毕业生的就业去向和质量一向是高校十分关注的问题,就业咨询和辅导也是高校十分关注的任务。高校每年都会存储大量毕业生情况和就业去向,但是通过人为分析这些数据中的规律,任务量非常大而且十分困难,并且会十分依赖主观因素。学生自身也很难应用这些数据。同时,辅导者对学生就业辅导时也会片面关注毕业生的部分特质,很难全面兼顾毕业生的所有情况。辅导者个人多年的从业经验也不易复制,无法大量普及,在面对需求量较大的时期,少数辅导者很难完成大量毕业生的辅导需求。针对这些问题,本文首先研究了数据聚类和预测的算法,其中根据聚类算法的类别,简单描述了一些常见的聚类算法,重点阐述了高斯混合模型的原理。接着研究了分类预测算法中的BP神经网络和支持向量机的数学原理。之后构建毕业生情况的表示指标,根据主观和经验认知、融合预测情况、外部经济环境因素以及相关性回归分析等操作,构建了较为完备的描述指标。将完整的数据通过归一化和乱序划分等操作,构建训练集和测试集。通过设计了相关预测算法,利用大量数据对毕业生进行聚类分析,通过高斯混合模型算法实现了对毕业生潜在类别的挖掘工作,并且具有一定的合理性。对毕业生的未来就业因素利用集成了BP神经网络和支持向量机模型的集成算法分析,根据对比实验研究得出了较好的预测模型参数方案。其中通过对比研究,个体分类器和集成模型各自的表现表明集成模型能够更好弥补各个个体分类器的不足。添加聚类结果与否的表现表明聚类结果能够促进分类准确率上升。最终形成的分类器在测试集上的表现较好,在预测工作单位性质和预测薪资水平任务上能够分别达到84.76%和85.35%的预测准确率。本研究提供了结合数据挖掘分析方法和毕业生就业问题的一种方法,为研究毕业生就业问题的辅导者提供了更多研究思路。本研究中的聚类算法所得结果能够提供毕业生的类别标签,对于不同的预测类别,可以为毕业生提供从自身情况出发的可能未来就业情况,为应届毕业生或其他在校学生提供就业参考信息及个人成长计划。