数据挖掘技术在高职毕业生跟踪调查中的应用

杨克玉　刘斌

摘要：随着职业院校的不断发展以及技术的进步，数据挖掘分析已经在教育行业得到越来越多的应用。利用近几年的毕业生调查数据，经过数据清理及集成，运用EXCEL为数据挖掘分析的工具，采用了关联和聚类算法，找到了毕业生就业规律，相应地提出了提高人才培养质量和就业质量的对策和方法，最终让数据分析的成果为高职院校的改革发展提供了科学的依据。

关键词：数据挖掘；关联规则；聚类分析

中图分类号：：TP315 文献标识码：A 文章编号：1009-3044（2014）31-7256-04

Abstract： With the advancement of technology and continuous development of vocational colleges， data mining has been adapted more frequently in education. Based on the survey data in recent years， we clear and integrate the data. Applying EXCEL to the analysis of data mining and adopting association and clustering algorithm， we find the employment law of graduates. Correspondingly， we put forward the strategy and method of improving the quality of personnel training and the quality of employment so that the result of data analysis can provide scientific gauge for the reformation and development of high vocational colleges.

Key words： data mining； association rules； clustering analysis

1 背景

随着近几年高等教育的迅猛发展，高职院校办学规模不断扩大，人才培养质量和毕业生的就业质量越来越受到重视，要想掌握人才培养质量和毕业生的就业质量，需要对学生毕业后的情况进行跟踪调查分析，近几年我校在这方面做了一些工作，主要是对毕业生进行以下项目的调查：是否就业、工作单位、职业岗位、月收入、工作是否与专业相关、专业课程的重要性等内容。通过对近几届学生的调查，数据库中积累了大量的毕业生调查数据，通过现有的管理信息系统只能对数据进行存储、检索等信息管理，其管理已经不能满足学校发展的要求，因此在现有管理信息系统的基础上，引入数据挖掘技术，找出毕业生调查数据中隐藏的规律，提取有价值的信息，更好地为学校的管理者提供决策支持，增强管理信息系统对信息的处理和应用能力，提高数据的利用率。通过对毕业生跟踪调查的历史数据进行充分挖掘和利用，使的毕业生跟踪调查的信息得到全方位、综合应用。该文就是对数据挖掘技术在毕业生跟踪调查中的应用进行研究，探索数据采集后的数据加工、处理和分析方法，并根据有价值信息为学校的教育教学工作提出相应的建议和意见，由此来推进学校的教育教学改革，更好地为学校的改革和发展服务。

2 数据挖掘技术

随着数据库和人工智能等技术的不断发展，数据挖掘技术的应用领域也越来越广泛，主要应用在科学研究、军事、医疗服务、商业金融、通讯、制造业等领域。数据挖掘技术是一种基于数据库的信息管理新技术，它能对数据库或数据仓库中的数据自动地进行分析，发现隐藏的、未知的规律，并提取用户需要的信息，对它们进行归纳性推理和联想，寻找数据间内在的某些关联，从中挖掘出潜在的、对信息预测和决策行为起着十分重要作用的模式，从而建立新的业务模型，以达到帮助决策者做出正确决策的目的。数据挖掘的过程主要分为下面几个步骤进行，首先对数据库中的数据进行清理，集成后存放到数据仓库中；其次是对数据仓库中的数据进行选择和变换；其三应用数据挖掘技术算法对变换后的数据进行挖掘并产生需要的结果，其四将结果以适当的方式交给用户。其中涉及到的数据挖掘算法很多，常用的算法有决策树、关联分析、聚类分析等算法。

1） 决策树算法：决策树是一种常用的算法，就是在数据处理中应用树状结构产生的规律。该算法首先在信息量最大的字段中找到有价值的信息，建立树的一个内部节点，一个内部节点会对应到某项属性的测试，根据测试得到的每一个可能值来建立树的各个分枝叶节点，然后在每个分枝上分别递归上述过程。可以认为树的中间节点代表测试条件，树的分枝代表测试结果，而各分枝节点代表分类后的分类结果。

2） 关联算法：关联规则就是在数据处理中挖掘数据之间的相互联系。最为著名的关联规则发现方法是R.Agrawal提出的Apriori算法。关联规则的发现可分为两步，首先是迭代识别所有的频繁项目集，要求频繁项目集的支持度不低于用户设定的最低值；其次是从频繁项目集中构造置信度不低于用户设定的最低值的规则。因此关联规则的选择主要基于支持度和置信度这两个参数值。

在实际应用中，人们感兴趣的是满足一定支持度和置信度的关联规则，因此在应用关联规则进行数据挖掘时，需要确定两个阈值：最小支持度（minsup）和最小置信度（minconf）。同时满足最小支持度和最小置信度的规则称作强规则。

3） 聚类分析算法：聚类分析算法就是在数据处理中对数据根据一定的分类规则进行合理地划分，把具有相似性特征的数据归为一类，通过聚类把数据集转化为类集。在聚类的过程中人们可以从中发现数据分布的一些特征，对这些特征进行分析，从而得出相应的结果。聚类分析的主要方法有k-means、PAM、CLARANS、BIRCH、CURE、DBSCAN、OPTICS、CLIQUE CABOSFV等算法。endprint

3 数据挖掘技术在高职毕业生跟踪调查中的应用

3.1 数据挖掘技术应用

将我院近几届毕业生的就业数据做完清除空值、离散值等数据清理工作后，利用EXCEL作为数据挖掘工具进行数据挖掘。

1） 使用聚类分析方法进行数据挖掘

通过上述数据准备，选择聚类分析，将院系名称、专业名称、职业名称、行业名称、工作城市名称、获得第一份工作的渠道等作为输入列，分析后可得到两个分类。总体来说，行业分类不太明显，而就业分布的城市比较集中，学校所在地芜湖地区占24.7%，合肥14.4%，长三角所占比例达到18.4%。会计系倾向于分类1，其他专业倾向于分类2。下面就分类1从工作城市、就业渠道、就业岗位三个维度进行观察。其中，工作城市分布情况如图1所示，而获取第一份工作的途径分布情况如图2所示，会计岗位的就业比例占58.4%，反应了该专业对口就业的比例比较高，其分布情况如图3所示

在分类2中就业城市仍然比较集中，芜湖、合肥占的比例最大，而省外则上海的比重最大，而相对于分类1，上海、南京地区的就业比例相对较高，长三角所占比例达到34.3%，具体分布情况如图4所示；就业渠道也有一定的特点，主要是通过专业求职网站、朋友亲戚介绍及向用人单位直接提交申请，与分类1相同，分布情况如图5所示；电子信息工程系、经济贸易系两大系部在分类2中特征比较明显，达到了55.7%，具体情况如图6所示；就上述两个系部，岗位分类上计算机相关行业就业情况不是很理想，而销售人员岗位和文职人员岗位就业是最好的，具体分布情况如图7所示。

3.2 提高毕业生就业的满意度

数据挖掘的重要价值在于通过对大量数据的挖掘分析，提取发现分析对象的内部规律，进而为我们的工作提供决策支持。该文通过对历年就业数据的收集、整理，包括行业分布、地域分布、岗位分布等，并通过比较进行综合分析，最终从中发现了很多有价值的信息。通过对历年就业地域分布情况及就业层次分布情况分析，能够做到更全面地观察就业市场的发展状况，达到对就业市场发展状况的全面监控，并为我们今后的工作决策提供参考和依据。从就业渠道来看，订单式培养还有很大的发展空间，要加强和企业的联系，发挥校企合作的优势，为企业输送合格的人才。而从就业岗位的分析来看，我校毕业生在不少岗位上分布还是很不均衡，过于集中了，需加强对这些薄弱岗位的研究，分析原因，提高各专业对口就业率，让我院毕业生的就业岗位能全面发展。

从最后的分析结果来看，芜湖、合肥的就业比例是最高的，这也说明我院做到了立足地方经济，服务地方经济这一发展宗旨。本院毕业生在上海、南京等长三角地区的就业情况也比较理想，大部分人员从事的工作是现代服务业，说明长三角仍然需要大量的现代服务业人员，而我院开设的绝大部分专业属于现代服务业专业，所以要进一步加强这方面专业的内涵建设；同时需要总结这些毕业生在上海、南京等长三角地区就业的经验，了解他们的就业质量，针对这些地区做好就业服务，提高毕业生就业满意度，通过拓宽就业区域，也让我们的就业地域分布得更加均衡。

利用关联分析得到的职业相关性，就需要将就业环节和教学环节相互衔接，在教学环节上，也要体现这些相关职业在教学上的关联性，这就需要我们进一步优化当前各专业的专业建设方案。如会计专业也要考虑开设行政管理、客户服务的相关课程，来适应现代服务业发展的需要，最终提高学生的就业能力，培养符合企业需求的毕业生。

3.3 优化人才培养模式提高人才培养质量

通过聚类算法对2012届毕业生跟踪调查数据进行数据挖掘，发现毕业生自主创业的人数达到4.26%，如图9 所示。根据我院每年有4千人左右学生毕业来计算，每年自主创业的人数预计将达到170人左右，按每个班50人计算，将达到3个班以上。根据这一信息为了帮助有意创业的学生在毕业时就掌握一定的创业技能，使他们少走弯路，在创业的道路上更好的发展，学校可以在教育教学上进行一些改革，在学完通识内容等基础课后，在大二期间将每一年级中有创业意向的学生聚集起来，开设2～3个创业班，既可按类似专业方向进行培养，也可采取类似第二专业选学的方式进行，专门制定创业班的人才培养方案，将创业所需要的且分布在我院不同专业中的课程整合到创业班的人才培养计划中来，设置如市场营销、会计、税务等相关课程，并且加强创业班的创业实践教育，增强学校的创业实训室和创业园建设，使创业班的学生人人在校期间就尝试创业，积累创业经验。同时加强政校企合作，学校与政府合作，使学生毕业后，可以直接进入政府提供的创业孵化基地工作；学校与企业合作，企业为学生创业提供项目上的资助和帮扶，共同来减轻学生创业初期的压力。通过创业班的学习使更多的学生学会创业技能，学校通过各种方式帮助他们成功创业，由创业来带动就业。

4 小结

提高毕业生的就业率，是所有高职院校都要面对的重要问题，提高毕业生的就业质量和人才培养质量是学校的目标。学生的专业学习、课程设置对就业的影响是院校有关部门需要研究的重点领域。该文研究的课题是随机抽取了我院毕业生就业调查获得的部分数据，利用聚类算法及关联分析对这些数据进行挖掘，得出了隐含于数据背后的规则，为提高就业率和就业质量提供帮助。通过本文的研究，促进学校制定了一些政策，进一步提高学校就业服务水平，促进学校教学改革。但是，目前数据挖掘技术在毕业生调查分析中的应用与研究还处于一个初级阶段，还有待进一步加深研究。例如，收集高质量、完整的数据，扩大信息的覆盖面，甚至引入大数据，这将是一个综合复杂的系统工程，需要我们以科学的态度，扎扎实实的做好数据的收集工作，需要全校所有辅导员的支持，在这样的基础下，我们分析出的结果会更加精确，产生的决策也必将更有效推动高职院校深化改革。

参考文献：

[1] 陶兰.数据挖掘技术在高等学校决策支持中的应用[J].北京：中国农业大学，2003，8 （2） ：39-41.

[2] 杨悦.数据挖掘在高校招生工作中的应用前景[J].教育科学，2007，10：66-68.

[3] 肖建国.论数据挖掘技术在高校就业工作中的应用[J].中国成人，2010，8.

[4] 翁敬农，译.数据挖掘教程[M].北京：清华大学出版社，2003.

[5] 夏火松.数据仓库与数据挖掘技术[M]. 2版.北京：科学出版社，2009.

[6] （日）上田太一郎监修，上田和明，刈田正雄，等.用Excel学数据挖掘[M].北京：科学出版社，2012.

[7] 薛瑞峰.基于数据挖掘技术的高校职业指导服务体系的构建[J].湖南农机，2012，3：214-215.

[8] 张亦辉.基于数据挖掘技术的应用分析[J].计算机光盘软件与应用，2012，1：137-138.endprint

3 数据挖掘技术在高职毕业生跟踪调查中的应用

3.1 数据挖掘技术应用

将我院近几届毕业生的就业数据做完清除空值、离散值等数据清理工作后，利用EXCEL作为数据挖掘工具进行数据挖掘。

1） 使用聚类分析方法进行数据挖掘

通过上述数据准备，选择聚类分析，将院系名称、专业名称、职业名称、行业名称、工作城市名称、获得第一份工作的渠道等作为输入列，分析后可得到两个分类。总体来说，行业分类不太明显，而就业分布的城市比较集中，学校所在地芜湖地区占24.7%，合肥14.4%，长三角所占比例达到18.4%。会计系倾向于分类1，其他专业倾向于分类2。下面就分类1从工作城市、就业渠道、就业岗位三个维度进行观察。其中，工作城市分布情况如图1所示，而获取第一份工作的途径分布情况如图2所示，会计岗位的就业比例占58.4%，反应了该专业对口就业的比例比较高，其分布情况如图3所示

在分类2中就业城市仍然比较集中，芜湖、合肥占的比例最大，而省外则上海的比重最大，而相对于分类1，上海、南京地区的就业比例相对较高，长三角所占比例达到34.3%，具体分布情况如图4所示；就业渠道也有一定的特点，主要是通过专业求职网站、朋友亲戚介绍及向用人单位直接提交申请，与分类1相同，分布情况如图5所示；电子信息工程系、经济贸易系两大系部在分类2中特征比较明显，达到了55.7%，具体情况如图6所示；就上述两个系部，岗位分类上计算机相关行业就业情况不是很理想，而销售人员岗位和文职人员岗位就业是最好的，具体分布情况如图7所示。

3.2 提高毕业生就业的满意度

数据挖掘的重要价值在于通过对大量数据的挖掘分析，提取发现分析对象的内部规律，进而为我们的工作提供决策支持。该文通过对历年就业数据的收集、整理，包括行业分布、地域分布、岗位分布等，并通过比较进行综合分析，最终从中发现了很多有价值的信息。通过对历年就业地域分布情况及就业层次分布情况分析，能够做到更全面地观察就业市场的发展状况，达到对就业市场发展状况的全面监控，并为我们今后的工作决策提供参考和依据。从就业渠道来看，订单式培养还有很大的发展空间，要加强和企业的联系，发挥校企合作的优势，为企业输送合格的人才。而从就业岗位的分析来看，我校毕业生在不少岗位上分布还是很不均衡，过于集中了，需加强对这些薄弱岗位的研究，分析原因，提高各专业对口就业率，让我院毕业生的就业岗位能全面发展。

从最后的分析结果来看，芜湖、合肥的就业比例是最高的，这也说明我院做到了立足地方经济，服务地方经济这一发展宗旨。本院毕业生在上海、南京等长三角地区的就业情况也比较理想，大部分人员从事的工作是现代服务业，说明长三角仍然需要大量的现代服务业人员，而我院开设的绝大部分专业属于现代服务业专业，所以要进一步加强这方面专业的内涵建设；同时需要总结这些毕业生在上海、南京等长三角地区就业的经验，了解他们的就业质量，针对这些地区做好就业服务，提高毕业生就业满意度，通过拓宽就业区域，也让我们的就业地域分布得更加均衡。

利用关联分析得到的职业相关性，就需要将就业环节和教学环节相互衔接，在教学环节上，也要体现这些相关职业在教学上的关联性，这就需要我们进一步优化当前各专业的专业建设方案。如会计专业也要考虑开设行政管理、客户服务的相关课程，来适应现代服务业发展的需要，最终提高学生的就业能力，培养符合企业需求的毕业生。

3.3 优化人才培养模式提高人才培养质量

通过聚类算法对2012届毕业生跟踪调查数据进行数据挖掘，发现毕业生自主创业的人数达到4.26%，如图9 所示。根据我院每年有4千人左右学生毕业来计算，每年自主创业的人数预计将达到170人左右，按每个班50人计算，将达到3个班以上。根据这一信息为了帮助有意创业的学生在毕业时就掌握一定的创业技能，使他们少走弯路，在创业的道路上更好的发展，学校可以在教育教学上进行一些改革，在学完通识内容等基础课后，在大二期间将每一年级中有创业意向的学生聚集起来，开设2～3个创业班，既可按类似专业方向进行培养，也可采取类似第二专业选学的方式进行，专门制定创业班的人才培养方案，将创业所需要的且分布在我院不同专业中的课程整合到创业班的人才培养计划中来，设置如市场营销、会计、税务等相关课程，并且加强创业班的创业实践教育，增强学校的创业实训室和创业园建设，使创业班的学生人人在校期间就尝试创业，积累创业经验。同时加强政校企合作，学校与政府合作，使学生毕业后，可以直接进入政府提供的创业孵化基地工作；学校与企业合作，企业为学生创业提供项目上的资助和帮扶，共同来减轻学生创业初期的压力。通过创业班的学习使更多的学生学会创业技能，学校通过各种方式帮助他们成功创业，由创业来带动就业。

4 小结

提高毕业生的就业率，是所有高职院校都要面对的重要问题，提高毕业生的就业质量和人才培养质量是学校的目标。学生的专业学习、课程设置对就业的影响是院校有关部门需要研究的重点领域。该文研究的课题是随机抽取了我院毕业生就业调查获得的部分数据，利用聚类算法及关联分析对这些数据进行挖掘，得出了隐含于数据背后的规则，为提高就业率和就业质量提供帮助。通过本文的研究，促进学校制定了一些政策，进一步提高学校就业服务水平，促进学校教学改革。但是，目前数据挖掘技术在毕业生调查分析中的应用与研究还处于一个初级阶段，还有待进一步加深研究。例如，收集高质量、完整的数据，扩大信息的覆盖面，甚至引入大数据，这将是一个综合复杂的系统工程，需要我们以科学的态度，扎扎实实的做好数据的收集工作，需要全校所有辅导员的支持，在这样的基础下，我们分析出的结果会更加精确，产生的决策也必将更有效推动高职院校深化改革。

参考文献：

[1] 陶兰.数据挖掘技术在高等学校决策支持中的应用[J].北京：中国农业大学，2003，8 （2） ：39-41.

[2] 杨悦.数据挖掘在高校招生工作中的应用前景[J].教育科学，2007，10：66-68.

[3] 肖建国.论数据挖掘技术在高校就业工作中的应用[J].中国成人，2010，8.

[4] 翁敬农，译.数据挖掘教程[M].北京：清华大学出版社，2003.

[5] 夏火松.数据仓库与数据挖掘技术[M]. 2版.北京：科学出版社，2009.

[6] （日）上田太一郎监修，上田和明，刈田正雄，等.用Excel学数据挖掘[M].北京：科学出版社，2012.

[7] 薛瑞峰.基于数据挖掘技术的高校职业指导服务体系的构建[J].湖南农机，2012，3：214-215.

[8] 张亦辉.基于数据挖掘技术的应用分析[J].计算机光盘软件与应用，2012，1：137-138.endprint

3 数据挖掘技术在高职毕业生跟踪调查中的应用

3.1 数据挖掘技术应用

将我院近几届毕业生的就业数据做完清除空值、离散值等数据清理工作后，利用EXCEL作为数据挖掘工具进行数据挖掘。

1） 使用聚类分析方法进行数据挖掘

通过上述数据准备，选择聚类分析，将院系名称、专业名称、职业名称、行业名称、工作城市名称、获得第一份工作的渠道等作为输入列，分析后可得到两个分类。总体来说，行业分类不太明显，而就业分布的城市比较集中，学校所在地芜湖地区占24.7%，合肥14.4%，长三角所占比例达到18.4%。会计系倾向于分类1，其他专业倾向于分类2。下面就分类1从工作城市、就业渠道、就业岗位三个维度进行观察。其中，工作城市分布情况如图1所示，而获取第一份工作的途径分布情况如图2所示，会计岗位的就业比例占58.4%，反应了该专业对口就业的比例比较高，其分布情况如图3所示

在分类2中就业城市仍然比较集中，芜湖、合肥占的比例最大，而省外则上海的比重最大，而相对于分类1，上海、南京地区的就业比例相对较高，长三角所占比例达到34.3%，具体分布情况如图4所示；就业渠道也有一定的特点，主要是通过专业求职网站、朋友亲戚介绍及向用人单位直接提交申请，与分类1相同，分布情况如图5所示；电子信息工程系、经济贸易系两大系部在分类2中特征比较明显，达到了55.7%，具体情况如图6所示；就上述两个系部，岗位分类上计算机相关行业就业情况不是很理想，而销售人员岗位和文职人员岗位就业是最好的，具体分布情况如图7所示。

3.2 提高毕业生就业的满意度

数据挖掘的重要价值在于通过对大量数据的挖掘分析，提取发现分析对象的内部规律，进而为我们的工作提供决策支持。该文通过对历年就业数据的收集、整理，包括行业分布、地域分布、岗位分布等，并通过比较进行综合分析，最终从中发现了很多有价值的信息。通过对历年就业地域分布情况及就业层次分布情况分析，能够做到更全面地观察就业市场的发展状况，达到对就业市场发展状况的全面监控，并为我们今后的工作决策提供参考和依据。从就业渠道来看，订单式培养还有很大的发展空间，要加强和企业的联系，发挥校企合作的优势，为企业输送合格的人才。而从就业岗位的分析来看，我校毕业生在不少岗位上分布还是很不均衡，过于集中了，需加强对这些薄弱岗位的研究，分析原因，提高各专业对口就业率，让我院毕业生的就业岗位能全面发展。

从最后的分析结果来看，芜湖、合肥的就业比例是最高的，这也说明我院做到了立足地方经济，服务地方经济这一发展宗旨。本院毕业生在上海、南京等长三角地区的就业情况也比较理想，大部分人员从事的工作是现代服务业，说明长三角仍然需要大量的现代服务业人员，而我院开设的绝大部分专业属于现代服务业专业，所以要进一步加强这方面专业的内涵建设；同时需要总结这些毕业生在上海、南京等长三角地区就业的经验，了解他们的就业质量，针对这些地区做好就业服务，提高毕业生就业满意度，通过拓宽就业区域，也让我们的就业地域分布得更加均衡。

利用关联分析得到的职业相关性，就需要将就业环节和教学环节相互衔接，在教学环节上，也要体现这些相关职业在教学上的关联性，这就需要我们进一步优化当前各专业的专业建设方案。如会计专业也要考虑开设行政管理、客户服务的相关课程，来适应现代服务业发展的需要，最终提高学生的就业能力，培养符合企业需求的毕业生。

3.3 优化人才培养模式提高人才培养质量

通过聚类算法对2012届毕业生跟踪调查数据进行数据挖掘，发现毕业生自主创业的人数达到4.26%，如图9 所示。根据我院每年有4千人左右学生毕业来计算，每年自主创业的人数预计将达到170人左右，按每个班50人计算，将达到3个班以上。根据这一信息为了帮助有意创业的学生在毕业时就掌握一定的创业技能，使他们少走弯路，在创业的道路上更好的发展，学校可以在教育教学上进行一些改革，在学完通识内容等基础课后，在大二期间将每一年级中有创业意向的学生聚集起来，开设2～3个创业班，既可按类似专业方向进行培养，也可采取类似第二专业选学的方式进行，专门制定创业班的人才培养方案，将创业所需要的且分布在我院不同专业中的课程整合到创业班的人才培养计划中来，设置如市场营销、会计、税务等相关课程，并且加强创业班的创业实践教育，增强学校的创业实训室和创业园建设，使创业班的学生人人在校期间就尝试创业，积累创业经验。同时加强政校企合作，学校与政府合作，使学生毕业后，可以直接进入政府提供的创业孵化基地工作；学校与企业合作，企业为学生创业提供项目上的资助和帮扶，共同来减轻学生创业初期的压力。通过创业班的学习使更多的学生学会创业技能，学校通过各种方式帮助他们成功创业，由创业来带动就业。

4 小结

提高毕业生的就业率，是所有高职院校都要面对的重要问题，提高毕业生的就业质量和人才培养质量是学校的目标。学生的专业学习、课程设置对就业的影响是院校有关部门需要研究的重点领域。该文研究的课题是随机抽取了我院毕业生就业调查获得的部分数据，利用聚类算法及关联分析对这些数据进行挖掘，得出了隐含于数据背后的规则，为提高就业率和就业质量提供帮助。通过本文的研究，促进学校制定了一些政策，进一步提高学校就业服务水平，促进学校教学改革。但是，目前数据挖掘技术在毕业生调查分析中的应用与研究还处于一个初级阶段，还有待进一步加深研究。例如，收集高质量、完整的数据，扩大信息的覆盖面，甚至引入大数据，这将是一个综合复杂的系统工程，需要我们以科学的态度，扎扎实实的做好数据的收集工作，需要全校所有辅导员的支持，在这样的基础下，我们分析出的结果会更加精确，产生的决策也必将更有效推动高职院校深化改革。

参考文献：

[1] 陶兰.数据挖掘技术在高等学校决策支持中的应用[J].北京：中国农业大学，2003，8 （2） ：39-41.

[2] 杨悦.数据挖掘在高校招生工作中的应用前景[J].教育科学，2007，10：66-68.

[3] 肖建国.论数据挖掘技术在高校就业工作中的应用[J].中国成人，2010，8.

[4] 翁敬农，译.数据挖掘教程[M].北京：清华大学出版社，2003.

[5] 夏火松.数据仓库与数据挖掘技术[M]. 2版.北京：科学出版社，2009.

[6] （日）上田太一郎监修，上田和明，刈田正雄，等.用Excel学数据挖掘[M].北京：科学出版社，2012.

[7] 薛瑞峰.基于数据挖掘技术的高校职业指导服务体系的构建[J].湖南农机，2012，3：214-215.

[8] 张亦辉.基于数据挖掘技术的应用分析[J].计算机光盘软件与应用，2012，1：137-138.endprint