CN104978496A - 高考志愿院校智能推荐算法 - Google Patents
高考志愿院校智能推荐算法 Download PDFInfo
- Publication number
- CN104978496A CN104978496A CN201510471966.8A CN201510471966A CN104978496A CN 104978496 A CN104978496 A CN 104978496A CN 201510471966 A CN201510471966 A CN 201510471966A CN 104978496 A CN104978496 A CN 104978496A
- Authority
- CN
- China
- Prior art keywords
- colleges
- universities
- admission
- batch
- list
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种高考志愿院校智能推荐算法,它主要包括:从历年分差值中求得分差算术平均值,并确定分差最大正向偏差值和分差最小负向偏差值;依据考生当年分差值,各院校分差算术平均值和分差最大正向偏差值与分差最小偏差值确定各院校是否为符号考生报考的备选院校;将备选院校依照考生分数分为“录取难度较大”,“录取难度适中”和“录取难度较小”三类备选院校;通过院校分差算术平均值,定义三类院校备选院校的录取难度系数。该方法能根据院校历年分数,历年省控线以及考生分数,将适合考生报考的院校按照“录取难度较大”,“录取难度适中”和“录取难度较小”分为三类,减少了考生掉档现象的发生。
Description
技术领域
本发明涉及一种高考志愿院校智能推荐算法,属于数据挖掘技术领域。
背景技术
传统的高考志愿填报方式为考生依据各省(市)考试院发放的高考指南手册,通过翻阅指南手册查找历年录取分数与自己考试分数接近的院校及其相关专业,据此进行院校及专业的选择。这种方式存在以下几个缺点:1、查阅的院校信息不完整、不全面,考生及家长在短时间内通过查阅高考指南想对全部适合考生报考院校进行充分了解是十分困难的;2、在院校的筛选过程中会有许多疏漏,考生及家长通常将关注点集中在自己较为熟悉的一些院校,而许多自己不了解且又适合自己报考的院校容易被忽视掉;3、对各院校历年录取分数的分析与趋势分析不全面,易导致错选院校,一般考生及家长对报考规则了解不充分,常将希望寄托在一两所院校上,而对平行志愿中的其他院校的选择不够慎重;4、不能在一个较短时间内完成一套或多套适合自己报考院校的志愿方案。
基于大数据分析与挖掘技术的高考志愿智能院校推荐算法能很好地解决单纯依靠人工查询与选择院校出现的上述各类问题,利用计算机和数据挖掘技术可对各地区招生院校历年录取分数分布及其走势进行分析,结合历年各地区各批次投档线,对当年各院校的录取线做出预测。在此基础上,结合考生高考分数,地区偏好,专业喜好,在数据库中挑选一批适合考生分数,地区偏好与专业喜好的院校,从而能快速形成一套或几套高考志愿填报方案供考生做最终填报方案的参考。
发明内容
本发明的目的在于针对现有高考志愿填报过程中存在的问题提出一种高考志愿院校智能推荐方法,该方法具有其所推荐院校的录取分数与考生的实际考分比较匹配、合理,算法计算复杂度低,易于快速实现。
为了达到上述目的,本发明采用下述技术方案:
高考志愿院校智能推荐算法,该方法具体步骤如下:
(1)、获取历年某地区、某批次院校录取分数的分差值;
(2)、获取某院校分差算术平均值分差最大正向偏差与分差最小负向偏差
(3)、用考生高考分数减去考生所在省(市)当年同一录取批次省控线,得到考生当年分差值c;
(4)、生成与考生分差值相匹配的同一录取批次备选院校列表
(5)、依据考生地区偏好,院校类型选择从院校备选列表中挑选与之匹配的院校,生成列表
(6)、依据考生分差值c以及各候选院校历年分差的算术平均值最大正向偏差和最小负向偏差将备选院校列表中各院校分为“录取难度较大”,“录取难度适中”和“录取难度较小”等三类备选院校,分别生成三类备选院校列表和
(7)、对三类备选院校列表中各院校按照院校分差平均值分别计算三类列表中院校录取难度归一系数。
附图说明
图1是本发明的高考志愿院校智能推荐算法流程图。
具体实施方式
下面结合附图1和具体参数,对本发明中高考志愿院校智能推荐算法作进一步描述。
如图1所示,本发明中的高考志愿院校智能推荐算法,其具体步骤如下:
步骤(1)、获取历年某地区、某批次院校录取分数的分差值,具体如下:
某地区第k录取批次第j年各院校录取分数选为最低录取分数或平均录取分数其中i=1,2,…,N(k,j),N(k,j)为同一地区第k录取批次第j年招生院校总数,k为录取批次,j表示年。将第j年同一地区第k录取批次各院校录取分数减去同一地区第k录取批次第j年省控线由此获取同一批次同一地区第j年各招生院校的历年的录取分差值即有
步骤(2)、获取某院校分差算术平均值分差最大正向偏差与分差最小负向偏差具体如下:
计算同一地区同一录取批次某院校录取分差值的算术平均值即有
其中m表示年数,或进一步得到同一院校分差最大正向偏差值 与分差最小负向偏差值
步骤(3)、用考生高考分数减去考生所在省(市)当年某录取批次省控线,得到考生当年分差值c,具体如下:
c=Grade-C(k) (3)
其中Grade为考生高考分数,C(k)为当年第k录取批次的省控线;
步骤(4)、生成与考生分差值相匹配的第k录取批次备选院校列表具体如下:
如果则第k录取批次第i所院校列入备选院校列表中,其中1≤α(k)≤10,1≤β(k)≤5;
步骤(5)、依据考生地区偏好,院校类型选择从院校备选列表中挑选与之匹配的院校,生成列表具体如下:
考生地区偏好指的是考生对某一地区或某几个地区院校的偏好,院校类型指的是诸如综合、理工、农林、师范等院校。依据考生的选择从表中选择符合考生要求的院校,并生成备选院校列表
步骤(6)、依据考生分差值c以及各候选院校历年分差的算术平均值最大正向偏差和最小负向偏差将备选院校列表中各院校分为“录取难度较大”,“录取难度适中”和“录取难度较小”等三类备选院校,分别生成三类备选院校列表和具体如下:
步骤(6-1)、如果
(6-1-1)、若
则将第k录取批次院校中第i所院校置入“录取难度较大”院校列表中;
(6-1-2)、若
则将第k录取批次院校中第i所院校置入“录取难度适中”院校列表中;
(6-1-3)、若
则将第k录取批次院校中第i所院校置入“录取难度较小”院校列表中;
步骤(6-2)、如果
则将第k录取批次院校中第i所院校置入“录取难度适中”院校列表中;
步骤(7)、对三类备选院校列表中各院校按照院校分差平均值分别计算三类列表中院校录取难度归一系数,具体如下:
第k录取批次某一类中备选院校分差平均分为则该类中备选院校的录取难度归一系数为
同类备选院校列表中,难度归一系数越大,其在同类备选院校中录取难度也越大。
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围。
Claims (1)
1.高考志愿院校智能推荐算法,其特征在于,所述方法是在计算机中依次按以下步骤实现的:
步骤(1)、获取历年某地区、某批次院校录取分数的分差值,具体如下:
某地区第k录取批次第j年各院校录取分数选为最低录取分数或平均录取分数其中i=1,2,…,N(k,j),N(k,j)为同一地区第k录取批次第j年招生院校总数,k为录取批次,j表示年。将第j年同一地区第k录取批次各院校录取分数减去同一地区第k录取批次第j年省控线由此获取同一批次同一地区第j年各招生院校的历年的录取分差值即有
步骤(2)、获取某院校分差算术平均值分差最大正向偏差与分差最小负向偏差具体如下:
计算同一地区同一录取批次某院校录取分差值的算术平均值即有
其中m表示年数,或进一步得到同一院校分差最大正向偏差值 与分差最小负向偏差值
步骤(3)、用考生高考分数减去考生所在省(市)当年某录取批次省控线,得到考生当年分差值c,具体如下:
c=Grade-C(k) (3)
其中Grade为考生高考分数,C(k)为当年第k录取批次的省控线;
步骤(4)、生成与考生分差值相匹配的第k录取批次备选院校列表具体如下:
如果则第k录取批次第i所院校列入备选院校列表中,其中1≤α(k)≤10,1≤β(k)≤5;
步骤(5)、依据考生地区偏好,院校类型选择从院校备选列表中挑选与之匹配的院校,生成列表具体如下:
考生地区偏好指的是考生对某一地区或某几个地区院校的偏好,院校类型指的是诸如综合、理工、农林、师范等院校。依据考生的选择从表中选择符合考生要求的院校,并生成备选院校列表
步骤(6)、依据考生分差值c以及各候选院校历年分差的算术平均值最大正向偏差和最小负向偏差将备选院校列表中各院校分为“录取难度较大”,“录取难度适中”和“录取难度较小”等三类备选院校,分别生成三类备选院校列表和具体如下:
步骤(6-1)、如果
(6-1-1)、若
则将第k录取批次院校中第i所院校置入“录取难度大”院校列表中;
(6-1-2)、若
则将第k录取批次院校中第i所院校置入“录取难度适中”院校列表中;
(6-1-3)、若
则将第k录取批次院校中第i所院校置入“录取难度小”院校列表中;
步骤(6-2)、如果
则将第k录取批次院校中第i所院校置入“录取难度适中”院校列表中;
步骤(7)、对三类备选院校列表中各院校按照院校分差平均值分别计算三类列表中院校录取难度归一系数,具体如下:
第k录取批次某一类中备选院校分差平均分为则该类中备选院校的录取难度归一系数为
同类备选院校列表中,难度归一系数越大,其在同类备选院校中录取难度也越大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510471966.8A CN104978496A (zh) | 2015-08-05 | 2015-08-05 | 高考志愿院校智能推荐算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510471966.8A CN104978496A (zh) | 2015-08-05 | 2015-08-05 | 高考志愿院校智能推荐算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104978496A true CN104978496A (zh) | 2015-10-14 |
Family
ID=54274995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510471966.8A Pending CN104978496A (zh) | 2015-08-05 | 2015-08-05 | 高考志愿院校智能推荐算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104978496A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609711A (zh) * | 2017-09-27 | 2018-01-19 | 百度在线网络技术(北京)有限公司 | 一种报考信息的提供方法、装置、设备及存储介质 |
CN108052608A (zh) * | 2017-12-13 | 2018-05-18 | 成都优联苔客数字科技有限公司 | 一种根据高中课程智能推荐大学专业的方法及装置 |
CN109087224A (zh) * | 2018-08-08 | 2018-12-25 | 仪征达人信息技术有限公司 | 一种基于考生的个性化需求进行高考志愿推荐和预测的方法 |
CN109472414A (zh) * | 2018-11-15 | 2019-03-15 | 福建大道之行教育科技有限公司 | 一种基于多维度数据模型的专业招生预测方法及系统 |
CN110633414A (zh) * | 2019-09-02 | 2019-12-31 | 山东耘智愿教育科技集团有限公司 | 基于大数据的志愿填报智能规划系统 |
CN110674185A (zh) * | 2019-09-09 | 2020-01-10 | 山东耘智愿教育科技集团有限公司 | 一种高考志愿智能推荐系统 |
CN111476687A (zh) * | 2019-09-06 | 2020-07-31 | 山东耘智愿教育科技集团有限公司 | 一种高考选科测评系统 |
-
2015
- 2015-08-05 CN CN201510471966.8A patent/CN104978496A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609711A (zh) * | 2017-09-27 | 2018-01-19 | 百度在线网络技术(北京)有限公司 | 一种报考信息的提供方法、装置、设备及存储介质 |
CN108052608A (zh) * | 2017-12-13 | 2018-05-18 | 成都优联苔客数字科技有限公司 | 一种根据高中课程智能推荐大学专业的方法及装置 |
CN108052608B (zh) * | 2017-12-13 | 2022-01-04 | 成都优联苔客数字科技有限公司 | 一种根据高中课程智能推荐大学专业的方法及装置 |
CN109087224A (zh) * | 2018-08-08 | 2018-12-25 | 仪征达人信息技术有限公司 | 一种基于考生的个性化需求进行高考志愿推荐和预测的方法 |
CN109472414A (zh) * | 2018-11-15 | 2019-03-15 | 福建大道之行教育科技有限公司 | 一种基于多维度数据模型的专业招生预测方法及系统 |
CN110633414A (zh) * | 2019-09-02 | 2019-12-31 | 山东耘智愿教育科技集团有限公司 | 基于大数据的志愿填报智能规划系统 |
CN111476687A (zh) * | 2019-09-06 | 2020-07-31 | 山东耘智愿教育科技集团有限公司 | 一种高考选科测评系统 |
CN110674185A (zh) * | 2019-09-09 | 2020-01-10 | 山东耘智愿教育科技集团有限公司 | 一种高考志愿智能推荐系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104978496A (zh) | 高考志愿院校智能推荐算法 | |
Nagy et al. | Predicting dropout in higher education based on secondary school performance | |
CN103824115B (zh) | 面向开放网络知识库的实体间关系推断方法及系统 | |
Zeeshan et al. | Assessing the impact of servant leadership on employee engagement through the mediating role of self-efficacy in the Pakistani banking sector | |
Hien et al. | A decision support system for evaluating international student applications | |
CN106407482B (zh) | 一种基于多特征融合的网络学术报告分类方法 | |
CN104573359A (zh) | 一种基于任务难度与标注者能力的众包标注数据整合方法 | |
CN105096224B (zh) | 志愿推荐方法和系统 | |
CN105404632A (zh) | 基于深度神经网络对生物医学文本序列化标注的系统和方法 | |
CN103927602A (zh) | 一种面向高考志愿填报的辅助决策方法 | |
KR102203048B1 (ko) | 유사도를 이용한 교육 프로그램 추천방법 및 그 시스템 | |
Ravitch et al. | Applied research for sustainable change: A guide for education leaders | |
Kumar et al. | Performance analysis of students using machine learning & data mining approach | |
CN112529750A (zh) | 基于图神经网络模型的学习事件推荐方法及系统 | |
Ramzi | Modeling the education supply chain with network DEA Model: the case of tunisia | |
CN108021985A (zh) | 一种模型参数训练方法及装置 | |
Xia et al. | Status quo and outlook of the studies of entrepreneurship education in China: statistics and analysis based on papers indexed in CSSCI (2004–2013) | |
CN110163495A (zh) | 一种多维综合大学发展评价指标体系的评估方法 | |
Niu et al. | A hybrid model for predicting academic performance of engineering undergraduates | |
Manvar et al. | Predicting students performance in higher education: A Data Mining Approach | |
Akhai et al. | Automated performance evaluation system | |
Korostynskyi et al. | Analysis of Geo-Economic Distribution of Scientific Publications Citation and Self-Citation Standardized Indices Based on Machine Learning. | |
CN106845865A (zh) | 一种基于人才流动分析的学校排名方法及装置 | |
CHEN | Research on the development direction and strategy of university education and teaching management information based on large data technology. | |
Lu et al. | Research on Application of C4. 5 Algorithm in Performance Analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: Room A0011, 9 storeys, No. 2816 Yixian Road, Baoshan District, Shanghai, 201900 Applicant after: Shanghai Yige Education Technology Co., Ltd. Address before: Room 302, No. 4, 2165 Lane, Wangyuan Road, Fengxian District, Shanghai, 201400 Applicant before: SHANGHAI EAGER INFORMATION TECHNOLOGY CO., LTD. |
|
CB02 | Change of applicant information | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151014 |
|
WD01 | Invention patent application deemed withdrawn after publication |