大学生村官精准帮扶匹配平台——基于深度学习技术与C++数学建模和程序开发

发布时间：2020-05-05

　　习近平同志曾在2015减贫与发展高层论坛上强调，中国扶贫攻坚工作应实施精准扶贫方略，增加扶贫投入，坚持分类施策，因地施策，因贫困原因施策，因贫困类型施策，广泛动员全社会力量参与扶贫。应总书记的号召，一大批优秀大学生扶贫的热情高涨，但是如何选择适合自己的扶贫地区，让能力最大程度地发挥，成了大学生扶贫路上的一大难题。据调查发现，目前尚未存在较为完善的贫困地区信息查询平台，更没有通过匹配大学生信息与贫困地区实际情况从而为双方提供推荐选择的服务。从结果来看，信息的不流通会极大影响大学生对自身的定位，进而打击担任大学生村官的热情。而对于贫困地区，如何建立与高校和大学生的联系也是一大难题。贫穷地区像是一位病人，而大学生村官则是一剂良药。只有对症下药才能药到病除，反之，药不对症就会起反效果。

　　高校作为高素质人才和先进技术的聚集地，具有充足的科学和人才资源，因此应当充分利用自身学科，资源，人才等优势，从各个方面对贫困地区进行帮扶。而大学生又是高校中最具活力和发展潜能的群体，有足够的能力和热情为我国脱贫攻坚工作贡献一己之力。然而由于双方信息的匮乏和不流通，致使很多有意愿参加扶贫工作的大学生无法迈出实践第一步，或者在参加大学生村官应聘时缺乏整体把握，不能将自己所学专业，自身能力特长与贫困地区的实际需求相匹配。最终造成实际工作地区与自己期望值所差甚远，或者自身能力根本无法帮助贫困地区走上致富之路的情况。于此同时，贫困地区也同样无法招到就读专业符合当地经济发展或扶贫政策的大学生村官，难以走出贫困的泥潭。

　　基于此问题，我们旨在建立一个进行双方信息沟通的应用系统。通过收集整理全国各个贫困县与各大高校的详细信息，建立可实时更新的数据库。然后再对双方数据库进行整合分析，从而为双方找到合适的匹配对象，使双方利益最大化。以江西省为例，该省的鹰潭市下属的十五个贫困村被列为乡村旅游扶贫重点村，迫切需要关于旅游开发与管理的指导和规划。而一些旅游城市管理专业的大学生也希望到此类贫困地区担任相关的职务，带领整个村子走上旅游脱贫的道路。通过该信息匹配系统，双方可以得到最优推荐并查询到需要了解的信息，从而实现双赢。首先，系统根据大学生提供的信息进行筛选和匹配，为大学生选择一个距所在高校距离较近，且实际需求与学生专业和能力相符的贫困地区。而贫困地区也可以在此平台轻松获取各个高校的信息，如各个高校的所在地，优势学科，特色专业等。通过快速了解这些信息，贫困地区可以与合适的高校取得联系，协商双方是否能够建立一个互助纽带。通过该纽带，高校向贫困地区提供技术和资金的支持，定期派专家和学生去开展知识讲座或者提供支教服务。而高校自己也在帮扶贫困县的同时获取了实地调研的信息，同时提升了自己的知名度，最终达到双赢。总而言之，该系统既能提供完整系统的信息查询功能，又能精准的为大学生提供合适扶贫地区的推荐，具有较强的实用性和创新性。

　　传统的信息匹配过程通常采用线性回归的方法，匹配结果往往不够准确。而本系统的信息匹配算法则是基于目前国内非常流行的深度学习技术进行双方信息匹配，从而生成“最优化推荐模型”。作为机器学习的分支，深度学习基于人工神经网络有了进一步的发展，它从基础的信息出发，通过信息权重的改变和偏差的添加，应用激活函数达到分析问题的目的。通过每一层的网络的处理，从起始的基础信息交织，获得更为深入和抽象的信息。不仅如此，深度学习技术以大数据量为前提，充分挖掘数据中蕴含的有用的信息。并且处理的数据越多，深度学习过程就越能体现出优势。总的来说，其最大的特点就是使用非监督式或半监督式的特征学习和分层特征提取高效算法。因此，深度学习对于处理数据量非常大的信息匹配工作非常适合。

　　我们的应用系统的基本思路是：首先采集各个高校的信息以及各个贫困县的具体信息，进行合理的匹配。然后以此为样本信息，构建一个深层神经网络，用样本信息训练该神经网络，使该神经网络不断学习如何将双方信息进行最优化匹配，从而可以更加准确高效的匹配全国范围内的高校大学生和贫困地区。深度学习技术一大优点在于构建的神经网络具有不断学习的特性，当双方信息持续扩充时，神经网络就会更新自生的权值矩阵，从而使未来的预测过程更加精准，这一点也是传统方法无法实现的。具体的实现过程如下：

　　第一步：拟定大学生信息库结构，收集填充信息库

　　(1)了解当前大学教育状况，专业分类与院校分布;

　　(2)调查学生就业意愿的状况，进行分类概括;

　　第二步：拟定村官岗位信息库结构，收集填充信息库

　　(1)收集招收大学生村官的贫困地区的信息，包括其交通状况、住宿条件等以及硬件设施，民风民俗、当地方言等软性环境;

　　(2)详细了解各地区的自然资源与经济发展状况，挖掘经济增长点，并找到对应合适的院校专业等。

　　第三步：构建从大学生到村官岗位的模型，用已有数据训练，进行推荐算法的学习机器学习，构建映射的过程中首先搜索大量已有的村官样本进行训练，再加上一些主观的指向，再多方考虑率给人才缺失的地方匹配上的优先级体现差距，体现地方特色。具体如下：

　　(1)个性化推荐模块，分别向高校学生用户和地区扶贫人员分别推荐相关有用信息，如国务院发布关于扶贫的政策及对大学生报考村官的鼓励支持政策、各地区的村官招聘计划等。

　　(2)建立人工神经网络进行深度学习，生成“最优化推荐模型”，不断根据所收集到的信息进行不断的自学习，从而不断增强推荐的准确性，具体包括如下内容：

　　(3)为学生用户构建报考最优化推荐模型，根据用户填写的本科院校所在地、院校的性质，本科专业，以及想报考的地区距离范围等信息统计进行推荐学生可能感兴趣的贫困地区。

　　(4)为贫困地区扶贫办构建选拔人才推荐模型，根据用户填写的信息，推荐该地区可能需求的专业人才，同时帮助地区扶贫办与相关高校建立合作关系。

　　相关论文推荐阅读：试析农业信息化对我国农业经济增长的影响

　　实际调查过程中发现，各个贫困地区的详细信息很难获取或与实际情况存在偏差，有些贫困县的具体情况甚至是缺失的。相比之下，高校信息相对全面透明，但关于各个高校是否有关于大学生村官的的政策规定以及对于大学生选择当村官持何种态度的信息无法直接获取。除此以外，一些高校可能对学生的培养以城市为导向，实践培训相对薄弱，学生缺乏担任大学生村官的实际能力。这些因素都对系统信息库的构建设置了障碍，导致录入的信息针对性和准确性不足，可能会对贫困县选择高校造成误导。于此同时，大学生村官政策本身也存在一定问题，如大学生村官政策的非体制化与法律化,形成政策的不稳定性与难落实性等。