CN110147504B - 区域教育资源满足度评价方法及系统 - Google Patents

Abstract

本发明提供一种区域教育资源满足度评价方法及系统，属于区域资源调研领域。所述区域教育资源满足度评价方法包括：获取关于调研区域的由搜索引擎所发生的历史检索关键词集合；对历史检索关键词集合中的各个历史检索关键词的进行语义分析，以确定历史检索关键词集合所对应的教育词汇检索量；根据所确定的教育词汇检索量和搜索引擎在调研区域内所拥有的用户数量，确定用户教育需求值；获取调研区域内的教育资源量；根据用户教育需求值和教育资源量，确定调研区域所对应的教育资源满足度。由此，在节约了调研成本的同时，还能方便且更精确地得出针对调研区域的教育资源满足度。

Description

区域教育资源满足度评价方法及系统

技术领域

本发明涉及区域资源调研技术领域，具体地涉及一种区域教育资源满足度评价方法及系统。

背景技术

为了响应智慧城市和城市规划的需求，对于城市或区域的各种生活资源以及用户满意度的调研工作是必不可少的。

目前相关技术中，为了实现对某一区域的教育资源满足度的调查，一般主要是通过以下两种方式来实现的：其一是调研问卷的方式，通过调查提问，获取居民对本区域(例如，所在的城市)的教育资源满足程度；其二是教育数据聚合来确定教育资源满足度，具体是通过搜集一个城市的教育机构相关数据，比如小学数量、高中数量或者大学数量等。

但是，本申请的发明人在实践本申请的过程中发现上述目前相关技术中至少存在如下的缺陷：一方面，调研问卷方法的最主要的缺点是成本高，需要前往不同区域和城市手工搜集调研结果。同时该方法基于用户的主观感受，采集结果往往不够精确。同时要采集细粒度区域的教育资源满足程度往往比较困难，比如要了解一个城市每个乡镇的教育资源满意度，则需要走访每个乡镇，成本十分高昂。同时调研方法很难看到细粒度时间维度(例如每月的)的教育资源满足度的变化情况。另一方面，教育数据聚合方法的主要缺点是数据不能完全反应居民对教育资源的满意度。虽然我们可以衡量出每个区域的教育资源占有量(比如人均学校数量等)，但却无法得知用户对该教育资源的占有量是否满足。比如，发达地区对教育资源的占有具有更高的要求，而欠发达地区的教育资源的占有的需求相对薄弱。对于两个地区使用相同的教育资源占有指标(比如人均学校数量)显然不够合理。此外，详细教育资源数据的搜集也面临比较大的困难。

发明内容

本发明实施例的目的是提供一种区域教育资源满足度评价方法及系统，用以至少解决目前相关技术中因调研问卷调研成本过高和教育数据聚合方法执行困难且所得结果不合理的问题。

为了实现上述目的，本发明实施例提供一种区域教育资源满足度评价方法，包括：获取关于调研区域的由搜索引擎所发生的历史检索关键词集合；对所述历史检索关键词集合中的各个历史检索关键词的进行语义分析，以确定所述历史检索关键词集合所对应的教育词汇检索量；根据所确定的教育词汇检索量和所述搜索引擎在所述调研区域内所拥有的用户数量，确定用户教育需求值；获取所述调研区域内的教育资源量；根据所述用户教育需求值和所述教育资源量，确定所述调研区域所对应的教育资源满足度。

可选的，所述对所述历史检索关键词集合中的各个历史检索关键词的进行语义分析，以确定所述历史检索关键词集合所对应的教育词汇检索量包括：将所述各个历史检索关键词分别与教育关键词集进行匹配，并将与所述教育关键词集相匹配的历史检索关键词确定为目标教育关键词，其中所述教育关键词集中存储有具有教育属性的给定教育关键词；统计所述目标教育关键词的数量，并基于所统计的数量确定所述教育词汇检索量。

可选的，该方法还包括：通过以下方式来从所述历史检索关键词集合中确定所述目标教育关键词：

其中，k表示教育关键词集K中的给定教育关键词，q表示历史检索关键词集合Q中的历史检索关键词，以及，当f(q,k)＝1时表示所述目标教育关键词，且当f(q,k)＝0时表示所述历史检索关键词集合中不是所述目标教育关键词的历史检索关键词。

可选的，该方法还包括：通过以下的方式来确定所述用户教育需求值：

其中，d表示用户教育需求值，n表示所述用户数量。

可选的，所述对所述历史检索关键词集合中的各个历史检索关键词的进行语义分析，以确定所述历史检索关键词集合所对应的教育词汇检索量包括：基于机器学习模型对所述历史检索关键词集合中的各个历史检索关键词进行语义推导，以确定所述各个历史检索关键词的教育相关度，其中所述机器学习模型是以将标注了教育相关度的真值关键词作为输入进行训练的；基于所确定的各个历史检索关键词的教育相关度，确定所述历史检索关键词集合所对应的教育词汇检索量。

可选的，该方法还包括：通过以下的方式来确定所述用户教育需求值：

其中，d表示用户教育需求值，n表示所述用户数量，M(q)表示所述机器学习模型的针对教育相关度的输出域，且M(q)∈[0,1]。

可选的，所述获取所述调研区域内的教育资源量包括：统计所述调研区域内所具有的兴趣点集合，其中所述兴趣点集合中的每一兴趣点被标记上对应的兴趣点属性；从所述兴趣点集合中筛选标记有教育类兴趣点属性的目标兴趣点；统计所述目标兴趣点的数量，以确定对应的所述教育资源量。

可选的，所述根据所述用户教育需求值和所述教育资源量，确定所述调研区域所对应的教育资源满足度包括：计算所述用户教育需求值相对于所述教育资源量的比重值；以及，根据所确定的比重值，确定所述教育资源满足度。

本发明实施例另一方面提供一种区域教育资源满足度评价系统，包括：历史数据获取单元，用于获取关于调研区域的由搜索引擎所发生的历史检索关键词集合；检索量确定单元，用于对所述历史检索关键词集合中的各个历史检索关键词进行语义分析，以确定所述历史检索关键词集合所对应的教育词汇检索量；需求值确定单元，用于根据所确定的教育词汇检索量和所述搜索引擎在所述调研区域内所拥有的用户数量，确定用户教育需求值；资源量获取单元，用于获取所述调研区域内的教育资源量；满意度确定单元，用于根据所述用户教育需求值和所述教育资源量，确定所述调研区域所对应的教育资源满足度。

可选的，所述检索量确定单元包括：目标关键词确定模块，用于将各个历史检索关键词分别与教育关键词集进行匹配，并将与所述教育关键词集相匹配的历史检索关键词确定为目标教育关键词，其中所述教育关键词集存储具有教育属性的给定教育关键词；第一检索量确定模块，用于统计所述目标教育关键词的数量，并基于所统计的数量确定所述教育词汇检索量。

可选的，所述检索量确定单元包括：教育相关度推导模块，用于基于机器学习模型对所述历史检索关键词集合中的各个历史检索关键词进行词性推导，以确定所述各个历史检索关键词的教育相关度，其中所述机器学习模型是以将标注了教育相关度的真值关键词作为训练源输入进行训练的；第二检索量确定模块，用于基于所确定的各个历史检索关键词的教育相关度，确定所述历史检索关键词集合所对应的教育词汇检索量。

可选的，所述资源量获取单元包括：兴趣点集合统计模块，用于统计所述调研区域内所具有的兴趣点集合，其中所述兴趣点集合中的每一兴趣点被标记上对应的兴趣点属性；兴趣点筛选模块，用于从所述兴趣点集合中筛选标记有教育类兴趣点属性的目标兴趣点；资源量确定模块，用于统计所述目标兴趣点的数量，以确定对应的所述教育资源量。

可选的，所述满意度确定单元包括：比重计算模块，用于计算所述用户教育需求值相对于所述教育资源量的比重值；满意度确定模块，用于根据所确定的比重值，确定所述教育资源满足度。

通过上述技术方案，基于用户教育需求值和教育资源量进行综合权衡考虑来确定教育资源满足度，相比于调查问卷和单独的依据教育数据聚合的估量，通过搜索引擎检索词分析区域用户对教育资源的需求，与用户数量进行数据融合计算调研区域内居民群体的教育资源满足度，在节约了调研成本的同时，还能方便且更精确地得出群众对调研区域的教育资源满足度。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1是本发明一实施例的区域教育资源满足度评价方法的流程图；

图2是本发明一实施例的区域教育资源满足度评价方法中一示例的用于确定教育词汇检索量的流程图；

图3是本发明一实施例的区域教育资源满足度评价方法中另一示例的用于确定教育词汇检索量的流程图；

图4是本发明一实施例的区域教育资源满足度评价方法中一示例的用于确定教育资源量的流程图；

图5是本发明一实施例的区域教育资源满足度评价系统的结构框图。

附图标记说明

501 历史数据获取单元 502 检索量确定单元

503 需求值确定单元 504 资源量获取单元

505 满意度确定单元

50 区域教育资源满足度评价系统

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

如图1所示，本发明一实施例的区域教育资源满足度评价方法，包括：

S11、获取关于调研区域的由搜索引擎所发生的历史检索关键词集合。

关于本发明实施例方法的执行主体，其可以是各种服务器或客户端，通过处理器或控制器来实现对区域教育资源满意度的评价过程。其中，该处理器或控制器可以是专用于实现区域教育资源满意度评价的方法的部件，另外其也还可以是在通用控制器或处理器上配置专用于实现区域教育资源满意度评价的方法的软件或硬件，且都属于本发明的保护范围内。

其中，历史检索关键词集合可以是表示搜索引擎在一段时间内所产生的检索关键词的集合，其可以是通过对针对搜索引擎的用户日志的解析而获得。另外，关于调研区域的范围，在此也不加限定，例如其可以是表示一个城市，也还可以是表示更小的乡镇区域或更大的省内范围等等。

S12、对历史检索关键词集合中的各个历史检索关键词的进行语义分析，以确定历史检索关键词集合所对应的教育词汇检索量。

关于语义分析的过程，其可以是采用各种方式，例如可以借助现有的或于本文后续所介绍的全新的语义分析方式来实现的，由此筛选出具有教育语义的历史检索关键词，并经过统计得到对应的教育词汇检索量。

S13、根据所确定的教育词汇检索量和搜索引擎在调研区域内所拥有的用户数量，确定用户教育需求值。

其中，将教育词汇检索量来作为人们对教育的需求的一个参照指标。示例性地，可以是将教育词汇检索量与用户数量进行比例运算，从而得到人均的教育词汇检索量，并将其作为用户教育需求值。

S14、获取调研区域内的教育资源量。

其中，教育资源量还可以是表示教育培训机构、教师、学校的数量或分布情况等。另外，关于教育资源量的获取方式，其可以是通过人工调研的方式获取教育资源量，也还可以是通过于本文后续所介绍的新的技术方式来确定教育资源量，且都属于本发明的保护范围内。

S15、根据用户教育需求值和教育资源量，确定调研区域所对应的教育资源满足度。

在本实施例中，基于用户教育需求值和教育资源量进行综合权衡考虑来确定教育资源满足度，相比于调查问卷和单独的依据教育数据聚合的估量，在节约了调研成本的同时，还能方便且更精确地得出针对调研区域的教育资源满足度。

在一些实施方式中，方式可以是通过以下方式来实现确定教育资源满足度的：计算用户教育需求值相对于教育资源量的比重值；以及，根据所确定的比重值，确定教育资源满足度。因此，通过用户教育需求值相对于教育资源量的比重值来确定教育资源满足度，对比用户需求和教育资源，使得所得出的教育资源满足度能够贴合于调研区域的实际情况。

如图2，其示出了本发明一实施例的区域教育资源满足度评价方法中一示例的用于确定教育词汇检索量的流程，包括：

S21、将各个历史检索关键词分别与教育关键词集进行匹配，并将与教育关键词集相匹配的历史检索关键词确定为目标教育关键词，其中教育关键词集中存储有具有教育属性的给定教育关键词。

其中，通过将历史检索关键词与教育关键词集中的给定教育关键词进行匹配，从而能够判断各个历史检索关键词是否含有教育语义，简单方便地筛选出目标教育关键词。

在本实施例中，教育需求提取的方法是基于定义关键词的方式进行提取的。示例性地，所预定义的若干个和教育相关的关键词可以是“教育”、“培训班”、“师资”、“师生比”等。因此，可以是将任何包含教育关键词的搜索引擎检索需求，都确定为所定义的一个教育需求。具体地，假定Q是给定的搜索引擎检索数据，

是其中的一个检索词；K是给定的教育需求关键词，比如K-{“教育”，“培训班”，“师资”，“师生比”}，k∈K是其中的一个关键词。相应地，其可以是通过以下方式来从历史检索关键词集合中确定目标教育关键词：

其中，k表示教育关键词集K中的给定教育关键词，q表示历史检索关键词集合Q中的历史检索关键词，以及，当f(q，k)＝1时表示目标教育关键词，且当f(q，k)＝0时表示历史检索关键词集合中不是目标教育关键词的历史检索关键词。

S22、统计目标教育关键词的数量，并基于所统计的数量确定教育词汇检索量。

相应地，本发明实施例中还可以是通过以下的方式来确定用户教育需求值：

其中，d表示用户教育需求值，n表示搜索引擎在调研区域内所拥有的用户数量。

对于一个给定的调研区域，可以是提取过去一个固定时间段内用户和教育需求有关的检索词。如图3，其示出了本发明一实施例的区域教育资源满足度评价方法中另一示例的用于确定教育词汇检索量的流程，包括：

S31、基于机器学习模型对历史检索关键词集合中的各个历史检索关键词进行语义推导，以确定各个历史检索关键词的教育相关度，其中机器学习模型是以将标注了教育相关度的真值关键词作为输入进行训练的。

其中，通过采用机器学习模型的方式，运用人工智能技术对每个历史检索关键词的教育相关度进行推导。因此，需要训练一个机器学习模型，来判定一个检索词是否是和教育需求相关。具体的训练过程可以是：首先，标定一部分真值数据Q′，其中q′∈Q′中的每一个搜索引擎请求都定义了一个教育需求；然后，训练二分类机器学习模型M来判定一个搜索请求中是否包含了一个搜索请求。具体的，二分类机器学习模型还可以是神经网络模型，通过将打标签(是或不是)的关键词(即真值数据)输入二分类机器学习模型之后就能够实现对神经网络的训练，由此经训练后的神经网络能够实现对关键词相对于教育属性的评分输出，该二分类机器学习模型M的输出域是在0到1之间的。

S32、基于所确定的各个历史检索关键词的教育相关度，确定历史检索关键词集合所对应的教育词汇检索量。

示例性地，可以是将各个历史检索关键词所对应的教育相关度进行累加，从而确定该历史检索关键词集合所对应的教育词汇检索量。

进一步地，还可以是通过以下方式来确定用户教育需求值：

其中，d表示用户教育需求值，n表示所述用户数量，M(q)表示所述机器学习模型的针对教育相关度的输出域，且M(q)∈[0，1]。

在确定了用户教育需求值后，本申请中还提出需要和其他数据作进一步的融合，从而计算区域居民群体对教育资源的满意度。

如图4，其示出了本发明一实施例的区域教育资源满足度评价方法中一示例的用于确定教育资源量的过程，包括：S41、统计调研区域内所具有的兴趣点集合，其中该兴趣点集合中的每一兴趣点被标记上对应的兴趣点属性；S42、从兴趣点集合中筛选标记有教育类兴趣点属性的目标兴趣点；S43、统计目标兴趣点的数量，以确定对应的教育资源量。示例性地，在电子地图上的区域(或调研区域)中会为不同地点(或兴趣点)配置对应的标签(或兴趣点属性)，因此通过识别标签是否属于教育类标签，例如学校、教育培训机构等，从而实现对目标兴趣点的识别和提取。

其中，可以是定义调研区域的教育资源供给量为s，其中s可以有多种衡量方式，比如调研区域内学校的数量，教师的数量等，其还可以是通过人工调研的方式去完成。而在本实施例中，还提出了用于计算_s的具体例子。示例性地，将s定义为调研区域内的教育培训机构的兴趣点(POIs，point of interest)的数量；对于调研区域内所有的POI的集合为P，每个POI上都有它相关的属性信息，因此可以通过tag()函数获取，则对符合教育功能或具有教育标签的POI的数量为：

s＝card({p|p∈Pand′教育′∈tag(p)))

需说明的是，tag()函数返回了一个POI的功能的集合。其中，tag()函数一般可以从POI的数据库中更具一个POI已经被标记的若干个tag直接获取。另外，POI的tag标注可以通过人工标注或者机器学习模型标注等方式完成，在此不做限制。

需要指出的是，于此所介绍的通过统计区域内的教育机构POI的数量来确定教育资源量的方式，仅用于示例，而不是对本发明的限制，并且教育资源量s还可以是具有其他的多种计算方法，比如通过识别调研区域内的学校数量、教师数量等等。

进而，最终的教育资源用户满足度的定义指标可以是：

e＝s/d

其中，教育资源用户满足度e融合了调研区域内用户对教育的需求以及该区域内的教育供给能力，综合反应了调研区域内的居民对教育资源的满意程度。

在本发明实施例中，通过搜索引擎检索词分析区域用户对教育资源的需求；具体包括两种方式：其一是通过分析在区域内的历史引擎检索数据，并计算其中教育特征关键词相对于在用户总量发生的频次d；其二是通过教育词性机器学习模块来对检索词相对于教育需求的相关度进行识别，从而计算教育特征的关键词相对于在用户总量发生的频次d。然后，数据融合计算居民群体的教育资源满足度。具体包括：通过统计区域内的教育培训机构的兴趣点，从而得出量化的教育资源供给量s，进而利用e＝s/d来衡量教育资源用户满足度，实现了基于应用产品历史数据通过大数据运算来衡量调研区域内的群体对教育资源满足度。

在本发明实施例的应用中，其相对于调研问卷的方式，可以依据应用产品的大数据快速生成不同区域在不同时间段的居民教育资源满意度，节约了大量的人力和物力；另外，相对传统的基于区域教育资源统计的方式(比如区域内的学校数量，教师数量等)，本实施例除了计算成本低之外，还具有纠偏性这一重要特点；例如，发达地区对教育资源的占有具有更高的要求，而欠发达地区对教育资源的占有需求相对薄弱。在本实施例中，可以综合考虑不同发展程度的地区对教育资源的需求程度，从而得出一个相对一致的可比较的教育资源满意度指标。

如图5所示，本发明一实施例的区域教育资源满足度评价系统50，包括：历史数据获取单元501，用于获取关于调研区域的由搜索引擎所发生的历史检索关键词集合；检索量确定单元502，用于对所述历史检索关键词集合中的各个历史检索关键词进行语义分析，以确定所述历史检索关键词集合所对应的教育词汇检索量；需求值确定单元503，用于根据所确定的教育词汇检索量和所述搜索引擎在所述调研区域内所拥有的用户数量，确定用户教育需求值；资源量获取单元504，用于获取所述调研区域内的教育资源量；满意度确定单元505，用于根据所述用户教育需求值和所述教育资源量，确定所述调研区域所对应的教育资源满足度。

在一些实施方式中，所述检索量确定单元502包括：目标关键词确定模块(未示出)，用于将各个历史检索关键词分别与教育关键词集进行匹配，并将与所述教育关键词集相匹配的历史检索关键词确定为目标教育关键词，其中所述教育关键词集存储具有教育属性的给定教育关键词；第一属性值确定模块(未示出)，用于统计所述目标教育关键词的数量，并基于所统计的数量确定所述教育词汇检索量。

在一些实施方式中，所述检索量确定单元502包括：教育相关度推导模块(未示出)，用于基于机器学习模型对所述历史检索关键词集合中的各个历史检索关键词进行词性推导，以确定所述各个历史检索关键词的教育相关度，其中所述机器学习模型是以将标注了教育相关度的真值关键词作为训练源输入进行训练的；第二检索量确定模块(未示出)，用于基于所确定的各个历史检索关键词的教育相关度，确定所述历史检索关键词集合所对应的教育词汇检索量。

在一些实施方式中，所述资源量获取单元504包括：兴趣点集合统计模块(未示出)，用于统计所述调研区域内所具有的兴趣点集合，其中所述兴趣点集合中的每一兴趣点被标记上对应的兴趣点属性；兴趣点筛选模块(未示出)，用于从所述兴趣点集合中筛选标记有教育类兴趣点属性的目标兴趣点；资源量确定模块(未示出)，用于统计所述目标兴趣点的数量，以确定对应的所述教育资源量。

在一些实施方式中，所述满意度确定单元505包括：比重计算模块(未示出)，用于计算所述用户教育需求值相对于所述教育资源量的比重值；满意度确定模块(未示出)，用于根据所确定的比重值，确定所述教育资源满足度。

关于本发明实施例的区域教育资源满足度评价系统的更多的细节可以参照上文针对区域教育资源满足度评价方法实施例的描述，并取得与上述区域教育资源满足度评价方法实施例相同或相应的技术效果，故在此便不赘述。

所述区域教育资源满足度评价系统包括处理器和存储器，上述历史数据获取单元、检索量确定单元、需求值确定单元、资源量获取单元和满意度确定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过搜索引擎检索词分析区域用户对教育资源的需求，并基于搜索引擎历史数据通过大数据运算进行数据融合来衡量调研区域内的群体对教育资源的满足度。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种机器可读存储介质，其上存储有程序，该程序被处理器执行时实现所述区域教育资源满足度评价方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述区域教育资源满足度评价方法。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：

一种区域教育资源满足度评价方法，包括：获取关于调研区域的由搜索引擎所发生的历史检索关键词集合；对所述历史检索关键词集合中的各个历史检索关键词的进行语义分析，以确定所述历史检索关键词集合所对应的教育词汇检索量；根据所确定的教育词汇检索量和所述搜索引擎在所述调研区域内所拥有的用户数量，确定用户教育需求值；获取所述调研区域内的教育资源量；根据所述用户教育需求值和所述教育资源量，确定所述调研区域所对应的教育资源满足度。

在一些实施方式中，所述对所述历史检索关键词集合中的各个历史检索关键词的进行语义分析，以确定所述历史检索关键词集合所对应的教育词汇检索量包括：将所述各个历史检索关键词分别与教育关键词集进行匹配，并将与所述教育关键词集相匹配的历史检索关键词确定为目标教育关键词，其中所述教育关键词集中存储有具有教育属性的给定教育关键词；统计所述目标教育关键词的数量，并基于所统计的数量确定所述教育词汇检索量。

在一些实施方式中，该方法还包括：通过以下方式来从所述历史检索关键词集合中确定所述目标教育关键词：

其中，k表示教育关键词集K中的给定教育关键词，q表示历史检索关键词集合Q中的历史检索关键词，以及，当f(q,k)＝1时表示所述目标教育关键词，且当f(q,k)＝0时表示所述历史检索关键词集合中不是所述目标教育关键词的历史检索关键词。

在一些实施方式中，该方法还包括：通过以下的方式来确定所述用户教育需求值：

其中，d表示用户教育需求值，n表示所述用户数量。

在一些实施方式中，所述对所述历史检索关键词集合中的各个历史检索关键词的进行语义分析，以确定所述历史检索关键词集合所对应的教育词汇检索量包括：基于机器学习模型对所述历史检索关键词集合中的各个历史检索关键词进行语义推导，以确定所述各个历史检索关键词的教育相关度，其中所述机器学习模型是以将标注了教育相关度的真值关键词作为输入进行训练的；基于所确定的各个历史检索关键词的教育相关度，确定所述历史检索关键词集合所对应的教育词汇检索量。

在一些实施方式中，该方法还包括：通过以下的方式来确定所述用户教育需求值：

其中，d表示用户教育需求值，n表示所述用户数量，M(q)表示所述机器学习模型的针对教育相关度的输出域，且M(q)∈[0,1]。

在一些实施方式中，所述获取所述调研区域内的教育资源量包括：统计所述调研区域内所具有的兴趣点集合，其中所述兴趣点集合中的每一兴趣点被标记上对应的兴趣点属性；从所述兴趣点集合中筛选标记有教育类兴趣点属性的目标兴趣点；统计所述目标兴趣点的数量，以确定对应的所述教育资源量。

在一些实施方式中，所述根据所述用户教育需求值和所述教育资源量，确定所述调研区域所对应的教育资源满足度包括：计算所述用户教育需求值相对于所述教育资源量的比重值；以及，根据所确定的比重值，确定所述教育资源满足度。

本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

一种区域教育资源满足度评价方法，包括：获取关于调研区域的由搜索引擎所发生的历史检索关键词集合；对所述历史检索关键词集合中的各个历史检索关键词的进行语义分析，以确定所述历史检索关键词集合所对应的教育词汇检索量；根据所确定的教育词汇检索量和所述搜索引擎在所述调研区域内所拥有的用户数量，确定用户教育需求值；获取所述调研区域内的教育资源量；根据所述用户教育需求值和所述教育资源量，确定所述调研区域所对应的教育资源满足度。

在一些实施方式中，所述对所述历史检索关键词集合中的各个历史检索关键词的进行语义分析，以确定所述历史检索关键词集合所对应的教育词汇检索量包括：将所述各个历史检索关键词分别与教育关键词集进行匹配，并将与所述教育关键词集相匹配的历史检索关键词确定为目标教育关键词，其中所述教育关键词集中存储有具有教育属性的给定教育关键词；统计所述目标教育关键词的数量，并基于所统计的数量确定所述教育词汇检索量。

在一些实施方式中，该方法还包括：通过以下方式来从所述历史检索关键词集合中确定所述目标教育关键词：

其中，k表示教育关键词集K中的给定教育关键词，q表示历史检索关键词集合Q中的历史检索关键词，以及，当f(q,k)＝1时表示所述目标教育关键词，且当f(q,k)＝0时表示所述历史检索关键词集合中不是所述目标教育关键词的历史检索关键词。

在一些实施方式中，该方法还包括：通过以下的方式来确定所述用户教育需求值：

其中，d表示用户教育需求值，n表示所述用户数量。

在一些实施方式中，所述对所述历史检索关键词集合中的各个历史检索关键词的进行语义分析，以确定所述历史检索关键词集合所对应的教育词汇检索量包括：基于机器学习模型对所述历史检索关键词集合中的各个历史检索关键词进行语义推导，以确定所述各个历史检索关键词的教育相关度，其中所述机器学习模型是以将标注了教育相关度的真值关键词作为输入进行训练的；基于所确定的各个历史检索关键词的教育相关度，确定所述历史检索关键词集合所对应的教育词汇检索量。

在一些实施方式中，该方法还包括：通过以下的方式来确定所述用户教育需求值：

其中，d表示用户教育需求值，n表示所述用户数量，M(q)表示所述机器学习模型的针对教育相关度的输出域，且M(q)∈[0,1]。

在一些实施方式中，所述获取所述调研区域内的教育资源量包括：统计所述调研区域内所具有的兴趣点集合，其中所述兴趣点集合中的每一兴趣点被标记上对应的兴趣点属性；从所述兴趣点集合中筛选标记有教育类兴趣点属性的目标兴趣点；统计所述目标兴趣点的数量，以确定对应的所述教育资源量。

在一些实施方式中，所述根据所述用户教育需求值和所述教育资源量，确定所述调研区域所对应的教育资源满足度包括：计算所述用户教育需求值相对于所述教育资源量的比重值；以及，根据所确定的比重值，确定所述教育资源满足度。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (13)

1.一种区域教育资源满足度评价方法，包括：

获取关于调研区域的由搜索引擎所发生的历史检索关键词集合；

对所述历史检索关键词集合中的各个历史检索关键词的进行语义分析，以确定所述历史检索关键词集合所对应的教育词汇检索量；

根据所确定的教育词汇检索量和所述搜索引擎在所述调研区域内所拥有的用户数量，确定用户教育需求值；

获取所述调研区域内的教育资源量；

根据所述用户教育需求值和所述教育资源量，确定所述调研区域所对应的教育资源满足度。

2.根据权利要求1所述的方法，其中，所述对所述历史检索关键词集合中的各个历史检索关键词的进行语义分析，以确定所述历史检索关键词集合所对应的教育词汇检索量包括：

将所述各个历史检索关键词分别与教育关键词集进行匹配，并将与所述教育关键词集相匹配的历史检索关键词确定为目标教育关键词，其中所述教育关键词集中存储有具有教育属性的给定教育关键词；

统计所述目标教育关键词的数量，并基于所统计的数量确定所述教育词汇检索量。

3.根据权利要求2所述的方法，其中，该方法还包括：通过以下方式来从所述历史检索关键词集合中确定所述目标教育关键词：

其中，k表示教育关键词集K中的给定教育关键词，q表示历史检索关键词集合Q中的历史检索关键词，以及，当f(q,k)＝1时表示所述目标教育关键词，且当f(q,k)＝0时表示所述历史检索关键词集合中不是所述目标教育关键词的历史检索关键词。

4.根据权利要求3所述的方法，其中，该方法还包括：通过以下的方式来确定所述用户教育需求值：

其中，d表示用户教育需求值，n表示所述用户数量。

5.根据权利要求1所述的方法，其中，所述对所述历史检索关键词集合中的各个历史检索关键词的进行语义分析，以确定所述历史检索关键词集合所对应的教育词汇检索量包括：

基于机器学习模型对所述历史检索关键词集合中的各个历史检索关键词进行语义推导，以确定所述各个历史检索关键词的教育相关度，其中所述机器学习模型是以将标注了教育相关度的真值关键词作为输入进行训练的；

基于所确定的各个历史检索关键词的教育相关度，确定所述历史检索关键词集合所对应的教育词汇检索量。

6.根据权利要求5所述的方法，其中，该方法还包括：通过以下的方式来确定所述用户教育需求值：

其中，d表示用户教育需求值，n表示所述用户数量，q表示历史检索关键词集合Q中的历史检索关键词，M(q)表示所述机器学习模型的针对教育相关度的输出域，且M(q)∈[0,1]。

7.根据权利要求1所述的方法，其中，所述获取所述调研区域内的教育资源量包括：

统计所述调研区域内所具有的兴趣点集合，其中所述兴趣点集合中的每一兴趣点被标记上对应的兴趣点属性；

从所述兴趣点集合中筛选标记有教育类兴趣点属性的目标兴趣点；

统计所述目标兴趣点的数量，以确定对应的所述教育资源量。

8.根据权利要求1所述的方法，其中，所述根据所述用户教育需求值和所述教育资源量，确定所述调研区域所对应的教育资源满足度包括：

计算所述用户教育需求值相对于所述教育资源量的比重值；以及

根据所确定的比重值，确定所述教育资源满足度。

9.一种区域教育资源满足度评价系统，包括：

历史数据获取单元，用于获取关于调研区域的由搜索引擎所发生的历史检索关键词集合；

检索量确定单元，用于对所述历史检索关键词集合中的各个历史检索关键词进行语义分析，以确定所述历史检索关键词集合所对应的教育词汇检索量；

需求值确定单元，用于根据所确定的教育词汇检索量和所述搜索引擎在所述调研区域内所拥有的用户数量，确定用户教育需求值；

资源量获取单元，用于获取所述调研区域内的教育资源量；

满足度确定单元，用于根据所述用户教育需求值和所述教育资源量，确定所述调研区域所对应的教育资源满足度。

10.根据权利要求9所述的系统，其中，所述检索量确定单元包括：

目标关键词确定模块，用于将各个历史检索关键词分别与教育关键词集进行匹配，并将与所述教育关键词集相匹配的历史检索关键词确定为目标教育关键词，其中所述教育关键词集存储具有教育属性的给定教育关键词；

第一检索量确定模块，用于统计所述目标教育关键词的数量，并基于所统计的数量确定所述教育词汇检索量。

11.根据权利要求9所述的系统，其中，所述检索量确定单元包括：

教育相关度推导模块，用于基于机器学习模型对所述历史检索关键词集合中的各个历史检索关键词进行词性推导，以确定所述各个历史检索关键词的教育相关度，其中所述机器学习模型是以将标注了教育相关度的真值关键词作为训练源输入进行训练的；

第二检索量确定模块，用于基于所确定的各个历史检索关键词的教育相关度，确定所述历史检索关键词集合所对应的教育词汇检索量。

12.根据权利要求9所述的系统，其中，所述资源量获取单元包括：

兴趣点集合统计模块，用于统计所述调研区域内所具有的兴趣点集合，其中所述兴趣点集合中的每一兴趣点被标记上对应的兴趣点属性；

兴趣点筛选模块，用于从所述兴趣点集合中筛选标记有教育类兴趣点属性的目标兴趣点；

资源量确定模块，用于统计所述目标兴趣点的数量，以确定对应的所述教育资源量。

13.根据权利要求9所述的系统，其中，所述满足度确定单元包括：

比重计算模块，用于计算所述用户教育需求值相对于所述教育资源量的比重值；

满足度确定模块，用于根据所确定的比重值，确定所述教育资源满足度。

Images