长期以来,大学生就业问题一直是高校的热门话题,随着互联网的发展,大批的就业求职网站营运而生。这些网站大多是面向社会的,应聘者在应用这类网站时对于求职者的个人信息存在一定的风险。同时,由于数据庞大,企业招聘者和求职者需要花费很大的精力去验证双方信息的准确性。为提高高职院校学生的就业率,本文开发了一款基于协同过滤的高职院校就业推荐系统。该系统较于传统就业推荐系统,主要优势体现以下两点:一、既满足高职院校学生的就业兴趣。二、也满足招聘企业的用人标准。本论文的主要工作为:一、该系统基于改进的协同过滤算法,加入了影响学生就业的一些就业因素,如:学历、课程专业、政治面貌、在校成绩,性别、英语成绩、计算机能力、生源地、等等客观表现学生情况的就业特征值。该论文采用信息论中的信息增益率来确定特征属性的影响程度。而信息增益率能够比较客观的确定学生特征属性对于应届毕业生就业选择中的重要性,进而确定每个特征属性的权重系数。二、为了相对较准确的找到聚类算法中的聚类中心,本论文基于改进的K-Means聚类算法,利用最小生成树原理解决最短路径问题,从而确定使找到的聚类中心能够代表这类的数据:即使同类学生特征属性的距离最近,而不同类学生特征属性距离最远。三、最后根据学生对企业单位的兴趣评分选出相似度最高的往届生邻集,依据相似度把往届毕业生的就业单位推荐给应届毕业生。因此,在高职院校范围内建立与发展学生就业推荐的管理系统对于学生和用人单位更具针对性。也有利于改善社会普遍存在的就业现状。