CN110188958A - 一种高考志愿智能填报预测推荐的方法 - Google Patents

一种高考志愿智能填报预测推荐的方法 Download PDF

Info

Publication number
CN110188958A
CN110188958A CN201910476503.9A CN201910476503A CN110188958A CN 110188958 A CN110188958 A CN 110188958A CN 201910476503 A CN201910476503 A CN 201910476503A CN 110188958 A CN110188958 A CN 110188958A
Authority
CN
China
Prior art keywords
colleges
universities
layer
hidden layer
profession
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
CN201910476503.9A
Other languages
English (en)
Inventor
陈望清
冯成起
王小军
刘福伟
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.)
Hangzhou Zhiyou Network Technology Co Ltd
Original Assignee
Hangzhou Zhiyou Network Technology Co Ltd
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 Hangzhou Zhiyou Network Technology Co Ltd filed Critical Hangzhou Zhiyou Network Technology Co Ltd
Priority to CN201910476503.9A priority Critical patent/CN110188958A/zh
Publication of CN110188958A publication Critical patent/CN110188958A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种高考志愿智能填报预测推荐的方法，包括以下步骤：获取往年某地区各批次院校专业的录取情况表、当年的招生计划表，利用BP神经网络训练数据；利用训练好的BP神经网络模型对所有院校专业进行位次预测；获取考生的考试成绩和考生填报的院校和专业，计算考生被此院校录取的概率；根据考生的成绩位次淘汰一部分院校，然后利用K‑means聚类对院校分类，基于用户偏好的协同推荐把与用户相似度最高的一类院校推荐给用户。本发明BP神经网络模型在预测之前进行了大量的数据训练，不仅提高了预测结果的精确度，使考生对自己的考试成绩有较为明确的定位，提高自己报考志愿的录取率，且对于后续的志愿推荐能够提供一个更加可靠的依据。

Description

一种高考志愿智能填报预测推荐的方法
技术领域
本发明属于预测算法领域，涉及一种高考志愿智能填报预测推荐的方法。
背景技术
传统的高考志愿填报方式是各省根据自己的考试体制发放志愿填报指南手册，每一个高考的学生在志愿填报的过程中需要翻阅厚厚的志愿填报指南查询与自己高考分数线相近的学校及其相关专业，依此完成高考志愿的填报。此种方法具有一下几点弊端：(1)浪费大量时间也一定能查看完一本志愿填报指南，对此不能全面掌握院校及其专业信息。(2)因好多高考学生的父母没有志愿填报的经验，对于子女的志愿填报提供不了太多实质性东西。所以志愿填报的重任全落在了考生的一个人的肩上，但因好多考生也是第一次进行志愿填报，对于志愿填报的规则也是处于一知半解的状态。所以在志愿填报的过程中好多人不会去了解院校的信息、自己的分数能报考那些院校、自己适合那些专业，就凭借自己的一些感性直觉去填报志愿最终导致的结果就是：没有大学上或者学校专业不适合自己。(3)随着计算机技术的发展，现在好多公司也研发了高考志愿填报系统。但现有的一些高考填报系统在数据预测这方面只是运用了一些简单的数学原理，因此其预测结果精确度别不理想，这对考生在志愿填报的过程中无形中造成了一些误导。
发明内容
为了解决上述问题，本发明提供的方法中BP神经网络模型在预测之前进行了大量的数据训练，不仅提高了预测结果的精确度，使学生对自己的考试成绩有一个较为明确的定位，提高自己报考志愿的录取率，且对于后续的志愿推荐能够提供一个更加可靠的依据，让考生更加快速方便找到一个不仅适合自己的学校专业。
为实现上述目的，本发明的技术方案为一种高考志愿智能填报预测推荐的方法，包括以下步骤：
S10，获取往年某地区各批次院校专业的录取情况表、当年的招生计划表，利用BP神经网络训练数据；
S20，利用训练好的BP神经网络模型对所有院校专业进行位次预测；
S30，获取考生的考试成绩和考生填报的院校和专业，计算考生被此院校录取的概率；
S40，根据考生的成绩位次淘汰一部分院校，然后利用K-means聚类对院校分类，基于用户偏好的协同推荐把与用户相似度最高的一类院校推荐给用户。
优选地，所述S10包括以下步骤：
S11，获取往年的某地区，各批次院校专业的录取情况、当年的招生计划表，并进行数据的清洗与整理；
S12，网络初始化，把往年某地区各批次某院校的ID、专业的ID、专业的录取人数作为输入数据，输出数据为往年某院校专业的录取位次，其隐含层为一层，隐含层的节点数为3，输入节点数为3个，输出节点数为1个，其输入层到隐含层权值wij的初始值为0-1的随机数，输入层到隐含层的偏值为aj，隐含层到输出层的偏值为bk，激励函数g(x)运用的sigmoid的函数，由下式获得，
其中，隐含层的输出，BP神经网络训练的过程中，隐含层的输出数据的计算公式为，
其中，Hj表示隐含层的第j个节点的输出值，n表示输入层的节点数其值为3，xi表示输入层第i节点的输入值，wij表示输入层第i节点与隐含层第j节点之间的权重值；
输出层的输出，BP神经网络训练的过程中，输出层的输出数据的计算公式为，
其中，ok表示输出层的输出数据，l表示隐含层的节点数为3，wjk表示隐含层第j节点与输出层第k节点之间的权重值；
误差计算，在BP神经网络训练的过程中误差的计算公式为，
其中，YK为期望值，记Yk-Ok＝ek，输出层误差E表示为，
以上公式中，i＝1,2,.....n,j＝1,2,.....l,k＝1,2,.......m.
权值的更新，在BP神经网络训练过程中的反向传播采用梯度下降算法，权值更新分为两部分，第一部分为隐含层到输出层的权值更新，第二部分为输入层到隐含层的权值更新，其隐含层到输出层权值更新的公式为，
其中，ek为隐含层到输出层的误差，Hj表示的是隐含层的第j个节点的输出值，Yk为期望值、ok为输出层的输出值；
输入层到隐含层的权值的更新公式为，
偏值的更新，隐含层到输出层偏值的更新公式为，
输入层到隐含层的偏值更新公式为，
判断算法迭代结束。
优选地，所述S20包括以下步骤：
S21，先将往年和当年院校的ID和专业ID设置为一致，利用百度云的人工智能语义匹配算法，将往年的录取情况表和当年的招生计划表进行院校专业名称的匹配，院校名称匹配成功便将当年的院校ID设置成往年的院校ID，再进行专业名称匹配，专业名称匹配成功便将专业ID设置成往年的专业ID；
S22，当年的招生计划表中院校的ID、专业ID，和专业招生计划招生人数作为输入数据，得出预测结果，然后把预测结果存入到招生计划数据库。
优选地，所述S30包括以下步骤：
S31，获取考生报考院校的历年的数据，计算该校历年录取分数线的均值与方差；
S32，获取考生的成绩，再根据S31计算出的均值与方差确定院校的分布公式；
S33，把考生的成绩带入到正态分布公式得出结果值Z，根据结果值查询数据库里的正态分布表预测考生被所填报院校专业的录取概率。
优选地，所述S31中计算方法如下，往年的院校的平均成绩为xi(i＝1,2,3......n)、院校历年的专业平均成绩为μ、获取数据的年数n，其某院校某专业的历年的均值计算公式为，
方差的计算公式为，
其中σ为标准差。
优选地，所述S32中分布为正态分布，正态分布记为N(μ,σ2)，公式如下，
其中，院校历年的专业平均成绩为μ，σ为标准差。
优选地，所述S33预测考生被所填报院校专业的录取概率为，把正态分布表以Z-P的形式存入到数据库，其中Z为计算出的结果值，P为Z在正态分布表中对应的概率值。
优选地，所述S40包括以下步骤：
S41，把用户的高考分数位次与S10中存储的招生计划数据库做位次差计算，其院校专业位次减去用户高考成绩位次得出的结果diff绝对值大于等于10，即把此院校专业淘汰，公式如下，
diff＝p_rank-s_rank
其中，p_rank为预测的院校专业位次、s_rank为用户的考试成绩位次；
S42，淘汰后剩余的院校随机产生质心；
S43，利用余弦相似性计算剩余的每一所院校与质心院校的相似性，若院校与质心院校相似性较高，此院校加入到这一类，若院校与任何质心院校都不相似，将此院校作为质心，产生新的一类；
S44，计算用户偏好与每类院校的相似性，用户偏好与每类院校的质心做相似性计算，其运算方法与S43方法一样，做余弦相似性计算；
S45，把相似性最高的一类院校推荐给用户。
优选地，所述S43中余弦相似性的公式为：
其中，A代表所要分类的院校，Ai代表院校的分量，B代表质心院校，Bi代表质心院校的分量，i＝1,2....,n。
本发明的有益效果如下：
基于人工智能的数据分析与挖掘技术的高考志愿智能填报预测推荐算法能够更好的解决依靠人工的志愿填报而出现的一系列问题。现有技术中有些高考志愿填报的算法，但大多是基于简单的数学原理，并没有深入到人工智能层面。本发明主要分为两大部：预测和推荐。预测运用了人工智能领域的BP神经网络和常规的预测方法，正态分布；推荐主要运用了基于用户的协同推荐，为了提高推荐的高效性在推荐之前引入K-means聚类。本发明的BP神经网络模型在预测之前进行了大量的数据训练，不仅提高了预测结果的精确度，使学生对自己的考试成绩有一个较为明确的定位，提高自己报考志愿的录取率，且对于后续的志愿推荐能够提供一个更加可靠的依据，让考生更加快速方便找到一个不仅适合自己的学校和专业。
附图说明
图1为本发明方法实施例的高考志愿智能填报预测推荐的方法的步骤流程图；
图2为本发明的实施例S20中的BP神经预测流程示意图；
图3为本发明的实施例S30的步骤流程图；
图4为本发明的实施例S40的步骤流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
本发明主要有分为三大部分，第一部分是利用人工智能领域的BP神经网络来预测院校专业录取的位次，图2为本发明BP神经预测的流程示意图；第二部分利用正态分布预测考生被所报考的院校录取的概率，图3为该S30步骤对应流程图；第三部分利用基于用户的协同推荐给用户推荐院校专业，为了提高推荐算法的效率，本发明引入了K-means聚类技术，图4为对应步骤S40的流程图。本发明实施例的高考志愿智能填报预测推荐的方法，包括以下步骤：
S10，获取往年某地区各批次院校专业的录取情况表、当年的招生计划表，利用BP神经网络训练数据；
S20，利用训练好的BP神经网络模型对所有院校专业进行位次预测；
S30，获取考生的考试成绩和考生填报的院校和专业，计算考生被此院校录取的概率；
S40，根据考生的成绩位次淘汰一部分院校，然后利用K-means聚类对院校分类，基于用户偏好的协同推荐把与用户相似度最高的一类院校推荐给用户。
具体实施例中，S10包括以下步骤：
S11，获取往年的某地区，各批次院校专业的录取情况、当年的招生计划表，并进行数据的清洗与整理；
S12，网络初始化，把往年某地区各批次某院校的ID、专业的ID、专业的录取人数作为输入数据，输出数据为往年某院校专业的录取位次，其隐含层为一层，隐含层的节点数为3，输入节点数为3个，输出节点数为1个，其输入层到隐含层权值wij的初始值为0-1的随机数，输入层到隐含层的偏值为aj，隐含层到输出层的偏值为bk，激励函数g(x)运用的sigmoid的函数，由下式获得，
其中，隐含层的输出，BP神经网络训练的过程中，隐含层的输出数据的计算公式为，
其中，Hj表示隐含层的第j个节点的输出值，n表示输入层的节点数其值为3，xi表示输入层第i节点的输入值，wij表示输入层第i节点与隐含层第j节点之间的权重值；
输出层的输出，BP神经网络训练的过程中，输出层的输出数据的计算公式为，
其中，ok表示输出层的输出数据，l表示隐含层的节点数为3，wjk表示隐含层第j节点与输出层第k节点之间的权重值；
误差计算，在BP神经网络训练的过程中误差的计算公式为，
其中，YK为期望值，记Yk-Ok＝ek，输出层误差E表示为，
以上公式中，i＝1,2,.....n,j＝1,2,.....l,k＝1,2,.......m.
权值的更新，在BP神经网络训练过程中的反向传播采用梯度下降算法，权值更新分为两部分，第一部分为隐含层到输出层的权值更新，第二部分为输入层到隐含层的权值更新，其隐含层到输出层权值更新的公式为，
其中，ek为隐含层到输出层的误差，Hj表示的是隐含层的第j个节点的输出值，Yk为期望值、ok为输出层的输出值；
输入层到隐含层的权值的更新公式为，
偏值的更新，隐含层到输出层偏值的更新公式为，
输入层到隐含层的偏值更新公式为，
判断算法迭代结束。
S20包括以下步骤：
S21，先将往年和当年院校的ID和专业ID设置为一致，利用百度云的人工智能语义匹配算法，将往年的录取情况表和当年的招生计划表进行院校专业名称的匹配，院校名称匹配成功便将当年的院校ID设置成往年的院校ID，再进行专业名称匹配，专业名称匹配成功便将专业ID设置成往年的专业ID；
S22，当年的招生计划表中院校的ID、专业ID，和专业招生计划招生人数作为输入数据，得出预测结果，然后把预测结果存入到招生计划数据库。
参见图3，S30包括以下步骤：
S31，获取考生报考院校的历年的数据，计算该校历年录取分数线的均值与方差；
S32，获取考生的成绩，再根据S31计算出的均值与方差确定院校的分布公式；
S33，把考生的成绩带入到正态分布公式得出结果值Z，根据结果值查询数据库里的正态分布表预测考生被所填报院校专业的录取概率。
S31中计算方法如下，往年的院校的平均成绩为xi(i＝1,2,3......n)、院校历年的专业平均成绩为μ、获取数据的年数n，其某院校某专业的历年的均值计算公式为，
方差的计算公式为，
其中σ为标准差。
S32中分布为正态分布，正态分布记为N(μ,σ2)，公式如下，
其中，院校历年的专业平均成绩为μ，σ为标准差。
S33预测考生被所填报院校专业的录取概率为，把正态分布表以Z-P的形式存入到数据库，其中Z为计算出的结果值，P为Z在正态分布表中对应的概率值。
参见图4，S40包括以下步骤：
S41，把用户的高考分数位次与S10中存储的招生计划数据库做位次差计算，其院校专业位次减去用户高考成绩位次得出的结果diff绝对值大于等于10，即把此院校专业淘汰，公式如下，
diff＝p_rank-s_rank
其中，p_rank为预测的院校专业位次、s_rank为用户的考试成绩位次；
S42，淘汰后剩余的院校随机产生质心；
S43，利用余弦相似性计算剩余的每一所院校与质心院校的相似性，若院校与质心院校相似性较高，此院校加入到这一类，若院校与任何质心院校都不相似，将此院校作为质心，产生新的一类；
S44，计算用户偏好与每类院校的相似性，用户偏好与每类院校的质心做相似性计算，其运算方法与S43方法一样，做余弦相似性计算；
S45，把相似性最高的一类院校推荐给用户。
S43中余弦相似性的公式为：
其中，A代表所要分类的院校，Ai代表院校的分量，B代表质心院校，Bi代表质心院校的分量，i＝1,2....,n。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种高考志愿智能填报预测推荐的方法，其特征在于，包括以下步骤：
S10，获取往年某地区各批次院校专业的录取情况表、当年的招生计划表，利用BP神经网络训练数据；
S20，利用训练好的BP神经网络模型对所有院校专业进行位次预测；
S30，获取考生的考试成绩和考生填报的院校和专业，计算考生被此院校录取的概率；
S40，根据考生的成绩位次淘汰一部分院校，然后利用K-means聚类对院校分类，基于用户偏好的协同推荐把与用户相似度最高的一类院校推荐给用户。
2.根据权利要求1所述的方法，其特征在于，所述S10包括以下步骤：
S11，获取往年的某地区，各批次院校专业的录取情况、当年的招生计划表，并进行数据的清洗与整理；
S12，网络初始化，把往年某地区各批次某院校的ID、专业的ID、专业的录取人数作为输入数据，输出数据为往年某院校专业的录取位次，其隐含层为一层，隐含层的节点数为3，输入节点数为3个，输出节点数为1个，其输入层到隐含层权值wij的初始值为0-1的随机数，输入层到隐含层的偏值为aj，隐含层到输出层的偏值为bk，激励函数g(x)运用的sigmoid的函数，由下式获得，
其中，隐含层的输出，BP神经网络训练的过程中，隐含层的输出数据的计算公式为，
其中，Hj表示隐含层的第j个节点的输出值，n表示输入层的节点数其值为3，xi表示输入层第i节点的输入值，wij表示输入层第i节点与隐含层第j节点之间的权重值；
输出层的输出，BP神经网络训练的过程中，输出层的输出数据的计算公式为，
其中，ok表示输出层的输出数据，l表示隐含层的节点数为3，wjk表示隐含层第j节点与输出层第k节点之间的权重值；
误差计算，在BP神经网络训练的过程中误差的计算公式为，
其中，YK为期望值，记Yk-Ok＝ek，输出层误差E表示为，
以上公式中，i＝1,2,.....n,j＝1,2,.....l,k＝1,2,.......m.
权值的更新，在BP神经网络训练过程中的反向传播采用梯度下降算法，权值更新分为两部分，第一部分为隐含层到输出层的权值更新，第二部分为输入层到隐含层的权值更新，其隐含层到输出层权值更新的公式为，
其中，ek为隐含层到输出层的误差，Hj表示的是隐含层的第j个节点的输出值，Yk为期望值、ok为输出层的输出值；
输入层到隐含层的权值的更新公式为，
偏值的更新，隐含层到输出层偏值的更新公式为，
输入层到隐含层的偏值更新公式为，
判断算法迭代结束。
3.根据权利要求1所述的方法，其特征在于，所述S20包括以下步骤：
S21，先将往年和当年院校的ID和专业ID设置为一致，利用百度云的人工智能语义匹配算法，将往年的录取情况表和当年的招生计划表进行院校专业名称的匹配，院校名称匹配成功便将当年的院校ID设置成往年的院校ID，再进行专业名称匹配，专业名称匹配成功便将专业ID设置成往年的专业ID；
S22，当年的招生计划表中院校的ID、专业ID，和专业招生计划招生人数作为输入数据，得出预测结果，然后把预测结果存入到招生计划数据库。
4.根据权利要求1所述的方法，其特征在于，所述S30包括以下步骤：
S31，获取考生报考院校的历年的数据，计算该校历年录取分数线的均值与方差；
S32，获取考生的成绩，再根据S31计算出的均值与方差确定院校的分布公式；
S33，把考生的成绩带入到正态分布公式得出结果值Z，根据结果值查询数据库里的正态分布表预测考生被所填报院校专业的录取概率。
5.根据权利要求4所述的方法，其特征在于，所述S31中计算方法如下，往年的院校的平均成绩为xi(i＝1,2,3......n)、院校历年的专业平均成绩为μ、获取数据的年数n，其某院校某专业的历年的均值计算公式为，
方差的计算公式为，
其中σ为标准差。
6.根据权利要求4所述的方法，其特征在于，所述S32中分布为正态分布，正态分布记为N(μ,σ2)，公式如下，
其中，院校历年的专业平均成绩为μ，σ为标准差。
7.根据权利要求4所述的方法，其特征在于，所述S33预测考生被所填报院校专业的录取概率为，把正态分布表以Z-P的形式存入到数据库，其中Z为计算出的结果值，P为Z在正态分布表中对应的概率值。
8.根据权利要求1所述的方法，其特征在于，所述S40包括以下步骤：
S41，把用户的高考分数位次与S10中存储的招生计划数据库做位次差计算，其院校专业位次减去用户高考成绩位次得出的结果diff绝对值大于等于10，即把此院校专业淘汰，公式如下，
diff＝p_rank-s_rank
其中，p_rank为预测的院校专业位次、s_rank为用户的考试成绩位次；
S42，淘汰后剩余的院校随机产生质心；
S43，利用余弦相似性计算剩余的每一所院校与质心院校的相似性，若院校与质心院校相似性较高，此院校加入到这一类，若院校与任何质心院校都不相似，将此院校作为质心，产生新的一类；
S44，计算用户偏好与每类院校的相似性，用户偏好与每类院校的质心做相似性计算，其运算方法与S43方法一样，做余弦相似性计算；
S45，把相似性最高的一类院校推荐给用户。
9.根据权利要求8所述的方法，其特征在于，所述S43中余弦相似性的公式为：
其中，A代表所要分类的院校，Ai代表院校的分量，B代表质心院校，Bi代表质心院校的分量，i＝1,2....,n。
CN201910476503.9A 2019-06-03 2019-06-03 一种高考志愿智能填报预测推荐的方法 Pending CN110188958A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910476503.9A CN110188958A (zh) 2019-06-03 2019-06-03 一种高考志愿智能填报预测推荐的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910476503.9A CN110188958A (zh) 2019-06-03 2019-06-03 一种高考志愿智能填报预测推荐的方法

Publications (1)

Publication Number Publication Date
CN110188958A true CN110188958A (zh) 2019-08-30

Family

ID=67719846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910476503.9A Pending CN110188958A (zh) 2019-06-03 2019-06-03 一种高考志愿智能填报预测推荐的方法

Country Status (1)

Country Link
CN (1) CN110188958A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751408A (zh) * 2019-10-28 2020-02-04 清华大学 一种新型交互式多维大学排名方法及系统
CN111861038A (zh) * 2020-07-31 2020-10-30 浙江萃文科技有限公司 一种基于机器学习算法的高考分数预测方法及系统
CN113901287A (zh) * 2021-09-24 2022-01-07 量子决策教育信息科技(哈尔滨)有限公司 一种高考志愿填报系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101685458A (zh) * 2008-09-27 2010-03-31 华为技术有限公司 一种基于协同过滤的推荐方法和系统
CN103823896A (zh) * 2014-03-13 2014-05-28 蚌埠医学院 一种学科特征值算法及基于其的项目评审专家推荐算法
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
CN105913350A (zh) * 2016-03-31 2016-08-31 成都文儒德教育科技有限公司 一种基于位点法的高考志愿填报决策方法及系统
CN105956968A (zh) * 2016-05-26 2016-09-21 程欧亚 一种高考志愿人工智能填报系统及方法
CN107403397A (zh) * 2017-05-18 2017-11-28 杭州圆橙科技有限公司 一种基于群智计算的高考志愿填报分析系统
CN108629713A (zh) * 2018-05-04 2018-10-09 上饶市普适科技有限公司 一种人工智能制定高考志愿填报方案的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101685458A (zh) * 2008-09-27 2010-03-31 华为技术有限公司 一种基于协同过滤的推荐方法和系统
CN103823896A (zh) * 2014-03-13 2014-05-28 蚌埠医学院 一种学科特征值算法及基于其的项目评审专家推荐算法
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
CN105913350A (zh) * 2016-03-31 2016-08-31 成都文儒德教育科技有限公司 一种基于位点法的高考志愿填报决策方法及系统
CN105956968A (zh) * 2016-05-26 2016-09-21 程欧亚 一种高考志愿人工智能填报系统及方法
CN107403397A (zh) * 2017-05-18 2017-11-28 杭州圆橙科技有限公司 一种基于群智计算的高考志愿填报分析系统
CN108629713A (zh) * 2018-05-04 2018-10-09 上饶市普适科技有限公司 一种人工智能制定高考志愿填报方案的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
崔彦晓: "高考志愿的个性化推荐方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
计明军 等: "《高等学校物流工程与物流管理专业系列规划教材 预测与决策方法》", 30 August 2018, 大连：大连海事大学出版社 *
银虹宇: "基于大数据的高考志愿推荐系统的设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
陈小娟: "《高校本科专业设置预测模型构建》", 30 April 2015, 广州：广东高等教育出版社 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751408A (zh) * 2019-10-28 2020-02-04 清华大学 一种新型交互式多维大学排名方法及系统
CN110751408B (zh) * 2019-10-28 2022-03-08 清华大学 一种新型交互式多维大学排名方法及系统
CN111861038A (zh) * 2020-07-31 2020-10-30 浙江萃文科技有限公司 一种基于机器学习算法的高考分数预测方法及系统
CN113901287A (zh) * 2021-09-24 2022-01-07 量子决策教育信息科技(哈尔滨)有限公司 一种高考志愿填报系统

Similar Documents

Publication Publication Date Title
CN108920544A (zh) 一种基于知识图谱的个性化职位推荐方法
CN108229718A (zh) 一种信息预测方法及装置
CN110188958A (zh) 一种高考志愿智能填报预测推荐的方法
US20060069576A1 (en) Method and system for identifying candidate colleges for prospective college students
CN111078873B (zh) 一种基于引文网络与科研合作网络的领域专家遴选方法
CN107357763B (zh) 一种基于自步学习的众包分类数据质量控制方法
CN112700688A (zh) 一种智能课堂教学辅助系统
Fuge et al. Automatically inferring metrics for design creativity
KR20190098376A (ko) 대학입시 합격 예측 방법
CN114201684A (zh) 一种基于知识图谱的自适应学习资源推荐方法及系统
CN116244512B (zh) 一种基于图结构数据的军事体能训练智能推荐方法
CN111415099A (zh) 一种基于多分类BP-Adaboost的贫困生认定方法
CN109636337A (zh) 一种基于大数据的人才库构建方法及电子设备
Pumpuang et al. Comparisons of classifier algorithms: Bayesian network, C4. 5, decision forest and NBTree for Course Registration Planning model of undergraduate students
CN108062366A (zh) 公共文化信息推荐系统
CN111078859B (zh) 一种基于引用次数的作者推荐方法
Rusydiyah et al. Clustering of learning media user data during Covid-19 Pandemic using K-Means method based on multicultural culture in Indonesia
CN113361928B (zh) 一种基于异构图注意力网络的众包任务推荐方法
CN110990662B (zh) 一种基于引文网络与科研合作网络的领域专家遴选方法
CN112836137A (zh) 人物网络支持度计算系统及方法、终端、设备、存储介质
Lan et al. [Retracted] Evaluation System of Music Art Instructional Quality Based on Convolutional Neural Networks and Big Data Analysis
Algur et al. Educational data mining: RT and RF classification models for higher education professional courses
KR102481664B1 (ko) 대학입시 합격가능성 예측 시스템 및 서비스 방법
CN115775140A (zh) 一种城市人才规划与人力资源智能调配系统及方法
CN113901287A (zh) 一种高考志愿填报系统

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: 20190830

RJ01 Rejection of invention patent application after publication