何劍萍 黃曉蘭 蔣大銳

摘要：將校企聯(lián)合融入大學(xué)生就業(yè)指導(dǎo)中，優(yōu)化了化工專業(yè)大學(xué)生就業(yè)指導(dǎo)流程。采用MPA對SVM核函數(shù)參數(shù)進(jìn)行優(yōu)化，提出了基于MPA-SVM 的大學(xué)生就業(yè)指導(dǎo)評價(jià)模型。通過對比MPA-SVM模型和其他模型的性能，驗(yàn)證了MPA-SVM模型具有更佳的性能。將MPA-SVM模型應(yīng)用于某院校化工專業(yè)畢業(yè)生就業(yè)數(shù)據(jù)中，結(jié)果表明，將校企融合融入到大學(xué)生就業(yè)指導(dǎo)中能夠有效提升大學(xué)生就業(yè)的質(zhì)量，同時(shí)大學(xué)生就業(yè)的質(zhì)量也和市場經(jīng)濟(jì)的發(fā)展之間具有密切的關(guān)系。這對促進(jìn)大學(xué)生就業(yè)指導(dǎo)質(zhì)量的提升具有一定的參考價(jià)值。

關(guān)鍵詞：支持向量機(jī)；海洋捕食者算法；大學(xué)生就業(yè)指導(dǎo)；校企聯(lián)合

中圖分類號：O231???????? 標(biāo)志碼：A?????? 文章編號：1001-5922（2023）03-0122-05

Research on technical practice and work precision orientation based on MPA-SVM

HE Jianping 1，HUANG Xiaolan2，JIANG Darui1

（1. Guangzhou Huashang College，Guangzhou 511300，China；

2. Guangdong University of Finance and Economics，510300，Guangdong China）

Abstract：The school-enterprise combination has been integrated into college students employment guidance，and the process of college students employment guidance has been optimized. MPA is used to optimize the parameters of SVM kernel function，and an evaluation model of college students employment guidance based on MPA-SVM is proposed. By comparing the performance of MPA-SVM model with other models，it is verified that MPA-SVM mod? el has better performance. The MPA-SVM model is applied to the employment data of chemical engineering gradu? ates from a university. The results show that the integration of school and enterprise into college students employ? ment guidance can effectively improve the quality of college students employment. At the sametime，the quality of college students employment is also closely related to the development of market economy. This has certain refer? ence value for promoting the quality of college students employment guidance.

Keywords：support vector machine；marine predators algorithm；smart employment guidance for college students； data support

伴隨著高等教育的快速發(fā)展，高校畢業(yè)生人數(shù)在快速增加，大學(xué)生就業(yè)成為了備受社會(huì)廣泛關(guān)注的話題。尤其是“生環(huán)化材”專業(yè)畢業(yè)生，就業(yè)更是難上加上，被認(rèn)為是“天坑專業(yè)”。有效解決大學(xué)生就業(yè)問題離不開高校對大學(xué)生的精準(zhǔn)就業(yè)指導(dǎo)，通過精準(zhǔn)、有效的就業(yè)指導(dǎo)，幫助大學(xué)生科學(xué)定位，從而實(shí)現(xiàn)高質(zhì)量就業(yè)。有學(xué)者分析了化工專業(yè)大學(xué)生就業(yè)的流程與就業(yè)相關(guān)手續(xù)注意事項(xiàng)，幫助化工專業(yè)大學(xué)生快速實(shí)現(xiàn)角色的轉(zhuǎn)變[1]；對電力院校大學(xué)生就業(yè)指導(dǎo)進(jìn)行了研究，指出高校在開展就業(yè)指導(dǎo)工作的過程中應(yīng)該將人才培養(yǎng)與企業(yè)需求相結(jié)合，通過校企合作來促進(jìn)大學(xué)生就業(yè)[2]。盡管當(dāng)前學(xué)術(shù)界對大學(xué)生就業(yè)指導(dǎo)給予了高度的關(guān)注，但是研究主要是從定性的角度，缺乏定量化的研究。結(jié)合校企合作大環(huán)境，開展技術(shù)實(shí)踐，提升大學(xué)生就業(yè)競爭力，幫助大學(xué)生明確就業(yè)指向是提升高校辦學(xué)質(zhì)量的關(guān)鍵所在。優(yōu)化大學(xué)生就業(yè)指導(dǎo)流程，構(gòu)建大學(xué)生就業(yè)指導(dǎo)評價(jià)體系，并采用改進(jìn)的支持向量機(jī)（SVM）對大學(xué)生就業(yè)指導(dǎo)進(jìn)行評價(jià)，為大學(xué)生就業(yè)工作精準(zhǔn)指向提供數(shù)據(jù)支撐。

1 大學(xué)生就業(yè)指導(dǎo)優(yōu)化

化工專業(yè)具有很強(qiáng)的實(shí)踐性，要想實(shí)現(xiàn)高質(zhì)量就業(yè)就必須具備掌握化工理論知識與比較強(qiáng)的化工實(shí)踐技能。當(dāng)前化工專業(yè)院校在開展大學(xué)生就業(yè)指導(dǎo)的過程中忽視了化工專業(yè)學(xué)生的特殊性，沒有很好地實(shí)現(xiàn)與化工企業(yè)之間的對接，這導(dǎo)致大學(xué)生就業(yè)時(shí)存在很大的迷茫性。在開展化工專業(yè)大學(xué)生就業(yè)指導(dǎo)的過程中將校企合作融入其中，通過校企合作來提升學(xué)生自身的硬實(shí)力，從而實(shí)現(xiàn)更高質(zhì)量的就業(yè)[3]?；I(yè)大學(xué)生就業(yè)指導(dǎo)優(yōu)化流程如圖1所示。

從圖1可以看出，大學(xué)生就業(yè)一方面要了解企業(yè)需求、掌握企業(yè)工作技能與產(chǎn)品生產(chǎn)工藝；另一方面是高校人才培養(yǎng)方案、課程改革、實(shí)踐教學(xué)要緊跟學(xué)生的就業(yè)需求。高校在開展就業(yè)指導(dǎo)的過程中拋棄企業(yè)，這樣的就業(yè)指導(dǎo)是“假大空”；而是要通過校企合作來促進(jìn)化工專業(yè)大學(xué)生的就業(yè)，從而幫助大學(xué)生實(shí)現(xiàn)精準(zhǔn)就業(yè)指導(dǎo)。

大學(xué)生的就業(yè)質(zhì)量和大學(xué)生自身的職業(yè)素養(yǎng)之間具有十分密切的關(guān)系，高校教師帶領(lǐng)大學(xué)生參與企業(yè)實(shí)踐的過程中要參與其中，通過專業(yè)教師、企業(yè)工作人員以及就業(yè)指導(dǎo)教師相結(jié)合，更好地培養(yǎng)大學(xué)生的職業(yè)素養(yǎng)，增強(qiáng)在激烈就業(yè)市場中的競爭力。大學(xué)生企業(yè)實(shí)踐職業(yè)素養(yǎng)培養(yǎng)流程如圖2所示。

2 化工專業(yè)大學(xué)生就業(yè)指導(dǎo)評價(jià)

2.1 支持向量機(jī)

SVM 是一種二分類模型，可以有效解決分類、回歸、異常值檢測等問題。SVM 的學(xué)習(xí)策略是間隔最大化，在高維空間數(shù)據(jù)處理中具有十分廣泛的應(yīng)用[4]。 SVM原理如圖3所示。

從圖3可以看出，在邊緣上有4個(gè)樣本點(diǎn)，被稱之為支持向量。設(shè)有 m 個(gè)訓(xùn)練樣本（xi .yi ），i =1.2.….m ，yi? e ]1.-1}，最優(yōu)超平面為[5]：

式中：w 為法向量；b 為偏置位移。

SVM 學(xué)習(xí)的目標(biāo)是尋找法向量 w 以及偏置位移b ，使盡可能多的訓(xùn)滿足

對最優(yōu)超平面的求解可以轉(zhuǎn)化為2次凸優(yōu)化問題，即[6]：

實(shí)際問題往往是線性不可分的，這使得采用硬邊距SVM模型進(jìn)行樣本集合的分類會(huì)產(chǎn)生誤差。通過引入懲罰系數(shù)C 和松弛變量εi來構(gòu)造等價(jià)優(yōu)化問題，即[7]：

引入拉格朗日乘子 ai 可以將式（4）轉(zhuǎn)化為對偶問題，即：

求解該優(yōu)化問題得到?jīng)Q策函數(shù)

當(dāng)樣本分類為非線性問題時(shí)，通過非線性變換將其轉(zhuǎn)化為線性分類問題。由于線性分類問題的目標(biāo)函數(shù)和決策函數(shù)只涉及實(shí)例和實(shí)例之間的內(nèi)積，因此可以采用核函數(shù) K（x .z）來代替內(nèi)積。對任意輸入空間 x 和 z ，有[8]：

式中：o（.）為輸入空間到特征空間的映射。

于是，非線性問題的決策函數(shù)為

核函數(shù)不同，SVM 算法不同，核函數(shù)的選擇要結(jié)合具體的問題來確定。本文選擇的核函數(shù)為徑向基函數(shù)，即[9]：

2.2 海洋捕食者算法優(yōu)化支持向量機(jī)

懲罰系數(shù) C 和核函數(shù)參數(shù) g 對 SVM 分類性能影響比較大，采用海洋捕食者算法（MPA）對參數(shù)組合（C .g）進(jìn)行優(yōu)化。MPA 算法是一種新型元啟發(fā)式優(yōu)化算法，是受到海洋中生物捕食者以及獵物的行為啟發(fā)提出的。MPA算法流程如下：

2.2.1 采用隨機(jī)方式或混沌映射方式進(jìn)行種群初始化

設(shè)Xmax、Xmin分別為獵物搜索邊界的上下限，在搜索邊界內(nèi)對獵物位置初始化，即[10]：

式中：X0為獵物初始位置；rand 為區(qū)間[0.1]上的隨機(jī)數(shù)。

2.2.2 構(gòu)造精英矩陣 Ei 和獵物矩陣 Pi ，并進(jìn)行記憶存儲

按照適者生存理論，位于食物鏈頂級的捕食者覓食具有優(yōu)勢，那么頂級捕食者所在的位置就是最優(yōu)解，構(gòu)造精英矩陣（Elite）[11]：

式中：下標(biāo) n 、d 分別為搜索代理數(shù)量和維數(shù)；XI 為頂級捕食者向量。

在整個(gè)生物鏈中，捕食者和獵物是相對的，頂級捕食者在搜索獵物時(shí)，獵物也在搜索下一級的獵物。從這個(gè)角度上來講，獵物與捕食者都是搜索代理。在 MPA 算法中，每一次迭代處于頂級的捕食者都會(huì)被更佳的捕食者所取代，從而實(shí)現(xiàn)精英矩陣（Elite）更新。同精英矩陣對應(yīng)的是獵物矩陣（Prey），其表達(dá)式為：

2.2.3 優(yōu)化方案

捕食者在不同的階段捕食者和獵物的速度不同，那么所采用的覓食策略也是不同的。MPA 共包含3個(gè)階段，分別為迭代前期、迭代中期、迭代后期[12]；圖4為3個(gè)階段的示意圖。

（1）迭代前期。捕食者的速度大于獵物的速度，采用勘探策略，數(shù)學(xué)模型為[13]：

（2）迭代中期。捕食者的速度和獵物的速度相同，采用勘察和開發(fā)并重策略，數(shù)學(xué)模型為[14]：

（3）迭代后期。捕食者的速度小于獵物的速度，采用開發(fā)策略，數(shù)學(xué)模型為[15]：

式中：si為移動(dòng)步長；RB 為正態(tài)分布的布朗游走隨機(jī)向量；?為逐項(xiàng)乘法運(yùn)算；R 為區(qū)間[0.1]上的均勻隨機(jī)向量；RL 為Levy分布的隨機(jī)向量；CF 為控制捕食者移動(dòng)步長的參數(shù)。

為了避免優(yōu)化過程中在局部最優(yōu)處停滯，添加FADs效應(yīng)，數(shù)學(xué)模型為[16]：

式中：Xmax和Xmin分別為搜索空間范圍的最大值和最小值；FADs 為影響概率；r 為區(qū)間[0.1]上的隨機(jī)數(shù)；r 1和 r2分別為獵物矩陣的隨機(jī)索引。

2.3 MPA-SVM 就業(yè)指導(dǎo)評價(jià)

高校就業(yè)指導(dǎo)關(guān)系到高校畢業(yè)生的就業(yè)精準(zhǔn)度，進(jìn)而影響到高校的辦學(xué)質(zhì)量提升。在當(dāng)前大學(xué)生就業(yè)難備受社會(huì)廣泛關(guān)注的大背景下，為促進(jìn)大學(xué)生高質(zhì)量、精準(zhǔn)就業(yè)，高校應(yīng)該結(jié)合專業(yè)人才培養(yǎng)目標(biāo)和學(xué)生的實(shí)際情況來開展更具針對性的就業(yè)指導(dǎo)工作。高校畢業(yè)生就業(yè)信息數(shù)據(jù)庫包含了高校畢業(yè)生的就業(yè)信息，如學(xué)生基本信息、學(xué)生成績信息、學(xué)生素質(zhì)拓展信息等?？紤]到有的信息是定型的，有的信息是定量的，同時(shí)不同信息屬性存在比較大的差異，因此在開展就業(yè)指導(dǎo)評價(jià)的過程中對定型信息量化處理，同時(shí)對所有的信息進(jìn)行歸一化處理，作為樣本數(shù)據(jù)集進(jìn)行分析[17]。結(jié)合對化工專業(yè)大學(xué)生就業(yè)指導(dǎo)的評價(jià)來找出大學(xué)生就業(yè)指導(dǎo)存在的問題，進(jìn)而開展更具針對性的就業(yè)指導(dǎo)，提升化工專業(yè)大學(xué)生就業(yè)質(zhì)量。將樣本數(shù)據(jù)集按照8∶2的比例劃分為模型訓(xùn)練樣本數(shù)據(jù)集和模型測試樣本數(shù)據(jù)集，采用 MPA 對SVM 的懲罰系數(shù)（C）和核函數(shù)參數(shù)（g）進(jìn)行優(yōu)化，得到 MPA-SVM 模型?；?MPA-SVM 的化工專業(yè)大學(xué)生就業(yè)指導(dǎo)評價(jià)模型如圖5所示。

3 實(shí)例分析

3.1 數(shù)據(jù)來源

不同的高校辦學(xué)目標(biāo)不同，學(xué)生就業(yè)去向差別也比較大。選擇湖北省武漢市某普通本科院校作為研究對象，從大學(xué)生就業(yè)數(shù)據(jù)庫中提取近10年化工專業(yè)學(xué)生就業(yè)數(shù)據(jù)信息。就業(yè)數(shù)據(jù)信息包括學(xué)生的性別、年齡、在校實(shí)習(xí)次數(shù)、參加社團(tuán)、學(xué)科類別、英語等級、政治面貌、計(jì)算機(jī)等級、學(xué)習(xí)成績等屬性。考慮到每屆畢業(yè)生的人數(shù)在1000名學(xué)生左右，最終確定每一屆選擇800名學(xué)生，將樣本數(shù)據(jù)集按照8∶2的比例隨機(jī)分配，其中訓(xùn)練樣本數(shù)據(jù)6400，測試樣本數(shù)據(jù)1600。

3.2 結(jié)果分析及討論

設(shè)置MPA 算法的種群規(guī)律為50，最大迭代次數(shù)為500，影響概率為0.25，對 SVM 的參數(shù)組合（C .g）進(jìn)行優(yōu)化，獲得優(yōu)化后的SVM 模型。另外，為了對比不同智能優(yōu)化算法對SVM 懲罰系數(shù)和核函數(shù)參數(shù)優(yōu)化得到的不同改進(jìn)SVM模型，采用遺傳算法（GA）[18]、粒子群算法（PSO）[19]優(yōu)化SVM參數(shù)，得到GA-SVM模型、PSO-SVM模型。對比不同模型對化工專業(yè)大學(xué)生就業(yè)指導(dǎo)的準(zhǔn)確率和算法運(yùn)行時(shí)間，結(jié)果如表1所示。

由表1可知，采用智能優(yōu)化算法（GA、PSO、MPA）對SVM 懲罰系數(shù)和核函數(shù)參數(shù)優(yōu)化之后，模型的準(zhǔn)確率均得到了一定程度的提升，其中MPA-SVM模型對就業(yè)指導(dǎo)的準(zhǔn)確率由78.6%增加到了95.7%。從算法運(yùn)行的時(shí)間來看，SVM 模型的運(yùn)行效率最高，這是因?yàn)橹悄軆?yōu)化算法會(huì)降低模型的運(yùn)行效率，但是相比較而言，PSO-SVM、MPA-SVM 和SVM 模型的運(yùn)行時(shí)間相差很小，可以忽略不計(jì)[20]。從整體上來講， MPA-SVM的性能最佳。

校企聯(lián)合是高校提升辦學(xué)質(zhì)量的關(guān)鍵所在，選擇的高校在2015年開展校企聯(lián)合，即2013～2018屆畢業(yè)生并沒有參與到校企聯(lián)合培養(yǎng)中來。采用 MPA-SVM 模型對2013～2018年的化工專業(yè)畢業(yè)生就業(yè)指導(dǎo)質(zhì)量進(jìn)行評價(jià)，結(jié)果如圖6所示。

從圖6可以看出，2013～2018年化工專業(yè)畢業(yè)生就業(yè)指導(dǎo)質(zhì)量得分呈現(xiàn)出波動(dòng)變化的趨勢。畢業(yè)生的就業(yè)和經(jīng)濟(jì)形勢之間有很大的關(guān)系，出現(xiàn)波動(dòng)受到社會(huì)經(jīng)濟(jì)發(fā)展大趨勢的影響，這也在一定程度上說明了該校就業(yè)指導(dǎo)工作開展還有很大的提升空間。

所選擇的高校2019屆畢業(yè)生是該校第一屆參與到校企聯(lián)合培養(yǎng)的學(xué)生，采用 MPA-SVM 模型對2019～2022年的化工專業(yè)畢業(yè)生就業(yè)指導(dǎo)質(zhì)量進(jìn)行評價(jià)，結(jié)果如圖7所示。

從圖7可以看出，高校實(shí)施校企聯(lián)合之后，化工專業(yè)畢業(yè)生的就業(yè)指導(dǎo)質(zhì)量評價(jià)得分明顯提升，但是整體上增速比較慢。導(dǎo)致出現(xiàn)這種情況的原因是由于2019年底爆發(fā)了新冠疫情，新冠疫情采取的居家隔離政策使得經(jīng)濟(jì)發(fā)展受到了比較大的影響，同時(shí)將校企聯(lián)合融入到大學(xué)生就業(yè)指導(dǎo)的過程中還存在一定的問題，這也是使得就業(yè)指導(dǎo)質(zhì)量評價(jià)得分相對并不高的又一原因。通過對比近10年化工專業(yè)畢業(yè)生的就業(yè)指導(dǎo)質(zhì)量評價(jià)得分，將校企融合與大學(xué)生就業(yè)指導(dǎo)結(jié)合起來對提升大學(xué)生的就業(yè)質(zhì)量具有至關(guān)重要的價(jià)值。

4 結(jié)語

高校畢業(yè)生人數(shù)的持續(xù)增加使得畢業(yè)生就業(yè)難備受關(guān)注，促進(jìn)高校畢業(yè)生高質(zhì)量、精準(zhǔn)就業(yè)能夠更好地提升高等教育質(zhì)量和促進(jìn)經(jīng)濟(jì)社會(huì)的快速發(fā)展。將校企聯(lián)合融入到大學(xué)生就業(yè)指導(dǎo)中，通過技術(shù)實(shí)踐來增強(qiáng)大學(xué)生就業(yè)硬實(shí)力，實(shí)現(xiàn)精準(zhǔn)就業(yè)。運(yùn)用支持向量機(jī)構(gòu)建了大學(xué)生就業(yè)指導(dǎo)評價(jià)模型，并采用MPA對支持向量機(jī)的懲罰系數(shù)和核函數(shù)參數(shù)進(jìn)行優(yōu)化，提出了化工專業(yè)大學(xué)生就業(yè)指導(dǎo)評價(jià)的MPA-SVM 模型。通過對比MPA-SVM、GA-SVM、PSO-SVM、SVM，結(jié)果表明MPA-SVM模型的性能最佳。將MPA-SVM應(yīng)用于化工專業(yè)畢業(yè)生就業(yè)指導(dǎo)評價(jià)中，結(jié)果表明校企聯(lián)合融入大學(xué)生就業(yè)指導(dǎo)使得大學(xué)生就業(yè)質(zhì)量明顯提升，這對提升化工專業(yè)大學(xué)生的就業(yè)質(zhì)量具有一定的參考。

【參考文獻(xiàn)】

[1] 劉姬冰，王瀾.基于化工行業(yè)發(fā)展與專業(yè)現(xiàn)狀的大學(xué)生就業(yè)指導(dǎo)[J].熱固性樹脂，2021，36（2）：72-73.

[2] 陳亞青.電力科技院校學(xué)生就業(yè)指導(dǎo)與實(shí)踐探索[J].電氣傳動(dòng)，2019，49（12）：116-120.

[3] 陳素彬，胡振，蔡韻凝，等.高職院校涉農(nóng)專業(yè)分析類共享實(shí)驗(yàn)室的校企共建與協(xié)同管理[J].實(shí)驗(yàn)技術(shù)與管理，2022，39（10）：194-199.

[4] 張雅麗，王科.工程專業(yè)技術(shù)人才教研信息統(tǒng)籌多維度評價(jià)體系優(yōu)化構(gòu)建[J].粘接，2022，49（12）：129-132.

[5] 蓋曜麟，葛麗娟，郭懿中，等.基于改進(jìn)SVM 算法的高壓斷路器故障診斷[J].高壓電器，2022，58（12）：14-20.

[6] 郭金玉，于歡，李元.基于KPCA-SVM的相關(guān)和獨(dú)立變量故障檢測方法[J].深圳大學(xué)學(xué)報(bào)（理工版），2023，40（1）：14-21.

[7] 吳艷.基于KPCA-ICS-SVM模型的膠粘復(fù)合材料涂層管道外腐蝕速率預(yù)測研究[J].粘接，2022，49（8）：25-31.

[8] 密俊霞，于會(huì)龍，席軍強(qiáng).基于MLP-SVM 的駕駛員換道行為預(yù)測[J].兵工學(xué)報(bào)，2022，43（12）：3020-3029.

[9] 王鑫，張奇志.改進(jìn)麻雀搜索算法優(yōu)化支持向量機(jī)的井漏預(yù)測[J].科學(xué)技術(shù)與工程，2022，22（34）：15115-15122.

[10] 王昱琛，楊仕教，郭欽鵬，等.基于MPA-SVM 的煤礦拋擲爆破爆堆形態(tài)預(yù)測[J].爆破器材，2023，52（1）：58-64.

[11] 張長有，張文宇，袁永斌，等.基于改進(jìn)MPA 優(yōu)化的高斯混合模型算法[J].科技管理研究，2022，42（23）：199-208.

[12] 侯軼軒，路敬祎，張昆，等.基于MPA-VMD的去噪方法在管道泄漏檢測中的應(yīng)用[J].壓力容器，2022，39（7）：64-72.

[13] 張青，曾慶華，張宗宇，等.基于海洋捕食者算法的武器-目標(biāo)分配問題研究[J].兵器裝備工程學(xué)報(bào)，2022，43（8）：158-163.

[14] 馬馳，曾國輝，黃勃，等.融合混沌對立和分組學(xué)習(xí)的海洋捕食者算法[J].計(jì)算機(jī)工程與應(yīng)用，2022，58（22）：271-283.

[15] 張孟健，王德光，汪敏，等.求解工程約束問題的新型智能優(yōu)化算法及展望[J].計(jì)算機(jī)應(yīng)用，2022，42（2）：534-541.

[16] 胡順強(qiáng)，崔東文.基于海洋捕食者算法優(yōu)化的長短期記憶神經(jīng)網(wǎng)絡(luò)徑流預(yù)測[J].中國農(nóng)村水利水電，2021（2）：78-82.

[17] 楊寒雨，趙曉永，王磊.數(shù)據(jù)歸一化方法綜述[J].計(jì)算機(jī)工程與應(yīng)用，2022（12）：1-11.

[18] 李健，吳懷超，趙麗梅，等.基于光散射法和GA-SVM 的高速鋼軋輥粗糙度檢測[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2022（10）：97-99.

[19] 張大可，馬雋，王立英，等.基于粒子群優(yōu)化-支持向量機(jī)的睡眠呼吸暫停檢測[J].科學(xué)技術(shù)與工程，2022，22（33）：14644-14651.

[20] 黃丹妮.基于扎根理論的創(chuàng)業(yè)型企業(yè)技術(shù)轉(zhuǎn)移模式創(chuàng)新研究[J].粘接.2021，46（4）：166-169.