CN111047201A - 一种基于深度学习的宿舍分配方法及装置 - Google Patents
一种基于深度学习的宿舍分配方法及装置 Download PDFInfo
- Publication number
- CN111047201A CN111047201A CN201911296318.8A CN201911296318A CN111047201A CN 111047201 A CN111047201 A CN 111047201A CN 201911296318 A CN201911296318 A CN 201911296318A CN 111047201 A CN111047201 A CN 111047201A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- feature vector
- dormitory
- similarity
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 86
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 9
- 238000012216 screening Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006854 communication Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003923 mental ability Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于深度学习的宿舍分配方法及装置。通过获取第一用户的标签信息，根据所述第一用户的所述标签信息构建第一用户的特征向量，其中，所述第一用户的标签信息是在第一周期内的源数据信息；获取第二用户的标签信息，根据所述第二用户的所述标签信息构建第二用户的特征向量，其中，所述第二用户的标签信息是在第一周期内形成的源数据信息；根据所述第一用户的特征向量和所述第二用户的特征向量计算所述第一用户和所述第二用户的相似度，在相似度达到到预设的阈值时，将所述第一用户和第二用户分配到第一宿舍；反之，将所述第二用户分配到第二宿舍。
Description
技术领域
本发明涉及在校大学生智能分配宿舍房间的技术领域，具体设计一种基于深度学习的宿舍分配方法及装置。
背景技术
目前，高校为学生分配宿舍时，普遍使用预分配的方式，即直接按照被录取的学生名单及院系专业，预先分配好宿舍。在学生入学时，直接按照预先分配的宿舍入住。然而，宿舍是大学生最直接参与的人际交往的舞台，在这个舞台上的表现衡量着大学生人际交往、心理健康和为人处世的能力，因此需要慎重。当前的宿舍分配管理方式并未考虑学生在生活习惯、性格等方面的差异，存在不同学生可能因为这些差异而可能产生矛盾的隐患。因此，相关技术中急需一种较为合理、人性化的学生宿舍分配技术手段。
专利文献CN 107895223 A公开了基于大数据的学生宿舍分配方法及系统，该方法包括：获取多个学生的不同预设特征信息，将所述不同预设特征信息分别进行量化处理形成特征参数，根据所述相似度矩阵为每个学生分配与其最相似的若干个学生为同一宿舍。该发明可以较为高效准确地根据生活和学习习惯的相似性为学生分配宿舍，避免随机安排而导致的差异化过大现象，积极消除制造寝室矛盾的不利因素，更加人性化。
但是，该发明中获取多个学生的特征信息只是通过学生入校之前的数据，而这些数据是片面、不准确的。当代大学生由于录取的生源地不同、录取标准线不同，因而造成了不同生源地的学生其学习方式和兴趣爱好的培养方式不尽相同，而大学生活非常多元化，有很多学生在入学第一年会选修不同的课程、参见多种社团活动、其兴趣的参考标准不能完全按照上大学之前的模式来规范，因此，每个学生在上大学之后的学习和生活信息才是更有参考价值的。
发明内容
本发明的目的是利用大学生入学后产生的学习及生活数据，建立更科学、快速、准确、全面的分配宿舍的方法和系统。
本发明的目的可以通过以下技术方案来实现：
一种基于深度学习的宿舍分配方法，所述方法包括以下步骤：
获取第一用户的标签信息，根据所述第一用户的所述标签信息构建第一用户的特征向量，其中，所述第一用户的标签信息是在第一周期内的源数据信息；
获取第二用户的标签信息，根据所述第二用户的所述标签信息构建第二用户的特征向量，其中，所述第二用户的标签信息是在第一周期内形成的源数据信息；
根据所述第一用户的特征向量和所述第二用户的特征向量计算所述第一用户和所述第二用户的相似度，在相似度达到到预设的阈值时，将所述第一用户和第二用户分配到第一宿舍；
反之，将所述第二用户分配到第二宿舍。
所述第一用户的标签信息是所述第一用户在所述第一周期内形成的的标签信息为考勤信息、作业成绩信息、考试信息、图书馆借阅信息、兴趣爱好信息、参与社团信息、性格测试信息、心理评估信息的一项或多项；所述第二用户的标签信息是所述第二用户在所述第一周期内形成的标签信息为考勤信息、作业成绩信息、考试信息、图书馆借阅信息、兴趣爱好信息、参与社团信息、性格测试信息、心理评估信息的一项或多项。所述第一周期为第一用户和/或第二用户入学一年。
不仅如此，在计算所述第一用户的特征向量和所述第二用户的特征向量的相似度时，所述第一用户的特征向量作为一个N维的向量，每个特征项的权重是所述特征向量的一个维度，计算出的两个向量间的距离，即用于计算第一用户和第二用户的相似度。
并且，构建所述第一用户的特征向量和所述第二用户的特征向量相似度计算公式：
。
一种基于深度学习的宿舍分配装置，所述装置包括以下模块：第一用户标签模块、第二用户标签模块、相似度计算模块、宿舍分配模块；其中，
第一用户标签模块，用于获取第一用户的标签信息，根据所述第一用户的所述标签信息构建第一用户的特征向量，其中，所述第一用户的标签信息是在第一周期内的源数据信息；
第二用户标签模块，根据所述第二用户的所述标签信息构建第二用户的特征向量，其中，所述第二用户的标签信息是在第一周期内形成的源数据信息；
相似度计算模块，用于根据所述第一用户的特征向量和所述第二用户的特征向量计算所述第一用户和所述第二用户的相似度，
宿舍分配模块，用于在计算的所述第一用户的特征向量和所述第二用户的特征向量的相似度达到到预设的阈值时，将所述第一用户和第二用户分配到第一宿舍；反之，将所述第二用户分配到第二宿舍。
所述第一用户标签模块中的第一用户的标签信息是所述第一用户在所述第一周期内形成的的标签信息为考勤信息、作业成绩信息、考试信息、图书馆借阅信息、兴趣爱好信息、参与社团信息、性格测试信息、心理评估信息的一项或多项；所述第二用户标签模块中的所述第二用户的标签信息是所述第二用户在所述第一周期内形成的标签信息为考勤信息、作业成绩信息、考试信息、图书馆借阅信息、兴趣爱好信息、参与社团信息、性格测试信息、心理评估信息的一项或多项。所述第一周期为第一用户和/或第二用户入学一年。
不仅如此，在计算所述第一用户的特征向量和所述第二用户的特征向量的相似度时，所述第一用户的特征向量作为一个N维的向量，每个特征项的权重是所述特征向量的一个维度，通过欧氏距离计算出的两个向量间的距离，即用于计算第一用户和第二用户的相似度。
并且，构建所述第一用户的特征向量和所述第二用户的特征向量相似度计算公式：
。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在附图中：
图1示出了一种基于深度学习的宿舍分配方法的流程图；
图2示出了一种基于深度学习的宿舍分配装置的功能模块图。
实施例
以下描述中，为了说明而不是为了限定，提出了方法步骤中的示例和系统的模块，以便透彻理解本发明。然而，本领域技术人员应当清楚，在没有这些具体的细节的其它实施例中也可以实现本发明。
在大学校园的学习和生活中，大学生的兴趣在入学后有着一定的变化，几乎每一个学生在这段时期内内的兴趣爱好都会有所差异，例如某学生高中时喜欢看关于高考的新闻，但是进入大学后，该学生逐渐对专业领域的发展变化和就业形势感兴趣，而每一个学生都希望和兴趣爱好相同的同学成为舍友。而本申请综合考虑大学校园内各个影像大学生喜好的因素，并在此基础上利用大学生入学后产生的学习及生活数据，建立更科学、快速、准确、全面的分配宿舍的方法和系统。
本发明的目的可以通过以下技术方案来实现，如图1所示：
一种基于深度学习的宿舍分配方法，所述方法包括以下步骤：
获取第一用户的标签信息，根据所述第一用户的所述标签信息构建第一用户的特征向量，其中，所述第一用户的标签信息是在第一周期内的源数据信息；
获取第二用户的标签信息，根据所述第二用户的所述标签信息构建第二用户的特征向量，其中，所述第二用户的标签信息是在第一周期内形成的源数据信息；
根据所述第一用户的特征向量和所述第二用户的特征向量计算所述第一用户和所述第二用户的相似度，在相似度达到到预设的阈值时，将所述第一用户和第二用户分配到第一宿舍；
反之，将所述第二用户分配到第二宿舍。
所述第一用户的标签信息是所述第一用户在所述第一周期内形成的的标签信息为考勤信息、作业成绩信息、考试信息、图书馆借阅信息、兴趣爱好信息、参与社团信息、性格测试信息、心理评估信息的一项或多项；所述第二用户的标签信息是所述第二用户在所述第一周期内形成的标签信息为考勤信息、作业成绩信息、考试信息、图书馆借阅信息、兴趣爱好信息、参与社团信息、性格测试信息、心理评估信息的一项或多项。所述第一周期为第一用户和/或第二用户入学一年。
不仅如此，在计算所述第一用户的特征向量和所述第二用户的特征向量的相似度时，所述第一用户的特征向量作为一个N维的向量，每个特征项的权重是所述特征向量的一个维度，通过欧氏距离计算出的两个向量间的距离，即用于计算第一用户和第二用户的相似度。
具体地，在本实施例中，首先是第一用户标签信息评分矩阵的生成；
具体地，首先，获取第一用户数据并进行预处理，生成一个
维矩阵，该矩阵表示第一用户对标签信息的评分信息，即用户-标签信息评分矩阵
，行代表用户，列表示标签信息，其中，m 指用户个数，n 指产标签信息，评分值取值设定为0~5之间的整数值，0表示第一用户未参与该标签信息下进行相应的活动，而其他不同的整数值代表第一用户对标签信息不同的偏好，分值越大，表示用户越喜欢在该标签信息下进行相应的活动。
再次，为第一用户找出与所述第一用户相似的第二用户，通过计算所述第一用户和所述第二用户之间的相似度，一次获取第一用户的邻居集合，即第二用户，具体地，在本实施例中，计算用户间的相似性常用方法为通过对第一用户的特征向量进行相似性筛选，通过处理得到第一用户的近邻集合，通过公式（1）对所述第一用户的特征向量进行相似性筛选：
其中，矩阵中的元素
表示第一用户u 在标签信息i 上的评分值，
特征向量示用户m 在产品i 处的评分，
表示用户u 在用户u 和用户m 将由共同标签信息的活动下的平均评分，同理， 
则代表用户m 对用户u 和用户m 在共同活动中评论过该活动的平均评分。
表示用户u 和用户m 的相似度，其中，通过公式（2）对
进行相似度计算：
其中，
表示被用户u 和用户m 共同评论过的同一标签下的活动；
在通过第一用户的特征向量进行相似性筛选计算后，将排序前 K 位置的第二用户推荐给所述第一用户用户，进而使筛选过程和结果更符合第一用户的匹配度，在相似度达到到预设的阈值时，将所述第一用户和第二用户分配到第一宿舍进而通过合适的匹配度对合适的大学生分配宿舍。
本发明的目的可以通过以下技术方案来实现，如图2所示：
一种基于深度学习的宿舍分配装置，所述装置包括以下模块：第一用户标签模块、第二用户标签模块、相似度计算模块、宿舍分配模块；其中，
第一用户标签模块，用于获取第一用户的标签信息，根据所述第一用户的所述标签信息构建第一用户的特征向量，其中，所述第一用户的标签信息是在第一周期内的源数据信息；
第二用户标签模块，根据所述第二用户的所述标签信息构建第二用户的特征向量，其中，所述第二用户的标签信息是在第一周期内形成的源数据信息；
相似度计算模块，用于根据所述第一用户的特征向量和所述第二用户的特征向量计算所述第一用户和所述第二用户的相似度，
宿舍分配模块，用于在计算的所述第一用户的特征向量和所述第二用户的特征向量的相似度达到到预设的阈值时，将所述第一用户和第二用户分配到第一宿舍；反之，将所述第二用户分配到第二宿舍。
所述第一用户标签模块中的第一用户的标签信息是所述第一用户在所述第一周期内形成的的标签信息为考勤信息、作业成绩信息、考试信息、图书馆借阅信息、兴趣爱好信息、参与社团信息、性格测试信息、心理评估信息的一项或多项；所述第二用户标签模块中的所述第二用户的标签信息是所述第二用户在所述第一周期内形成的标签信息为考勤信息、作业成绩信息、考试信息、图书馆借阅信息、兴趣爱好信息、参与社团信息、性格测试信息、心理评估信息的一项或多项。所述第一周期为第一用户和/或第二用户入学一年。
不仅如此，在计算所述第一用户的特征向量和所述第二用户的特征向量的相似度时，所述第一用户的特征向量作为一个N维的向量，每个特征项的权重是所述特征向量的一个维度，计算出的两个向量间的距离，即用于计算第一用户和第二用户的相似度。
具体地，在本实施例中，首先是第一用户标签信息评分矩阵的生成；
首先，获取第一用户数据并进行预处理，生成一个
维矩阵，该矩阵表示第一用户对标签信息的评分信息，即用户-标签信息评分矩阵
，行代表用户，列表示标签信息，其中，m 指用户个数，n指的是标签信息，评分值取值设定为0~5之间的整数值，0表示第一用户未参与该标签信息下进行相应的活动，而其他不同的整数值代表第一用户对标签信息不同的偏好，分值越大，表示用户越喜欢在该标签信息下进行相应的活动。
再次，为第一用户找出与所述第一用户相似的第二用户，通过计算所述第一用户和所述第二用户之间的相似度，一次获取第一用户的邻居集合，即第二用户，具体地，在本实施例中，计算用户间的相似性常用方法为通过对第一用户的特征向量进行相似性筛选，通过处理得到第一用户的近邻集合，通过公式（1）对所述第一用户的特征向量进行相似性筛选：
其中，矩阵中的元素
表示第一用户u 在标签信息i 上的评分值，
特征向量示用户m 在产品i 处的评分，
表示用户u 在用户u 和用户m 将由共同标签信息的活动下的平均评分，同理， 
则代表用户m 对用户u 和用户m 在共同活动中评论过该活动的平均评分。
表示用户u 和用户m 的相似度，其中，通过公式（2）对
进行相似度计算：
其中，
表示被用户u 和用户m 共同评论过的同一标签下的活动；
在通过第一用户的特征向量进行相似性筛选计算后，将排序前 K 位置的第二用户推荐给所述第一用户用户，进而使筛选过程和结果更符合第一用户的匹配度，在相似度达到到预设的阈值时，将所述第一用户和第二用户分配到第一宿舍，进而通过合适的匹配度对合适的大学生分配宿舍。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域技术的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应该涵盖在本发明的保护范围之内，因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习的宿舍分配方法，其特征在于：所述方法包括以下步骤：
获取第一用户的标签信息，根据所述第一用户的所述标签信息构建第一用户的特征向量，其中，所述第一用户的标签信息是在第一周期内的源数据信息；
获取第二用户的标签信息，根据所述第二用户的所述标签信息构建第二用户的特征向量，其中，所述第二用户的标签信息是在第一周期内形成的源数据信息；
根据所述第一用户的特征向量和所述第二用户的特征向量计算所述第一用户和所述第二用户的相似度，在相似度达到到预设的阈值时，将所述第一用户和第二用户分配到第一宿舍；
反之，将所述第二用户分配到第二宿舍。
2.如权利要求1所述的基于深度学习的宿舍分配方法方法，其特征在于，所述第一用户的标签信息是所述第一用户在所述第一周期内形成的的标签信息为考勤信息、作业成绩信息、考试信息、图书馆借阅信息、兴趣爱好信息、参与社团信息、性格测试信息、心理评估信息的一项或多项；
所述第二用户的标签信息是所述第二用户在所述第一周期内形成的标签信息为考勤信息、作业成绩信息、考试信息、图书馆借阅信息、兴趣爱好信息、参与社团信息、性格测试信息、心理评估信息的一项或多项。
3.如权利要求2所述的基于深度学习的宿舍分配方法方法，其特征在于，所述第一周期为第一用户和/或第二用户入学一年。
4.如权利要求1所述的基于深度学习的宿舍分配方法方法，其特征在于，在计算所述第一用户的特征向量和所述第二用户的特征向量的相似度时，所述第一用户的特征向量作为一个N维的向量，每个特征项的权重是所述特征向量的一个维度，计算出的两个向量间的距离，即用于计算第一用户和第二用户的相似度。
5.如权利要求1所述的基于深度学习的宿舍分配方法方法，其特征在于，构建所述第一用户的特征向量和所述第二用户的特征向量相似度计算公式：
6.一种基于深度学习的宿舍分配装置，其特征在于：所述装置包括以下模块：第一用户标签模块、第二用户标签模块、相似度计算模块、宿舍分配模块；其中，
第一用户标签模块，用于获取第一用户的标签信息，根据所述第一用户的所述标签信息构建第一用户的特征向量，其中，所述第一用户的标签信息是在第一周期内的源数据信息；
第二用户标签模块，根据所述第二用户的所述标签信息构建第二用户的特征向量，其中，所述第二用户的标签信息是在第一周期内形成的源数据信息；
相似度计算模块，用于根据所述第一用户的特征向量和所述第二用户的特征向量计算所述第一用户和所述第二用户的相似度，
宿舍分配模块，用于在计算的所述第一用户的特征向量和所述第二用户的特征向量的相似度达到到预设的阈值时，将所述第一用户和第二用户分配到第一宿舍；反之，将所述第二用户分配到第二宿舍。
7.如权利要求6所述的基于深度学习的宿舍分配方法方法，其特征在于，所述第一用户标签模块中的第一用户的标签信息是所述第一用户在所述第一周期内形成的的标签信息为考勤信息、作业成绩信息、考试信息、图书馆借阅信息、兴趣爱好信息、参与社团信息、性格测试信息、心理评估信息的一项或多项；
所述第二用户标签模块中的所述第二用户的标签信息是所述第二用户在所述第一周期内形成的标签信息为考勤信息、作业成绩信息、考试信息、图书馆借阅信息、兴趣爱好信息、参与社团信息、性格测试信息、心理评估信息的一项或多项。
8.如权利要求7所述的基于深度学习的宿舍分配方法方法，其特征在于，所述第一周期为第一用户和/或第二用户入学一年。
9.如权利要求6所述的基于深度学习的宿舍分配方法方法，其特征在于，在计算所述第一用户的特征向量和所述第二用户的特征向量的相似度时，所述第一用户的特征向量作为一个N维的向量，每个特征项的权重是所述特征向量的一个维度，计算出的两个向量间的距离，即用于计算第一用户和第二用户的相似度。
10.权利要求6所述的基于深度学习的宿舍分配方法方法，其特征在于，构建所述第一用户的特征向量和所述第二用户的特征向量相似度计算公式：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911296318.8A CN111047201A (zh) | 2019-12-16 | 2019-12-16 | 一种基于深度学习的宿舍分配方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911296318.8A CN111047201A (zh) | 2019-12-16 | 2019-12-16 | 一种基于深度学习的宿舍分配方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111047201A true CN111047201A (zh) | 2020-04-21 |
Family
ID=70236810
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911296318.8A Pending CN111047201A (zh) | 2019-12-16 | 2019-12-16 | 一种基于深度学习的宿舍分配方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111047201A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112085262A (zh) * | 2020-08-24 | 2020-12-15 | 辽宁石油化工大学 | 一种基于机器学习算法的大学生寝室调配方法 |
| CN113450124A (zh) * | 2021-06-24 | 2021-09-28 | 未鲲(上海)科技服务有限公司 | 基于用户行为的外呼方法、装置、电子设备及介质 |
| CN113988496A (zh) * | 2021-06-17 | 2022-01-28 | 南京金盾公共安全技术研究院有限公司 | 智能监室分配方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101318562B1 (ko) * | 2012-06-15 | 2013-10-16 | 김근진 | 진학 정보 제공 시스템, 제공 방법 및 그 방법을 위한 기록매체 |
| CN106803215A (zh) * | 2016-12-31 | 2017-06-06 | 佛山市幻云科技有限公司 | 宿舍分配方法与系统 |
| CN106952197A (zh) * | 2017-03-03 | 2017-07-14 | 安徽大智睿科技技术有限公司 | 一种基于入学率进行预分配的自选宿舍方法及系统 |
| CN107025463A (zh) * | 2017-04-10 | 2017-08-08 | 刘欣语 | 基于合并分组算法的寝室分组装置及方法 |
| CN107895223A (zh) * | 2017-10-30 | 2018-04-10 | 广州市勤思网络科技有限公司 | 基于大数据的学生宿舍分配方法及系统 |
| CN109118068A (zh) * | 2018-07-27 | 2019-01-01 | 齐鲁工业大学 | 一种宿舍智能分配方法及系统 |
| CN110111221A (zh) * | 2019-04-30 | 2019-08-09 | 刘柏佟 | 一种智能舍友匹配方法及系统 |
-
2019
- 2019-12-16 CN CN201911296318.8A patent/CN111047201A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101318562B1 (ko) * | 2012-06-15 | 2013-10-16 | 김근진 | 진학 정보 제공 시스템, 제공 방법 및 그 방법을 위한 기록매체 |
| CN106803215A (zh) * | 2016-12-31 | 2017-06-06 | 佛山市幻云科技有限公司 | 宿舍分配方法与系统 |
| CN106952197A (zh) * | 2017-03-03 | 2017-07-14 | 安徽大智睿科技技术有限公司 | 一种基于入学率进行预分配的自选宿舍方法及系统 |
| CN107025463A (zh) * | 2017-04-10 | 2017-08-08 | 刘欣语 | 基于合并分组算法的寝室分组装置及方法 |
| CN107895223A (zh) * | 2017-10-30 | 2018-04-10 | 广州市勤思网络科技有限公司 | 基于大数据的学生宿舍分配方法及系统 |
| CN109118068A (zh) * | 2018-07-27 | 2019-01-01 | 齐鲁工业大学 | 一种宿舍智能分配方法及系统 |
| CN110111221A (zh) * | 2019-04-30 | 2019-08-09 | 刘柏佟 | 一种智能舍友匹配方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 张晓滨;杨东山;朱保华;: "基于多特征相似的用户兴趣推荐" * |
| 王巧巧;韦澍;: "基于贪心算法的学生宿舍分配系统设计与实现" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112085262A (zh) * | 2020-08-24 | 2020-12-15 | 辽宁石油化工大学 | 一种基于机器学习算法的大学生寝室调配方法 |
| CN112085262B (zh) * | 2020-08-24 | 2023-12-26 | 辽宁石油化工大学 | 一种基于机器学习算法的大学生寝室调配方法 |
| CN113988496A (zh) * | 2021-06-17 | 2022-01-28 | 南京金盾公共安全技术研究院有限公司 | 智能监室分配方法及系统 |
| CN113450124A (zh) * | 2021-06-24 | 2021-09-28 | 未鲲(上海)科技服务有限公司 | 基于用户行为的外呼方法、装置、电子设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Robertson et al. | Who uses fact-checking sites? The impact of demographics, political antecedents, and media use on fact-checking site awareness, attitudes, and behavior | |
| Keyton et al. | Redefining cohesiveness in groups | |
| Garvey | Considerations for queer as a sexual identity classification in education survey research | |
| CN111047201A (zh) | 一种基于深度学习的宿舍分配方法及装置 | |
| Zhang et al. | Modularity in complex multilayer networks with multiple aspects: a static perspective | |
| Campbell et al. | Measuring the diverging components of race: An introduction | |
| Harker et al. | Exploring the decision process of school leavers' and'mature students' in university choice | |
| Schudde et al. | Educational attainment and nonwage labor market returns in the United States | |
| EP3014554A1 (en) | Dynamic research panel | |
| Huang | Learning environments at higher education institutions: Relationships with academic aspirations and satisfaction | |
| US20170365023A1 (en) | Computer-implemented methods, systems, and computer-readable media for identifying opportunities and/or complimentary personal traits based on identified personal traits | |
| CN110503269A (zh) | 走班教学下的分班排课方法及装置 | |
| Ell et al. | Unsupervised category learning with integral-dimension stimuli | |
| Acharya et al. | A “mixed” strategy for collaborative group formation and its learning outcomes | |
| Te’eni-Harari | Clarifying the relationship between involvement variables and advertising effectiveness among young people | |
| Iankilevitch et al. | How do multiracial and monoracial people categorize multiracial faces? | |
| Twyman et al. | Design principles for signal detection in modern job application systems: Identifying fabricated qualifications | |
| Lay et al. | Partisanship on the playground: Expressive party politics among children | |
| Kim et al. | A cross-cultural study on the vocational identity of American and Korean university students | |
| Yi et al. | What drives the acceptance of AI technology?: the role of expectations and experiences | |
| CN110737771B (zh) | 一种基于大数据的题目分配方法及其装置 | |
| Wicks et al. | Modeling political consumerism among young consumers: An ecological systems approach | |
| Abdullah et al. | Determinant Factors of UiTM Graduates’ Performance | |
| Randle et al. | Understanding the Australian environmental volunteering market: A basis for behavioural change and a sustainable future | |
| Lefringhausen et al. | Validation of the Revised Multicultural Ideology Scale (MCI-r) in the UK |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200421 |