CN105184708A - 一种留学申请匹配方法及系统 - Google Patents
一种留学申请匹配方法及系统 Download PDFInfo
- Publication number
- CN105184708A CN105184708A CN201510498264.9A CN201510498264A CN105184708A CN 105184708 A CN105184708 A CN 105184708A CN 201510498264 A CN201510498264 A CN 201510498264A CN 105184708 A CN105184708 A CN 105184708A
- Authority
- CN
- China
- Prior art keywords
- data
- applicant
- application
- studying abroad
- student
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种留学申请匹配方法及系统,系统包括:申请装置、连接网络、网络浏览器、网络服务器、预测服务器、申请人预测数据库、学院服务器/学院的数据库以及计算机智能语义库;预测服务器,用于对比所述留学申请人的申请数据和之前被录取学生的申请数据得到第一对比结果;同时用于对比所述留学申请人的申请数据和之前被拒绝学生的申请数据得到第二对比结果;预测服务器与申请人预测数据库连接,将上述的对比结果保存至所述申请人预测数据库的学院预测模型中,再根据留学申请人输入的数据在预测服务器中计算出申请人的录取概率。本发明通过对比申请人量化和质化的统计信息,为留学申请人提供最优的学校录取匹配概率,以及操作指导规划方案。
Description
技术领域
本发明涉及信息提取与匹配领域,特别涉及一种留学申请匹配方法及系统。
背景技术
留学申请人出于各种原因可以同时申请几所学校以提高自己被录取的几率。但是,每个学校在审核申请时使用的量化和质化度量标准并不相同,在考量时给予同类指标的权重也不同。实际的情况是,大多学校甚至不会公布具体的录取考量标准。
所以对于留学申请人来说,很难自己估算录取概率制定完善的留学准备计划,现实市场环境中,每家留学服务机构的服务标准也不统一,申请者面临复杂的选择困境和极其高昂的服务获取成本。
发明内容
有鉴于此,本发明的目的在于提供一种完善的留学准备计划,通过对比申请人量化和质化的统计信息,为留学申请人提供最优的学校录取匹配概率。
基于上述目的本发明提供的一种留学申请匹配系统,包括:申请装置、连接网络、网络浏览器、网络服务器、预测服务器、申请人预测数据库、学院服务器和学院的数据库以及计算机智能语义库;
所述申请装置,用于搜集留学申请人的申请数据;所述申请装置通过所述连接网络与所述网络浏览器连接,所述网络浏览器与所述网络服务器连接;
所述预测服务器,用于对比所述留学申请人的申请数据和之前被录取学生的申请数据得到第一对比结果;同时用于对比所述留学申请人的申请数据和之前被拒绝学生的申请数据得到第二对比结果;所述之前被录取学生的申请数据包括:之前被录取学生的统计量化数据、之前被录学生数据化的质化数据;所述之前被拒绝学生的申请数据包括:之前被拒绝学生的统计量化数据和之前被拒绝学生数据化的质化数据;所述留学申请人的申请数据包括:申请人统计量化数据和申请人统计质化数据;
所述预测服务器与所述申请人预测数据库连接,将上述的对比结果保存至所述申请人预测数据库的学院预测模型中,再根据所述留学申请人输入的数据在所述预测服务器中计算出申请人的录取概率;
所述申请人预测数据库,用于收集并存储所述预测服务器接收到的录取数据;并将留学申请人的个人资料档案和学院预测模型提供给预测服务器;
所述学院服务器与所述学院的数据库连接,用于收集申请人数据和/或录取统计数据,并存储至所述学院的数据库;
所述计算机智能语义匹配库与所述预测服务器连接,用于生成预测结果和规划方案结果。
在一些实施例中,所述留学申请人使用申请装置,通过所述申请装置连接到所述网络服务器提供的网站上,或者输入留学申请人的度量标准后接收所述预测服务器产生的预测概率,所述度量标准利用该留学申请人的标准化考试成绩和平均分GPA。
在一些实施例中,所述预测服务器包括多个直接连接或通过连接网络连接的网络服务器;所述预测服务器用以,将留学申请人的资料档案和存储在申请人预测数据库的学院预测模型进行数据恢复和同步更新;所述学院预测模型基于:成组数据处理法GMDH、纯贝氏定理分类方法,K最近邻分类算法,支持向量机SVM,随机森林模型或者分类回归树。
在一些实施例中,所述预测服务器在产生录取概率或者更新学院预测模型或者收集留学申请人的个人资料档案时,访问所述申请人预测数据库并使用存储在所述申请人预测数据库上的信息;该预测服务器使用申请人统计质化数据来进行概率预测或者通过所述申请人统计质化数据找到学院录取的模式,或者对所述申请人统计质化数据设置数字值,并将其与学院预测模型中其它价值项进行比较。
在一些实施例中,所述学院的数据库为一个或多个与所述学院服务器,与预测服务器通过连接网络相连的数据库;所述预测服务器在产生录取概率或者更新学院预测模型或者收集留学申请人的个人资料档案时,访问所述学院的数据库并使用存储在所述学院的数据库上的数据,所述存储在所述学院的数据库上的数据会持续更新。
在一些实施例中,所述申请人预测数据库和学院的数据库,均用以存储留学申请人、留学学生群体和录取的留学学生的统计数据,统计数据包括:SAT分数的中间值或录取留学学生的高中GPA、学生GPA的中间值、助学金、院系学术声誉排名、校园位置和录取条件。
在一些实施例中,申请人统计量化数据和申请人统计质化数据包括:所述留学申请人曾经参加过的体育项目、申请人参加过的课外活动、入学文书等级、入学面试成绩、推荐信评分、申请人选择的定制系数、申请人的目标专业和是否需要奖学金。
在一些实施例中,在所述预测服务器上,按照学生的预选学校名单、大学的录取概率以及大学能提供的奖学金数额来计算学生的入学概率,并对申请人所选的其中一所大学的录取概率进行匹配预测。
在一些实施例中,所述留学申请人的申请数据包括:国籍、年龄、所在高中、高中GPA,AP课程数目、标准化考试成绩、英语考试成绩;还包括所述留学申请人已经申请过的学校,录取申请人的学校,拒绝申请人的学校,申请人打算就读的学校;
当留学申请人在所述申请装置输入、更改或者更新数据的时候,所述预测服务器则根据用户资料里面的数据与用户有关的数据库合成,建立学院预测模型。
基于上述留学申请匹配系统,本发明还提出一种留学申请匹配方法,包括如下步骤:
搜集留学申请人的申请数据;
对比所述留学申请人的申请数据和之前被录取学生的申请数据得到第一对比结果;
对比所述留学申请人的申请数据和之前被拒绝学生的申请数据得到第二对比结果;
所述之前被录取学生的申请数据包括:之前被录取学生的统计量化数据、之前被录学生数据化的质化数据;所述之前被拒绝学生的申请数据包括:之前被拒学生的统计量化数据和之前被拒学生数据化的质化数据;所述留学申请人的申请数据包括:申请人统计量化数据和申请人统计质化数据;
将上述的对比结果保存至学院预测模型中,再根据所述留学申请人输入的数据计算出申请人的录取概率;
将匹配的录取概率展示给留学申请人;生成预测结果和规划方案结果。
本发明的有益效果:
1)计算方式更加先进,除去标准化成绩以外,还可对软性指标,进行精准匹配和衡量。
2)独家挖掘的数据库和模块化数据库,可具体到每一所学校的录取考量指标,而不是笼统的概述。
3)不是单纯的概率预测,还匹配非常详尽文字说明,操作方案指导。
4)可实现留学服务的标准化、流程化操作,避免现在留学服务中全凭顾问一张嘴的乱象。
5)本发明的显示界面能够显示多维度的留学申请信息,匹配出概率最高的学校。
附图说明
图1为本发明一实施例中的留学申请匹配系统结构示意图。
图2为本发明一实施例中留学申请匹配方法的流程示意图。
图3为本发明一实施例中输入屏幕展示示意图。
图4为本发明一实施例中学校列表的入学概率预测页面。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
请参考图1,一种留学申请匹配系统,包括:申请装置101、连接网络106、网络浏览器102、网络服务器103、预测服务器108、申请人预测数据库107、学院服务器105、学院的数据库104以及计算机智能语义匹配库109;
所述申请装置101,用于搜集留学申请人的申请数据;所述申请装置101通过所述连接网络106与所述网络浏览器102连接,所述网络浏览器102与所述网络服务器103连接;
所述预测服务器108,用于对比所述留学申请人的申请数据和之前被录取学生的申请数据得到第一对比结果;用于对比所述留学申请人的申请数据和之前被拒绝学生的申请数据得到第二对比结果;所述之前被录取学生的申请数据包括:之前被录取学生的统计量化数据、之前被录学生数据化的质化数据;所述之前被拒绝学生的申请数据包括:之前被拒绝学生的统计量化数据和之前被拒绝学生数据化的质化数据;所述留学申请人的申请数据包括:申请人统计量化数据和申请人统计质化数据;所述预测服务器108与所述申请人预测数据库107连接,将上述的对比结果保存至所述申请人预测数据库107的学院预测模型中,再根据所述留学申请人输入的数据在所述预测服务器108中计算出申请人的录取概率;所述申请人预测数据库107,用于收集并存储所述预测服务器108接收到的录取数据;并将留学申请人的个人资料档案和学院预测模型提供给预测服务器108;所述学院服务器105与所述学院的数据库104连接,用于收集申请人数据和/或录取统计数据,并存储至所述学院的数据库104。
申请装置101,预测服务器108和申请人预测数据库107可以在一个、两个或者任何其他配置组合的电子装置上使用。
申请装置101作为拥有处理器和存储功能的电子装置,可以通过网络浏览器102与网站进行互动。例如,申请装置101可以包括台式机、笔记本电脑、平板电脑或者连接连接网络106的移动手机。
使用申请装置101的用户可以利用申请装置101连接到网络服务器103提供的网站上,同时也可以输入其度量标准从而接受预测服务器108产出的预测概率。网络浏览器102可以是申请装置101使用的软件,通过连接网络106可以连接到其他装置上。
连接网络106可以是一个分组交换网,能够按照包裹里的信息将包裹传递到其他装置上。连接网络106可以提供电话或互联网服务连到不同的配置上。
网络服务器103可以是一个单一的拥有处理器和存储器的网络服务器。在一些具体方式中,网络服务器103可以是配置给申请装置101用以提供网络服务的多个网络服务器。预测服务器108可以是单一的拥有处理器和存储器的网络服务器。
预测服务器108可以恢复数据,比如用户档案和存储在申请人预测数据库107上的学院预测模型。预测服务器108还可以把更新的用户档案和学院预测模型存储到申请人预测数据库107上。在一些具体方式上,预测服务器108可从其他来源恢复申请学院的统计数据,例如公共领域网页。在一些具体方式上预测服务器108可以向申请装置101和学院服务器105提供其他软件。例如,预测服务器108提供申请填写软件给申请装置101,或提供数据下载软件到学院服务器105。
申请人预测数据库107通过连接网络106同预测服务器108交互。在一些具体方式上,申请人预测数据库107用以存储通过申请装置101产生的申请人资料。在一些具体方式上,申请人预测数据库107收集并存储由预测服务器108从多个申请装置101在一段时间内接收到的学院录取数据。在一些具体方式上,申请人预测数据库107可以存储由预测服务器108形成的学院预测模型。在产生概率预测值,更新学院预测模型和收集用户个人资料数据时,预测服务器108可以访问申请人预测数据库107。同其它信息一起,预测服务器108可以使用存储在申请人预测数据库107上的信息,比如,在产生或修改概率预测和学院预测模型时,从其它资源处找回的第三方录取数据。
申请人预测数据库107和学院的数据库104都可以存储申请人、学生群体和录取的学生的统计数据。这些数据包括,SAT分数的中间值或录取学生的高中GPA、学生GPA的中间值、助学金(例如平均贷款量,平均授予资助等等)、院系学术声誉(例如国家排名、奖励资金、出版物数据)、校园位置和条件录取。在一些具体方式上,预测服务器108可以通过申请装置101得到申请人提供的量化指标并跟学校的统计数据进行对比。例如,预测服务器108可可以找到学校发布的SAT录取的中间值1800,这种情况下,预测服务器108可以将用户的SAT总分和学校提供的分数1800进行对比。在一些具体方式上,预测服务器108可以跟踪提供各种量化分数申请者的录取结果。例如,预测服务器108在跟踪并让申请人预测数据库107存储异常多数量的被录取的申请者数据,他们的SAT组合成绩比学校提供的SAT平均值低两到三个标准差。预测服务器108可因此改变它的概率预测并给出申请人在比较低的考试分数下被学院录取的更高概率。
在一些具体方式上,预测服务器108可以为特定学校根据其对组合SAT的分数要求改写加权。类似的,在一些具体方式上,当预测服务器108鉴别出某些学校对SAT数学的分数看重程度超过SAT作文或阅读分数时,预测服务器会改变它的学院预测模型从而把更多加权放在SAT数学部分上。预测服务器108可以使用申请人的质化数据来做概率预测。预测服务器108找回质化数据的度量标准,为其设置数字值,并将其与大学预测模型中其它价值项进行比较。在一些具体方式中,预测服务器108可以使用质化指标找到学院录取的模式。例如,如果一所大学持续展示它偏爱某一无形的因素(如面试成绩)超出另一个量化指标(例如上AP课的数量)或质化指标(例如申请人是体育校队队长),预测服务器108将在学院预测模型里修改加权指标并依据预测模型修改它的概率预测。
在一些具体方式上,所述计算机智能语义匹配库109,将所述预测服务器108中的计算机语言转化匹配成:预测结果和规划方案,生成可以流畅阅读的留学指导方案和相关的操作方案。
请参考图2,为本发明一实施例中留学申请匹配方法的流程示意图。
留学申请匹配方法,包括如下步骤:
S201搜集留学申请人的申请数据;正如图1所示,预测服务器108可以通过网络服务器103和连接网络106获取留学申请人的申请数据。
在具体实施中,数据是量化或质化数据。量化数据包括申请人的班级排名,GPA,AP课程的数量,标准化考试分数,或任意组合。质化数据包括申请人以下自我评估项:参加的课外活动,文书质量,面试表现,推荐信或任意组合。质化数据还包括预期的专业,助学金的需求以及其它额外因素(例如,参加过Intel天才研究项目)。在具体实施中,预测服务器108可以通过学院服务器105从学院的数据库104中获取学院统计数据。
S202对比所述留学申请人的申请数据和之前被录取学生的申请数据得到第一对比结果;在一些具体方式上,预测服务器108会将申请人录入的数据与学校给出的之前录取学生的数据进行对比。在一些具体方式中,学院统计数据是量化的。在一些具体方式上,学院统计数据也可以是被转换成统计形式的质化数据(例如,申请人在文书上的质化表现可能被特定为杰出、好、平均、差)。
S203对比所述留学申请人的申请数据和之前被拒绝学生的申请数据得到第二对比结果;具体方式是,预测服务器108会将申请人录入的数据与学校给出的之前被拒学生的数据进行对比。在一些具体方式中,学院统计数据是量化的。在一些具体方式上,学院统计数据也可以是被转换成统计形式的质化数据。
所述之前被录取学生的申请数据包括:之前被录取学生的统计量化数据、之前被录学生数据化的质化数据;所述之前被拒绝学生的申请数据包括:之前被拒学生的统计量化数据和之前被拒学生数据化的质化数据;所述留学申请人的申请数据包括:申请人统计量化数据和申请人统计质化数据;从留学申请人搜集的量化或质化数据包括:班级排名、GPA、AP课程数量、SAT阅读、数学和作文成绩、留学申请人曾经参加的体育运动、对申请人课外活动、入学文书、入学面试以及推荐信强度的评级、留学申请人的定制选择度量标准、留学申请人的意向专业和奖学金需求。
S204将上述的对比结果保存至学院预测模型中,再根据所述留学申请人输入的数据计算出申请人的录取概率;
S205将匹配的录取概率展示给留学申请人,并生成预测结果和规划方案结果。
请参考图3,为本发明一实施例中输入屏幕展示示意图。
质化输入308包括课外活动、预想专业或者奖学金需求。具体方式是,质化输入308包括其他特殊因素,如参加过Intel天才班、Google科技、奥林匹克竞赛或者国家级交响乐比赛。在做申请时,申请人可以输入一个或多个和大学有关的度量标准。所以在一些具体实施方式上,额外因素还包括留学申请人曾经发表过的书籍、文章和特写稿版或者留学申请人是否是奥林匹克运动员或者体育队队长以及留学申请人是否曾经创立过科技创业公司或者非政府机构。
例如,输入屏300允许申请人输入他是否需要奖学金。但他要求计算录取概率的大学可能是提供“资金需求无关”的学校,也就是说,学校在录取时不会将该因素纳入度量标准。
在一些具体方式上预测服务器108会追踪大学在录取标准时不使用的度量标准,但在做概率预测时会将其包括在内。预测服务器108可以通过保存申请人的资料来追踪申请人的度量标准。
在一些具体方式上,申请人之后可以添加、修改甚至删除这些标准。申请人可以指出他是被相应的大学录取或者拒绝。预测服务器108可以从申请人的资料里收集相应信息来调整该校的录取预测模型。这能让预测服务器108做出更精确的概率预测。例如,一个未来申请人可以在他的资料里包括:国籍、年龄、所在高中、高中GPA,AP课程数目、标准化考试成绩(SATI,SATII,ACT,AP,IB等等)、英语考试成绩,还包括荣誉、奖励以及发表刊物的质化度量标准。资料里还可以包括申请人已经申请过的学校,录取申请人的学校,拒绝申请人的学校,申请人打算就读的学校。
当申请人输入、更改或者更新数据的时候,预测服务器108可以根据用户资料里面的数据与用户有关的数据库。考虑到从大学、申请人以及其它公共领域收集的信息存在不精确或者造假的可能,预测服务器108会通过各方资源来合成大学预测模型。另外,预测服务器108可以在大学使用的度量标准外,给出学校偏爱的学生类型的其它见解。
在一些具体方式上,用户可以选择特定的大学进行概率预测。用户可以输入自己的偏爱让预测服务器108根据偏爱来推荐学校名单。在一些具体方式上,预测服务器108可以根据用户偏爱使用排名来产生推荐学校名单。在一些具体方式上,推荐学校名单中会包括最低概率门槛。例如,预测服务器108提供一系列的东部沿海大学,它们的学费都在$40,000以下,申请人的录取概率都在75%以上。在一些具体方式上,选校名单同时可能会展现学校事实和申请见解,比如根据学生的偏爱和输入的价值,提供针对特定学校有用的申请小技巧。在一些具体方式上,申请人可以要求为自己提供的大学名单做概率预测。具体方式是,预测服务器108可以利用多种大学预测模型和申请人预测数据库107里储存的大学数据,根据概率预测价值和用户偏爱来提供推荐大学名单。
例如,图3中的申请人,除了输入质化或者量化度量标准外,还输入了他偏爱的专业或者是否需要奖学金。
预测服务器108会根据申请人的偏爱来提供一个选校名单。具体方式是,预测服务器108可根据概率预测价值(例如P(录取率)=0.8)和找到的用户偏爱来提供选校名单。例如,用户指出奖学金对其非常重要,预测服务器108会在推荐名单中将“每个学生获得的奖学金数额”较高的学校排在名单的前面。如果用户未来预想专业是数学,因为大学的院系教学声望也是大学数据库的一部分,预测服务器108会将有强势数学专业的大学排在名单的前面。
请参考图4,为本发明一实施例中学校列表的入学概率预测页面。
概率预测页面400可以包括大学列表410。大学列表410可包括大学名称415和425,大学校徽412和422,总录取人数和每年学费416和426,申请人特定大学分类417和427(例如梦想学校、目标学校和保底学校),预测服务器108估算出的申请人录取概率414、424以及特定大学申请技巧或者特定大学申请见解419和429。
在一些具体实施中,大学列表是由申请人自己选定的,大学列表是由预测服务器108产生的。大学列表410可以包括三所梦想大学、六所目标大学和三所保底大学。梦想学校是竞争激烈的大学,申请人需要努力才有可能被录取。目标大学是预测服务器108选出的申请人有较大录取概率的学校(比如概率大于50%)。保底大学是预测服务器108选出的申请人有非常大录取概率的学校(比如概率大于90%)。
在一些具体中,特定大学申请技巧或者特定大学申请见解419和429包括大学是否在一个有着相对较低犯罪率的城市,或者需要较低学费。为了帮助申请人更好的理解预测结果,在大学列表410里的每一个学校都会给出相关大学资料库的数据,比如录取率、奖学金、大学生活数据、评价或者对未来申请人的建议。在一些具体中,预测服务器108以通过排名数据并且根据排名来呈现特定项目预测服务器108可以根据概率预测和用户偏爱来产生排名信息。比如,一个用户指出他非常需要奖学金,奖学金的信息就有可能会被预测服务器108呈现出来。类似的,如果用户的SAT总分是1600,而大学的SAT总分中位数是1700,预测服务器108就可以在给出的数据中指出他的SAT总分比大学给出的SAT总分中位数低100分。另外,如果用户指出她想要学工程专业,预测服务器108会给出SAT数学部分或者SATII科学科目的学习技巧。
所属领域的普通技术人员应当理解:以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种留学申请匹配系统,包括:申请装置、连接网络、网络浏览器、网络服务器、预测服务器、申请人预测数据库、学院服务器、学院的数据库以及计算机智能语义匹配库;
所述申请装置,用于搜集留学申请人的申请数据;所述申请装置通过所述连接网络与所述网络浏览器连接,所述网络浏览器与所述网络服务器连接;
所述预测服务器,用于对比所述留学申请人的申请数据和之前被录取学生的申请数据得到第一对比结果;同时用于对比所述留学申请人的申请数据和之前被拒绝学生的申请数据得到第二对比结果;所述之前被录取学生的申请数据包括:之前被录取学生的统计量化数据、之前被录学生数据化的质化数据;所述之前被拒绝学生的申请数据包括:之前被拒绝学生的统计量化数据和之前被拒绝学生数据化的质化数据;所述留学申请人的申请数据包括:申请人统计量化数据和申请人统计质化数据;
所述预测服务器与所述申请人预测数据库连接,将上述的对比结果保存至所述申请人预测数据库的学院预测模型中,再根据所述留学申请人输入的数据在所述预测服务器中计算出申请人的录取概率;
所述申请人预测数据库,用于收集并存储所述预测服务器接收到的录取数据;并将留学申请人的个人资料档案和学院预测模型提供给预测服务器;
所述学院服务器与所述学院的数据库连接,用于收集申请人数据和/或录取统计数据,并存储至所述学院的数据库;
所述计算机智能语义匹配库与所述预测服务器连接,用于生成预测结果和规划方案结果。
2.根据权利要求1所述的留学申请匹配系统,其特征在于,所述留学申请人使用申请装置,通过所述申请装置连接到所述网络服务器提供的网站上,或者输入留学申请人的度量标准后接收所述预测服务器产生的预测概率,所述度量标准利用该留学申请人的标准化考试成绩和平均分GPA。
3.根据权利要求1所述的留学申请匹配系统,其特征在于,所述预测服务器包括多个直接连接或通过连接网络连接的网络服务器;所述预测服务器用以,将留学申请人的资料档案和存储在申请人预测数据库的学院预测模型进行数据恢复和同步更新;所述学院预测模型基于:成组数据处理法GMDH、纯贝氏定理分类方法,K最近邻分类算法,支持向量机SVM,随机森林模型或者分类回归树。
4.根据权利要求1所述的留学申请匹配系统,其特征在于,所述预测服务器在产生录取概率或者更新学院预测模型或者收集留学申请人的个人资料档案时,访问所述申请人预测数据库并使用使用存储在所述申请人预测数据库上的信息;该预测服务器使用申请人统计质化数据来进行概率预测或者通过所述申请人统计质化数据找到学院录取的模式,或者对所述申请人统计质化数据设置数字值,并将其与学院预测模型中其它价值项进行比较。
5.根据权利要求1所述的留学申请匹配系统,其特征在于,所述学院的数据库为一个或多个与所述学院服务器,与预测服务器通过连接网络相连的数据库;所述预测服务器在产生录取概率或者更新学院预测模型或者收集留学申请人的个人资料档案时,访问所述学院的数据库并使用存储在所述学院的数据库上的数据,所述存储在所述学院的数据库上的数据会持续更新。
6.根据权利要求1所述的留学申请匹配系统,其特征在于,所述申请人预测数据库和学院的数据库,均用以存储留学申请人、留学学生群体和录取的留学学生的统计数据,统计数据包括:SAT分数的中间值或录取留学学生的高中GPA、学生GPA的中间值、助学金、院系学术声誉排名、校园位置和录取条件。
7.根据权利要求1所述的留学申请匹配系统,其特征在于,申请人统计量化数据和申请人统计质化数据包括:所述留学申请人曾经参加过的体育项目、申请人参加过的课外活动、入学文书等级、入学面试成绩、推荐信评分、申请人选择的定制系数、申请人的目标专业和是否需要奖学金。
8.根据权利要求1所述的留学申请匹配系统,其特征在于,在所述预测服务器上,按照学生的预选学校名单、大学的录取概率以及大学能提供的奖学金数额来计算学生的入学概率,并对申请人所选的其中一所大学的录取概率进行匹配预测。
9.根据权利要求1所述的留学申请匹配系统,其特征在于,所述留学申请人的申请数据包括:国籍、年龄、所在高中、高中GPA,AP课程数目、标准化考试成绩、英语考试成绩;还包括所述留学申请人已经申请过的学校,录取申请人的学校,拒绝申请人的学校,申请人打算就读的学校;
当留学申请人在所述申请装置输入、更改或者更新数据的时候,所述预测服务器则根据用户资料里面的数据与用户有关的数据库合成,建立学院预测模型。
10.根据权利要求1所述的系统的一种留学申请匹配方法,其特征在于,包括如下步骤:
搜集留学申请人的申请数据;
对比所述留学申请人的申请数据和之前被录取学生的申请数据得到第一对比结果;
对比所述留学申请人的申请数据和之前被拒绝学生的申请数据得到第二对比结果;
所述之前被录取学生的申请数据包括:之前被录取学生的统计量化数据、之前被录学生数据化的质化数据;所述之前被拒绝学生的申请数据包括:之前被拒学生的统计量化数据和之前被拒学生数据化的质化数据;所述留学申请人的申请数据包括:申请人统计量化数据和申请人统计质化数据;
将上述的对比结果保存至学院预测模型中,再根据所述留学申请人输入的数据计算出申请人的录取概率;
将匹配的录取概率展示给留学申请人;生成预测结果和规划方案结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510498264.9A CN105184708B (zh) | 2015-08-14 | 2015-08-14 | 一种留学申请匹配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510498264.9A CN105184708B (zh) | 2015-08-14 | 2015-08-14 | 一种留学申请匹配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184708A true CN105184708A (zh) | 2015-12-23 |
CN105184708B CN105184708B (zh) | 2018-12-14 |
Family
ID=54906764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510498264.9A Active CN105184708B (zh) | 2015-08-14 | 2015-08-14 | 一种留学申请匹配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184708B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651694A (zh) * | 2016-11-21 | 2017-05-10 | 苏州奇展信息科技有限公司 | 一种出国留学交流平台 |
CN107784379A (zh) * | 2016-08-30 | 2018-03-09 | 源渠(上海)信息技术有限公司 | 一种留学申请预测系统及方法 |
CN108764983A (zh) * | 2018-05-17 | 2018-11-06 | 上海尬词教育科技有限公司 | 商业运营方法、系统、程序产品及移动终端 |
CN109598650A (zh) * | 2017-09-30 | 2019-04-09 | 甲骨文国际公司 | 招收和录取系统 |
CN109658296A (zh) * | 2018-08-31 | 2019-04-19 | 北京沃达新创国际教育科技有限公司 | 一种智能留学服务平台 |
WO2019154305A1 (zh) * | 2018-02-12 | 2019-08-15 | 藕丝科技(深圳)有限公司 | 进行学校申请的个人竞争力智能评估系统及方法 |
CN110688566A (zh) * | 2019-09-06 | 2020-01-14 | 平安科技(深圳)有限公司 | 基于用户画像的数据推送方法、系统、设备及存储介质 |
CN110766047A (zh) * | 2019-09-16 | 2020-02-07 | 平安科技(深圳)有限公司 | 数据匹配方法、系统、计算机设备和计算机可读存储介质 |
CN111695680A (zh) * | 2020-06-15 | 2020-09-22 | 北京百度网讯科技有限公司 | 成绩预测方法、成绩预测模型训练方法、装置及电子设备 |
CN113516372A (zh) * | 2021-06-18 | 2021-10-19 | 广州启德教育科技有限公司 | 辅助留学选校的信息匹配方法及装置 |
CN110766047B (zh) * | 2019-09-16 | 2024-05-28 | 平安科技(深圳)有限公司 | 数据匹配方法、系统、计算机设备和计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060038648A (ko) * | 2004-11-01 | 2006-05-04 | 한빛교육(주) | 운주운지법을 이용한 6단계 온라인 주산학습 시스템 및제공 방법 |
CN103927602A (zh) * | 2014-04-28 | 2014-07-16 | 河南云卓数据服务有限公司 | 一种面向高考志愿填报的辅助决策方法 |
CN104239499A (zh) * | 2014-09-10 | 2014-12-24 | 广州砺锋信息科技有限公司 | 一种基于大数据的高考志愿智能推荐的方法及装置 |
-
2015
- 2015-08-14 CN CN201510498264.9A patent/CN105184708B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060038648A (ko) * | 2004-11-01 | 2006-05-04 | 한빛교육(주) | 운주운지법을 이용한 6단계 온라인 주산학습 시스템 및제공 방법 |
CN103927602A (zh) * | 2014-04-28 | 2014-07-16 | 河南云卓数据服务有限公司 | 一种面向高考志愿填报的辅助决策方法 |
CN104239499A (zh) * | 2014-09-10 | 2014-12-24 | 广州砺锋信息科技有限公司 | 一种基于大数据的高考志愿智能推荐的方法及装置 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784379A (zh) * | 2016-08-30 | 2018-03-09 | 源渠(上海)信息技术有限公司 | 一种留学申请预测系统及方法 |
CN106651694A (zh) * | 2016-11-21 | 2017-05-10 | 苏州奇展信息科技有限公司 | 一种出国留学交流平台 |
CN109598650B (zh) * | 2017-09-30 | 2023-12-08 | 甲骨文国际公司 | 招收和录取系统 |
CN109598650A (zh) * | 2017-09-30 | 2019-04-09 | 甲骨文国际公司 | 招收和录取系统 |
WO2019154305A1 (zh) * | 2018-02-12 | 2019-08-15 | 藕丝科技(深圳)有限公司 | 进行学校申请的个人竞争力智能评估系统及方法 |
CN108764983A (zh) * | 2018-05-17 | 2018-11-06 | 上海尬词教育科技有限公司 | 商业运营方法、系统、程序产品及移动终端 |
CN109658296A (zh) * | 2018-08-31 | 2019-04-19 | 北京沃达新创国际教育科技有限公司 | 一种智能留学服务平台 |
CN110688566A (zh) * | 2019-09-06 | 2020-01-14 | 平安科技(深圳)有限公司 | 基于用户画像的数据推送方法、系统、设备及存储介质 |
CN110766047A (zh) * | 2019-09-16 | 2020-02-07 | 平安科技(深圳)有限公司 | 数据匹配方法、系统、计算机设备和计算机可读存储介质 |
CN110766047B (zh) * | 2019-09-16 | 2024-05-28 | 平安科技(深圳)有限公司 | 数据匹配方法、系统、计算机设备和计算机可读存储介质 |
CN111695680A (zh) * | 2020-06-15 | 2020-09-22 | 北京百度网讯科技有限公司 | 成绩预测方法、成绩预测模型训练方法、装置及电子设备 |
CN111695680B (zh) * | 2020-06-15 | 2023-11-10 | 北京百度网讯科技有限公司 | 成绩预测方法、成绩预测模型训练方法、装置及电子设备 |
CN113516372A (zh) * | 2021-06-18 | 2021-10-19 | 广州启德教育科技有限公司 | 辅助留学选校的信息匹配方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105184708B (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Önder et al. | Utilizing Facebook statistics in tourism demand modeling and destination marketing | |
CN105184708A (zh) | 一种留学申请匹配方法及系统 | |
Ejemeyovwi et al. | Investigating the relevance of mobile technology adoption on inclusive growth in West Africa | |
Hoque et al. | Adoption of information and communication technology for development: A case study of small and medium enterprises in Bangladesh | |
Wu | A comparative study of using grey relational analysis in multiple attribute decision making problems | |
Banasik et al. | Sample selection bias in credit scoring models | |
Afonso et al. | Ordered response models for sovereign debt ratings | |
Wang | From 2SFCA to i2SFCA: Integration, derivation and validation | |
US9779169B2 (en) | System for ranking memes | |
Marsal-Llacuna et al. | Smart urban planning: designing urban land use from urban time use | |
Falentina et al. | Digitalisation and the performance of micro and small enterprises in Yogyakarta, Indonesia | |
CN113742567B (zh) | 一种多媒体资源的推荐方法、装置、电子设备及存储介质 | |
US20020116253A1 (en) | Systems and methods for making a prediction utilizing admissions-based information | |
Song et al. | Personalized menu optimization with preference updater: a Boston case study | |
CN105393267A (zh) | 机会事件 | |
Kim et al. | Newspapers’ content policy and the effect of paywalls on pageviews | |
CN113393306A (zh) | 产品推荐方法、装置、电子设备及计算机可读介质 | |
Cai et al. | The power of crowds: Grand challenges in the Asia-Pacific region | |
Skare et al. | Technology adoption and human capital: exploring the gender and cross-country impact 1870–2010 | |
Miyata et al. | Do female gender role attitudes affect labour market participation in Egypt? | |
Zwick et al. | Using constrained optimization to increase the representation of students from low-income neighborhoods | |
Achilleos et al. | Promoting active sports tourism through technology and evaluating its economic impact: Experiences from Cyprus | |
Zhu et al. | A DEALG methodology for prediction of effective customers of internet financial loan products | |
CN110766488A (zh) | 一种自动确定主题场景的方法和装置 | |
Jahanshahloo et al. | Cost efficiency analysis with ordinal data: A theoretical and computational view |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |