CN116244504A - 一种用于辅助高考志愿填报方案的推荐方法及系统 - Google Patents

一种用于辅助高考志愿填报方案的推荐方法及系统 Download PDF

Info

Publication number
CN116244504A
CN116244504A CN202211706567.1A CN202211706567A CN116244504A CN 116244504 A CN116244504 A CN 116244504A CN 202211706567 A CN202211706567 A CN 202211706567A CN 116244504 A CN116244504 A CN 116244504A
Authority
CN
China
Prior art keywords
user
information
volunteer
institutions
professions
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
CN202211706567.1A
Other languages
English (en)
Inventor
黄泽鑫
尤淑趁
黄金萍
陈铭钧
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202211706567.1A priority Critical patent/CN116244504A/zh
Publication of CN116244504A publication Critical patent/CN116244504A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06F16/951—Indexing; Web crawling techniques
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • Educational Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种用于辅助高考志愿填报方案的推荐方法，涉及数据分析技术领域，包括：获取用户基本身份信息和高考资料信息；通过网络爬虫方式构建各院校专业信息库并对当年用户所在生源地考生的录取分数进行预测；构建高等院校录取评估模型，将高考资料信息输入所述高等院校录取评估模型得到各院校专业对用户的评估概率；对获取的各院校专业的评估概率进行排序，筛选出一级推荐院校和推荐专业，并进行分类；根据用户的个性化需求信息基于一级推荐院校和推荐专业以及各个性化需求信息的权重，得到多组志愿推荐方案；获取用户选择的方案信息模拟录取过程，本发明基于用户的个性化需求对用户的志愿预测更精确，便于用户对志愿填报进行合理分析规划。

Description

一种用于辅助高考志愿填报方案的推荐方法及系统
技术领域
本发明涉及数据分析技术领域，具体涉及到一种用于辅助高考志愿填报方案的推荐方法及系统。
背景技术
传统的高考志愿填报方式需要考生人为不断地查阅资料，反复比对目标院校各类信息，效率低下，且高考考生在面对海量志愿信息时难以抉择，会造成“高分低就”、“录非所愿”等现象。合理的高考志愿填报可以让职业规划事半功倍。帮助考生和家长进行科学、合理的志愿填报具有重要意义。且现有的基于神经网络的高考志愿推荐方法针对分数预测这种数据较少，不能针对用户性格偏好和基本信息等进行个性化推荐。
综上所述，如何克服上述缺陷，是本领域技术人员急需解决的问题。
发明内容
本方案针对上文提到的问题和需求，提出一种用于辅助高考志愿填报方案的推荐方法及系统，其由于采取了如下技术方案而能够解决上述技术问题。
为实现上述目的，本发明提供如下技术方案：
该用于辅助高考志愿填报方案的推荐方法，包括：步骤S1:获取用户基本身份信息和高考资料信息，基于获取的信息生成用户标签；
步骤S2:通过网络爬虫方式构建各院校专业信息库，基于各院校专业信息库、灰色预测模型和用户标签对当前年份用户所在生源地考生于各院校专业的录取分数进行预测，得到用户所在生源地考生于各院校专业的录取分数；
步骤S3:构建高等院校录取评估模型，将高考资料信息输入所述高等院校录取评估模型进行录取评估，得到各院校专业对用户的评估概率；
步骤S4:对获取的各院校专业的评估概率进行排序，筛选出一级推荐院校和推荐专业，并对一级推荐院校和推荐专业进行分类；
步骤S5:获取用户的个性化需求信息，根据用户的个性化需求信息基于一级推荐院校和推荐专业以及各个性化需求信息的权重，为用户匹配对应的院校和专业，根据匹配结果，得到多组志愿推荐方案；
步骤S6:获取用户选择的方案信息，根据平行志愿录取规则和录取概率预测真实模拟录取过程，并将最终录取志愿返回给用户。
进一步地，所述基本身份信息包括姓名、性别和生源地信息，所述高考资料信息包括高考分数、院校和个性化需求信息。
进一步地，所述通过网络爬虫方式构建各院校专业信息库包括：
发起响应请求，利用爬虫程序向高考政务官方网站站点发起访问请求，所述访问请求包括院校名称及代码、专业名称及代码、最低录取分数、录取年份和考情信息，并等待网站服务器接收请求；
获取需求的内容，当网络服务器回复响应请求，反馈访问请求所需的内容数据，所述内容数据的类型包括HTML、JSON字符串和二进制数据；
对爬取内容进行解析，将获取的网页内容送至页面解析库进行解析，依据解析结果保存有效数据，将数据保存为所需要的格式，保存到各院校专业信息库。
更进一步地，所述基于各院校专业信息库、灰色预测模型和用户标签对当前年份用户所在生源地考生于各院校专业的录取分数进行预测包括：
根据用户标签确定用户所在的生源地信息；
以5年内各院校专业录取分数与生源地省控线分数的差值为基础建立原始序列X(0)＝(X(0)(1),X(0)(2),...,X(0)(n))，并计算所述原始序列的级比
Figure BDA0004024862190000031
然后建立GM(1,1)模型并进行数据的灰色预测，构建微分方程/>
Figure BDA0004024862190000032
其中，a为发展系数，b为灰色作用量；
求解微分方程
Figure BDA0004024862190000033
然后根据公式
Figure BDA0004024862190000034
进行数值预测，对预测值进行残差检验和级比偏差值检验，如果两项数值均小于0.1，则输出当年各院校专业录取分数与生源地省控线分数的差值ni,ni＝|xi-ti|,x代表第i年某志愿的最低录取分数，t代表第i年生源地省控线。
更进一步地，所述将高考资料信息输入所述高等院校录取评估模型进行录取评估，得到各院校专业对用户的评估概率包括：
基于正态分布模型构建高等院校录取评估模型；
利用高考资料信息获取用户的志愿信息，所述志愿信息包括意向院校及专业；
根据当前年份用户所在生源地考生于各院校专业的录取分数的预测结果，得到最低预测录取分数作为高等院校录取评估模型的均值μ；
依据用户的意向志愿信息确定用户意向志愿当前分数线的预测值，获取用户分数所处区间，并根据用户分数区间采用正态分布特性计算用户实际被相同类型的意向志愿录取的概率；
将录取概率转换为录取概率评分，并判断用户的分数是否大于设置的阈值，若是大于设置的阈值，则用户分数每超过0.5σ录取概率评分减少1分，否则直接输出评分。
更进一步地,所述对获取的各院校专业的评估概率进行排序，筛选出一级推荐院校和推荐专业，并对一级推荐院校和推荐专业进行分类包括：
根据录取概率评分对获取的各院校专业的评估概率进行排序；
根据预设的志愿数量阈值，筛选出满足所述志愿数量阈值的志愿信息；
将筛选出满足所述志愿数量阈值的志愿信息进行编号生成一级推荐院校和推荐专业，并根据预测录取分数信息将一级推荐院校和推荐专业分为保守、稳定和冲刺三类。
进一步地,所述获取用户的个性化需求信息，根据用户的个性化需求信息基于一级推荐院校和推荐专业以及各个性化需求信息的权重，为用户匹配对应的院校和专业，根据匹配结果，得到多组志愿推荐方案包括：
获取一级推荐院校和推荐专业及一级推荐院校和推荐专业对应的录取概率评分；
根据用户的个性化需求获取用户的个性偏好信息，基于个性偏好信息确定志愿信息的属性权重，并加权计算用户对各志愿偏好的评分；
通过用户选择的约束对一级推荐院校和推荐专业进行过滤，并按照用户对各志愿偏好的评分对剩余志愿进行排序分类，得到多组志愿推荐方案。
一种用于辅助高考志愿填报方案的推荐系统,基于上述的用于辅助高考志愿填报方案的推荐方法进行志愿推荐填报，包括信息获取模块、录取分数预测模块、录取概率评估模块、筛选分类模块、匹配推荐模块和模拟录取模块；
信息获取模块用于获取用户基本身份信息和高考资料信息，基于获取的信息生成用户标签；
录取分数预测模块用于通过网络爬虫方式构建各院校专业信息库，基于各院校专业信息库、灰色预测模型和用户标签对当前年份用户所在生源地考生于各院校专业的录取分数进行预测，得到用户所在生源地考生于各院校专业的录取分数；
录取概率评估模块用于构建高等院校录取评估模型，将高考资料信息输入所述高等院校录取评估模型进行录取评估，得到各院校专业对用户的评估概率；
筛选分类模块用于对获取的各院校专业的评估概率进行排序，筛选出一级推荐院校和推荐专业，并对一级推荐院校和推荐专业进行分类；
匹配推荐模块用于获取用户的个性化需求信息，根据用户的个性化需求信息基于一级推荐院校和推荐专业以及各个性化需求信息的权重，为用户匹配对应的院校和专业，根据匹配结果，得到多组志愿推荐方案；
模拟录取模块用于获取用户选择的方案信息，根据平行志愿录取规则和录取概率预测真实模拟录取过程，并将最终录取志愿返回给用户。
从上述的技术方案可以看出，本发明的有益效果是：
本发明通过爬取历年来全国各院校专业针对各地考生的录取分数作为基础数据利用灰色预测模型对用户当年的意向志愿的录取率等进行预测计算，然后基于用户的个性化需求，对用户的志愿预测更加精确合理，便于用户对志愿填报进行合理分析规划，且可模拟录取过程，保证用户填报的可靠性。
除了上面所描述的目的、特征和优点之外，下文中将结合附图对实施本发明的最优实施例进行更详尽的描述，以便能容易地理解本发明的特征和优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下文将对本发明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，其中，附图仅仅用于展示本发明的一些实施例，而非将本发明的全部实施例限制于此。
图1为本发明中一种用于辅助高考志愿填报方案的推荐方法的步骤图。
图2为本发明实施例的录取分数预测过程的具体步骤示意图。
图3为本发明中步骤S3的具体步骤示意图。
图4为本发明中步骤S4的具体步骤示意图。
图5为本发明中步骤S5的具体步骤示意图。
图6为本发明中一种用于辅助高考志愿填报方案的推荐系统的组成结构示意图。
具体实施方式
为了使得本发明的技术方案的目的、技术方案和优点更加清楚，下文中将结合本发明具体实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。附图中相同的附图标记代表相同的部件。需要说明的是，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明首先从高考政务官方网站上爬取历年来全国各院校专业针对各地考生的录取分数，并采用志愿录取分数线与省控线的差值作为时序变量，进而采用灰色预测模型对当年各志愿针对用户生源地的录取分数进行了预测，并基于用户的高考分数和用户个性化需求等得出意向志愿对该考生的录取概率。然后基于录取概率等进一步筛选推荐志愿组合给考生，并进行录取过程模拟。
如图1至图6所示，一种用于辅助高考志愿填报方案的推荐方法，该方法具体包括：步骤S1:获取用户基本身份信息和高考资料信息，基于获取的信息生成用户标签。
在本实施例中，所述基本身份信息包括姓名、性别和生源地信息，所述高考资料信息包括高考分数、院校和个性化需求信息。
步骤S2:通过网络爬虫方式构建各院校专业信息库，基于各院校专业信息库、灰色预测模型和用户标签对当前年份用户所在生源地考生于各院校专业的录取分数进行预测，得到用户所在生源地考生于各院校专业的录取分数。
在本实施例中，所述通过网络爬虫方式构建各院校专业信息库包括：发起响应请求，利用爬虫程序向高考政务官方网站站点发起访问请求，所述访问请求包括院校名称及代码、专业名称及代码、最低录取分数、录取年份和考情信息，其中，考情信息包括考生选择科目限制、学制、学费和一分一段表以及拟招生数量等。并等待网站服务器接收请求；获取需求的内容，当网络服务器回复响应请求，反馈访问请求所需的内容数据，所述内容数据的类型包括HTML、JSON字符串和二进制数据；对爬取内容进行解析，将获取的网页内容送至页面解析库进行解析，依据解析结果保存有效数据，将数据保存为所需要的格式，保存到各院校专业信息库。
如图2所示出的录取分数预测过程示意图，所述基于各院校专业信息库、灰色预测模型和用户标签对当前年份用户所在生源地考生于各院校专业的录取分数进行预测包括：
A1：根据用户标签确定用户所在的生源地信息；
B1：以5年内各院校专业录取分数与生源地省控线分数的差值为基础建立原始序列X()＝(X()(1),X()(2),...,X()(n))，并计算所述原始序列的级比
Figure BDA0004024862190000071
然后建立GM(1,1)模型并进行数据的灰色预测，构建微分方程/>
Figure BDA0004024862190000081
Figure BDA0004024862190000082
其中，a为发展系数，b为灰色作用量；
C1：求解微分方程
Figure BDA0004024862190000083
然后根据公式/>
Figure BDA0004024862190000084
进行数值预测，对预测值进行残差检验和级比偏差值检验，如果两项数值均小于0.1，则输出当年各院校专业录取分数与生源地省控线分数的差值ni,ni＝|xi-ti|,x代表第i年某志愿的最低录取分数，t代表第i年生源地省控线。
在本实施例中，用户A生源地为福建省，则以近5年内各院校专业录取分数与福建省省控线分数的差值为基础建立原始序列，进而进行当年各院校专业录取分数与福建省省控线分数差值的预测。得到预测差值后，将差值转换为分数并结合一分一段表，预测用户的位次。并考虑用户的意向志愿类型选取不同院校、不同专业的志愿，总共40个不同的志愿信息，进行建模预测，得到这40个志愿的预测差值，进而得到预测的录取分数。
步骤S3:构建高等院校录取评估模型，将高考资料信息输入所述高等院校录取评估模型进行录取评估，得到各院校专业对用户的评估概率。
如图3所示，步骤S3具体包括：
步骤S30:基于正态分布模型构建高等院校录取评估模型；
步骤S31:利用高考资料信息获取用户的志愿信息，所述志愿信息包括意向院校及专业；
步骤S32:根据当前年份用户所在生源地考生于各院校专业的录取分数的预测结果，得到最低预测录取分数作为高等院校录取评估模型的均值μ；
步骤S33:依据用户的意向志愿信息确定用户意向志愿当前分数线的预测值，获取用户分数所处区间，并根据用户分数区间采用正态分布特性计算用户实际被相同类型的意向志愿录取的概率；
步骤S34:将录取概率转换为录取概率评分，并判断用户的分数是否大于设置的阈值，若是大于设置的阈值，则用户分数每超过0.5σ录取概率评分减少1分，否则直接输出评分。
在本实施例中，基于用户的意向院校及专业，计算该考生对该志愿的投档成功率，因为全部考生分数也符合正态分布，因此可根据考生的分数落在正态分布的位置来计算该考生选报该志愿成功投档的概率，按照分数划分的不同区间进行不同得分计量，根据分数区间得到概率得分，例如，x<-3σ,则计0分，-2.5σ≤x<-2σ则计1分，x为用户预估分数，阈值设置为4.5σ+μ。
步骤S4:对获取的各院校专业的评估概率进行排序，筛选出一级推荐院校和推荐专业，并对一级推荐院校和推荐专业进行分类。
具体地，所述对获取的各院校专业的评估概率进行排序，筛选出一级推荐院校和推荐专业，并对一级推荐院校和推荐专业进行分类包括：
步骤S40:根据录取概率评分对获取的各院校专业的评估概率进行排序；
步骤S41:根据预设的志愿数量阈值，筛选出满足所述志愿数量阈值的志愿信息；
步骤S42:将筛选出满足所述志愿数量阈值的志愿信息进行编号生成一级推荐院校和推荐专业，并根据预测录取分数信息将一级推荐院校和推荐专业分为保守、稳定和冲刺三类。
步骤S5:获取用户的个性化需求信息，根据用户的个性化需求信息基于一级推荐院校和推荐专业以及各个性化需求信息的权重，为用户匹配对应的院校和专业，根据匹配结果，得到多组志愿推荐方案。
具体地，所述获取用户的个性化需求信息，根据用户的个性化需求信息基于一级推荐院校和推荐专业以及各个性化需求信息的权重，为用户匹配对应的院校和专业，根据匹配结果，得到多组志愿推荐方案包括：
步骤S50:获取一级推荐院校和推荐专业及一级推荐院校和推荐专业对应的录取概率评分；
步骤S51:根据用户的个性化需求获取用户的个性偏好信息，基于个性偏好信息确定志愿信息的属性权重，并加权计算用户对各志愿偏好的评分；
步骤S52:通过用户选择的约束对一级推荐院校和推荐专业进行过滤，并基于用户对各志愿偏好的评分对剩余志愿进行排序分类，得到多组志愿推荐方案。如果某考生分数为630分，其目标为福建省内的金融专业，则有许多院校个性化需求得分都会较高，但根据约束信息，考生收到福建省内的金融类专业的推荐的概率更高，即使其被录取的概率低于其他院校的医学类专业。
用户信息注册成功后，获取其用户标签，包括姓名、性别、生源地信息、高考分数、院校和目标地域、感兴趣的院校专业等。进行专业推荐时，获取考生分数和由灰色预测模型预测的志愿最低录取分数，得出考生录取概率结果，并根据预设的范围阈值划分为保守、稳定和冲刺三类；获取考生的个人偏好信息和该志愿的院校专业的具体信息，并对其具体信息与考生偏好进行对比分析，如地域是否符合要求，专业是否对口以及学费学制是否合适等，并按照考生制定的重要性程度进行加权，得出该志愿对于考生的个人偏好评分；将录取概率评分与个人偏好评分进行综合考虑加权计算得到志愿最终评分后，得到符合考生实际情况的多组志愿推荐方案。
在本实施例中，用户的个性偏好信息包括院校属地、院校种类、师资力量、用户目标地域、目标专业和学费限制等。且根据不重要、一般和重要确定属性权重值，不重要为0-0.4，一般为0.4-0.6，重要为0.6-1。约束包括地域约束和意向专业类型，意向专业类型包括医学类、自动化类、电子信息类等。以福建考生A为例，其考试成绩595分，个性化需求具体为：目标专业电子信息类、金融学，专业重要程度标签为重要；目标地域福建省、北京市、深圳市，目标地域重要程度标签为一般重要。
步骤S6:获取用户选择的方案信息，根据平行志愿录取规则和录取概率预测真实模拟录取过程，并将最终录取志愿返回给用户。用户可通过此步骤进行志愿录取过程模拟，更好的选择并熟悉志愿填报。
本申请还公开了一种用于辅助高考志愿填报方案的推荐系统,基于上述的用于辅助高考志愿填报方案的推荐方法进行志愿推荐填报，包括信息获取模块、录取分数预测模块、录取概率评估模块、筛选分类模块、匹配推荐模块和模拟录取模块；
信息获取模块用于获取用户基本身份信息和高考资料信息，基于获取的信息生成用户标签；
录取分数预测模块用于通过网络爬虫方式构建各院校专业信息库，基于各院校专业信息库、灰色预测模型和用户标签对当前年份用户所在生源地考生于各院校专业的录取分数进行预测，得到用户所在生源地考生于各院校专业的录取分数；
录取概率评估模块用于构建高等院校录取评估模型，将高考资料信息输入所述高等院校录取评估模型进行录取评估，得到各院校专业对用户的评估概率；
筛选分类模块用于对获取的各院校专业的评估概率进行排序，筛选出一级推荐院校和推荐专业，并对一级推荐院校和推荐专业进行分类；
匹配推荐模块用于获取用户的个性化需求信息，根据用户的个性化需求信息基于一级推荐院校和推荐专业以及各个性化需求信息的权重，为用户匹配对应的院校和专业，根据匹配结果，得到多组志愿推荐方案；
模拟录取模块用于获取用户选择的方案信息，根据平行志愿录取规则和录取概率预测真实模拟录取过程，并将最终录取志愿返回给用户。
应当说明的是，本发明所述的实施方式仅仅是实现本发明的优选方式，对属于本发明整体构思，而仅仅是显而易见的改动，均应属于本发明的保护范围之内。

Claims (8)

1.一种用于辅助高考志愿填报方案的推荐方法，其特征在于，具体步骤如下:
步骤S1:获取用户基本身份信息和高考资料信息，基于获取的信息生成用户标签；
步骤S2:通过网络爬虫方式构建各院校专业信息库，基于各院校专业信息库、灰色预测模型和用户标签对当前年份用户所在生源地考生于各院校专业的录取分数进行预测，得到用户所在生源地考生于各院校专业的录取分数；
步骤S3:构建高等院校录取评估模型，将高考资料信息输入所述高等院校录取评估模型进行录取评估，得到各院校专业对用户的评估概率；
步骤S4:对获取的各院校专业的评估概率进行排序，筛选出一级推荐院校和推荐专业，并对一级推荐院校和推荐专业进行分类；
步骤S5:获取用户的个性化需求信息，根据用户的个性化需求信息基于一级推荐院校和推荐专业以及各个性化需求信息的权重，为用户匹配对应的院校和专业，根据匹配结果，得到多组志愿推荐方案；
步骤S6:获取用户选择的方案信息，根据平行志愿录取规则和录取概率预测真实模拟录取过程，并将最终录取志愿返回给用户。
2.如权利要求1所述的用于辅助高考志愿填报方案的推荐方法，其特征在于，所述基本身份信息包括姓名、性别和生源地信息，所述高考资料信息包括高考分数、院校和个性化需求信息。
3.如权利要求1所述的用于辅助高考志愿填报方案的推荐方法，其特征在于，所述通过网络爬虫方式构建各院校专业信息库包括：
发起响应请求，利用爬虫程序向高考政务官方网站站点发起访问请求，所述访问请求包括院校名称及代码、专业名称及代码、最低录取分数、录取年份和考情信息，并等待网站服务器接收请求；
获取需求的内容，当网络服务器回复响应请求，反馈访问请求所需的内容数据，所述内容数据的类型包括HTML、JSON字符串和二进制数据；
对爬取内容进行解析，将获取的网页内容送至页面解析库进行解析，依据解析结果保存有效数据，将数据保存为所需要的格式，保存到各院校专业信息库。
4.如权利要求3所述的用于辅助高考志愿填报方案的推荐方法，其特征在于，所述基于各院校专业信息库、灰色预测模型和用户标签对当前年份用户所在生源地考生于各院校专业的录取分数进行预测包括：
根据用户标签确定用户所在的生源地信息；
以5年内各院校专业录取分数与生源地省控线分数的差值为基础建立原始序列X(0)＝(X(0)(1),X(0)(2),...,X(0)(n))，并计算所述原始序列的级比
Figure FDA0004024862180000021
然后建立GM(1,1)模型并进行数据的灰色预测，构建微分方程/>
Figure FDA0004024862180000022
其中，a为发展系数，b为灰色作用量；
求解微分方程
Figure FDA0004024862180000023
然后根据公式
Figure FDA0004024862180000024
进行数值预测，对预测值进行残差检验和级比偏差值检验，如果两项数值均小于0.1，则输出当年各院校专业录取分数与生源地省控线分数的差值ni,ni＝|xi-ti|,x代表第i年某志愿的最低录取分数，t代表第i年生源地省控线。
5.如权利要求4所述的用于辅助高考志愿填报方案的推荐方法，其特征在于，所述将高考资料信息输入所述高等院校录取评估模型进行录取评估，得到各院校专业对用户的评估概率包括：
基于正态分布模型构建高等院校录取评估模型；
利用高考资料信息获取用户的志愿信息，所述志愿信息包括意向院校及专业；
根据当前年份用户所在生源地考生于各院校专业的录取分数的预测结果，得到最低预测录取分数作为高等院校录取评估模型的均值μ；
依据用户的意向志愿信息确定用户意向志愿当前分数线的预测值，获取用户分数所处区间，并根据用户分数区间采用正态分布特性计算用户实际被相同类型的意向志愿录取的概率；
将录取概率转换为录取概率评分，并判断用户的分数是否大于设置的阈值，若是大于设置的阈值，则用户分数每超过0.5σ录取概率评分减少1分，否则直接输出评分。
6.如权利要求5所述的用于辅助高考志愿填报方案的推荐方法，其特征在于,所述对获取的各院校专业的评估概率进行排序，筛选出一级推荐院校和推荐专业，并对一级推荐院校和推荐专业进行分类包括：
根据录取概率评分对获取的各院校专业的评估概率进行排序；
根据预设的志愿数量阈值，筛选出满足所述志愿数量阈值的志愿信息；
将筛选出满足所述志愿数量阈值的志愿信息进行编号生成一级推荐院校和推荐专业，并根据预测录取分数信息将一级推荐院校和推荐专业分为保守、稳定和冲刺三类。
7.如权利要求1所述的用于辅助高考志愿填报方案的推荐方法，其特征在于,所述获取用户的个性化需求信息，根据用户的个性化需求信息基于一级推荐院校和推荐专业以及各个性化需求信息的权重，为用户匹配对应的院校和专业，根据匹配结果，得到多组志愿推荐方案包括：
获取一级推荐院校和推荐专业及一级推荐院校和推荐专业对应的录取概率评分；
根据用户的个性化需求获取用户的个性偏好信息，基于个性偏好信息确定志愿信息的属性权重，并加权计算用户对各志愿偏好的评分；
通过用户选择的约束对一级推荐院校和推荐专业进行过滤，并基于用户对各志愿偏好的评分对剩余志愿进行排序分类，得到多组志愿推荐方案。
8.一种用于辅助高考志愿填报方案的推荐系统，基于上述权利1至7所述的用于辅助高考志愿填报方案的推荐方法进行志愿推荐填报，其特征在于,包括信息获取模块、录取分数预测模块、录取概率评估模块、筛选分类模块、匹配推荐模块和模拟录取模块；
信息获取模块用于获取用户基本身份信息和高考资料信息，基于获取的信息生成用户标签；
录取分数预测模块用于通过网络爬虫方式构建各院校专业信息库，基于各院校专业信息库、灰色预测模型和用户标签对当前年份用户所在生源地考生于各院校专业的录取分数进行预测，得到用户所在生源地考生于各院校专业的录取分数；
录取概率评估模块用于构建高等院校录取评估模型，将高考资料信息输入所述高等院校录取评估模型进行录取评估，得到各院校专业对用户的评估概率；
筛选分类模块用于对获取的各院校专业的评估概率进行排序，筛选出一级推荐院校和推荐专业，并对一级推荐院校和推荐专业进行分类；
匹配推荐模块用于获取用户的个性化需求信息，根据用户的个性化需求信息基于一级推荐院校和推荐专业以及各个性化需求信息的权重，为用户匹配对应的院校和专业，根据匹配结果，得到多组志愿推荐方案；
模拟录取模块用于获取用户选择的方案信息，根据平行志愿录取规则和录取概率预测真实模拟录取过程，并将最终录取志愿返回给用户。
CN202211706567.1A 2022-12-29 2022-12-29 一种用于辅助高考志愿填报方案的推荐方法及系统 Pending CN116244504A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211706567.1A CN116244504A (zh) 2022-12-29 2022-12-29 一种用于辅助高考志愿填报方案的推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211706567.1A CN116244504A (zh) 2022-12-29 2022-12-29 一种用于辅助高考志愿填报方案的推荐方法及系统

Publications (1)

Publication Number Publication Date
CN116244504A true CN116244504A (zh) 2023-06-09

Family

ID=86630559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211706567.1A Pending CN116244504A (zh) 2022-12-29 2022-12-29 一种用于辅助高考志愿填报方案的推荐方法及系统

Country Status (1)

Country Link
CN (1) CN116244504A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117112116A (zh) * 2023-10-16 2023-11-24 成都市蓉通数智信息技术有限公司 基于数字政务的用户管理系统
CN117290610A (zh) * 2023-11-24 2023-12-26 苏州峰学蔚来教育科技有限公司 一种高校招生信息推荐方法和系统
CN117892001A (zh) * 2024-01-17 2024-04-16 广州宏途数字科技有限公司 一种用于高考志愿填报方案的辅助推荐方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117112116A (zh) * 2023-10-16 2023-11-24 成都市蓉通数智信息技术有限公司 基于数字政务的用户管理系统
CN117112116B (zh) * 2023-10-16 2024-02-02 成都市蓉通数智信息技术有限公司 基于数字政务的用户管理系统
CN117290610A (zh) * 2023-11-24 2023-12-26 苏州峰学蔚来教育科技有限公司 一种高校招生信息推荐方法和系统
CN117290610B (zh) * 2023-11-24 2024-02-09 苏州峰学蔚来教育科技有限公司 一种高校招生信息推荐方法和系统
CN117892001A (zh) * 2024-01-17 2024-04-16 广州宏途数字科技有限公司 一种用于高考志愿填报方案的辅助推荐方法及系统

Similar Documents

Publication Publication Date Title
US20230297890A1 (en) Customizable machine learning models
CN107230174B (zh) 一种基于网络的在线互动学习系统和方法
CN116244504A (zh) 一种用于辅助高考志愿填报方案的推荐方法及系统
US20110029467A1 (en) Facility for reconciliation of business records using genetic algorithms
Mullen et al. Assessing the impact of demographic characteristics on spatial error in volunteered geographic information features
CN115146162A (zh) 一种在线课程推荐方法及系统
CN112711691B (zh) 网络舆情引导效果数据信息处理方法、系统、终端及介质
CN115455205B (zh) 一种基于时序知识图谱的职业发展规划的方法
CN113887930B (zh) 问答机器人健康度评估方法、装置、设备及存储介质
CN117726485B (zh) 一种基于大数据的智适应教育学习方法及系统
CN116228476A (zh) 一种实现一对一的客制化辅导方法及相关设备
Jakkaladiki et al. Deep learning-based education decision support system for student E-learning performance prediction
CN114648688A (zh) 高铁沿线景观等级评估方法、系统、设备及可读存储介质
CN111652767B (zh) 用户画像构建方法、装置、计算机设备和存储介质
CN114722280A (zh) 基于用户画像的课程推荐方法、装置、设备及存储介质
Trisudarmo et al. Combination of Fuzzy C-Means clustering methods and simple additive weighting in scholarship of decision support systems
CN117216081B (zh) 题库自动更新方法、装置、电子设备和存储介质
US20240020781A1 (en) Analytical platform for improving the education quality
Jia [Retracted] Random Algorithm and Skill Evaluation System Based on the Combing of Construction Mechanism of Higher Vocational Professional Group
Sailesh et al. Context driven data mining to classify students of higher educational institutions
Roestenburg et al. Exploring factors influencing academic literacy–A data-driven perspective
Hansen Using Artificial Neural Networks to Predict Matriculation of University Prospects
Murlena et al. Application of the Naïve Bayes Algorithm in Classifying the Reading Interests of Regional Library Visitors
Nacion et al. A Procedure for the Generation of Small Area Estimates of Philippine Poverty Incidence
Li et al. Performance Prediction Model Based on Multi-Layer Attention Mechanism for Programming Ability

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