CN112330510A

CN112330510A - 一种志愿推荐方法、装置、服务器及计算机可读存储介质

Info

Publication number: CN112330510A
Application number: CN202011312553.2A
Authority: CN
Inventors: 聂镭; 齐凯杰; 聂颖
Original assignee: Longma Zhixin Zhuhai Hengqin Technology Co ltd
Current assignee: Longma Zhixin Zhuhai Hengqin Technology Co ltd
Priority date: 2020-11-20
Filing date: 2020-11-20
Publication date: 2021-02-05

Abstract

本申请适用于数据处理技术领域，提供了一种志愿推荐方法、装置、服务器及计算机可读存储介质，该方法包括获取用户特征信息，利用预设的深度学校模型预测与用户特征信息匹配的待推荐职业，通过预设的知识图谱查找与待推荐职业关联的待推荐专业，查找与待推荐专业对应的待推荐学校，推荐待推荐专业以及与待推荐专业对应的待推荐学校至用户。可见，本申请解决了现有技术中为用户推荐专业和学校的过程中仅仅只是考虑用户的分数这一技术问题，达到充分考虑用户自身特质，为用户合理的推荐专业和学校。

Description

一种志愿推荐方法、装置、服务器及计算机可读存储介质

技术领域

本申请属于数据处理技术领域，尤其涉及一种志愿推荐方法、装置、服务器及计算机可读存储介质。

背景技术

高考是我国高等教育选拔人才的主要途径，高三毕业生必须通过志愿填报这一环节来选择高考学校。但是，一方面，高三毕业生在填报志愿前时间不够充足；另一方面，高三毕业生不清楚自己擅长什么、对什么感兴趣、未来想从事什么职业等，导致填报志愿仅仅根据高三毕业生分数或者是家长的意愿进行选择，比较草率，导致高三毕业生无法选择出适合自己的学校和专业，经常会出现高三毕业生在进入大学后退学的现象。

现有技术中，存在辅助高三毕业生进行志愿填报的应用系统，会根据高三毕业生的分数和高考学校的分数线给高三毕业生推荐匹配的高考学校和专业，尽可能确保高三毕业生不会落榜。但是也没有考虑综合考虑高三毕业生的兴趣、性格等特征，导致无法准确推荐符合高三毕业生自身特质的高考学校和专业。

发明内容

本申请实施例提供了一种志愿推荐方法、装置、服务器及计算机可读存储介质，可以解决现有技术中为用户推荐专业和学校的过程中仅仅只考虑用户的分数这一技术问题。

第一方面，本申请实施例提供了一种志愿推荐方法，包括：

获取用户特征信息；

利用预设的深度学校模型预测与所述用户特征信息匹配的待推荐职业；

通过预设的知识图谱查找与所述待推荐职业关联的待推荐专业；

查找与所述待推荐专业对应的待推荐学校；

推荐所述待推荐专业以及与所述待推荐专业对应的待推荐学校至用户。

在第一方面的一种可能的实现方式中，利用预设的深度学校模型预测与所述用户特征信息匹配的待推荐职业，包括：

根据所述用户特征信息形成所述用户的用户画像；

将所述用户画像输入至所述预设的深度学校模型，得到与所述用户特征信息匹配的待推荐职业。

在第一方面的一种可能的实现方式中，根据所述用户特征信息形成所述用户的用户画像，包括：

识别所述用户特征信息，得到所述用户特征信息的第一特征向量值；

聚合所述第一特征向量值得到特征向量序列值，所述特征向量序列值用于表征所述用户的用户画像。

在第一方面的一种可能的实现方式中，所述预设深度学校模型包括特征提取器、二分类处理器；

将所述用户画像输入至所述预设的深度学校模型，得到与所述用户特征信息匹配的待推荐职业，包括：

将所述特征向量序列值输入至所述特征提取器，从所述二分类处理器得到表征所述待推荐职业的第二特征向量值。

在第一方面的一种可能的实现方式中，推荐所述待推荐专业以及与所述待推荐专业对应的待推荐学校至用户，包括：

对同一所述待推荐专业对应的至少一个待推荐学校进行优先级决策；

按所述优先级决策得到的顺序所述待推荐专业以及与所述待推荐专业对应的待推荐学校。

第二方面，本申请实施例提供了一种志愿推荐装置，包括：

获取模块，用于获取用户特征信息；

预测模块，用于利用预设的深度学校模型预测与所述用户特征信息匹配的待推荐职业；

第一查找模块，用于通过预设的知识图谱查找与所述待推荐职业关联的待推荐专业；

第二查找模块，用于查找与所述待推荐专业对应的待推荐学校；

推荐模块，用于推荐所述待推荐专业以及与所述待推荐专业对应的待推荐学校至用户.

在第二方面的一种可能的实现方式中，所述预测模块包括：

生成模块，用于根据所述用户特征信息形成所述用户的用户画像；

匹配模块，用于将所述用户画像输入至所述预设的深度学校模型，得到与所述用户特征信息匹配的待推荐职业。

在第二方面的一种可能的实现方式中，所述生成模块包括：

在第二方面的一种可能的实现方式中，所述预设深度学校模型包括特征提取器、二分类处理器，所述匹配模块包括：

在第二方面的一种可能的实现方式中，所述推荐模块包括：

决策单元，用于对同一所述待推荐专业对应的至少一个待推荐学校进行优先级决策；

推荐单元，用于按所述优先级决策得到的顺序所述待推荐专业以及与所述待推荐专业对应的待推荐学校。

第三方面，本申请实施例提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方法。

本申请实施例与现有技术相比存在的有益效果是：

本申请实施例通过获取用户特征信息，利用预设的深度学校模型预测与用户特征信息匹配的待推荐职业，通过预设的知识图谱查找与待推荐职业关联的待推荐专业，查找与待推荐专业对应的待推荐学校，推荐待推荐专业以及与待推荐专业对应的待推荐学校至用户，解决了现有技术中为用户推荐专业和学校的过程中仅仅只是考虑用户的分数这一技术问题，达到充分考虑用户自身特质，为用户合理的推荐专业和学校。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的志愿推荐方法的一种流程示意图；

图2是本申请实施例提供的志愿推荐方法的图1中步骤S102的具体流程示意图；

图3是本申请实施例提供的志愿推荐方法的图1中步骤S105的具体流程示意图；

图4是本申请实施例提供的志愿推荐装置的结构示意图；

图5是本申请实施例提供的服务器的结构示意图；

图6是本申请实施例提供的志愿推荐方法的图1中知识图谱的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

下面根据各个实施例对本申请请求保护的技术方案进行介绍。

参见图1，为本申请实施例提供的志愿推荐方法的一种流程示意图，该方法应用于服务器，该方法包括以下步骤：

步骤S101、获取用户特征信息。

其中，用户特征包括性格特征、兴趣特征、家庭特征及家庭条件。性格特征可以包括经济型、理论型、艺术型、权力型、宗教型以及社会型；兴趣特征可以包括现实型、研究型、艺术性、社会型、企业型和常规型；家庭特征可以包括权威型教养方式、放纵型教养方式；其中家庭条件指的是家境的好坏，如果家境一般，可能上大学后续需要找到一个高薪的工作，那工作的就业是否挣钱就占比较大的比重；如果家境优越，这时可能更偏向于自己的爱好兴趣。

具体应用中，获取用户特征信息的方式可以是：

第一步、整理出需要从用户处获得的信息维度，如性格特征，兴趣特征，家庭特征，家庭条件，自己的规划等等；

第二步、将用户的信息维度转换成相应的问答题，如性格特征可以根据常用的心理学测试题来判断你是哪种性格；

第三步、将所有维度的信息转化为问答题后采用知识问答的形式进行采集用户信息。例如，可以采用微信小程序或者网页链接的形式。

步骤S102、利用预设的深度学校模型预测与用户特征信息匹配的待推荐职业。

其中，预设的深度学校模型是预先训练得到的，训练过程可以是：

第一步、从一些网站上爬取每个职业对应的用户特征，筛选出支持度大于支持度阈值的用户特征。

第二步、获得的用户信息，进一步推测出用户感兴趣的职业；本文将该问题转换成多标签分类任务；即一个用户信息可能包含多个标签，例如一个用户可能适合的职业包括人力资源、市场营销等等。多标签分类算法比较常用的有ML-KNN、Rank-SVM等方法，其中ML-KNN是由传统的K近邻（K-nearest neighbor，KNN）发展而来的，对于每一个测试样本，在训练集中找到它的K近邻。然后，基于邻居样本的统计信息，如属于相同类别的邻居的个数，用最大后验概率原则（MAP）决定测试样本的标签集合，即实现多标签分类的目的。

需说明的是，本文主要采用的深度学校模型的模型构建如下：

训练集的收集和格式定义；本模型的训练集的输入数据为用户的性格特征、兴趣特征、家庭特征及家庭条件，对应的输出数据的格式为对应的职业序列，例如用户适合算法工程师、C++工程师，则其职业序列为[1,1,0,...,0]；

采用神经网络做特征提取器，可以采用RNN、CNN和Transformer；

采用sigmoid函数做输出层的激活函数，从而输出每种职业分别是1的概率；

利用Binary Cross-Entropy损失函数，使得模型在训练过程中不断降低交叉熵，即使得标签为1的节点的输出值更接近1，标签为0的输出值更接近0，提高模型的准确性；

确定模型的输入。模型的输入包括性格特征、兴趣特征、家庭特征及家庭条件。

确定模型的输出。模型的输出即用户对应的职业；因此在此之前需要先从各大招聘网站获得现有的职业名称，可以采用爬虫的方式。根据网络爬虫的结果可以获得现有职业集合，例如{“算法工程师”,“C++工程师”，“数据工程师”，...，“知识产权工程师”}；若模型的输出为[1,1,0,...,0],则表示用户适合的职业为算法工程师、C++工程师等；若输出的模型为[0,0,1,...,1]，则表示用户适合的职业为数据工程师、知识产权工程师等。即模型的输出结果和职业集合的列表一一对应，当模型输出结果中为1时表示适合该职业，若为0则表示不适合该职业。

作为示例而非限定，参见图2，为本申请实施例提供的志愿推荐方法的图1中步骤S102的具体流程示意图，利用预设的深度学校模型预测与用户特征信息匹配的待推荐职业，包括：

步骤S201、根据用户特征信息形成用户的用户画像。

具体地，根据用户特征信息形成用户的用户画像的过程可以是：

（一）、识别用户特征信息，得到用户特征信息的第一特征向量值。

其中，第一特征向量值是一维向量，例如，经济型性格特征对应的onehot编码为[1,1,0,...,0]。

具体地，给每个用户特征信息打上标签，生成标签对应的第一特征向量值。

（二）聚合第一特征向量值得到特征向量序列值，特征向量序列值用于表征用户的用户画像。

其中，特征向量序列值是多维向量，例如，包含性格特征、兴趣特征、家庭特征及家庭条件的onehot编码为

。

步骤S202、将用户画像输入至预设的深度学校模型，得到与用户特征信息匹配的待推荐职业。

其中，预设深度学校模型包括特征提取器、二分类处理器。

具体应用中，将特征向量序列值输入至特征提取器，从二分类处理器得到表征待推荐职业的第二特征向量值。

其中，第二特征向量是一维向量，若模型的输出为[1,1,0,...,0],则表示用户适合的职业为算法工程师、C++工程师等；若输出的模型为[0,0,1,...,1]，则表示用户适合的职业为数据工程师、知识产权工程师等。即模型的输出结果和职业集合的列表一一对应，当模型输出结果中为1时表示适合该职业，若为0则表示不适合该职业。

可以理解的是，根据之前的用户画像，输入到（3）中建立得到的用户职业模型，得到用户适合的职业序列，即类似[1,0,1,0,...,0,1],将该序列与先前定义好的职业序列进行对应，当值为1时表示适合该职业，值为0时表示不适合该职业；最终得到用户适合的职业。

步骤S103、通过预设的知识图谱查找与待推荐职业关联的待推荐专业。

其中，预设设置的知识图谱中的实体是职业和对应的专业。

示例性地，构建预设的知识图谱的过程可以是：

（1）根据各大招聘网页（前程无忧、Boss直聘等）及每年校招的职业进行爬虫并进行信息整理可以得到职业和学校对应的专业进行连接，如C++工程师对应的专业是软件工程或计算机工程；

（2）根据高考填报志愿的招生之友可以得到各大院校开设的专业，或者直接爬取各大院校的官方网站进而获得各大院校开设的专业。如西安理工大学开设的专业有软件工程、信息工程等专业；

例如，将（1）和（2）中获得职业、专业和学校对应的信息，构建知识图谱。如下例子所示：[算法工程师，信息与科学技术，北京大学]，[数据工程师，数据科学与大数据，清华大学]，[算法工程师，数学与应用数学，西安交大]...根据上述信息可以构建的图谱样式为如图6所示，其中职业和学校为实体，专业名称为边（注，每个学校对于不同专业的重视程度是不一样的，因此也可以在职业和学校之间的连接之间增加学校的重视权重或者就业率，考研率等信息）。

下面说明如何通过预设的知识图谱查找与待推荐职业关联的待推荐专业的过程：

利用预设的知识图谱的neo4j数据库的查询语句，查询与待推荐职业关联的待推荐专业。

步骤S104、查找与待推荐专业对应的待推荐学校。

具体地，可以从外部数据库根据待推荐专业查询待推荐学校，也可以直接利用预设的知识图谱的neo4j数据库，查询与待推荐专业对应的待推荐学校。

步骤S105、推荐待推荐专业以及与待推荐专业对应的待推荐学校至用户。

示例性地，参见图3，为本申请实施例提供的志愿推荐方法的图1中步骤S105的具体流程示意图，推荐所述待推荐专业以及与所述待推荐专业对应的待推荐学校至用户，包括：

步骤S301、对同一待推荐专业对应的至少一个待推荐学校进行优先级决策。

其中，优先级决策可以是指决策树算法，例如，ID3算法、C4.5算法或者CART算法。

步骤S302、按优先级决策得到的顺序待推荐专业以及与待推荐专业对应的待推荐学校。

具体地，查找出每个学校的属性（例如，名气、地理位置、师资力量、就业率、教学设备、保研率、出国率等），根据用户特征与该学校的属性的匹配程度，利用优选级决策对推测出的学校进行排序，按排序的先后顺序推荐给用户。

根据上面的推荐方式可以得到适合用户的各大院校，但是各大院校的排序并没有一定的规则，当适合用户的学校有上百个时对于用户的后续抉择有较大的难度。

在一种实施方式中，推荐待推荐专业以及与待推荐专业对应的待推荐学校至用户还可以是：

（一）、根据学校的名气、地理位置、师资力量、就业率、教学设备、保研率、出国率等维度信息，对学校进行简单的排序。

例如，根据每年各大院校公布的每年学校的信息，对学校的各个维度信息进行打分；例如保研率为80%，出国率为20%，就业率为70%等等；地理位置维度按照学校所在地区是超一线城市，一线城市，二线城市，发达城市等信息进行打分，例如可以按照北上广深为10分，省会城市为9分，其次可以按照所在城市的车牌号一次进行打分，B-F为7分等等。

（二）、用户自行勾选比较注重的维度，如地理位置，保研率，按照各个学校的地理位置和保研率的加权平均值的分数从高到底进行排序，进而展示给用户。

（三）、当用户没有勾选时，默认是全选，对学校的各个维度信息进行加权平均，进而给出从高到低的排名，进而展示给用户。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

对应于上文实施例所述的志愿推荐方法，图4示出了本申请实施例提供的志愿推荐装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图4，该装置包括：

获取模块41，用于获取用户特征信息；

预测模块42，用于利用预设的深度学校模型预测与所述用户特征信息匹配的待推荐职业；

第一查找模块43，用于通过预设的知识图谱查找与所述待推荐职业关联的待推荐专业；

第二查找模块44，用于查找与所述待推荐专业对应的待推荐学校；

推荐模块45，用于推荐所述待推荐专业以及与所述待推荐专业对应的待推荐学校至用户.

在一种可能的实现方式中，所述预测模块包括：

在一种可能的实现方式中，所述生成模块包括：

在一种可能的实现方式中，所述预设深度学校模型包括特征提取器、二分类处理器，所述匹配模块包括：

在一种可能的实现方式中，所述推荐模块包括：

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

图5为本申请一实施例提供的服务器的结构示意图。如图5所示，该实施例的服务器5包括：至少一个处理器50（图5中仅示出一个）处理器、存储器51以及存储在所述存储器51中并可在所述至少一个处理器50上运行的计算机程序52，所述处理器50执行所述计算机程序52时实现上述任意各个方法实施例中的步骤。

所述服务器5可以是云端服务器等计算设备。该服务器可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是服务器5的举例，并不构成对服务器5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，该处理器50还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器51在一些实施例中可以是所述服务器5的内部存储单元，例如服务器5的硬盘或内存。所述存储器51在另一些实施例中也可以是所述服务器5的外部存储设备，例如所述服务器5上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器51还可以既包括所述服务器5的内部存储单元也包括外部存储设备。所述存储器51用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/服务器的任何实体或装置、记录介质、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random AccessMemory）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims

1.一种志愿推荐方法，其特征在于，包括：

获取用户特征信息；

查找与所述待推荐专业对应的待推荐学校；

2.如权利要求1所述的一种志愿推荐方法，其特征在于，利用预设的深度学校模型预测与所述用户特征信息匹配的待推荐职业，包括：

根据所述用户特征信息形成所述用户的用户画像；

3.如权利要求2所述的一种志愿推荐方法，其特征在于，根据所述用户特征信息形成所述用户的用户画像，包括：

4.如权利要求2所述的一种志愿推荐方法，其特征在于，所述预设深度学校模型包括特征提取器、二分类处理器；

5.如权利要求1-4任一项所述的一种志愿推荐方法，其特征在于，推荐所述待推荐专业以及与所述待推荐专业对应的待推荐学校至用户，包括：

6.一种志愿推荐装置，其特征在于，包括：

获取模块，用于获取用户特征信息；

推荐模块，用于推荐所述待推荐专业以及与所述待推荐专业对应的待推荐学校至用户。

7.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的方法。

8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法。