CN108053351A - 智能高考志愿推荐系统和推荐方法 - Google Patents

智能高考志愿推荐系统和推荐方法 Download PDF

Info

Publication number
CN108053351A
CN108053351A CN201810127397.9A CN201810127397A CN108053351A CN 108053351 A CN108053351 A CN 108053351A CN 201810127397 A CN201810127397 A CN 201810127397A CN 108053351 A CN108053351 A CN 108053351A
Authority
CN
China
Prior art keywords
text
feature
examinee
question
aspiration
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
Application number
CN201810127397.9A
Other languages
English (en)
Inventor
潘月梅
章韵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201810127397.9A priority Critical patent/CN108053351A/zh
Publication of CN108053351A publication Critical patent/CN108053351A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G06Q50/2053—Education institution selection, admissions, or financial aid
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种高考志愿推荐系统，以历史志愿咨询问答文本为训练样本，对考生和家长的志愿填报进行智能化的推荐和辅助决策；这样不仅节约了时间，而且还全面地分析了历史填报信息。该系统的特色在于结合了自然语言处理、机器学习的一些方法，对高考志愿填报起辅助填报推荐的作用，将原来需要人工查阅资料征求高考志愿填报意见实现为自动化处理。

Description

智能高考志愿推荐系统和推荐方法
技术领域：
本发明属于教育服务领域，特别涉及一种智能高考志愿推荐系统和推荐方法。
背景技术：
高考志愿填报，关系到考生和家长的切身利益，高校数量多，专业多，每年在各地的招生录取情况复杂，对于考生来说，高分掉档的情况非常普遍。考生和家长需要查阅大量的录取和专业信息，或者根据亲朋好友的推荐，才能做出相应的志愿填报决策，很多时候并不能全面地分析高校信息，亲朋好友的建议，往往只是参考他们自己儿子、女儿当年的填报情况，并没有参考历年的填报情况，没有太大的参考价值。故导致志愿填报最终不能符合考生和家长的预期。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容：
本发明的目的在于提供一种智能高考志愿推荐方法，从而克服上述现有技术中的缺陷。
为实现上述目的，本发明提供了一种智能高考志愿推荐方法，按照如下步骤进行：
S1,将志愿咨询问答对问题文本分词、去停用词；
S2,用向量空间模型VSM将分词、去停用词的文本信息表示成机器可以识别的语言；形式如下：若把文本d看作是向量空间中的一个n维向量，则：，其中，t1,t2,…,tn表示文本的 n个特征项；w1,w2,…,wn表示这 n个特征项的权重值；
S3,用Lasso回归对志愿咨询问答对问题文本进行特征预选，其中志愿咨询问答对问题文本的分类标签作为Lasso回归的因变量，特征项作为自变量，剔除对分类结果影响不大的变量；
S4,用TF-IDF方法进行特征权重计算，第二次筛选特征变量；
S5,使用SVM作为分类器，以每个问题的特征向量作为分类器输入的特征，以每个问题的专业类别作为分类标签，进行问题专业类别分类模型训练，从而得到分类器的模型；
S6,对考生及考生家长提问的问题分词、去停用词、向量空间模型VSM特征表示、Lasso回归特征预选、TF-IDF方法第二次特征选择。将该文本作为问题类别分类模型的输入，并以问题类别分类模型的输出作为分类结果；
S7,使用相似度算法计算出考生及家长所提问题与志愿咨询问答对中问题的文本相似度；
S8,将匹配结果结合志愿咨询问答对回答者基本信息表，为基本信息表中的信息设置相应的文本权重，对每个推荐志愿进行权重求和排序，选出匹配相似度最高的答案推荐给考生。
本发明进一步限定的技术方案为：
优选地，上述技术方案中，步骤S2中，权重越大，表示该特征包含文本类别的信息就越多；权重越小，则该特征包含文本类别的信息就越少。
优选地，上述技术方案中，步骤S4中，计算公式如下：，其中，wtd是特征项 t 在文本 d 中的权重值；tftd是特征 t 出现在文本 d 中的次数；N 为训练集总文本数（问题库中的问题总数）；nt为所有文本中出现 t 的文本个数。
优选地，上述技术方案中，步骤S7中，计算公式如下：
，
其中，n为向量的维数，xi为考生及考生家长所提问题表征的向量的第i维的值，yi为志愿咨询问答对知识库中问句表征的向量的第i维的值。
优选地，上述技术方案中，步骤S8中，具体方法如下：回答者基本信息表中：高校招生办的回答，文本权重设置成5，高校学生的回答文本权重设置成3，每个身份的回答者对应一个文本权重，将上述步骤计算出的相似度与文本权重相加，其最终结果求和排序。
一种智能高考志愿推荐系统，该系统包括历史志愿咨询问答对、文本预处理模块、提问信息文本预处理模块、特征表示模块、特征选择模块、分类器构建模块、考生及家长提问信息分类模块、志愿推荐模块；
所述历史志愿咨询问答对是一问一答形式的样本，问题包括高考地区、文理科、专业描述、回答者基本信息、高考排名等信息，答案则为某高校的某专业；
所述文本预处理模块是将历史志愿咨询问答对进行分词处理，同时去除停用词；
所述提问信息文本预处理模块是将考生及家长所提问题，分词、去停用词；
所述特征表示模块是用空间向量模型VSM将已经分词、去停用词的文本信息表示成计算机可以识别的语言；
所述特征选择模块是为了选择出对文本分类决定性比较大的一小部分特征；
所述分类器构建模块是通过对已知类别的志愿咨询问答对中的问题文本集进行分类学习构建分类模型，通过分类模型对考生及考生家长所提出的未知类别的文本进行匹配分析，根据分析结果将未知类别的文本自动划分到相应的专业类别；
所述考生及家长提问信息分类模块是将已经经过特征选择的提问文本利用构建的分类模型按照专业分类。
所述志愿推荐模块是将所提问题与志愿咨询问答对问题进行文本相似度匹配后，将匹配结果结合回答者基本信息表，为基本信息表中的信息设置相应的文本权重，对每个推荐志愿进行权重求和排序，选出匹配相似度最高的答案推荐给考生。
优选地，上述技术方案中，所述分类器构建模块使用支持向量机文本分类算法，具体为采用一对多的SVM 多类分类方法，简单来讲就是将某一类别的文本划分为一类，其他剩余类别的文本划分到另一类，在这两个类中构建一个SVM 分类模型，对于 k 个类别的文本只需要构建 k 个 SVM 分类模型，对待分类文本进行分类时，将其分到最大分类函数值所对应的类别。本发明选用一对多的方式。
优选地，上述技术方案中，智能高考志愿推荐系统，其特征在于：所述特征选择模块使用Lasso回归先进行特征预选，再用TF-IDF进行第二次特征选择。
与现有技术相比，本发明具有如下有益效果：
本发明构建了一套智能高考志愿推荐系统，以历史志愿咨询问答文本为训练样本，对考生和家长的志愿填报进行智能化的推荐和辅助决策。这样不仅节约了时间，而且还全面地分析了历史填报信息。
附图说明：
图1为该发明总体流程图。
具体实施方式：
下面对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
1.将志愿咨询问答对问题文本分词、去停用词。
2.用向量空间模型VSM将分词、去停用词的文本信息表示成机器可以识别的语言。形式如下：若把文本d看作是向量空间中的一个n维向量，则：
，
其中，t1,t2,…,tn表示文本的 n个特征项；w1,w2,…,wn表示这 n个特征项的权重值。权重越大，表示该特征包含文本类别的信息就越多；权重越小，则该特征包含文本类别的信息就越少。
3.用Lasso回归对志愿咨询问答对问题文本进行特征预选，其中志愿咨询问答对问题文本的分类标签作为Lasso回归的因变量，特征项作为自变量，剔除对分类结果影响不大的变量。
4.用TF-IDF方法进行特征权重计算，第二次筛选特征变量。公式如下：
，
其中，wtd是特征项 t 在文本 d 中的权重值；tftd是特征 t 出现在文本 d 中的次数；N 为训练集总文本数（问题库中的问题总数）；nt为所有文本中出现 t 的文本个数。
5.使用SVM作为分类器，以每个问题的特征向量作为分类器输入的特征，以每个问题的专业类别作为分类标签，进行问题专业类别分类模型训练，从而得到分类器的模型。
6.对考生及考生家长提问的问题分词、去停用词、向量空间模型VSM特征表示、Lasso回归特征预选、TF-IDF方法第二次特征选择。将该文本作为问题类别分类模型的输入，并以问题类别分类模型的输出作为分类结果。
7.使用相似度算法计算出考生及家长所提问题与志愿咨询问答对中问题的文本相似度。公式如下：
，
其中，n为向量的维数，xi为考生及考生家长所提问题表征的向量的第i维的值，yi为志愿咨询问答对知识库中问句表征的向量的第i维的值。
8. 将匹配结果结合志愿咨询问答对回答者基本信息表，为基本信息表中的信息设置相应的文本权重，对每个推荐志愿进行权重求和排序，选出匹配相似度最高的答案推荐给考生。方法如下：回答者基本信息表中：高校招生办的回答，文本权重设置成5，高校学生的回答文本权重设置成3，每个身份的回答者对应一个文本权重，将上述步骤计算出的相似度与文本权重相加，其最终结果求和排序。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (10)

1.一种智能高考志愿推荐方法，其特征在于：按照如下步骤进行：
S1,将志愿咨询问答对问题文本分词、去停用词；
S2,用向量空间模型VSM将分词、去停用词的文本信息表示成机器可以识别的语言；形式如下：若把文本d看作是向量空间中的一个n维向量，则：，其中，t1,t2,…,tn表示文本的 n个特征项；w1,w2,…,wn表示这 n个特征项的权重值；
S3,用Lasso回归对志愿咨询问答对问题文本进行特征预选，其中志愿咨询问答对问题文本的分类标签作为Lasso回归的因变量，特征项作为自变量，剔除对分类结果影响不大的变量；
S4,用TF-IDF方法进行特征权重计算，第二次筛选特征变量；
S5,使用SVM作为分类器，以每个问题的特征向量作为分类器输入的特征，以每个问题的专业类别作为分类标签，进行问题专业类别分类模型训练，从而得到分类器的模型；
S6,对考生及考生家长提问的问题分词、去停用词、向量空间模型VSM特征表示、Lasso回归特征预选、TF-IDF方法第二次特征选择。
2.将该文本作为问题类别分类模型的输入，并以问题类别分类模型的输出作为分类结果；
S7,使用相似度算法计算出考生及家长所提问题与志愿咨询问答对中问题的文本相似度；
S8,将匹配结果结合志愿咨询问答对回答者基本信息表，为基本信息表中的信息设置相应的文本权重，对每个推荐志愿进行权重求和排序，选出匹配相似度最高的答案推荐给考生。
3.根据权利要求1所述的智能高考志愿推荐方法，其特征在于：
步骤S2中，权重越大，表示该特征包含文本类别的信息就越多；权重越小，则该特征包含文本类别的信息就越少。
4.根据权利要求1所述的智能高考志愿推荐方法，其特征在于：步骤S4中，计算公式如下：，其中，wtd是特征项 t 在文本 d 中的权重值；tftd 是特征 t 出现在文本 d 中的次数；N 为训练集总文本数（问题库中的问题总数）；nt为所有文本中出现 t 的文本个数。
5.根据权利要求1所述的智能高考志愿推荐方法，其特征在于：步骤S7中，计算公式如下：
，
其中，n为向量的维数，xi为考生及考生家长所提问题表征的向量的第i维的值，yi为志愿咨询问答对知识库中问句表征的向量的第i维的值。
6.根据权利要求1所述的智能高考志愿推荐方法，其特征在于：步骤S8中，具体方法如下：回答者基本信息表中：高校招生办的回答，文本权重设置成5，高校学生的回答文本权重设置成3，每个身份的回答者对应一个文本权重，将上述步骤计算出的相似度与文本权重相加，其最终结果求和排序。
7.一种智能高考志愿推荐系统，其特征在于：该系统包括历史志愿咨询问答对、文本预处理模块、提问信息文本预处理模块、特征表示模块、特征选择模块、分类器构建模块、考生及家长提问信息分类模块、志愿推荐模块；
所述历史志愿咨询问答对是一问一答形式的样本，问题包括高考地区、文理科、专业描述、回答者基本信息、高考排名等信息，答案则为某高校的某专业；
所述文本预处理模块是将历史志愿咨询问答对进行分词处理，同时去除停用词；
所述提问信息文本预处理模块是将考生及家长所提问题，分词、去停用词；
所述特征表示模块是用空间向量模型VSM将已经分词、去停用词的文本信息表示成计算机可以识别的语言；
所述特征选择模块是为了选择出对文本分类决定性比较大的一小部分特征；
所述分类器构建模块是通过对已知类别的志愿咨询问答对中的问题文本集进行分类学习构建分类模型，通过分类模型对考生及考生家长所提出的未知类别的文本进行匹配分析，根据分析结果将未知类别的文本自动划分到相应的专业类别；
所述考生及家长提问信息分类模块是将已经经过特征选择的提问文本利用构建的分类模型按照专业分类。
8.所述志愿推荐模块是将所提问题与志愿咨询问答对问题进行文本相似度匹配后，将匹配结果结合回答者基本信息表，为基本信息表中的信息设置相应的文本权重，对每个推荐志愿进行权重求和排序，选出匹配相似度最高的答案推荐给考生。
9.根据权利要求6所述的智能高考志愿推荐系统，其特征在于：所述分类器构建模块使用支持向量机文本分类算法，具体为采用一对多的SVM 多类分类方法，简单来讲就是将某一类别的文本划分为一类，其他剩余类别的文本划分到另一类，在这两个类中构建一个SVM分类模型，对于 k 个类别的文本只需要构建 k 个 SVM 分类模型，对待分类文本进行分类时，将其分到最大分类函数值所对应的类别。
10.根据权利要求6所述的智能高考志愿推荐系统，其特征在于：智能高考志愿推荐系统，其特征在于：所述特征选择模块使用Lasso回归先进行特征预选，再用TF-IDF进行第二次特征选择。
CN201810127397.9A 2018-02-08 2018-02-08 智能高考志愿推荐系统和推荐方法 Pending CN108053351A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810127397.9A CN108053351A (zh) 2018-02-08 2018-02-08 智能高考志愿推荐系统和推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810127397.9A CN108053351A (zh) 2018-02-08 2018-02-08 智能高考志愿推荐系统和推荐方法

Publications (1)

Publication Number Publication Date
CN108053351A true CN108053351A (zh) 2018-05-18

Family

ID=62125323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810127397.9A Pending CN108053351A (zh) 2018-02-08 2018-02-08 智能高考志愿推荐系统和推荐方法

Country Status (1)

Country Link
CN (1) CN108053351A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108763459A (zh) * 2018-05-28 2018-11-06 王春宁 基于心理测试及dnn算法的专业倾向分析方法及系统
CN109102809A (zh) * 2018-06-22 2018-12-28 北京光年无限科技有限公司 一种用于智能机器人的对话方法及系统
CN109344227A (zh) * 2018-06-27 2019-02-15 中国建设银行股份有限公司 工单处理方法、系统和电子设备
CN109685215A (zh) * 2018-12-17 2019-04-26 中科国力(镇江)智能技术有限公司 一种快捷的智能辅助决策支持系统及方法
CN110348006A (zh) * 2019-06-11 2019-10-18 平安科技（深圳）有限公司 问题信息的生成方法、装置、计算机设备及其存储介质
CN112685632A (zh) * 2020-12-29 2021-04-20 广州宏途教育网络科技有限公司 一种学业分析推荐系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050256A (zh) * 2014-06-13 2014-09-17 西安蒜泥电子科技有限责任公司 基于主动学习的问答方法及采用该方法的问答系统
CN105045903A (zh) * 2015-08-09 2015-11-11 王荣波 一种基于自动问答的高考考分自动咨询方法及系统
US20160314393A1 (en) * 2013-08-01 2016-10-27 International Business Machines Corporation Clarification of Submitted Questions in a Question and Answer System
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160314393A1 (en) * 2013-08-01 2016-10-27 International Business Machines Corporation Clarification of Submitted Questions in a Question and Answer System
CN104050256A (zh) * 2014-06-13 2014-09-17 西安蒜泥电子科技有限责任公司 基于主动学习的问答方法及采用该方法的问答系统
CN105045903A (zh) * 2015-08-09 2015-11-11 王荣波 一种基于自动问答的高考考分自动咨询方法及系统
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱颢东: "《文本挖掘中若干核心技术研究》", 31 March 2017 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108763459A (zh) * 2018-05-28 2018-11-06 王春宁 基于心理测试及dnn算法的专业倾向分析方法及系统
CN108763459B (zh) * 2018-05-28 2022-03-01 王春宁 基于心理测试及dnn算法的专业倾向分析方法及系统
CN109102809A (zh) * 2018-06-22 2018-12-28 北京光年无限科技有限公司 一种用于智能机器人的对话方法及系统
CN109344227A (zh) * 2018-06-27 2019-02-15 中国建设银行股份有限公司 工单处理方法、系统和电子设备
CN109685215A (zh) * 2018-12-17 2019-04-26 中科国力(镇江)智能技术有限公司 一种快捷的智能辅助决策支持系统及方法
CN109685215B (zh) * 2018-12-17 2023-01-20 中科国力(镇江)智能技术有限公司 一种快捷的智能辅助决策支持系统及方法
CN110348006A (zh) * 2019-06-11 2019-10-18 平安科技（深圳）有限公司 问题信息的生成方法、装置、计算机设备及其存储介质
CN112685632A (zh) * 2020-12-29 2021-04-20 广州宏途教育网络科技有限公司 一种学业分析推荐系统

Similar Documents

Publication Publication Date Title
CN108053351A (zh) 智能高考志愿推荐系统和推荐方法
Arcinas et al. Role of data mining in education for improving students performance for social change
Ishaq et al. Aspect-based sentiment analysis using a hybridized approach based on CNN and GA
Mayilvaganan et al. Comparison of classification techniques for predicting the performance of students academic environment
CN110532379B (zh) 一种基于lstm的用户评论情感分析的电子资讯推荐方法
CN110633730A (zh) 一种基于课程学习的深度学习机器阅读理解训练方法
CN106126751A (zh) 一种具有时间适应性的分类方法及装置
Livieris et al. An ensemble-based semi-supervised approach for predicting students’ performance
Utari et al. Implementation of data mining for drop-out prediction using random forest method
CN110309300B (zh) 一种识别理科试题知识点的方法
CN110347791B (zh) 一种基于多标签分类卷积神经网络的题目推荐方法
CN107169061B (zh) 一种融合双信息源的文本多标签分类方法
Pujianto et al. Students Academic Performance Prediction with k-Nearest Neighbor and C4. 5 on SMOTE-balanced data
Schofield et al. Identifying hate speech in social media
Steven et al. The right sentiment analysis method of Indonesian tourism in social media Twitter
CN116308685A (zh) 一种基于方面情感预测和协同过滤的产品推荐方法及系统
Saha et al. The corporeality of infotainment on fans feedback towards sports comment employing convolutional long-short term neural network
Dervišević et al. Application of KNN and Decision Tree Classification Algorithms in the Prediction of Education Success from the Edu720 Platform
Shadadi et al. Novel approach of Predicting Human Sentiment using Deep Learning
CN113158022A (zh) 业务推荐方法、装置、服务器及存储介质
Sengkey et al. Effects of kernels and the proportion of training data on the accuracy of SVM sentiment analysis in lecturer evaluation
CN111062449A (zh) 预测模型的训练方法、兴趣度预测方法、装置和存储介质
Harris Searching for Diverse Perspectives in News Articles: Using an LSTM Network to Classify Sentiment.
Ogunde et al. A K-nearest neighbour algorithm-based recommender system for the dynamic selection of elective undergraduate courses
CN114943028A (zh) 一种融合主题标签和用户偏好的课程推荐系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180518

RJ01 Rejection of invention patent application after publication