CN111311455A - 考务信息匹配方法、装置、计算机设备和存储介质 - Google Patents
考务信息匹配方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111311455A CN111311455A CN202010052775.9A CN202010052775A CN111311455A CN 111311455 A CN111311455 A CN 111311455A CN 202010052775 A CN202010052775 A CN 202010052775A CN 111311455 A CN111311455 A CN 111311455A
- Authority
- CN
- China
- Prior art keywords
- information
- examinee
- examination
- examination room
- matching
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 73
- 238000012360 testing method Methods 0.000 claims abstract description 46
- 238000013145 classification model Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种考务信息匹配方法、装置、计算机设备和存储介质。所述方法包括:获取考生信息,所述考生信息包括考生标识和考试科目信息;获取考场信息,所述考场信息包括实验台信息;利用词库模型对所述考生信息进行特征提取,得到与所述考生标识对应的特征向量;将所述特征向量输入分类模型,得到与所述考生标识对应的多个类别特征信息;将多个所述类别特征信息与所述考场信息进行匹配,得到与所述考生标识匹配的考务信息。采用本方法能够对每个考生的考务信息进行自动化的智能编排,简化了考务编排工作的繁琐流程,有效的提高了考务信息编排的效率,实现了智能化的考务编排。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种考务信息匹配方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展,越来越多的考生可以通过使用电脑进行在线考试,考试之前需要工作人员对不同类型的考试进行考务安排,目前的考务安排信息主要通过工作人员结合实际考场的使用情况进行编排发布,这种考务信息编排的弊端在于需要花费大量的人力、物力资源进行考务安排。
由于考务安排工作变得愈来愈复杂和繁重,需要花费大量的人力、精力去处理和安排,尤其是涉及实验操作的考务编排流程繁杂,容易导致考务信息编排的效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高考务信息编排效率的考务信息匹配方法、装置、计算机设备和存储介质。
一种考务信息匹配方法,所述方法包括:
获取考生信息,所述考生信息包括考生标识和考试科目信息;
获取考场信息,所述考场信息包括实验台信息;
利用词库模型对所述考生信息进行特征提取,得到与所述考生标识对应的特征向量;
将所述特征向量输入分类模型,得到与所述考生标识对应的多个类别特征信息;
将多个所述类别特征信息与所述考场信息进行匹配,得到与所述考生标识匹配的考务信息。
在其中一个实施例中,所述利用词库模型对所述考生信息进行特征提取,得到与所述考生标识对应的特征向量包括:
将所述考生信息分别转换成对应的词向量,对所述词向量进行合并,得到与所述考生标识对应的特征向量。
在其中一个实施例中,所述将多个所述类别特征信息与所述考场信息进行匹配包括:
从数据库中获取多个考场信息;
将多个所述类别特征信息与多个所述考场信息进行相似度匹配;
将相似度大于阈值的考场信息标记为待推荐考场。
在其中一个实施例中,所述将多个所述类别特征信息与多个所述考场信息进行相似度匹配包括:
获取多个所述类别特征信息中每个类别特征标签的权重等级;
利用散列函数对多个所述类别特征信息、多个所述考场信息进行转换,得到对应的多个类别特征信息序列、多个考场信息序列;
根据每个所述类别特征标签的权重等级,对所述类别特征信息序列进行加权计算,得到对应的加权类别特征信息序列;
将所述加权类别特征信息序列与多个所述考场信息序列进行匹配。
在其中一个实施例中,所述方法还包括:
根据所述考生标识查找对应的历史考务信息,所述历史考务信息包括与所述考生标识对应的历史考场信息;
对所述历史考场信息进行筛选,得到对应的实验台信息;
将所述实验台信息与所述考试科目信息进行匹配,若匹配成功,则将所述历史考场信息标记为待推荐考场。
一种考务信息匹配装置,所述装置包括:
获取模块,用于获取考生信息,所述考生信息包括考生标识和考试科目信息;获取考场信息,所述考场信息包括实验台信息;
特征提取模块,用于利用词库模型对所述考生信息进行特征提取,得到与所述考生标识对应的特征向量;
分类模块,用于将所述特征向量输入分类模型,得到与所述考生标识对应的多个类别特征信息;
匹配模块,用于将多个所述类别特征信息与所述考场信息进行匹配,得到与所述考生标识匹配的考务信息。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取考生信息,所述考生信息包括考生标识和考试科目信息;
获取考场信息,所述考场信息包括实验台信息;
利用词库模型对所述考生信息进行特征提取,得到与所述考生标识对应的特征向量;
将所述特征向量输入分类模型,得到与所述考生标识对应的多个类别特征信息;
将多个所述类别特征信息与所述考场信息进行匹配,得到与所述考生标识匹配的考务信息。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取考生信息,所述考生信息包括考生标识和考试科目信息;
获取考场信息,所述考场信息包括实验台信息;
利用词库模型对所述考生信息进行特征提取,得到与所述考生标识对应的特征向量;
将所述特征向量输入分类模型,得到与所述考生标识对应的多个类别特征信息;
将多个所述类别特征信息与所述考场信息进行匹配,得到与所述考生标识匹配的考务信息。
上述考务信息匹配方法、装置、计算机设备和存储介质,通过获取考生信息,考生信息包括考生标识和考试科目信息。获取考场信息,考场信息包括实验台信息。利用词库模型对考生信息进行特征提取,得到与考生标识对应的特征向量。将特征向量输入分类模型,得到与考生标识对应的多个类别特征信息。将多个类别特征信息与考场信息进行匹配,得到与考生标识匹配的考务信息。相对于传统的人工编排方式,通过获取与考生标识对应的特征向量,将特征向量输入分类模型,得到与考生标识对应的多个类别特征信息,由此使得能够根据多个类别特征信息与多个考场信息进行匹配,得到与考生标识匹配的考务信息,可以对每个考生的考务信息进行自动化的智能编排,简化了考务编排工作的繁琐流程,有效的提高了考务信息编排的效率,实现了智能化的考务编排。
附图说明
图1为一个实施例中考务信息匹配方法的应用环境图;
图2为一个实施例中考务信息匹配方法的流程示意图;
图3为一个实施例中标记待推荐考场步骤的流程示意图;
图4为一个实施例中考务信息匹配装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的考务信息匹配方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。终端102可以通过向服务器104发送请求,从服务器104获取对应的考生信息以及与考生相关的考场信息。终端102从服务器104获取考生信息,考生信息包括考生标识和考试科目信息。终端102从服务器104获取考场信息,考场信息包括实验台信息。终端102利用词库模型对考生信息进行特征提取,得到与考生标识对应的特征向量。终端102将特征向量输入分类模型,得到与考生标识对应的多个类别特征信息。终端102将多个类别特征信息与考场信息进行匹配,得到与考生标识匹配的考务信息。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种考务信息匹配方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤202,获取考生信息,考生信息包括考生标识和考试科目信息。
终端可以通过向服务器104发送请求,从服务器104获取考生信息。终端也可以在不同类型的考试场景下,通过不同的方式获取考生信息。例如,终端可通过网络应用显示考务信息系统网页,工作人员可通过登录考务信息系统之后,对显示的考务信息系统的主页面进行浏览,该网络应用可以是浏览器或者其他可以显示页面内容的应用程序(例如考务信息应用、校园考务信息局域网应用等)。工作人员在登录考务信息系统之后,在显示器显示的考务信息系统主页面中进行对应的操作。例如,工作人员可以通过触发操作创建对应的考试科目考务编排计划,随机添加对应的考试实验题目。进一步的,终端可以根据上述考试科目考务编排计划,从服务器获取对应的考生信息,终端可以根据上述考试科目考务编排计划,从本地校园局域网中获取对应的考生信息。其中,考生信息包括考生标识和考试科目信息,考生标识用于识别考生的身份。考试科目信息可以包括多种不同类型的考试科目内容,例如大学物理实验考试、大学化学实验考试、全国英语四六级考试、艺术类才艺表演考试等,不同的考试科目类型匹配不同的考场环境。
步骤204,获取考场信息,考场信息包括实验台信息。
终端可以通过向服务器104发送请求,从服务器104获取考场信息。终端也可以根据不同类型的考试场景,获取不同类型的考场信息。例如,工作人员在登录考务信息系统之后,工作人员可以通过触发操作创建对应的考试科目考务编排计划,随机添加对应的考试实验题目。进一步的,终端可以根据上述考试科目考务编排计划,从服务器获取对应的考场信息,终端可以根据上述考试科目考务编排计划,从本地校园局域网中获取对应的考场信息。其中,考场信息可以包括不同类型的实验台信息、考场位置信息、考场可容纳考生数量信息、普通教室考场信息、艺术类音乐教室考场信息等。
步骤206,利用词库模型对考生信息进行特征提取,得到与考生标识对应的特征向量。
终端利用词库模型对考生信息进行特征提取,得到与考生标识对应的特征向量。具体的,终端利用词库模型对上述获取到的考生信息进行特征提取,提取上述考生信息中的关键词信息,终端将与该考生标识相关的关键词信息分别转换成向量,再将考生相关的所有向量合并成与考生标识对应的特征向量。其中,特征向量是通过对考生信息分析而来的高度精炼的特征标识。部分特征向量是根据考生的行为数据直接得到,部分是通过一系列预设的算法或规则挖掘得到。
步骤208,将特征向量输入分类模型,得到与考生标识对应的多个类别特征信息。
步骤210,将多个类别特征信息与考场信息进行匹配,得到与考生标识匹配的考务信息。
终端将特征向量输入分类模型,得到与考生标识对应的多个类别特征信息。具体的,终端将上述特征向量输入训练好的分类模型中,得到与该考生标识所对应的多个类别特征信息。其中,类别特征信息可以包括与考生相关的多个类别特征信息,例如,考生所属学校信息、年级信息、班级信息或者考生所属职业信息、所属省、市、县位置信息等。类别特征信息还可以包括与考生相关的状态信息,例如该考生为特殊考生类,身体残疾等信息。进一步的,终端将上述多个类别特征信息与获取到的考场信息进行匹配,得到与考生标识匹配的考务信息。例如,终端获取到考生信息为大学物理电学实验考试,终端利用词库模型对该考生信息进行特征提取,得到与该考生标识对应的特征向量,终端将上述特征向量输入分类模型,得到与该考生标识对应的多个类别特征信息,其中权重最高的类别特征信息为该考生为特殊情况类身体残疾的考生,则终端将上述类别特征信息与考场信息进行匹配,得到与该考生标识匹配的考务信息为该考生的考场信息为上海市某学校松江校区某教学楼的1楼101考场。
终端将上述编排好的考务信息进行发布后,考生可通过登录考务信息系统网页或者应用软件进行考务信息查询。例如,考生可通过触发操作发起考务信息查询请求,终端接收到该考务信息查询指令,考务信息查询指令携带对应的考生标识。终端根据该考生标识查询与该考生标识对应的考务信息,若查找到与该考生标识对应的考务信息,则将该考务信息推送给该考生。进一步的,该考生根据考务信息在考试当天进入考场之前,终端利用摄像头采集该考生人脸图像,检测考生人脸图像的面部特征,终端根据该考生的面部特征识别考生标识。具体的,终端利用训练好的分类器在采集到的人脸图像中检测该考生是否符合预设对象。终端对采集到的人脸图像的空间重合度进行检测。当空间重合度达到阈值时,确定检测到相应被考核人员,即被考核人员符合预设实验考核系统的考生信息。进一步的,在考试过程中,终端可以对采集到的与考生标识对应的视频流数据进行在线实验考核。终端可以在视频帧图像中检测是否存在与该考生的实验题目对应的元件,当终端检测到存在对应的元件时,终端对元件的连接关系进行校验。由此使得通过检测每个考生实时的实验考核视频图像,智能化的判断考生是否作弊,以及考生的实际实验操作步骤是否符合预设标准要求,避免了人工监测的繁琐流程,实现了考务系统全自动化的智能考务编排以及将编排好的考务信息自动进行发布,同时当考生根据查询到的考务信息进入对应的考场时,考务系统也可实现智能化的自动进行实验考核。
本实施例中,通过获取考生信息,考生信息包括考生标识和考试科目信息。获取考场信息,考场信息包括实验台信息。利用词库模型对考生信息进行特征提取,得到与考生标识对应的特征向量。将特征向量输入分类模型,得到与考生标识对应的多个类别特征信息。将多个类别特征信息与考场信息进行匹配,得到与考生标识匹配的考务信息。相对于传统的人工编排方式,通过获取与考生标识对应的特征向量,将特征向量输入分类模型,得到与考生标识对应的多个类别特征信息,由此使得能够根据多个类别特征信息与多个考场信息进行匹配,得到与考生标识匹配的考务信息,可以对每个考生的考务信息进行自动化的智能编排,简化了考务编排工作的繁琐流程,有效的提高了考务信息编排的效率,实现了智能化的考务编排。
在一个实施例中,利用词库模型对考生信息进行特征提取,得到与考生标识对应的特征向量的步骤,包括:
将考生信息分别转换成对应的词向量,对词向量进行合并,得到与考生标识对应的特征向量。
终端根据获取到的考生信息,将该考生相关的多维度信息分别转换成词向量,再将与该考生标识相关的所有词向量合并成与该考生标识对应的特征向量。其中,该考生标识对应的特征向量是指使用不同维度的信息生成对应的相关向量,再将考生相关的所有向量合并成该考生的特征向量,刻画与该考生相关的关键信息,作为相似考生推荐的大数据基础。本实施例中,通过将考生信息分别转换成对应的词向量,并将词向量进行合并,得到与考生标识对应的特征向量,由此使得能够对不同考生信息提供更为精确的、具有针对性的待推荐考场信息。
在一个实施例中,将多个类别特征信息与考场信息进行匹配的步骤,包括:
从数据库中获取多个考场信息。
将多个类别特征信息与多个考场信息进行相似度匹配。
将相似度大于阈值的考场信息标记为待推荐考场。
终端利用上述得到的多个类别特征信息与考场信息进行匹配,得到与考生标识匹配的考务信息。具体的,终端可以通过向服务器发送请求,从服务器获取对应的多个考场信息。终端将多个类别特征信息与多个考场信息进行相似度匹配,将相似度大于阈值的考场信息标记为待推荐考场。具体的,终端利用哈希算法,对多个类别特征信息与多个考场信息进行相似度匹配。终端根据获取到的考生信息的不同维度,进行分类筛选,计算不同属性信息的权重。其中,考生信息可以包括文字型信息、图像信息等。终端可以根据该考生信息的关键词信息,利用散列函数生成一个固定属性信息的多个类别特征信息序列,以便同维度上可以利用同一个属性信息参与相似度计算。终端进行相似度求解计算时,终端将相似度计算结果大于阈值的类别特征信息序列对应的考场信息标记为待推荐考场。本实施例中,通过对考生标识对应的特征向量进行分类,得到多个类别标签,并根据考生的类别标签来确定匹配的考场信息,能够实现系统自动化的智能考务信息编排,从而也提高了考务信息编排的效率。
在其中一个实施例中,将多个类别特征信息与多个考场信息进行相似度匹配的步骤,包括:
获取多个类别特征信息中每个类别特征标签的权重等级。
利用散列函数对多个类别特征信息、多个考场信息进行转换,得到对应的多个类别特征信息序列、多个考场信息序列。
根据每个类别特征标签的权重等级,对类别特征信息序列进行加权计算,得到对应的加权类别特征信息序列。
将加权类别特征信息序列与多个考场信息序列进行匹配。
终端将上述得到的与考生标识对应的特征向量输入预先训练好的分类模型中,终端利用分类模型进行多层特征筛选后,得到多个类别特征标签,终端利用多个类别特征标签生成与考生标识对应的多个类别特征信息。终端将多个类别特征信息与多个考场信息进行相似度匹配。终端根据获取到的多个类别特征标签,计算不同特征标签信息的权重等级,获取到多个类别特征信息中每个类别特征标签的权重等级。进一步的,利用散列函数对多个类别特征信息、多个考场信息进行转换,得到对应的多个类别特征信息序列、多个考场信息序列。终端根据每个类别特征标签的权重等级,对类别特征信息序列进行加权计算,得到对应的加权类别特征信息序列,终端将加权类别特征信息序列与多个考场信息序列进行匹配。
以大学物理电学实验考试举例说明。假设终端获取到与考生标识对应的考生信息包括考生关注的考场位置信息为上海市某大学松江校区,终端以上海市松江校区作为该考生信息的关键词,构建第一词向量。终端获取到的考生信息还包括该考生的类型为特殊考生类型,终端则再以特殊考生类型作为该考生信息的关键词,构建第二词向量。进一步的,终端将第一词向量和第二词向量合并成该考生的特征向量。终端根据考生特征向量对应的多个类别特征标签,利用哈希算法进行计算,将与该考生标识对应的多个类别特征信息与多个考场信息进行相似度匹配。其中,哈希算法(Hash)即散列函数。哈希算法是一种单向密码体制,即是一个从明文到密文的不可逆的映射,只有加密过程,没有解密过程。同时,哈希函数可以将任意长度的输入经过变化以后得到固定长度的输出。哈希函数的这种单向特征和输出数据长度固定的特征使得它可以生成消息或者数据。具体的,终端获取多个类别特征信息中每个类别特征标签的权重等级,例如终端可以预先对不同类别特征标签设置对应的权重等级。终端利用哈希算法,对与该考生标识对应的多个类别特征信息、多个考场信息进行转换,得到对应的多个类别特征信息序列、多个考场信息序列。终端根据每个类别特征标签的权重等级,对类别特征信息序列进行加权计算,得到对应的加权类别特征信息序列。进一步的,终端将加权类别特征信息序列与多个考场信息序列进行相似度求解计算,得到对应的相似度数值。当相似度大于阈值时,确定该加权类别特征信息序列对应的考场信息为待推荐考场。阈值可以在配置文件中预先设置,例如,阈值为85%。终端将该加权类别特征信息序列对应的考场标记为待推荐考场。本实施例中,通过将考生的多个类别特征信息转换为对应的加权类别特征信息序列,并与多个考场信息序列进行相似度匹配,能够使得考务系统可以进行自动化的智能编排考务工作,并将编排好的考务信息自动进行发布,简化了考务编排工作的繁琐流程。
在一个实施例中,如图3所示,方法还包括标记待推荐考场的步骤,包括:
步骤302,根据考生标识查找对应的历史考务信息,历史考务信息包括与考生标识对应的历史考场信息。
步骤304,对历史考场信息进行筛选,得到对应的实验台信息。
步骤306,将实验台信息与考试科目信息进行匹配,若匹配成功,则将历史考场信息标记为待推荐考场。
终端根据考生标识查找对应的历史考务信息,历史考务信息包括与考生标识对应的历史考场信息。终端对历史考场信息进行筛选,得到对应的实验台信息,终端将上述实验台信息与考试科目信息进行匹配,若匹配成功,则将历史考场信息标记为待推荐考场。具体的,终端根据获取到的考生信息,考生信息可以包括考生标识和考试科目信息。终端根据考生标识查找与该考生标识对应的历史考务信息,历史考务信息可以包括与考生标识对应的历史考场信息以及与该考生标识对应的历史考试科目信息。进一步的,终端可以从服务器获取与该考试科目对应的考场信息,终端也可以从本地局域网中获取与该考试科目对应的考场信息,考场信息可以包括实验室信息以及实验室对应的每个实验台信息。终端对获取到的历史考场信息进行筛选,得到对应的不同类型的实验台信息。若终端遍历扫描上述所有类型的实验台信息,检测到存在与该考试科目信息匹配的实验台信息为可使用状态,则终端将该实验台信息对应的历史考场信息标记为待推荐考场。本实施例中,通过查找与考生标识对应的历史考务信息,利用历史考务信息与考试科目信息进行匹配,由此使得能够避免从数据库重新获取数据进行重复匹配的繁琐流程,快速准确的进行智能化考务编排,从而有效的提高了考务信息编排的效率。
应该理解的是,虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-3中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种考务信息匹配装置,包括:获取模块402、特征提取模块404、分类模块406和匹配模块408,其中:
获取模块402,用于获取考生信息,考生信息包括考生标识和考试科目信息;获取考场信息,考场信息包括实验台信息。
特征提取模块404,用于利用词库模型对考生信息进行特征提取,得到与考生标识对应的特征向量。
分类模块406,用于将特征向量输入分类模型,得到与考生标识对应的多个类别特征信息。
匹配模块408,用于将多个类别特征信息与考场信息进行匹配,得到与考生标识匹配的考务信息。
在一个实施例中,该装置还包括:转换模块。
转换模块用于将考生信息分别转换成对应的词向量,对词向量进行合并,得到与考生标识对应的特征向量。
在一个实施例中,匹配模块408还用于从数据库中获取多个考场信息,将多个类别特征信息与多个考场信息进行相似度匹配,将相似度大于阈值的考场信息标记为待推荐考场。
在一个实施例中,匹配模块408还用于获取多个类别特征信息中每个类别特征标签的权重等级,利用散列函数对多个类别特征信息、多个考场信息进行转换,得到对应的多个类别特征信息序列、多个考场信息序列,根据每个类别特征标签的权重等级,对类别特征信息序列进行加权计算,得到对应的加权类别特征信息序列,将加权类别特征信息序列与多个考场信息序列进行匹配。
在其中一个实施例中,该装置还包括:查找模块和筛选模块。
查找模块用于根据考生标识查找对应的历史考务信息,历史考务信息包括与考生标识对应的历史考场信息。筛选模块用于对历史考场信息进行筛选,得到对应的实验台信息。匹配模块408还用于将实验台信息与考试科目信息进行匹配,若匹配成功,则将历史考场信息标记为待推荐考场。
关于考务信息匹配装置的具体限定可以参见上文中对于考务信息匹配方法的限定,在此不再赘述。上述考务信息匹配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种考务信息匹配方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述各个方法实施例的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种考务信息匹配方法,所述方法包括:
获取考生信息,所述考生信息包括考生标识和考试科目信息;
获取考场信息,所述考场信息包括实验台信息;
利用词库模型对所述考生信息进行特征提取,得到与所述考生标识对应的特征向量;
将所述特征向量输入分类模型,得到与所述考生标识对应的多个类别特征信息;
将多个所述类别特征信息与所述考场信息进行匹配,得到与所述考生标识匹配的考务信息。
2.根据权利要求1所述的方法,其特征在于,所述利用词库模型对所述考生信息进行特征提取,得到与所述考生标识对应的特征向量包括:
将所述考生信息分别转换成对应的词向量,对所述词向量进行合并,得到与所述考生标识对应的特征向量。
3.根据权利要求1所述的方法,其特征在于,所述将多个所述类别特征信息与所述考场信息进行匹配包括:
从数据库中获取多个考场信息;
将多个所述类别特征信息与多个所述考场信息进行相似度匹配;
将相似度大于阈值的考场信息标记为待推荐考场。
4.根据权利要求3所述的方法,其特征在于,所述将多个所述类别特征信息与多个所述考场信息进行相似度匹配包括:
获取多个所述类别特征信息中每个类别特征标签的权重等级;
利用散列函数对多个所述类别特征信息、多个所述考场信息进行转换,得到对应的多个类别特征信息序列、多个考场信息序列;
根据每个所述类别特征标签的权重等级,对所述类别特征信息序列进行加权计算,得到对应的加权类别特征信息序列;
将所述加权类别特征信息序列与多个所述考场信息序列进行匹配。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述考生标识查找对应的历史考务信息,所述历史考务信息包括与所述考生标识对应的历史考场信息;
对所述历史考场信息进行筛选,得到对应的实验台信息;
将所述实验台信息与所述考试科目信息进行匹配,若匹配成功,则将所述历史考场信息标记为待推荐考场。
6.一种考务信息匹配装置,其特征在于,所述装置包括:
获取模块,用于获取考生信息,所述考生信息包括考生标识和考试科目信息;获取考场信息,所述考场信息包括实验台信息;
特征提取模块,用于利用词库模型对所述考生信息进行特征提取,得到与所述考生标识对应的特征向量;
分类模块,用于将所述特征向量输入分类模型,得到与所述考生标识对应的多个类别特征信息;
匹配模块,用于将多个所述类别特征信息与所述考场信息进行匹配,得到与所述考生标识匹配的考务信息。
7.根据权利要求6的考务信息匹配装置,其特征在于,所述装置还包括:
转换模块,用于将所述考生信息分别转换成对应的词向量,对所述词向量进行合并,得到与所述考生标识对应的特征向量。
8.根据权利要求6的考务信息匹配装置,其特征在于,所述装置还包括:
查找模块,用于根据所述考生标识查找对应的历史考务信息,所述历史考务信息包括与所述考生标识对应的历史考场信息;
筛选模块,用于对所述历史考场信息进行筛选,得到对应的实验台信息;
匹配模块,用于将所述实验台信息与所述考试科目信息进行匹配,若匹配成功,则将所述历史考场信息标记为待推荐考场。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010052775.9A CN111311455B (zh) | 2020-01-17 | 2020-01-17 | 考务信息匹配方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010052775.9A CN111311455B (zh) | 2020-01-17 | 2020-01-17 | 考务信息匹配方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311455A true CN111311455A (zh) | 2020-06-19 |
CN111311455B CN111311455B (zh) | 2024-02-06 |
Family
ID=71146805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010052775.9A Active CN111311455B (zh) | 2020-01-17 | 2020-01-17 | 考务信息匹配方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311455B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115174857A (zh) * | 2022-06-28 | 2022-10-11 | 广州乐庚信息科技有限公司 | 实验考试的智能考场监控方法、系统、设备及存储介质 |
CN117291773A (zh) * | 2023-11-21 | 2023-12-26 | 南通东华软件有限公司 | 一种基于深度学习技术的在线考试系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964152A (zh) * | 2010-10-27 | 2011-02-02 | 昆明冶金高等专科学校 | 一种基于局域网的网络考试系统及其实现方法 |
CN102831500A (zh) * | 2012-08-08 | 2012-12-19 | 广东兰贝斯信息科技有限公司 | 一种无纸化考试考务安全监控系统及方法 |
CN104732464A (zh) * | 2015-02-27 | 2015-06-24 | 南京林业大学 | 一种标准化考试考生身份识别及座位安排自助终端系统 |
CN105160611A (zh) * | 2015-07-13 | 2015-12-16 | 江苏省教育考试院 | 一种大规模考试考场座位编排系统 |
CN107170315A (zh) * | 2017-06-05 | 2017-09-15 | 深圳市海云天科技股份有限公司 | 一种无纸化在线考试方法及系统 |
KR20170106736A (ko) * | 2016-03-14 | 2017-09-22 | 이기곤 | 스마트 기기를 활용한 시험·감독의 방법 및 절차와 전용 답안지 제작 |
CN108563722A (zh) * | 2018-04-03 | 2018-09-21 | 有米科技股份有限公司 | 文本信息的行业分类方法、系统、计算机设备和存储介质 |
CN108647613A (zh) * | 2018-04-28 | 2018-10-12 | 东莞市华睿电子科技有限公司 | 一种应用于考场的考生查验方法 |
CN109035464A (zh) * | 2018-06-21 | 2018-12-18 | 深圳市卓帆技术有限公司 | 分布式机考签到方法、签到机、系统及存储介质 |
CN109146737A (zh) * | 2018-09-03 | 2019-01-04 | 武汉华工智云科技有限公司 | 一种基于考试平台的智能交互方法和装置 |
CN109376975A (zh) * | 2018-08-14 | 2019-02-22 | 贵州华宁科技股份有限公司 | 考务管理分配系统 |
CN109558920A (zh) * | 2018-11-23 | 2019-04-02 | 安徽科力信息产业有限责任公司 | 基于驾驶人科目考试认证服务与考台自动分配的方法 |
CN109726663A (zh) * | 2018-12-24 | 2019-05-07 | 广东德诚科教有限公司 | 在线考试监控方法、装置、计算机设备及存储介质 |
CN110020420A (zh) * | 2018-01-10 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 文本处理方法、装置、计算机设备和存储介质 |
CN110460617A (zh) * | 2019-08-23 | 2019-11-15 | 深圳市元征科技股份有限公司 | 机考考试系统及相关产品 |
CN110458525A (zh) * | 2019-08-05 | 2019-11-15 | 北京睿朴科技有限公司 | 一种艺术类专业考试报名及管理系统和方法 |
CN110597958A (zh) * | 2019-09-12 | 2019-12-20 | 苏州思必驰信息科技有限公司 | 文本分类模型训练和使用方法及装置 |
-
2020
- 2020-01-17 CN CN202010052775.9A patent/CN111311455B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964152A (zh) * | 2010-10-27 | 2011-02-02 | 昆明冶金高等专科学校 | 一种基于局域网的网络考试系统及其实现方法 |
CN102831500A (zh) * | 2012-08-08 | 2012-12-19 | 广东兰贝斯信息科技有限公司 | 一种无纸化考试考务安全监控系统及方法 |
CN104732464A (zh) * | 2015-02-27 | 2015-06-24 | 南京林业大学 | 一种标准化考试考生身份识别及座位安排自助终端系统 |
CN105160611A (zh) * | 2015-07-13 | 2015-12-16 | 江苏省教育考试院 | 一种大规模考试考场座位编排系统 |
KR20170106736A (ko) * | 2016-03-14 | 2017-09-22 | 이기곤 | 스마트 기기를 활용한 시험·감독의 방법 및 절차와 전용 답안지 제작 |
CN107170315A (zh) * | 2017-06-05 | 2017-09-15 | 深圳市海云天科技股份有限公司 | 一种无纸化在线考试方法及系统 |
CN110020420A (zh) * | 2018-01-10 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 文本处理方法、装置、计算机设备和存储介质 |
CN108563722A (zh) * | 2018-04-03 | 2018-09-21 | 有米科技股份有限公司 | 文本信息的行业分类方法、系统、计算机设备和存储介质 |
CN108647613A (zh) * | 2018-04-28 | 2018-10-12 | 东莞市华睿电子科技有限公司 | 一种应用于考场的考生查验方法 |
CN109035464A (zh) * | 2018-06-21 | 2018-12-18 | 深圳市卓帆技术有限公司 | 分布式机考签到方法、签到机、系统及存储介质 |
CN109376975A (zh) * | 2018-08-14 | 2019-02-22 | 贵州华宁科技股份有限公司 | 考务管理分配系统 |
CN109146737A (zh) * | 2018-09-03 | 2019-01-04 | 武汉华工智云科技有限公司 | 一种基于考试平台的智能交互方法和装置 |
CN109558920A (zh) * | 2018-11-23 | 2019-04-02 | 安徽科力信息产业有限责任公司 | 基于驾驶人科目考试认证服务与考台自动分配的方法 |
CN109726663A (zh) * | 2018-12-24 | 2019-05-07 | 广东德诚科教有限公司 | 在线考试监控方法、装置、计算机设备及存储介质 |
CN110458525A (zh) * | 2019-08-05 | 2019-11-15 | 北京睿朴科技有限公司 | 一种艺术类专业考试报名及管理系统和方法 |
CN110460617A (zh) * | 2019-08-23 | 2019-11-15 | 深圳市元征科技股份有限公司 | 机考考试系统及相关产品 |
CN110597958A (zh) * | 2019-09-12 | 2019-12-20 | 苏州思必驰信息科技有限公司 | 文本分类模型训练和使用方法及装置 |
Non-Patent Citations (1)
Title |
---|
米拉丁江・阿布力米提;买买提阿依甫;艾斯卡尔・艾木都拉;: "面向多文种、多科目、多考点考务信息管理的考场编排和作业调度算法设计与实现", 计算机应用与软件, no. 05 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115174857A (zh) * | 2022-06-28 | 2022-10-11 | 广州乐庚信息科技有限公司 | 实验考试的智能考场监控方法、系统、设备及存储介质 |
CN117291773A (zh) * | 2023-11-21 | 2023-12-26 | 南通东华软件有限公司 | 一种基于深度学习技术的在线考试系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111311455B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111192025A (zh) | 职业信息匹配方法、装置、计算机设备和存储介质 | |
WO2020238353A1 (zh) | 数据处理方法和装置、存储介质及电子装置 | |
CN111666766B (zh) | 数据处理方法、装置和设备 | |
CN111666922A (zh) | 视频匹配方法、装置、计算机设备和存储介质 | |
CN109831677B (zh) | 视频脱敏方法、装置、计算机设备和存储介质 | |
CN111507285A (zh) | 人脸属性识别方法、装置、计算机设备和存储介质 | |
CN106537383A (zh) | 动态特征集管理 | |
CN111311455B (zh) | 考务信息匹配方法、装置、计算机设备和存储介质 | |
CN111738199B (zh) | 图像信息验证方法、装置、计算装置和介质 | |
CN112820071A (zh) | 一种行为识别方法和装置 | |
CN111177794B (zh) | 城市画像方法、装置、计算机设备和存储介质 | |
CN113597614A (zh) | 图像处理方法和装置、电子设备及存储介质 | |
CN113538370A (zh) | 电网巡检方法、装置、计算机设备和存储介质 | |
CN112101154B (zh) | 视频分类方法、装置、计算机设备和存储介质 | |
CN112183417B (zh) | 一种置业顾问服务能力评价系统及方法 | |
CN113420295A (zh) | 恶意软件的检测方法及装置 | |
CN113128526A (zh) | 图像识别方法、装置、电子设备和计算机可读存储介质 | |
Yao et al. | Exploiting latent relevance for relational learning of ubiquitous things | |
CN112381118A (zh) | 一种大学舞蹈考试测评方法及装置 | |
CN113537206A (zh) | 推送数据检测方法、装置、计算机设备和存储介质 | |
CN116453125A (zh) | 基于人工智能的数据录入方法、装置、设备及存储介质 | |
Moctezuma et al. | Appearance model update based on online learning and soft‐biometrics traits for people re‐identification in multi‐camera environments | |
CN113704623B (zh) | 一种数据推荐方法、装置、设备及存储介质 | |
CN114501163B (zh) | 视频处理方法、装置及存储介质 | |
CN111582404B (zh) | 内容分类方法、装置及可读存储介质 |
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 |