CN111091481A - 报名信息验证方法、装置、存储介质及电子设备 - Google Patents

报名信息验证方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN111091481A
CN111091481A CN201911168607.XA CN201911168607A CN111091481A CN 111091481 A CN111091481 A CN 111091481A CN 201911168607 A CN201911168607 A CN 201911168607A CN 111091481 A CN111091481 A CN 111091481A
Authority
CN
China
Prior art keywords
information
examination
entry
training
subject
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
Application number
CN201911168607.XA
Other languages
English (en)
Other versions
CN111091481B (zh
Inventor
董永辉
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.)
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun 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 Gree Electric Appliances Inc of Zhuhai, Zhuhai Lianyun Technology Co Ltd filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN201911168607.XA priority Critical patent/CN111091481B/zh
Publication of CN111091481A publication Critical patent/CN111091481A/zh
Application granted granted Critical
Publication of CN111091481B publication Critical patent/CN111091481B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q50/2057—Career enhancement or continuing education service
    • 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"
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及互联网考试领域，具体涉及一种报名信息验证方法、装置、存储介质及电子设备，方法包括：获得报名信息，查找与所述报名信息对应的历史考试数据和培训信息，以及查找预设时长内与所述报名信息中的考生信息对应的表现信息，并根据所述表现信息、历史考试数据以及培训信息对所述报考科目信息所属科目的考试结果进行预测，以得到考试预测结果，并根据所述考试预测结果判断所述报名信息是否允许验证通过，以达到为考试节约成本和节约资源的目的，并有效缓解了现有技术中存在的部分参考人员屡次参加考试却难以通过而存在的浪费资源，也会消耗巨大的人力、物力和财力的问题。

Description

报名信息验证方法、装置、存储介质及电子设备
技术领域
本申请涉及互联网考试领域，具体而言，涉及一种报名信息验证方法、装置、存储介质及电子设备。
背景技术
目前，在考试培训等管理系统中，不论什么类型的考试，一般是采用先在管理系统中报名、后参加考试的方式，对于参与报名、考试除了逻辑上的限制外，没有其他特殊分析。
经发明人研究发现，目前，存在一些工作性质的考生需要频繁参加该工作性质对应的考试，以提高考生掌握知识的准确定，此外，随着国际性的考证、行业内考证、企业内考证等等被推广开来，作为对技术性人才专项技能考核和评定的标准，但是在报名考试时，通常会存在一些且屡屡不通过的参考人员，这些参考人员屡次参加考试却难以通过，这不仅浪费资源，也会消耗巨大的人力、物力和财力，因此，提供一种报名信息验证方法，以达到为考试节约成本、节约资源的目的。
发明内容
针对上述问题，本申请提供了一种报名信息验证方法、装置、存储介质及电子设备，以为考试节约成本和节约资源。
第一方面，本申请提供了一种报名信息验证方法，包括：
获得报名信息，其中，所述报名信息包括考生信息及报考科目信息；
查找与所述报名信息对应的历史考试数据和培训信息，以及查找预设时长内与所述考生信息对应的表现信息；
根据所述表现信息、历史考试数据以及培训信息对所述报考科目信息所属科目的考试结果进行预测，以得到考试预测结果，并根据所述考试预测结果判断所述报名信息是否允许验证通过。
根据本申请的实施例，可选的，在上述报名信息验证方法中，获得考生信息及与考生信息对应的职位信息；
从预设数据库中查找与所述职位信息对应的报考科目信息，并根据所述报考科目信息和所述考生信息得到报名信息。
根据本申请的实施例，可选的，在上述报名信息验证方法中，获得考生的报名信息，包括：
获得考生信息及与考生信息对应的职位信息和考评评分；
在所述考评评分满足预设考评指标时，从预设数据库中查找与所述职位信息对应的报考科目信息，并根据所述报考科目信息和所述考生信息得到报名信息。
根据本申请的实施例，可选的，在上述报名信息验证方法中，所述方法还包括：
获取与所述科目信息对应的多组考生样本信息，其中，所述考生样本信息包括表现样本信息、历史考试样本数据、培训信息样本以及考试结果样本；
采用预设机器学习算法对所述多组考生样本信息进行训练以得到考试结果预测模型；
根据所述表现信息、历史考试数据以及培训信息对所述报考科目信息所属科目的考试结果进行预测以得到预测结果，包括：
将所述表现信息、历史考试数据以及培训信息输入至所述考试结果预测模型以对所述报考科目信息所属科目的考试结果进行预测，得到预测结果。
根据本申请的实施例，可选的，在上述报名信息验证方法中，根据所述表现信息、历史考试数据以及培训信息对所述报考科目信息所属科目的考试结果进行预测，以得到考试预测结果，并根据所述考试预测结果判断所述报名信息是否允许验证通过，包括：
对所述表现信息、历史考试数据以及培训信息分别进行参数化处理以得到表现信息参数值、历史考试数据参数值以及培训信息参数值；
获得与所述表现信息对应的表现信息权重、与所述历史考试数据对应的历史考试数据权重以及与所述培训信息对应的培训信息权重；
根据所述表现信息参数值和表现信息权重的乘积、历史考试数据参数值和历史考试数据权重的乘积以及培训信息参数值与培训信息权重的乘积得到所述报考科目信息所属科目的考试预测结果；
根据所述考试预测结果是否大于预设结果判断所述报名信息是否允许验证通过。
第二方面，本申请提供了一种报名信息验证装置，
所述装置包括：
获得模块，用于获得报名信息，其中，所述报名信息包括考生信息及报考科目信息；
查找模块，用于查找与所述报名信息对应的历史考试数据和培训信息，以及查找预设时长内与所述考生信息对应的表现信息；
预测模块，用于根据所述表现信息、历史考试数据以及培训信息对所述报考科目信息所属科目的考试结果进行预测，以得到考试预测结果，并根据所述考试预测结果判断所述报名信息是否允许验证通过。
根据本申请的实施例，可选的，在上述报名信息验证装置中，所述获得模块包括：
第一获得子模块，用于获得考生信息及与考生信息对应的职位信息和考评评分；
第二获得模块，用于在所述考评评分满足预设考评指标时，从预设数据库中查找与所述职位信息对应的报考科目信息，并根据所述报考科目信息和所述考生信息得到报名信息。
根据本申请的实施例，可选的，在上述报名信息验证装置中，所述装置还包括：
样本获得模块，用于获取与所述科目信息对应的多组考生样本信息，其中，所述考生样本信息包括表现样本信息、历史考试样本数据、培训信息样本以及考试结果样本；
模型训练模块，用于采用预设机器学习算法对所述多组考生样本信息进行训练以得到考试结果预测模型；
所述预测模块，还用于将所述表现信息、历史考试数据以及培训信息输入至所述考试结果预测模型以对所述报考科目信息所属科目的考试结果进行预测，得到预测结果。
第三方面，本申请提供了一种存储介质，该存储介质存储有计算机程序，述计算机程序被一个或多个处理器执行时，实现如上述的报名信息验证方法。
第四方面，本申请提供了一种电子设备，包括存储器和控制器，所述存储器上存储有计算机程序，该计算机程序被所述控制器执行时，执行上述的报名信息验证方法。
与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：通过获得报名信息，并查找与报名信息对应的历史考试数据和培训信息，以及查找预设时长内与所述考生信息对应的表现信息；根据所述表现信息、历史考试数据以及培训信息对所述报考科目信息所属科目的考试结果进行预测，以得到考试预测结果，并根据所述考试预测结果判断所述报名信息是否允许验证通过，以实现将培训很少且屡次考试不通过的人员的报名信息不予通过，从而不允许其参加考试，进而有效节约考试成本以及节约资源。
附图说明
通过结合附图阅读下文示例性实施例的详细描述可更好地理解本申请公开的范围。其中所包括的附图是：
图1为本申请实施例一提供的一种报名信息验证方法的流程示意图。
图2为图1中步骤S130的流程示意图。
图3为本申请实施例二提供的报名信息验证装置的连接框图。
在附图中，相同的部件使用相同的附图标记，附图并未按照实际的比例绘制。
具体实施方式
以下将结合附图及实施例来详细说明本申请的实施方式，借此对本申请如何应用技术手段来解决技术问题，并达到相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本申请的保护范围之内。
实施例一
请结合参阅图1，本申请实施例提供了一种可应用于电子设备中的报名信息验证方法，该方法应用于电子设备时执行步骤S110至步骤S130。
步骤S110：获得报名信息，其中，所述报名信息包括考生信息及报考科目信息。
步骤S120：查找与所述报名信息对应的历史考试数据和培训信息，以及查找预设时长内与所述考生信息对应的表现信息。
步骤S130：根据所述表现信息、历史考试数据以及培训信息对所述报考科目信息所属科目的考试结果进行预测，以得到考试预测结果，并根据所述考试预测结果判断所述报名信息是否允许验证通过。
通过采用上述步骤S110-S130，可以有效避免考试通过率低的人员参加考试，进而避免了浪费人力和物力资源的问题。
在步骤S110中，获得报名信息的方式可以是获得考生输入至电子设备中的报名信息，也可以是基于考生的职位信息及该考生的领导的推荐信息和/或考评评分生成，还可以是基于考生的职位信息或偏好信息以及学习情况等信息生成，在此不作具体限定，还可以是将考生的工作信息和该考生的领导的评价信息输入至预设模型中，以使预设模型根据上述的评价信息及工作信息生成，根据实际需求进行设置即可，在此不作具体限定。
在本实施例中，可选的，所述步骤S110包括步骤S111和步骤S112。
步骤S111：获得考生信息及与考生信息对应的职位信息。
其中，考生信息包括考生的名字，所述考生信息还包括身份证号、护照号以及驾驶证等用于表示考生信息的唯一性的证件号码中的至少一种，与所述考生信息对应的职位信息可以是考生的工作职位信息。
步骤S112：从预设数据库中查找与所述职位信息对应的报考科目信息，并根据所述报考科目信息和所述考生信息得到报名信息。
其中，所述预设数据库中存储有不同的预设职位信息对应的科目信息，当所述职位信息对应的科目信息为多个时，从预设数据库中查找与所述职位信息对应的报考科目信息还可以是，从预设数据库中查找与所述职位信息对应的多个科目信息中确定一个报考科目信息。
进一步的，为保障获得的报名信息为较为容易通过其包括的报考科目信息所属考试科目的人员的报名信息，在本实施例中，所述步骤S110包括步骤S114和步骤S115。
步骤S114：获得考生信息及与考生信息对应的职位信息和考评评分。
其中，所述考评评分可以是该考生信息的领导对该考生信息所属考生每日及每周输出的日报及周报的评分，或者对考生的工作结果及学习情况的评分，还可以是绩效考评评分。
步骤S115：在所述考评评分满足预设考评指标时，从预设数据库中查找与所述职位信息对应的报考科目信息，并根据所述报考科目信息和所述考生信息得到报名信息。
其中，所属预设考评指标可以是预设评分，在所述考评评分低于预设评分时，可以认为，无法获得对应的报考科目信息，在满足时，能够获得所述报考科目信息，进而得到报名信息。
步骤S120中，通过查找历史考试数据可以得到考生在对应的报考科目中的在历史考试数据中的通过率，通过查找报名信息对应的培训信息可以得到考生参加该报考科目的培训情况，如培训次数及培训合格率，通过获取预设时长内考生的表现信息可以得到考生的学习或工作情况，如考生在预设时长内的绩效信息。所述预设时长可以是几周内或几个月内，在此不作具体限定，根据实际需求进行设置即可。
在步骤S130中，根据所述表现信息、历史考试数据以及培训信息对所述报考科目信息所属科目的考试结果进行预测，以得到考试预测结果的方式可以是，根据上述各信息对应的参数值及权重得到一计算值，从而根据该计算值进行预测，也可以是将上述的表现信息、历史考试数据以及培训信息输入至一考试结果预测模型进行预测以得到通过率预测结果，在此不做具体限定，根据实际需求进行设置即可。
请参阅2，可选的，在本实施例中，所述步骤S130包括步骤S131、步骤S132、步骤S133以及步骤S134。
步骤S131：对所述表现信息、历史考试数据以及培训信息分别进行参数化处理以得到表现信息参数值、历史考试数据参数值以及培训信息参数值。
上述进行参数化处理的方式可以是，将上述的表现信息、历史考试数据以及培训信息进行参数化处理后得到相同值域范围内的与上述各信息分别对应的参数值。
培训信息中可以包括培训难度等级以及考生参加的培训次数在总培训次数中的比例。可以理解的是，在相同比例下，培训难度等级越高时，对应的培训信息参数值越大；在相同难度等级下，比例越高，对应的培训信息参数值也越大。
需要说明的是，将历史考试数据进行参数化处理可以包括，根据历史考试数据得到考生通过所述报考科目信息所属科目的通过率，并对该通过率进行参数化处理以得到历史考试数据参数值；也可以包括，根据历史考试数据得到考生报考所述报考科目信息所属科目的历史平均分，并根据对历史平均分进行参数化处理以得到历史考试数据参数值。
步骤S132：获得与所述表现信息对应的表现信息权重、与所述历史考试数据对应的历史考试数据权重以及与所述培训信息对应的培训信息权重。
其中，所述预设数据库中存储有不同的预设信息对应的预设权重，上述步骤S132具体可以是从预设数据库中查找与各信息对应的权重。
步骤S133：根据所述表现信息参数值和表现信息权重的乘积、历史考试数据参数值和历史考试数据权重的乘积以及培训信息参数值与培训信息权重的乘积得到所述报考科目信息所属科目的考试预测结果。
其中，上述步骤S133具体可以是，将所述表现信息参数值和表现信息权重的乘积、历史考试数据参数值和历史考试数据权重的乘积以及培训信息参数值与培训信息权重的乘积进行累加得到以得到考试预测结果。
步骤S134：根据所述考试预测结果是否大于预设结果判断所述报名信息是否允许验证通过。
其中，在考试预测结果大于预设结果时，可以认为考生信息所属考生通过其报考的报考科目信息所属科目的可能性较大，即报名信息允许验证通过；当考试预测结果小于预设结果时，可以认为考生信息所属考生通过其报考的报考科目信息所属科目的可能性较小，即报名信息不允许验证通过。
可选的，在本实施例中，当采用算法模型对考试结果进行预测时，所述方法还包括：步骤S210和步骤S220。
步骤S210：获取与所述科目信息对应的多组考生样本信息，其中，所述考生样本信息包括表现样本信息、历史考试样本数据、培训信息样本以及考试结果样本。
步骤S220：采用预设机器学习算法对所述多组考生样本信息进行训练以得到考试结果预测模型。
其中，所述预设机器学习算法可以是集成算法、分类算法以及聚类算法等中的一种。可选的，在本实施例中，上述的预设机器学习算法可以是集成算法。通过采用集成算法获得的考试结果预测模型在进行考试结果预测时，其预测速度较快。
基于上述步骤S210和步骤S220，在执行步骤S130以进行考试结果预测时，所述步骤S130中根据所述表现信息、历史考试数据以及培训信息对所述报考科目信息所属科目的考试结果进行预测以得到预测结果，可以包括：将所述表现信息、历史考试数据以及培训信息输入至所述考试结果预测模型以对所述报考科目信息所属科目的考试结果进行预测，得到预测结果。
通过采用上述方法，以实现根据考生的报名信息中的考生信息去获得考生信息对应的历史数据、表现信息(员工绩效)以及培训信息，历史数据中包括的内容有报名考试信息、报考次数、考试成绩以及报考工种等所有信息，根据历史数据，计算该员工以往报考当前报考科目信息中的科目的通过率(通过率＝通过次数/报考总数)，然后再根据表现信息(可以取员工每月的绩效)以及培训信息，预估下一次能够获得的考试成绩或通过的概率(“通过率”和“当前表现”视公司的情况，权重占比不同)，如果通过概率或考试成绩过于偏低，可以直接视为员工本次报名不通过，反之，可以通过，进而可以有效节约成本和节约资源。避免现有技术中存在的参考人员屡次参加考试却难以通过，这不仅浪费资源，也会消耗巨大的人力、物力和财力的问题。
实施例二
请参阅图3，本申请实施例还提供了一种报名信息验证装置，所述装置包括获得模块110、查找模块120、预测模块130。
获得模块110用于获得报名信息，其中，所述报名信息包括考生信息及报考科目信息。
由于获得模块110和图1中步骤S110的实现原理类似，因而在此不作更多说明。
查找模块120用于查找与所述报名信息对应的历史考试数据和培训信息，以及查找预设时长内与所述考生信息对应的表现信息。
由于查找模块120和图1中步骤S110的实现原理类似，因而在此不作更多说明。
预测模块130用于根据所述表现信息、历史考试数据以及培训信息对所述报考科目信息所属科目的考试结果进行预测，以得到考试预测结果，并根据所述考试预测结果判断所述报名信息是否允许验证通过。
由于预测模块130和图1中步骤S110的实现原理类似，因而在此不作更多说明。
可选的，在本实施例中，所述获得模块110包括：第一获得子模块和第二获得子模块。
所述第一获得子模块用于获得考生信息及与考生信息对应的职位信息和考评评分。
所述第二获得模块用于在所述考评评分满足预设考评指标时，从预设数据库中查找与所述职位信息对应的报考科目信息，并根据所述报考科目信息和所述考生信息得到报名信息。
可选的，在本实施例中，所述获得模块还可以包括第三获得子模块和第四获得模块。
所述第三获得子模块用于获得考生信息及与考生信息对应的职位信息。
所述第四获得子模块用于从预设数据库中查找与所述职位信息对应的报考科目信息，并根据所述报考科目信息和所述考生信息得到报名信息。
可选的，在本实施例中，所述报名信息验证装置还包括样本获得模块和模型预测模块。
所述样本获得模块，用于获取与所述科目信息对应的多组考生样本信息，其中，所述考生样本信息包括表现样本信息、历史考试样本数据、培训信息样本以及考试结果样本。
所述模型训练模块，用于采用预设机器学习算法对所述多组考生样本信息进行训练以得到考试结果预测模型。
所述预测模块130还用于将所述表现信息、历史考试数据以及培训信息输入至所述考试结果预测模型以对所述报考科目信息所属科目的考试结果进行预测，得到预测结果。
可选的，在本实施例中，所述预测模块包括参数化处理子模块、权重获得子模块、预测结果获得子模块以及验证子模块。
所述参数化处理子模块用于对所述表现信息、历史考试数据以及培训信息分别进行参数化处理以得到表现信息参数值、历史考试数据参数值以及培训信息参数值。
所述权重获得子模块用于获得与所述表现信息对应的表现信息权重、与所述历史考试数据对应的历史考试数据权重以及与所述培训信息对应的培训信息权重。
所述预测结果获得子模块用于根据所述表现信息参数值和表现信息权重的乘积、历史考试数据参数值和历史考试数据权重的乘积以及培训信息参数值与培训信息权重的乘积得到所述报考科目信息所属科目的考试预测结果。
所述验证子模块用于根据所述考试预测结果是否大于预设结果判断所述报名信息是否允许验证通过。
实施例三
本实施例还提供了一种存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，所述计算机程序被处理器执行时可以实现如上述实施例一中的报名信息验证方法，关于实施例一中的方法步骤的具体实施例过程可参见实施例一，本实施例在此不再赘述。
实施例四
本申请实施例还提供了一种电子设备，包括存储器和处理器，所述存储器上存储有能够被所述处理器执行的存储介质，该存储介质被所述处理器执行时实现如实施例一中所述的报名信息验证方法。
综上所述，本申请提供的一种报名信息验证方法、装置、存储介质及电子设备，通过获得报名信息，查找与所述报名信息对应的历史考试数据和培训信息，以及查找预设时长内与所述报名信息中的考生信息对应的表现信息，并根据所述表现信息、历史考试数据以及培训信息对所述报考科目信息所属科目的考试结果进行预测，以得到考试预测结果，并根据所述考试预测结果判断所述报名信息是否允许验证通过，以达到为考试节约成本和节约资源的目的，并有效缓解了现有技术中存在的部分参考人员屡次参加考试却难以通过而存在的浪费资源，也会消耗巨大的人力、物力和财力的问题。
在本申请实施例所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统和方法实施例仅仅是示意性的。
需要说明的是，在本文中，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然本申请所揭露的实施方式如上，但所述的内容只是为了便于理解本申请而采用的实施方式，并非用以限定本申请。任何本申请所属技术领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种报名信息验证方法，其特征在于，所述方法包括：
获得报名信息，其中，所述报名信息包括考生信息及报考科目信息；
查找与所述报名信息对应的历史考试数据和培训信息，以及查找预设时长内与所述考生信息对应的表现信息；
根据所述表现信息、历史考试数据以及培训信息对所述报考科目信息所属科目的考试结果进行预测，以得到考试预测结果，根据所述考试预测结果判断所述报名信息是否允许验证通过。
2.根据权利要求1所述的报名信息验证方法，其特征在于，获得报名信息的步骤包括：
获得考生信息及与考生信息对应的职位信息；
从预设数据库中查找与所述职位信息对应的报考科目信息，并根据所述报考科目信息和所述考生信息得到报名信息。
3.根据权利要求1所述的报名信息验证方法，其特征在于，获得考生的报名信息，包括：
获得考生信息及与考生信息对应的职位信息和考评评分；
在所述考评评分满足预设考评指标时，从预设数据库中查找与所述职位信息对应的报考科目信息，并根据所述报考科目信息和所述考生信息得到报名信息。
4.根据权利要求1所述的报名信息验证方法，其特征在于，所述方法还包括：
获取与所述科目信息对应的多组考生样本信息，其中，所述考生样本信息包括表现样本信息、历史考试样本数据、培训信息样本以及考试结果样本；
采用预设机器学习算法对所述多组考生样本信息进行训练以得到考试结果预测模型；
根据所述表现信息、历史考试数据以及培训信息对所述报考科目信息所属科目的考试结果进行预测以得到预测结果，包括：
将所述表现信息、历史考试数据以及培训信息输入至所述考试结果预测模型以对所述报考科目信息所属科目的考试结果进行预测，得到预测结果。
5.根据权利要求1所述的报名信息验证方法，其特征在于，根据所述表现信息、历史考试数据以及培训信息对所述报考科目信息所属科目的考试结果进行预测，以得到考试预测结果，并根据所述考试预测结果判断所述报名信息是否允许验证通过，包括：
对所述表现信息、历史考试数据以及培训信息分别进行参数化处理以得到表现信息参数值、历史考试数据参数值以及培训信息参数值；
获得与所述表现信息对应的表现信息权重、与所述历史考试数据对应的历史考试数据权重以及与所述培训信息对应的培训信息权重；
根据所述表现信息参数值和表现信息权重的乘积、历史考试数据参数值和历史考试数据权重的乘积以及培训信息参数值与培训信息权重的乘积得到所述报考科目信息所属科目的考试预测结果；
根据所述考试预测结果是否大于预设结果判断所述报名信息是否允许验证通过。
6.一种报名信息验证装置，其特征在于，所述装置包括：
获得模块，用于获得报名信息，其中，所述报名信息包括考生信息及报考科目信息；
查找模块，用于查找与所述报名信息对应的历史考试数据和培训信息，以及查找预设时长内与所述考生信息对应的表现信息；
预测模块，用于根据所述表现信息、历史考试数据以及培训信息对所述报考科目信息所属科目的考试结果进行预测，以得到考试预测结果，并根据所述考试预测结果判断所述报名信息是否允许验证通过。
7.根据权利要求6所述的报名信息验证装置，其特征在于，所述获得模块包括：
第一获得子模块，用于获得考生信息及与考生信息对应的职位信息和考评评分；
第二获得模块，用于在所述考评评分满足预设考评指标时，从预设数据库中查找与所述职位信息对应的报考科目信息，并根据所述报考科目信息和所述考生信息得到报名信息。
8.根据权利要求6所述的报名信息验证装置，其特征在于，所述装置还包括：
样本获得模块，用于获取与所述科目信息对应的多组考生样本信息，其中，所述考生样本信息包括表现样本信息、历史考试样本数据、培训信息样本以及考试结果样本；
模型训练模块，用于采用预设机器学习算法对所述多组考生样本信息进行训练以得到考试结果预测模型；
所述预测模块，还用于将所述表现信息、历史考试数据以及培训信息输入至所述考试结果预测模型以对所述报考科目信息所属科目的考试结果进行预测，得到预测结果。
9.一种存储介质，该存储介质存储有计算机程序，其特征在于，所述计算机程序被一个或多个处理器执行时，实现如权利要求1-5中任意一项中所述的报名信息验证方法。
10.一种电子设备，其特征在于，包括存储器和控制器，所述存储器上存储有计算机程序，该计算机程序被所述控制器执行时，执行如权利要求1-5任意一项所述的报名信息验证方法。
CN201911168607.XA 2019-11-25 2019-11-25 报名信息验证方法、装置、存储介质及电子设备 Active CN111091481B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911168607.XA CN111091481B (zh) 2019-11-25 2019-11-25 报名信息验证方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911168607.XA CN111091481B (zh) 2019-11-25 2019-11-25 报名信息验证方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN111091481A true CN111091481A (zh) 2020-05-01
CN111091481B CN111091481B (zh) 2023-07-18

Family

ID=70393801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911168607.XA Active CN111091481B (zh) 2019-11-25 2019-11-25 报名信息验证方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN111091481B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108241625A (zh) * 2016-12-23 2018-07-03 科大讯飞股份有限公司 预测学生成绩变化趋势的方法及系统
CN108320045A (zh) * 2017-12-20 2018-07-24 卓智网络科技有限公司 学生成绩预测方法和装置
CN108764718A (zh) * 2018-05-28 2018-11-06 王春宁 基于深度学习算法的高考分数预估及志愿选择方法、系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108241625A (zh) * 2016-12-23 2018-07-03 科大讯飞股份有限公司 预测学生成绩变化趋势的方法及系统
CN108320045A (zh) * 2017-12-20 2018-07-24 卓智网络科技有限公司 学生成绩预测方法和装置
CN108764718A (zh) * 2018-05-28 2018-11-06 王春宁 基于深度学习算法的高考分数预估及志愿选择方法、系统

Also Published As

Publication number Publication date
CN111091481B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN107851097B (zh) 数据分析系统、数据分析方法、数据分析程序及存储介质
Vigo et al. Automatic web accessibility metrics: Where we are and where we can go
CN112860841B (zh) 一种文本情感分析方法、装置、设备及存储介质
CN109977403B (zh) 恶意评论信息识别方法及装置
CN112632989B (zh) 一种合同文本中风险信息的提示方法、装置及设备
US20090105984A1 (en) Methods and Apparatus for Dynamic Data Transformation for Visualization
US20180336580A1 (en) Evaluation device, evaluation method, and storage medium
CN111897962A (zh) 一种物联网资产标记方法及装置
CN113724848A (zh) 基于人工智能的医疗资源推荐方法、装置、服务器及介质
CN110135684B (zh) 一种能力测评方法、能力测评装置及终端设备
JPWO2016125310A1 (ja) データ分析システムおよびデータ分析方法並びにデータ分析プログラム
US20130179449A1 (en) Detecting overlapping clusters
US20180005022A1 (en) Method and device for obtaining similar face images and face image information
CN113420018A (zh) 用户行为数据分析方法、装置、设备及存储介质
CN111611396A (zh) 基于法律知识图谱的信息匹配方法、装置和存储介质
CN111831708A (zh) 基于缺失数据的样本分析方法、装置、电子设备及介质
CN113407854A (zh) 一种应用推荐方法、装置、设备及计算机可读存储介质
CN112989990A (zh) 医疗票据识别方法、装置、设备及存储介质
Rahnev Response bias reflects individual differences in sensory encoding
CN110389963B (zh) 基于大数据的渠道效果识别方法、装置、设备和存储介质
CN115101160A (zh) 药品销售数据挖掘和检索方法及装置
Costa et al. Automatic classification of computational thinking skills in elementary school math questions
CN109815391A (zh) 基于大数据的新闻数据分析方法及装置、电子终端
CN111091481A (zh) 报名信息验证方法、装置、存储介质及电子设备
CN111222923A (zh) 一种判断潜在客户的方法及装置、电子设备和存储介质

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
GR01 Patent grant
GR01 Patent grant