CN105096224A - 志愿推荐方法和系统 - Google Patents

Abstract

本发明提供一种志愿推荐方法，其包括预设每个专业的专业科目向量，其中所述专业科目向量以科目权值为分量；采集用户学习信息，形成所述用户的个人科目向量，其中所述个人科目向量以科目权值为分量；获取所述用户的高考成绩，根据所述高考成绩对所述个人科目向量进行更新，形成更新后的个人科目向量；计算所述更新后的个人科目向量与所述每个专业的所述专业科目向量之间的夹角；根据所述夹角的大小确定所述用户的推荐专业。本发明进一步提供一种志愿推荐系统，能够准确和科学的为用户推荐符合其自身特质的志愿推荐方法和系统。

Description

志愿推荐方法和系统

技术领域

本发明涉及测评技术领域，尤其涉及一种能够辅助学生填报志愿的志愿推荐方法和系统。

背景技术

高考是目前我国高等教育选拔人才的主要途径，也是绝大多数年轻人实现人生抱负的必经之路，考生志愿填报是否合理尤为重要。近些年来，我国高考招生工作虽然经历了多次深化改革，但仍然普遍存在考生高分落榜和高分低就的问题，其次是考生志愿填报的就读专业偏离自身优势和兴趣，严重影响学习效果和就业等。其原因是考生和家长缺乏专业化的志愿填报指导。

国外在学生升学与就业指导方面已有几十年的发展历史，当学生面临升学和就业的时候，许多学校都会提供多种心理测验帮助学生了解自己的兴趣、爱好、能力和人格特征等，为他们选择大学志愿和未来职业提供参考意见。例如美国大学考试中心(ACT)，更是将升学指导摆在重要位置，并与高考报名紧密的结合起来，考生报名时要同步进行心理测试，学生除了得到高考成绩以外，还会得到一个专业选择测评建议。由于国内国情的特殊性，学生的成长环境和社会就业环境均与国外存在区别，国外的升学指导并不适合中国学生，目前国内升学指导主要还是依赖于咨询老师或亲朋等，受环境局限性和人为主观因素的影响较大，另外一方面高中生由于年龄较小对自我认知不完善，导致升学填报的专业并不适合自己，不利于学生潜能的充分发掘和未来就业。

发明内容

基于此，本发明在于提供能够准确和科学的为用户推荐符合其自身特质的志愿推荐方法和系统。

根据本发明的一个方面，提供一种志愿推荐方法，其包括：预设每个专业的专业科目向量，其中所述专业科目向量以科目权值为分量；采集用户学习信息，形成所述用户的个人科目向量，其中所述个人科目向量以科目权值为分量；获取所述用户的高考成绩，根据所述高考成绩对所述个人科目向量进行更新，形成更新后的个人科目向量；计算所述更新后的个人科目向量与所述每个专业的所述专业科目向量之间的夹角；根据所述夹角的大小确定所述用户的推荐专业。

根据本发明的另一方面，提供一种志愿推荐系统，包括：预设模块，用于预设每个专业的专业科目向量，其中所述专业科目向量以科目权值为分量；向量设置模块，用于采集用户学习信息，形成所述用户的个人科目向量，其中所述个人科目向量以科目权值为分量；向量更新模块，用于获取所述用户的高考成绩，根据所述高考成绩对所述个人科目向量进行更新，形成更新后的个人科目向量；计算模块，用于计算所述更新后的个人科目向量与所述每个专业的所述专业科目向量之间的夹角；专业确定模块，用于根据所述夹角的大小确定所述用户的推荐专业。

通过上述志愿推荐系统和方法能够跟进和记录用户的学习成长情况，根据用户长期的学习成长情况结合高考成绩综合分析出用户的兴趣和擅长科目，从而找出适合用户的推荐专业；其次，能够根据历史高考相关的数据预测当年的录取分数线，并结合分析出的推荐专业形成推荐学校。通过该志愿推荐系统和方法能够准确、智能和更加科学地向用户推荐填报专业和学校，并且充分考虑了用户自身优势和兴趣形成推荐专业，能够避免报考的盲目性，有利于用户提升自我认知及其潜能的充分发掘和未来就业。

附图说明

图1为本发明一实施例所提供的志愿推荐方法的流程图。

图2为本发明第二实施例所提供的志愿推荐方法的流程图。

图3为本发明第三实施例所提供的志愿推荐方法的流程图。

图4为本发明第四实施例所提供的志愿推荐方法的流程图。

图5为本发明一实施例所提供的志愿推荐系统的结构示意图。

图6为本发明第二实施例所提供的志愿推荐系统的结构示意图。

图7为本发明第三实施例所提供的志愿推荐系统的结构示意图。

图8为本发明第四实施例所提供的志愿推荐系统的结构示意图。

附图标记说明

10预设模块

11第一预设模块

12第二预设模块

20向量设置模块

21第一向量模块

22第二向量模块

30向量更新模块

40计算模块

50专业确定模块

60获取模块

61第一获取模块

62第二获取模块

63预测模块

64反馈模块

65学校确定模块

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步的详细说明。应当理解的是，此处所描述的具体实施方式仅用以解释本发明，并不限定本发明的保护范围。

请参阅图1，为本发明一实施例所提供志愿推荐方法，其包括：预设每个专业的专业科目向量，其中所述专业科目向量以科目权值为分量；采集用户学习信息，形成所述用户的个人科目向量，其中所述个人科目向量以科目权值为分量；获取所述用户的高考成绩，根据所述高考成绩对所述个人科目向量进行更新，形成更新后的个人科目向量；计算所述更新后的个人科目向量与所述每个专业的所述专业科目向量之间的夹角；根据所述夹角的大小确定所述用户的推荐专业。

通过采集用户学习信息形成符合用户自身学习成长特点的以科目权值为分量的个人科目向量，并获取用户的高考成绩用于更新该个人科目向量中相应科目的权值，从而可以综合考虑到用户在长期学习过程中的科目优势和科目偏好等因素，结合高考成绩而形成符合用户自身特性的推荐专业。

预设每个专业的专业科目向量，是指预先针对每个专业维护一个专业科目向量，以科目权值为分量，代表该专业涉及的科目及该专业与各科目之间的关联度关系。所述专业科目向量中各科目权值的初始值可以由教育领域专家给出，权值的大小可以为0～10之间的数值。其中，权值的数值越大，代表相应的科目于该专业中的重要性和关联性越大。

比如：专业科目向量的各个分量依次为：(语文权值，数学权值，英语权值，物理权值，化学权值，…)；

古文学专业的专业科目向量为：(9.5,1,1,0.5,0.6,...)；

计算机专业的专业科目向量为：(0.5,6.8,3.2,2.5,1.2,...)；

如此类似，对每一个专业形成对应的专业科目向量。

采集用户学习信息，形成所述用户的个人科目向量，是指针对每个用户根据其以往学习特点形成个人科目向量，以科目权值为分量，代表该用户的各个科目中学习较好的程度。权值的大小可以为0～10之间的数值，科目权值的数值越大，代表该用户的相应科目的越有优势。该个人科目向量中各科目权值的初始值可以预先设置，然后再通过采集用户在学习过程中的信息，判断各个科目的掌握情况，从而对相应科目的权值进行调整。该个人科目向量中分量的设置方式与专业科目向量中分量的设置是相同的。

比如：个人科目向量中各个分量同样依次为：(语文权值，数学权值，英语权值，物理权值，化学权值，…)；

A用户个人科目向量为：(8.5，3，2，5，6，...)。

如此类似，对每一个用户形成一一对应的个人科目向量。

其中，用户学习信息主要是指平时用户的测试考试成绩，比如各个时间段的模拟测试、期中考试、期末考试、月度考试、季度考试等等，当该用户每完成一次科目的考试，该用户的个人科目向量中的相应分量的权值大小会根据考试的结果而调整，通过对这些测试考试成绩的累积统计，对用户长期的学习成长情况进行实时的记录和跟进，从而判断出用户对各个科目的学习兴趣和掌握情况，确定出符合用户自身特点的各个科目的权值。

比如：A用户个人科目向量：(8.5，3，2，5，6，...)

A用户刚完成数学的考试，满分为100，考试分数为80，则新的权重＝3+(80-60)/100＝3.5。

优选地，这些测试考试为用户平时通过教学网站所进行的测试，如窗萤在线网站，根据每一次网上做题的记录，从而可实现全程智能的跟踪和记录，并根据记录的结果自动更新用户的个人科目向量中相应科目的权值。所述用户学习信息还可以包括用户的网上互动记录、网上学习偏好等。通过采集用户平时在网站上与老师或者其它用户的问答交流等学习互动相关信息，或者通过采集用户在网站的网页浏览记录、学习资料购买记录等网上学习偏好相关信息，判断出用户学习科目中的强项或者弱项，根据判断结果按照预设的比例对用户的个人科目向量中相应科目的权值进行相应的调整。

获取所述用户的高考成绩，根据所述高考成绩对所述个人科目向量进行更新，形成更新后的个人科目向量。高考成绩是决定用户高考成败的关键，反应的是用户在最大压力的氛围中的真实学习水平，因此，用户的高考中各个科目的成绩对于该用户的个人科目向量中相应科目的权值影响占较大的比重，其中所占比重根据实际情况可以调整，比如，可以设置用户的高考中各个科目的成绩对于相应科目的权值的影响为用户平时学习成绩对权值影响的三倍，在高考中，A用户的数学成绩是120，满分150，则根据该高考成绩更新后的新的权重＝3.5+(120-90)*3/150＝4.1。因此，用户的高考成绩会很大程度上影响他的个人科目向量，但不是决定该个人科目向量的唯一因素。

计算所述更新后的个人科目向量与所述每个专业的所述专业科目向量之间的夹角；由于个人科目向量和专业科目向量均是以科目权值为分量的向量，因此通过求得向量之间的相似度，根据相似度挑选出适合用户的专业。其中，两个向量之间相似度即指向量之间的夹角，夹角通常可以通过以下公式计算：

$\cos <\stackrel{\&RightArrow;}{a},\stackrel{\&RightArrow;}{b}>=\frac{\stackrel{\&RightArrow;}{a}\&CenterDot;\stackrel{\&RightArrow;}{b}}{\left|\stackrel{\&RightArrow;}{a}\right|\&CenterDot;\left|\stackrel{\&RightArrow;}{b}\right|};$

其中，a和b分别为个人科目向量和专业科目向量。

根据所述夹角的大小确定所述用户的推荐专业。夹角越小，表示向量之间的相似度越大，即指与该专业的关联度较大的科目与该个人的兴趣和掌握较好的科目的匹配度越好。本实施例中，将各个专业中专业科目向量与用户的个人科目向量的夹角最小的专业作为该用户的最佳推荐专业。

优选的，请参阅图2，该志愿推荐方法还包括：获取往年的报考信息，根据所述报考信息建立线性回归模型，其中所述报考信息包括各个学校的录取分数线、各省份的招生人数及当年考生数；获取本年度的已知报考信息，根据所述线性回归模型和所述已知报考信息预测所述各个学校本年度的录取分数线；将所述用户的高考成绩与所述预测的录取分数线进行比较，根据比较的结果确定所述用户的推荐学校。

线性回归是统计学中常用的分析方式，是利用成为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。在线性回归中，数据使用线性预测函数来建模，并且未知的模型参数也是通过数据来估计，这些模型为线性模型。通过获取大量往年的录取分数线、各省份的招生人数及当年考生数等报考信息，建立线性回归模型，根据线性回归模型和已知的报考信息预测本年度的录取分数线。该录取分数线的预测包含了历年大数据的获取和分析，从而更加准确和具有参考价值。优选的，志愿推荐方法还包括在预测本年度的录取分数线之后，再根据本年度的实际录取分数线与预测的录取分数线的偏差反馈至线性回归模型，以自动调整模型参数的步骤，不断精确预测结果。

优选的，请参阅图3，该志愿推荐方法还包括：预设每个学校的学校专业向量，其中所述学校专业向量以各个专业的专业权值为分量；获取所述用户的所述推荐专业，形成所述用户的个人专业向量，所述个人专业向量以专业权值为分量；计算所述个人专业向量与每个所述推荐学校的所述学校专业向量之间的夹角；根据所述夹角的大小确定所述用户的优选推荐学校。

预设每个学校的学校专业向量，是指预先针对每个学校维护一个学校专业向量，以专业权值为分量，通过分量代表该学校涉及的专业及该学校的专业的优势程度。所述学校专业向量中各专业权值的初始值可以由教育专家给出，权值的大小可以为0～10之间的数值。其中，权值的数值越大，代表响应的专业于该学校各个专业中的重要性和关联性越大。

比如：学校专业向量的各个分量依次为：(电子信息专业权值，机械专业权值，英语专业权值，数学专业权值，法律专业权值，…)；

A学校专业向量为：(8,2,2,1,0.6,...)；

B学校专业向量为：(1,9,2,2.5,3,...)；

如此类似，对每一个学校形成对应的学校专业向量。

获取所述用户的推荐专业，形成所述用户的个人专业向量，是指根据用户自身特点所形成的推荐专业的夹角大小设置专业权值的大小，以所述专业权值为分量形成个人专业向量。比如，A用户的推荐专业中，电子信息专业的专业科目向量与其个人科目向量的夹角最小，则设置其权值为10，其次是数学专业等，根据夹角的差值按比例设置权值，A用户的个人专业向量为：(8,0.5,2,6,1,...)。

计算个人专业向量与所述每个学校的所述学校专业向量之间的夹角；由于个人专业向量和学校专业向量均是以专业权值为分量的向量，因此通过求得向量之间的相似度，根据相似度挑选出适合用户更好的学习相应专业的学校。其中，两个向量之间相似度即指向量之间的夹角，夹角同样可以通过前述的公式计算，区别仅在于将公式中的a，b分别用个人专业向量和学校专业向量进行替换。

优选的，请参阅图4，在图2所示志愿推荐方法实施例的基础上还包括：获取用户所在的地域信息；根据前述的推荐学校所在地域与用户的所在地域的距离确定所述用户的优选推荐学校。

请参阅图5，为本发明另一实施例所提供的志愿推荐系统，其包括：预设模块10，用于预设每个专业的专业科目向量，其中所述专业科目向量以科目权值为分量；向量设置模块20，用于采集用户学习信息，形成所述用户的个人科目向量，其中所述个人科目向量以科目权值为分量；向量更新模块30，用于获取所述用户的高考成绩，根据所述高考成绩对所述个人科目向量进行更新，形成更新后的个人科目向量；计算模块40，用于计算所述更新后的个人科目向量与所述每个专业的所述专业科目向量之间的夹角；专业确定模块50，用于根据所述夹角的大小确定所述用户的推荐专业。

该志愿推荐系统通过采集用户学习信息形成符合用户自身学习成长特点的以科目权值为分量的个人科目向量，并获取用户的高考成绩用于更新该个人科目向量中相应科目的权值，从而可以综合考虑到用户在长期学习过程中的科目优势和科目偏好等因素，结合高考成绩而准确和科学地形成符合用户自身特性的推荐专业。

预设模块10预先针对每个专业维护一个相应的专业科目向量，以科目权值为分量，代表该专业涉及的科目及该专业与各科目之间的关联度关系。所述专业科目向量中各科目权值的初始值可以由教育领域专家给出，权值的大小可以为0～10之间的数值。其中，权值的数值越大，代表相应的科目于该专业中的重要性和关联性越大。

比如：专业科目向量的各个分量依次为：(语文权值，数学权值，英语权值，物理权值，化学权值，…)；

古文学专业的专业科目向量为：(9.5,1,1,0.5,0.6,...)；

计算机专业的专业科目向量为：(0.5,6.8,3.2,2.5,1.2,...)；

如此类似，每一个专业都形成对应的专业科目向量。

向量设置模块20针对每个用户根据其以往学习特点形成个人科目向量，以科目权值为分量，权值的大小代表该用户的各个科目中学习较好的程度。权值的大小可以为0～10之间的数值，科目权值的数值越大，代表该用户的相应科目的越有优势。该个人科目向量中各科目权值的初始值可以预先设置，然后再通过采集用户在学习过程中的信息，判断各个科目的掌握情况，从而对相应科目的权值进行调整。该个人科目向量中分量的设置方式与专业科目向量中分量的设置是相同的。

比如：个人科目向量中各个分量与专业科目向量的分量相同，依次为：(语文权值，数学权值，英语权值，物理权值，化学权值，…)；

A用户个人科目向量为：(8.5，3，2，5，6，...)。

如此类似，每一个用户形成一一对应的个人科目向量。

其中，用户学习信息主要是指平时用户的测试考试成绩，比如各个时间段的模拟测试、期中考试、期末考试、月度考试、季度考试等等，当该用户每完成一次科目的考试，该用户的个人科目向量中的相应分量的权值大小会根据考试的结果而调整，通过向量设置模块对这些测试考试成绩的累积统计，对用户长期的学习成长情况进行实时的记录和跟进，从而判断出用户对各个科目的学习兴趣和掌握情况，确定出符合用户自身特点的各个科目的权值。

比如：A用户个人科目向量：(8.5，3，2，5，6，...)。

A用户刚完成数学的考试，满分为100，考试分数为80，则新的权重＝3+(80-60)/100＝3.5。

优选地，这些测试考试为用户平时通过教学网站所进行的测试，如窗萤在线网站，根据每一次网上做题的记录全程智能的跟踪和记录，并根据记录的结果自动调整用户的个人科目向量中相应科目的权值。所述用户学习信息还可以包括用户的网上互动记录、网上学习偏好等。通过采集用户平时在网站上与老师或者其它用户的问答交流等学习互动相关信息，或者通过采集用户在网站的网页浏览记录、学习资料购买记录等网上学习偏好相关信息，判断出用户学习科目中的强项或者弱项，根据判断结果按照预设的比例对用户的个人科目向量中相应科目的权值进行相应的调整。

向量更新模块30获取所述用户的高考成绩，根据所述高考成绩对所述个人科目向量进行更新，形成更新后的个人科目向量。高考成绩是决定用户高考成败的关键，反应的是用户在最大压力的氛围中的真实学习水平，因此，用户的高考中各个科目的成绩对于该用户的个人科目向量中相应科目的权值影响占较大的比重，其中所占比重根据实际情况可以调整，比如，可以设置用户的高考中各个科目的成绩对于相应科目的权值的影响为用户平时学习成绩对权值影响的三倍，在高考中，A用户的数学成绩是120，满分150，则根据该高考成绩更新后的新的权重＝3.5+(120-90)*3/150＝4.1。因此，用户的高考成绩会很大程度上影响他的个人科目向量，但不是决定该个人科目向量的唯一因素。

通过计算模块40计算所述更新后的个人科目向量与所述每个专业的所述专业科目向量之间的夹角；由于个人科目向量和专业科目向量均是以科目权值为分量的向量，因此通过求得向量之间的相似度，根据相似度挑选出适合用户的专业。其中，两个向量之间相似度即指向量之间的夹角，夹角通常可以通过以下公式计算：

$\cos <\stackrel{\&RightArrow;}{a},\stackrel{\&RightArrow;}{b}>=\frac{\stackrel{\&RightArrow;}{a}\&CenterDot;\stackrel{\&RightArrow;}{b}}{\left|\stackrel{\&RightArrow;}{a}\right|\&CenterDot;\left|\stackrel{\&RightArrow;}{b}\right|};$

其中，a和b分别为个人科目向量和专业科目向量。

专业确定模块50根据个人科目向量和专业科目向量的夹角的大小确定所述用户的推荐专业。夹角越小，表示向量之间的相似度越大，即指与该专业的关联度较大的科目与该个人的兴趣和掌握较好的科目的匹配度越好。本实施例中，将各个专业中专业科目向量与用户的个人科目向量的夹角最小的专业作为该用户的最佳推荐专业。

优选的，请参阅图6，该志愿推荐系统还包括：获取模块60，用于获取往年的报考信息及本年度的已知报考信息，其中所述报考信息包括各个学校的录取分数线、各省份的招生人数及当年考生数；预测模块63，用于根据所述报考信息建立线性回归模型，根据所述线性回归模型和所述已知报考信息预测所述各个学校的本年度的录取分数线；学校确定模块65，用于将所述用户的高考成绩与所述预测的录取分数线进行比较，根据比较的结果确定所述用户的推荐学校。

其中，线性回归是统计学中常用的分析方式，是利用成为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。在线性回归中，数据使用线性预测函数来建模，并且未知的模型参数也是通过数据来估计，这些模型为线性模型。通过获取大量往年的录取分数线、各省份的招生人数及当年考生数等报考信息，建立线性回归模型，根据线性回归模型和已知的报考信息预测本年度的录取分数线。该录取分数线的预测包含了历年大数据的获取和分析，从而更加准确和具有参考价值。优选的，该志愿推荐系统还包括反馈模块64，用于在预测本年度的录取分数线之后，获取本年度的实际录取分数线，根据本年度的实际录取分数线与预测的录取分数线的偏差反馈至线性回归模型，以自动调整模型参数的步骤，不断精确预测结果。

优选的，请参阅图7，该志愿推荐系统还包括：另一预设模块，用于预设每个学校的学校专业向量，其中所述学校专业向量以专业权值为分量；另一向量设置模块，用于获取所述用户的推荐专业，形成所述用户的个人专业向量，其中该个人专业向量以专业权值为分量；所述学校确定模块65还用于计算所述个人专业向量与每个所述推荐学校的所述学校专业向量之间的夹角，根据所述夹角的大小确定所述用户的优选推荐学校。

该另一预设模块预设每个学校的学校专业向量，是指预先针对每个学校维护一个学校专业向量，以专业权值为分量，通过分量代表该学校涉及的专业及该学校的专业的优势程度。为了便于表述，将前述预设专业科目向量的预设模块10命名为第一预设模块11，将该另一预设模块命名为第二预设模块12。所述学校专业向量中各专业权值的初始值可以由教育专家给出，权值的大小可以为0～10之间的数值。其中，权值的数值越大，代表响应的专业于该学校各个专业中的重要性和关联性越大。

比如：学校专业向量的各个分量依次为：(电子信息专业权值，机械专业权值，英语专业权值，数学专业权值，法律专业权值，…)；

A学校专业向量为：(8,2,2,1,0.6,...)；

B学校专业向量为：(1,9,2,2.5,3,...)；

如此类似，第二预设模块对每一个学校形成对应的学校专业向量。

另一向量设置模块用于获取所述用户的推荐专业，形成所述用户的个人专业向量，是指根据用户自身特点所形成的推荐专业的夹角大小设置专业权值的大小，以所述专业权值为分量形成个人专业向量。为了便于表述，将前述向量设置模块20命名为第一向量设置模块21，将该另一向量设置模块命名为第二向量设置模块22。第二向量设置模块22确定个人专业向量的方式如，通过该志愿推荐系统所提供的A用户的推荐专业中，电子信息专业的专业科目向量与其个人科目向量的夹角最小，则设置其权值为10，其次是数学专业等，根据夹角的差值按比例设置权值，A用户的个人专业向量为：(8,0.5,2,6,1,...)。

学校确定模块65用于计算个人专业向量与所述每个学校的所述学校专业向量之间的夹角；由于个人专业向量和学校专业向量均是以专业权值为分量的向量，因此通过求得向量之间的相似度，根据相似度挑选出适合用户更好的学习相应专业的学校。其中，两个向量之间相似度即指向量之间的夹角，夹角同样可以通过前述的公式计算，区别仅在于将公式中的a，b分别为个人专业向量和学校专业向量。

优选的，请参阅图8，该志愿推荐系统还包括：另一获取模块，用于获取所述用户所在的地域信息；所述学校确定模块还用于根据推荐学校所在地域与所述用户的所在地域的距离确定所述用户的优选推荐学校。为了便于区别，将前述获取模块60命名为第一获取模块61，将该另一获取模块命名为第二获取模块62。可以优选离用户所在地距离更近的推荐学校做为优选推荐学校。

志愿推荐系统和方法能够跟进和记录用户的学习成长情况，并根据用户长期的学习成长情况结合高考成绩综合分析出用户的兴趣和擅长科目，从而找出适合用户的推荐专业；其次，该志愿推荐系统和方法能够根据历史高考相关的数据预测当年的录取分数线，并结合分析出的推荐专业形成推荐学校。通过该志愿推荐系统和方法能够准确、智能向用户推荐填报专业和学校，并且充分考虑了用户自身优势和兴趣形成推荐专业，能够避免报考的盲目性，有利于用户提升自我认知及其潜能的充分发掘和未来就业。

以上描述了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种志愿推荐方法，其包括：

预设每个专业的专业科目向量，其中所述专业科目向量以科目权值为分量；

采集用户学习信息，形成所述用户的个人科目向量，其中所述个人科目向量以科目权值为分量；

获取所述用户的高考成绩，根据所述高考成绩对所述个人科目向量进行更新，形成更新后的个人科目向量；

计算所述更新后的个人科目向量与所述每个专业的所述专业科目向量之间的夹角；

根据所述夹角的大小确定所述用户的推荐专业。

2.如权利要求1所述的志愿推荐方法，其特征在于：所述采集用户学习信息，形成所述用户的个人科目向量的步骤包括：

采集用户的测试考试成绩，根据所述测试考试成绩确定所述用户的所述科目权值，以所述科目权值为分量形成所述用户的个人科目向量。

3.如权利要求2所述的志愿推荐方法，其特征在于：所述测试考试成绩为所述用户在学习网站上进行的模拟测试的考试成绩。

4.如权利要求1所述的志愿推荐方法，其特征在于：还包括：

获取往年的报考信息，根据所述报考信息建立线性回归模型，其中所述报考信息包括各个学校的录取分数线、各省份的招生人数及当年考生数；

获取本年度的已知报考信息，根据所述线性回归模型和所述已知报考信息预测所述各个学校本年度的录取分数线；

将所述用户的高考成绩与所述预测的录取分数线进行比较，根据比较的结果确定所述用户的推荐学校。

5.如权利要求4中所述的志愿推荐方法，其特征在于：还包括：

预设每个学校的学校专业向量，其中所述学校专业向量以专业权值为分量；

获取所述用户的所述推荐专业，形成所述用户的个人专业向量；

计算所述个人专业向量与每个所述推荐学校的所述学校专业向量之间的夹角；

根据所述夹角的大小确定所述用户的优选推荐学校。

6.如权利要求4中所述的志愿推荐方法，其特征在于：还包括：

获取所述用户所在的地域信息；

根据所述推荐学校所在地域与所述用户的所在地域的距离确定所述用户的优选推荐学校。

7.一种志愿推荐系统，其特征在于，包括：

预设模块，用于预设每个专业的专业科目向量，其中所述专业科目向量以科目权值为分量；

向量设置模块，用于采集用户学习信息，形成所述用户的个人科目向量，其中所述个人科目向量以科目权值为分量；

向量更新模块，用于获取所述用户的高考成绩，根据所述高考成绩对所述个人科目向量进行更新，形成更新后的个人科目向量；

计算模块，用于计算所述更新后的个人科目向量与所述每个专业的所述专业科目向量之间的夹角；

专业确定模块，用于根据所述夹角的大小确定所述用户的推荐专业。

8.如权利要求7所述的志愿推荐系统，其特征在于，还包括：

获取模块，用于获取往年的报考信息及本年度的已知报考信息，其中所述报考信息包括各个学校的录取分数线、各省份的招生人数及当年考生数；

预测模块，用于根据所述报考信息建立线性回归模型，根据所述线性回归模型和所述已知报考信息预测所述各个学校的本年度的录取分数线；

学校确定模块，用于将所述用户的高考成绩与所述预测的录取分数线进行比较，根据比较的结果确定所述用户的推荐学校。

9.如权利要求8所述的志愿推荐系统，其特征在于，还包括：

另一预设模块，用于预设每个学校的学校专业向量，其中所述学校专业向量以专业权值为分量；

另一向量设置模块，用于获取所述用户的所述推荐专业，形成所述用户的个人专业向量，其中所述个人专业向量以专业权值为分量；

所述学校确定模块还用于计算所述个人专业向量与每个所述推荐学校的所述学校专业向量之间的夹角，根据所述夹角的大小确定所述用户的优选推荐学校。

10.如权利要求8所述的志愿推荐系统，其特征在于，还包括：

另一获取模块，用于获取所述用户所在的地域信息；

所述学校确定模块还用于根据所述推荐学校所在地域与所述用户的所在地域的距离确定所述用户的优选推荐学校。