随着2017年高校毕业生人数再创新高,就业压力持续不减。然而,高校指导中心还不能对每个学生进行一对一的个性化指导,高校毕业生对自身职业规划把握不够,在互联网海量的就业信息当中大浪淘沙,难以匹配到符合自身实际情况的工作。为了缓解这种矛盾,国内外学者纷纷加入就业推荐的研究浪潮中,以期寻找一种客观、个性化且能针对个人情况进行就业推荐的方法。而随着大数据技术的成熟,处理大批量数据和实时数据的技术不再是困扰。然而,大数据技术更多的侧重于对电子商务场景中的推荐研究,针对就业推荐的研究少之又少。目前国内对于就业推荐的研究缺乏针对大规模用户简历和历史就业信息的推荐,缺乏针对企业招聘需求研究的就业信息推荐。同时在就业信息推荐中缺乏对用户实时网络行为偏好的把握。本研究就在这个背景下展开。随着大数据技术的不断发展与运用,大批量分布式数据处理技术、大批量文本挖掘技术、数据实时在线和离线处理技术已越来越多的投入到实践中。基于此,本研究着手利用大数据技术,深入挖掘用户个性化就业推荐中的痛点,识别多种推荐场景,做到推荐的准确性和完备性。首先本研究从理论出发,探讨了利益相关者理论、双边平台理论以及平台企业成长理论,这些理论围绕着平台的建设和运维管理展开,提出了平台双边利益关系,和建设平台的利益相关者关系以及平台健康成长的六大要素。同时,运用文献计量的方式探讨了就业推荐平台研究现状、大数据在就业推荐平台中的应用现状的研究。并创新性的利用网络爬虫技术,全面了解同类型推荐平台的推荐功能和现状,为本平台的研究提供参考。在基于前期对平台需求分析和总体设计的基础上,运用大数据爬虫技术、大数据架构技术、文本挖掘技术以及数据库技术等对ZQ大数据就业推荐平台进行了总体设计和功能实现,在推荐模块上进行基于用户历史信息推荐模块的构建、基于实时用户在线行为数据推荐以及混合推荐,全方位把握学生用户的就业属性,提升就业推荐准确率。基于平台构建以利益相关者视角建立了初期的平台运维管理机制。然而,基于大数据的就业推荐平台在实践的作用效果还不够明显。因此,本研究在平台落地后的运营效果和推荐效果以及对学生用户作用的大小还值得进一步观察。基于大数据的就业推荐平台的研究与探讨任然需要投入大量的精力。