處理、算法設(shè)計(jì)和統(tǒng)計(jì)分析等，涉及數(shù)學(xué)、統(tǒng)計(jì)學(xué)和計(jì)算機(jī)科學(xué)等多個(gè)學(xué)科[6]。通過幾十年的發(fā)展，尤其是隨著計(jì)算機(jī)處理和存儲(chǔ)能力的日益提高，機(jī)器學(xué)習(xí)目前已經(jīng)成為一個(gè)熱點(diǎn)研究領(lǐng)域，并和各行各業(yè)緊密結(jié)合，成為一門“利器”。決策論作為運(yùn)籌學(xué)的一個(gè)重要分支，為決策分析提供了堅(jiān)實(shí)的理論基礎(chǔ)[7]。傳統(tǒng)意義上的決策論往往需要預(yù)先給定一個(gè)評(píng)價(jià)準(zhǔn)則，隨后在給定的信息集上通過數(shù)量方法來尋找或選取最優(yōu)決策。當(dāng)面臨的數(shù)據(jù)維度較高，組成復(fù)雜的時(shí)候，常規(guī)的數(shù)量方法難以挖掘出高維數(shù)據(jù)中所隱含的特征，導(dǎo)致容易偏離最優(yōu)決策。這種情況下，可以通過利用新的技術(shù)手段進(jìn)行高維數(shù)據(jù)挖掘來改善效果;也可以轉(zhuǎn)變角色，退化為輔助決策來繼續(xù)發(fā)揮作用。麻省理工學(xué)院的資深學(xué)者Theja Tulabandhula和Cynthia Rudin在文獻(xiàn)[8]中提出了一種綁定機(jī)器學(xué)習(xí)和決策的框架，并在航線規(guī)劃和交通路徑規(guī)劃(ML&TRP;)等實(shí)際應(yīng)用領(lǐng)域開展了驗(yàn)證性研究工作，在一定程度上證明了該方法的理論基礎(chǔ)和實(shí)際可行性。文獻(xiàn)[9]利用貝葉斯網(wǎng)絡(luò)對(duì)不確定性問題的表達(dá)與處理能力，設(shè)計(jì)了一套網(wǎng)絡(luò)交互教學(xué)效果評(píng)價(jià)系統(tǒng)，能有效改善網(wǎng)絡(luò)教學(xué)效果評(píng)價(jià)的質(zhì)量。

　　本研究小組對(duì)我院計(jì)算機(jī)科學(xué)與技術(shù)、軟件工程、網(wǎng)絡(luò)工程等三個(gè)專業(yè)，自2011年以來的實(shí)習(xí)與就業(yè)相關(guān)數(shù)據(jù)進(jìn)行收集整理，涉及相關(guān)學(xué)生累計(jì)達(dá)785人，實(shí)習(xí)與就業(yè)單位達(dá)325家，統(tǒng)計(jì)的多維度的單位信息、學(xué)生信息、實(shí)習(xí)組織相關(guān)信息、評(píng)價(jià)與反饋信息等記錄高達(dá)300多萬條(維)。依靠人工已經(jīng)難以充分和有效的挖掘出這些信息內(nèi)部所包含的有價(jià)值信息，以為后續(xù)實(shí)習(xí)工作提供輔助決策。因此，本文利用機(jī)器學(xué)習(xí)的方法對(duì)2011—2014年的相關(guān)數(shù)據(jù)進(jìn)行學(xué)習(xí)，從高維度數(shù)據(jù)中學(xué)習(xí)出各個(gè)實(shí)習(xí)/就業(yè)單位和學(xué)生的相關(guān)特征，給出明確的類別標(biāo)識(shí)，并作為決策信息為2015屆的實(shí)習(xí)與就業(yè)組織工作提供參考依據(jù)。

　　3 輔助決策的推薦系統(tǒng)構(gòu)建(Construction ofrecommendation system for aided decision-making)

　　從宏觀上來說，將合適的學(xué)生派遣至合適的實(shí)習(xí)單位，能充分發(fā)揮主觀能動(dòng)性和資源配置優(yōu)勢(shì)，達(dá)到最好的實(shí)習(xí)效果，從而提升學(xué)生的整體就業(yè)競(jìng)爭(zhēng)力。具體到每位學(xué)生，只能從眾多的待選實(shí)習(xí)單位中選擇一家進(jìn)行派遣，且在實(shí)習(xí)過程中進(jìn)行改派的可操作性也不強(qiáng)。因此，如何準(zhǔn)確的對(duì)實(shí)習(xí)單位和待派學(xué)生進(jìn)行特征分析與匹配，成為要解決的關(guān)鍵問題之一，也是首要問題。具有自然屬性的“實(shí)習(xí)單位”和“實(shí)習(xí)生”完全能符合“物以類聚，人以群分”的屬性，如果能借助于機(jī)器學(xué)習(xí)算法對(duì)“實(shí)習(xí)單位”和“實(shí)習(xí)生”進(jìn)行合理的分析與劃分，將能有效的提高實(shí)習(xí)派遣與管理的效率和改善效果。

　　本系統(tǒng)的構(gòu)建目標(biāo)即為：利用機(jī)器學(xué)習(xí)算法，以歷史的實(shí)習(xí)與就業(yè)數(shù)據(jù)為樣本，對(duì)相關(guān)實(shí)習(xí)單位按照多維特征值進(jìn)行聚類操作，形成k個(gè)類;在實(shí)習(xí)派遣階段，再利用分類算法，將每名學(xué)生分到k類中的一個(gè)。這樣就能建立起一名學(xué)生到某類實(shí)習(xí)單位之間的映射關(guān)系，輔助決策推薦系統(tǒng)示意圖如圖1所示。

　　在圖1中，m為學(xué)生總數(shù)，n為實(shí)習(xí)單位總數(shù)，k為實(shí)習(xí)單位總類數(shù)，其中，n>>k。通過該“聚類—分類”操作，實(shí)習(xí)派遣操作就轉(zhuǎn)換為從系統(tǒng)為某位同學(xué)推薦的一類實(shí)習(xí)單位中選擇一個(gè)的問題。該系統(tǒng)要能完成相關(guān)功能操作，需要解決如下兩項(xiàng)關(guān)鍵問題：

　　3.1 聚類算法選擇

　　聚類算法目前已經(jīng)在眾多領(lǐng)域得到廣泛的應(yīng)用并取得了良好的效果，尤其是在商業(yè)推薦、社團(tuán)劃分等應(yīng)用領(lǐng)域。在本系統(tǒng)中，聚類算法的目標(biāo)為：從紛繁蕪雜的實(shí)習(xí)單位相關(guān)高維數(shù)據(jù)中，提取出關(guān)鍵性的特征向量，并以此為依據(jù)將所有的實(shí)習(xí)單位聚為k個(gè)類。這k個(gè)類將作為后續(xù)分類操作的依據(jù)。聚類操作的起源可以追溯至古老的分類學(xué)，在計(jì)算機(jī)的存儲(chǔ)和處理能力達(dá)到一定水平之前，利用數(shù)學(xué)工具進(jìn)行定量的分析存在著困難，人類只能在經(jīng)驗(yàn)和專業(yè)知識(shí)的基礎(chǔ)上執(zhí)行帶有較強(qiáng)主觀色彩的判斷。這種方式已經(jīng)難以適應(yīng)目前以大數(shù)據(jù)量為背景的應(yīng)用場(chǎng)景。與此同時(shí)，各種基于機(jī)器學(xué)習(xí)的聚類算法大量涌現(xiàn)并且開始具有實(shí)際應(yīng)用價(jià)值。其中，基于劃分式的方法發(fā)展得到了較多的關(guān)注，研究成果也較為豐富。劃分法的基本思想為：給定一個(gè)包含N個(gè)元素的數(shù)據(jù)集，通過分裂的方法將其構(gòu)造為k個(gè)分組。為了保障算法快速收斂，一般會(huì)要求同一分組中的元素之間的距離滿足一個(gè)給定的閾值(距離小則認(rèn)為相似度高)。

　　(1)K-MEANS算法

　　K-MEANS算法是一種較為經(jīng)典的聚類算法，其基本思想為：根據(jù)總類別數(shù)量k，在樣本中隨機(jī)找出k個(gè)點(diǎn)來作為原始的類中心點(diǎn)，然后計(jì)算余下的點(diǎn)與選定的k個(gè)點(diǎn)的距離，按照距離將其歸入某類，完成操作后再重新計(jì)算k類中所有距離的平均值并將其作為新的中心點(diǎn)，不斷的迭代，直到測(cè)度函數(shù)收斂(中心點(diǎn)不再發(fā)生明顯變化)。通過該算法，可以將相識(shí)度高的點(diǎn)聚為一類，同時(shí)將不同類之間盡量分開。但是，利用K-MEANS算法所劃分的類別之間的差異度往往不夠大，且對(duì)樣本數(shù)據(jù)要求較高，在實(shí)際的應(yīng)用過程中需要采取各種改進(jìn)措施。

　　(2)K-MEDOIDS算法

　　為了克服K-MEANS算法對(duì)臟數(shù)據(jù)敏感的缺點(diǎn)，K-MEDOIDS算法利用一個(gè)對(duì)象(MEDOIDS)來代替初始中心點(diǎn)，然后進(jìn)行初始聚類，再找出類中到其他點(diǎn)距離之和最小的點(diǎn)作為新的中心點(diǎn)，再重復(fù)該操作直到收斂。Partitioning Around Medoids(PAM)算法是該類算法中具有代表性的一種，但是由于存在較多的循環(huán)和迭代運(yùn)算，算法復(fù)雜度較高——O(k(n-k)2)。文獻(xiàn)[9]提出了一種簡單高效的啟發(fā)式算法將計(jì)算復(fù)雜度降低為——O(nk)，使得其實(shí)用性大幅度提高。

　　在實(shí)際操作過程中，并不會(huì)向所有的實(shí)習(xí)單位都派遣實(shí)習(xí)生，尤其對(duì)于IT企業(yè)，單位來源的動(dòng)態(tài)性也較強(qiáng)，即使是同一單位，在不同時(shí)期所體現(xiàn)出的對(duì)實(shí)習(xí)生的特征也不盡相同(根據(jù)企業(yè)實(shí)際工程項(xiàng)目)。因此，對(duì)實(shí)習(xí)單位的聚類操作需要?jiǎng)討B(tài)的進(jìn)行，以適應(yīng)實(shí)際情況。經(jīng)過綜合對(duì)比分析和實(shí)驗(yàn)測(cè)試，我們選擇文獻(xiàn)[10]提出的基于K-MEDOIDS的改進(jìn)算法來作為本系統(tǒng)的聚類算法。

　　3.2 分類算法選擇

　　分類算法的研究工作也積累了大量的研究成果，可供選擇的面也較為豐富。但本系統(tǒng)所需的分類方法有極強(qiáng)的特性，主要體現(xiàn)為：企業(yè)類和實(shí)習(xí)生不具有同構(gòu)性，即某類企業(yè)的特征與某名學(xué)生的特征沒有直接的相似性，不能直接按聚合的k類來對(duì)學(xué)生進(jìn)行分類。因此，我們需要建立起企業(yè)類到實(shí)習(xí)生之間的關(guān)聯(lián)規(guī)則，以實(shí)現(xiàn)將某位學(xué)生到某類企業(yè)直接的關(guān)聯(lián)(推薦依據(jù))。任務(wù)轉(zhuǎn)換為“關(guān)聯(lián)規(guī)則挖掘問題”，該問題是數(shù)據(jù)挖掘中的一個(gè)重要領(lǐng)域，而基于關(guān)聯(lián)規(guī)則的分類方法通常包含兩個(gè)基本步驟：首先，利用算法從樣本數(shù)據(jù)集中挖掘出所有的滿足預(yù)先指定支持度和置信度的類關(guān)聯(lián)規(guī)則;接下來利用啟發(fā)式算法從第一步給出的類關(guān)聯(lián)規(guī)則中挑選出恰當(dāng)?shù)囊?guī)則，用于分類操作。采用在線學(xué)習(xí)的思想，文獻(xiàn)[11]提出了一種如圖2所示的模糊關(guān)聯(lián)規(guī)則挖掘方法。

　　如圖2所示的關(guān)聯(lián)規(guī)則方法可簡述為：首先給出一個(gè)預(yù)定義的隸屬函數(shù)，通過學(xué)習(xí)過程來學(xué)習(xí)事務(wù)數(shù)據(jù)庫中的對(duì)象(企業(yè)類/實(shí)習(xí)生數(shù)據(jù)集)并在線對(duì)模型的適應(yīng)度進(jìn)行評(píng)估，最后給出確定的隸屬函數(shù)，再利用模糊挖掘方法從數(shù)據(jù)集中挖掘出模糊關(guān)聯(lián)規(guī)則，用于指導(dǎo)分類過程。利用該方法可以有效的解決本研究所涉及的異構(gòu)對(duì)象之間的關(guān)聯(lián)問題，模型評(píng)估過程可以作為下一階段效果評(píng)價(jià)環(huán)節(jié)的反饋入口，提高準(zhǔn)確率、增強(qiáng)系統(tǒng)的適應(yīng)性。

　　4 效果評(píng)價(jià)模型(Effect evaluation model)

　　單純考慮具體的實(shí)習(xí)成績?cè)u(píng)定等細(xì)節(jié)性環(huán)節(jié)，往往會(huì)導(dǎo)致效果評(píng)價(jià)環(huán)節(jié)流于形式，失去評(píng)價(jià)的作用。本系統(tǒng)將綜合考慮實(shí)習(xí)生反饋、企業(yè)反饋、就業(yè)情況、教師評(píng)價(jià)等多方面的因素，力爭(zhēng)客觀評(píng)價(jià)，且對(duì)實(shí)習(xí)效果的評(píng)價(jià)將作為影響因子(λ)反饋至系統(tǒng)的分類模型環(huán)節(jié)，用于評(píng)估、調(diào)整隸屬模型，更好的支撐模糊關(guān)聯(lián)規(guī)則的挖掘過程，從而改進(jìn)派遣環(huán)節(jié)的分類效果，提高派遣環(huán)節(jié)的針對(duì)性，最終促進(jìn)和提高實(shí)習(xí)效果，實(shí)現(xiàn)實(shí)習(xí)生、學(xué)校和實(shí)習(xí)單位三方的和諧發(fā)展。λ的構(gòu)成如表1所示。

　　實(shí)習(xí)生可以在實(shí)習(xí)報(bào)告中，對(duì)實(shí)習(xí)派遣與預(yù)期情況的匹配程度進(jìn)行打分評(píng)價(jià)，占0.2的權(quán)值;實(shí)習(xí)單位可以通過實(shí)習(xí)生的實(shí)習(xí)報(bào)告向?qū)W校反饋其是否愿意繼續(xù)接納同類實(shí)習(xí)生，以及給出相關(guān)評(píng)語等，占0.2權(quán)值;責(zé)任教師可以結(jié)合日?？己藖韺?duì)學(xué)生實(shí)習(xí)期間的表現(xiàn)進(jìn)行打分和評(píng)定，如有必要，也可以給出相關(guān)說明，該環(huán)節(jié)類似于傳統(tǒng)的實(shí)習(xí)成績?cè)u(píng)定，占0.1的權(quán)值;領(lǐng)導(dǎo)小組負(fù)責(zé)后續(xù)就業(yè)相關(guān)情況的跟進(jìn)調(diào)查，主要依據(jù)是就業(yè)協(xié)議書、就業(yè)合同和走訪調(diào)查的結(jié)果等，占0.5的權(quán)值。因?yàn)榫蜆I(yè)情況能比較客觀的反映實(shí)習(xí)派遣的效果，例如，如果某位實(shí)習(xí)生從系統(tǒng)推薦的一類實(shí)習(xí)單位中選擇一個(gè)并最終在該實(shí)習(xí)單位就業(yè)，認(rèn)為該派遣為一項(xiàng)正確的派遣，故設(shè)定較高的權(quán)值，有利于隸屬函數(shù)的優(yōu)化和關(guān)聯(lián)規(guī)則的挖掘。評(píng)價(jià)模型輸出的λ值為歸一化的標(biāo)準(zhǔn)值，可以直接應(yīng)用于反饋環(huán)節(jié)。

　　5 應(yīng)用效果與分析(Application effect and analysis)

　　本小組將系統(tǒng)應(yīng)用在我院2015屆161名畢業(yè)生的實(shí)習(xí)派遣和效果評(píng)價(jià)環(huán)節(jié)，并對(duì)效果進(jìn)行了分析?？偟膶?shí)習(xí)單位數(shù)量為78個(gè)(基本都為網(wǎng)絡(luò)、軟件、培訓(xùn)等IT類企業(yè))，實(shí)習(xí)單位聚類情況如圖3所示。

　　分析圖3的數(shù)據(jù)，我們可以發(fā)現(xiàn)，系統(tǒng)將這78家單位聚為25個(gè)類，且絕大多數(shù)的類包含的單位數(shù)量都在2至5家，僅有三個(gè)單選類，我們查看原始數(shù)據(jù)發(fā)現(xiàn)其分別為醫(yī)療、交通和政府機(jī)構(gòu)等與IT企業(yè)相關(guān)性不強(qiáng)的單位，因而很難找到共性特征。這樣的聚類效果為后續(xù)模糊關(guān)聯(lián)和推薦打下了較好的基礎(chǔ)。

　　在所有的161名畢業(yè)生中，有五人與非IT類單位有明確的就業(yè)意向，其實(shí)習(xí)派遣直接指定。實(shí)際參與推薦的實(shí)習(xí)生總共為156名，所有的同學(xué)都很快的從推薦類中選取了自己認(rèn)為合適的單位并順利完成實(shí)習(xí)過程。目前共確定有效就業(yè)人數(shù)為155人，占總畢業(yè)人數(shù)的96.2%，統(tǒng)計(jì)數(shù)據(jù)具有說服力。在應(yīng)用本系統(tǒng)之前，實(shí)習(xí)派遣很難有針對(duì)性的開展，學(xué)生最后的就業(yè)也基本與實(shí)習(xí)單位沒有關(guān)聯(lián)。應(yīng)用本系統(tǒng)后的2015屆畢業(yè)生中，有87人在實(shí)習(xí)單位就業(yè)，有10人表示期望與實(shí)際情況不符合，有16家實(shí)習(xí)單位表示實(shí)習(xí)生能力有待提高，將加權(quán)統(tǒng)計(jì)得到的λ值反饋至模糊關(guān)聯(lián)學(xué)習(xí)模塊，系統(tǒng)為8名學(xué)生給出了與之前不一樣的推薦類。這表明系統(tǒng)在具備穩(wěn)定性的同時(shí)，也能根據(jù)實(shí)際情況進(jìn)行自適應(yīng)調(diào)節(jié)。

　　6 結(jié)論(Conclusion)

　　大數(shù)據(jù)這一名詞不僅頻繁出現(xiàn)在學(xué)術(shù)界、政府報(bào)告和各類媒體中，它實(shí)際上已經(jīng)滲透到人們?nèi)粘Ｉ畹母鱾€(gè)層面。高效且成熟的機(jī)器學(xué)習(xí)算法恰好為我們提供了分析和挖掘大數(shù)據(jù)背后隱含規(guī)律的工具。本文利用機(jī)器學(xué)習(xí)算法，通過對(duì)我們近年來積累的大量實(shí)習(xí)單位、實(shí)習(xí)生和就業(yè)信息數(shù)據(jù)進(jìn)行挖掘，學(xué)習(xí)并構(gòu)建出了具有實(shí)用性的IT專業(yè)學(xué)生實(shí)習(xí)單位推薦與評(píng)價(jià)系統(tǒng)。在通過聚類算法實(shí)現(xiàn)對(duì)實(shí)習(xí)單位準(zhǔn)確聚類的基礎(chǔ)上，利用數(shù)據(jù)挖掘方法得出實(shí)習(xí)生與實(shí)習(xí)單位直接的模糊關(guān)聯(lián)規(guī)則，將其作為指導(dǎo)實(shí)習(xí)派遣的決策依據(jù)，實(shí)現(xiàn)高效且有針對(duì)性的派遣決策。為適應(yīng)實(shí)習(xí)單位和實(shí)習(xí)生的動(dòng)態(tài)變化特點(diǎn)，系統(tǒng)給出綜合模型來對(duì)實(shí)習(xí)效果進(jìn)行評(píng)價(jià)，并以此作為反饋因子來指導(dǎo)前述關(guān)聯(lián)規(guī)則的挖掘，使系統(tǒng)具備自適應(yīng)特性。實(shí)際應(yīng)用效果也進(jìn)一步驗(yàn)證了系統(tǒng)的合理性和可行性。

　　本系統(tǒng)的推薦部分已經(jīng)具備了可直接使用的原型系統(tǒng)，但是在評(píng)價(jià)部分還存在進(jìn)一步完善之處。比如：反饋環(huán)節(jié)的原始信息目前基于紙質(zhì)材料，部分評(píng)價(jià)主體基于客觀因素可能會(huì)做出不太客觀的評(píng)價(jià)，后續(xù)考慮修應(yīng)用遠(yuǎn)程在線式評(píng)價(jià)系統(tǒng)，實(shí)現(xiàn)評(píng)價(jià)主體的“盲評(píng)”，增強(qiáng)客觀性。此外，評(píng)價(jià)權(quán)重值分配是否存在完善之處，還有待進(jìn)一步驗(yàn)證。

　　參考文獻(xiàn)(References)

　　[1] 于欣欣，李兆博.工科類大學(xué)生成長路徑的研究與探索[J].現(xiàn)代教育管理，2015(1)：124-128.

　　[2] 何瑜.高校學(xué)生實(shí)訓(xùn)實(shí)習(xí)管理模式創(chuàng)新研究——基于5S管理理論[J].內(nèi)蒙古師范大學(xué)學(xué)報(bào)(教育科學(xué)版)，2015，05：76-77.

　　[3] 朱紅，凱倫·阿諾德，陳永利.制度的基石、保障與功能——中美大學(xué)生實(shí)習(xí)比較及對(duì)就業(yè)的啟示[J].北京大學(xué)教育評(píng)論，2012，01：107-123;190.

　　[4] 詹一虹，侯順.加強(qiáng)實(shí)習(xí)基地建設(shè)拓寬高校畢業(yè)生就業(yè)渠道[J].教育研究，2006，09：90-92.

　　[5] 蔡旻君.信息技術(shù)環(huán)境下“學(xué)”與“教”分離現(xiàn)象透視和成因分析[J].電化教育研究，2013，02：93-99.

　　[6] Christopher Bishop.Pattern recognition and machine learning

　　[M].springer，2007：138-216.

　　[7] Perry J.Williams，Mevin B.Hooten.Combining statistical inference and decisions in ecology[J].Ecological Applications，

　　2016，26(6)：1930-1942.

　　[8] Tulabandhula T，Rudin C.On combining machine learning with decision making[J].Machine Learning，2014，97(1-2)：33-64.

　　[9] 張曉勇，彭軍，文孟飛.基于貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)交互教學(xué)成效評(píng)價(jià)系統(tǒng)[J].現(xiàn)代遠(yuǎn)程教育研究，2012，04：85-90.

　　[10] Park H S，Jun C H.A simple and fast algorithm for K-medoids clustering[J].Expert Systems with Applications，2009，36(2)：3336-3341.

　　[11] Alcalá-Fdez J，Alcalá R，Gacto M J，et al.Learning the membership function contexts for mining fuzzy association rules by using genetic algorithms[J].Fuzzy Sets and Systems，2009，160(7)：905-921.