用户画像技术在高职工匠型人才培养中的应用

罗校清

（湖南软件职业学院，湖南 湘潭 411100）

“用户画像”技术是一门跨学科的新兴技术，通过多维度数字化标签抽象出用户的个体信息数字化特征，准确解析用户需求及预测用户变化趋势，为用户提供个性化的智能推荐服务，现已开始渗透到各个领域。“工匠型人才”是指专门从事某个行业，针对该行业产品研究开发、生产加工，能够兢兢业业、精益求精完成产品每道工序的人才。《国家职业教育改革实施方案》明确提出：把发展高等职业教育作为优化高等教育结构和培养大国工匠、能工巧匠的重要方式，并且要求深入开展“大国工匠进校园”“劳模进校园”“优秀职校生校园分享”等活动，宣传展示大国工匠、能工巧匠的事迹和形象，培育和传承好工匠精神。《中国制造2025》也为我国由制造大国向制造强国转变指明了方向，要实现高等职业教育对“中国制造2025”的精准服务，必须始终保持工匠型人才培养体系结构与社会需求相匹配［1］，创新人才培养模式，从大众教育走向优质教育，实现个性化培养［2］。因此，在国家大力提倡“工匠型人才”培育的大背景下，通过“用户画像”技术在工匠型人才个性化培养中的应用研究，解决“中国制造2025”对高职工匠型人才的实际需求问题，培育一批真正能从事企业产品研发、制造生产的高职工匠型人才。

一、高职工匠型人才培养现状

随着近年国家不断出台相关政策大力培育工匠型人才，高职院校行动迅速，各校围绕专业优势、专业特色、专业方向整合专业大类打造专业群，深入开展产教融合校企合作，共建共享大师工作室和名师工作室，邀请大国工匠能工巧匠进校园进课堂，开展专业技术技能竞赛，掀起一股高职学生崇尚工匠精神、弘扬劳模精神的浪潮，在师生中营造一种劳动光荣和精益求精的技术技能学习氛围，但在实际工匠型人才培育过程中还是存在不少问题。以湖南软件职业学院工匠型人才培养为例：一是对工匠精神的认知不够深入。高职院校本身就是培育学生工匠精神、工匠素养的主阵地，针对什么是工匠精神，本校在软件技术专业486名学生中开展了专项问卷调查，调查结果显示全面知晓工匠精神的学生占比仅12%，知晓占比56%，不知晓占比32%，由此可见学校对工匠精神的宣传和引导亟待加强；二是对工匠大师引进力度不够。《国家职业教育改革实施方案》提出高职院校专业教师招聘原则上要从具有3年以上企业工作经历，并具有高职以上学历的人员中公开招聘，并明确从2020年起不能在应届毕业生中招聘专任教师。本校当前专任教师528名，其中具有研究生及以上学历的教师占比58%，“双师型”教师占比45%，省级技能大师、客座教授大国工匠、市级高级专业人才仅10人，由此可见教师引进过程中学历还是摆放在首位，其次才是“双师型”要求。三是校企共同育人不够深入。近年本校按照“五个共同”与深度合作企业成立二级学院校企共同培养学生，虽然已经成功共建中兴通讯学院、科大讯飞人工智能学院、达内大数据学院、厚溥现代商贸学院、潇湘电影数字创意产业学院等，但真正把企业真实生产环境和真实生产项目引入学校教学的还较少，企业的技能大师、能工巧匠来校授课得也不多，学生与他们面对面交流学习机会缺乏。所以，高职工匠型人才培育还有一定的差距。

二、高职工匠型人才数据采集与处理

（一）高职工匠型人才数据采集

对高职工匠型人才所需数据进行收集，主要从用户基本属性数据、用户学习偏好数据、用户学习互动数据、用户网络会话数据、用户其它数据等五类数据中获取，作为用户画像数据来源。基本属性数据主要包含学生专业班级、年龄性别、性格爱好及技术技能掌握情况等；学习偏好数据主要包含技能学习方式的选择，对技能学习资料的搜索、查阅和保存等；学习互动数据主要包含对技能学习内容的评价，并对相关技术技能进行评议讨论、分享转发和认知态度等；网络会话数据主要包含访问时间、登录次数、浏览路径、资源下载量、评价内容与次数等；用户其它数据主要包含专业课程选课信息、技能学习范围、技能掌握程度等，通过以上五类数据来采集高职工匠型人才培养所需的基础数据。

（二）高职工匠型人才数据标签化处理

高职工匠型人才数据标签化处理采用非结构化标签关键词处理高职工匠型人才相关数据［3］。依据基本属性数据创建高职工匠型人才人群属性、学习方向、用户关联关系等标签对象；依据用户学习偏好数据创建高职工匠型人才学习搜索偏好、学习资源选择偏好等标签对象；依据用户学习互动数据创建高职工匠型人才技能偏好、操作偏好、社会偏好、情感偏好、活跃度等标签对象；依据用户网络会话数据创建高职工匠型人才活跃度、操作熟练度、技能评价、评价等级等标签对象；依据用户其它数据创建高职工匠型人才课程选择偏好、学习效果等标签对象。标签体系的构建质量决定着用户画像的应用价值，通过收集高职工匠型人才相关数据，确定用户画像需要梳理出的标签维度，将标签维度对应成具体的关键词。再通过统计分析等方法，确定与用户相关的文本信息在对应关键词上的分布表现，进而确定用户与关键词的关联程度。

三、高职工匠型人才用户画像构建

高职工匠型人才用户画像从用户数据采集、用户数据处理、用户数据标签化三个步骤来构建高职工匠型人才用户画像库。数据采集层面，通过用户数据采集获取用户基本属性数据、用户学习偏好数据、用户互动交流数据、用户会话数据和其他数据。用户数据处理层面，通过数据挖掘技术对收集的用户数据进行系统分类、对象聚类、关联和序列处理，通过数据预处理技术对收集的用户数据进行集成、转换、归约清洗。用户数据标签化层面，对采集的用户数据进行基础处理后，再通过人群属性、用户关联关系、技能偏好、社会偏好、情感偏好、活跃度、操作偏好等因素建立用户数据标签，标签化处理后，构成高职工匠型人才用户标签体系。最终，采用非结构化关键词法对高职工匠型人才进行画像构建，形成高职工匠型人才用户画像库并产生用户画像预测模型，发现用户现在及潜在需求，再精准给用户推荐学习课程及各项学习资源。详细流程如图1所示。

图1 高职工匠型人才用户画像构建流程

图2 基于用户画像的高职工匠型人才个性化培养流程

四、高职工匠型人才个性化培养

（一）高职工匠型人才个性化培养流程设计

根据高职工匠型人才用户画像要求，预测用户的需求偏好及潜在学习资源需求，将用户感兴趣、有价值的学习资源信息精准推荐给用户［4］。以高职工匠型人才学习资源库为中心，通过数据处理、用户画像、推荐算法，构建高职工匠型人才学习平台。数据中心不断从学习平台获取所需的用户基本数据和用户行为数据，并进行个性化数据处理。结合画像需求进行资源匹配，生成画像各类标签，再通过推荐算法对用户画像进行个性化推荐，并不断进行精准推荐改进，从而把所需的资源展示在学习平台上，为高职工匠型人才培养提供资源交流互动。详细流程如图2所示。

（二）高职工匠型人才个性化培养方法

针对用户兴趣偏好的多样性问题，基于用户画像预测需求及个性化推荐，采用混合协同筛选个性化推荐方法实现用户的个性化培养［5］。在构建高职工匠型人才用户画像库的基础上，预测用户需求偏好及资源偏好，采用线性回归算法和XGBoost算法，利用基于用户的需求筛选方法、基于项目的需求筛选方法和带偏好的矩阵分解方法，进行个性化培养推荐预分析［6］。再对高职工匠型人才用户画像资源库中学习课程及学习资源去重、过滤、排序和推荐列表处理，形成一套基于动态用户画像混合协同筛选个性化推荐方法。具体方法如图3所示。

图3 基于动态用户画像的混合协同筛选个性化推荐方法图

（三）高职工匠型人才个性化培养体系

基于高职工匠型人才用户画像找到用户的技能兴趣偏好以及用户的技能行为习惯，将用户可能感兴趣的技能学习相关资源以列表的形式展示或推送给目标用户，推荐项目可采用发送电子邮件、线上线下交流互动和系统自动推送等手段。基于用户画像的高职工匠型人才培养服务体系主要由用户基础数据模块、数据统计分析模块和技能学习资源自动推送模块三个模块构成［7］。其中用户数据基础模块分为在线学习平台、学生管理系统和数据存储服务中心；数据统计分析模块分为用户画像构建模块、项目向量处理模块和数据检索传输模块；技能学习资源自动推送模块分为用户智能化管理、兴趣偏好资源挖掘、个性资源精准推送服务［8］。高职学生在一定周期内的兴趣偏好会呈现一定的趋势变化，传统算法在本质上属于静态推荐，不能考虑用户兴趣随着时间的推移会发生变化。因此，高职工匠型人才个性化培养体系的构建，主要使用一次指数平滑模型以时间序列为标尺将用户兴趣进行划分，使传统的静态标签模型随时间推移进行更新，在现有的数据中挖掘用户兴趣的变化趋势，逐步构建以用户技能兴趣偏好和用户技能行为习惯的高职工匠型人才个性化培养体系。

五、结语

用户画像技术在已有的理论研究基础上，立足大数据环境，依托数据挖掘技术，对高职工匠型人才培养模式开展深入研究，为高职工匠型人才培养提供新思路和新方法，解决高职工匠型人才培养个性化教育问题，为高职工匠型人才培养提供一种新途径。通过高职工匠型人才个性化培养应用研究，基于用户画像技术构建高职工匠型人才多维度画像标签，深入分析高职工匠型人才特点及个性化需求，为高职工匠型人才培养提供一种创新模式，有效实现高职院校学生个性化教育，提高高职工匠型人才培育质量。