CN116542831A - 招生数据的处理方法、装置、电子设备及存储介质 - Google Patents
招生数据的处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116542831A CN116542831A CN202310826589.XA CN202310826589A CN116542831A CN 116542831 A CN116542831 A CN 116542831A CN 202310826589 A CN202310826589 A CN 202310826589A CN 116542831 A CN116542831 A CN 116542831A
- Authority
- CN
- China
- Prior art keywords
- recruitment
- model
- sub
- strategy
- data
- 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
- 230000007115 recruitment Effects 0.000 title claims abstract description 543
- 238000012545 processing Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000004458 analytical method Methods 0.000 claims abstract description 92
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000007405 data analysis Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 71
- 238000012937 correction Methods 0.000 claims description 25
- 238000010276 construction Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 abstract description 16
- 238000010586 diagram Methods 0.000 description 16
- 230000008901 benefit Effects 0.000 description 14
- 238000007726 management method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000004308 accommodation Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/90—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Marketing (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
Abstract
本申请涉及机器学习领域,提供一种招生数据的处理方法、装置、电子设备及存储介质,方法包括:接收招生数据处理请求,招生数据处理请求包括:多个招生影响因素以及多个招生影响因素对应的当前招生数据信息;根据招生数据处理请求,采用预配置的招生模型,对当前招生数据信息进行分析处理,以获取多个招生策略;预配置的招生模型为基于多个招生影响因素进行提前构建的第一分析模型;第一分析模型用于基于不同的招生方向进行数据分析,以进行策略推荐;招生方向为指代学校所具有的招生能力的方向;从多个招生策略中确定目标招生策略,并将目标招生策略进行可视化显示,通过上述方法可以多方面的分析数据,简化运算过程,以及提高数据分析的全面性。
Description
技术领域
本申请涉及机器学习领域,尤其涉及一种招生数据的处理方法、装置、电子设备及存储介质。
背景技术
在各类院校招生的过程中,需要对招生情况进行分析,而招生数据分析通常是基于海量数据进行分析,由于招生数据量大,类型多,因此需要开发用于数据处理与分析模型来对招生数据进行处理与分析。
现有技术中,通过构建经过训练的机器学习模型,并利用经过训练的机器学习模型对招生数据进行处理;具体的,采集历史招生数据,该历史招生数据集包括特征信息如学校教育水平、管理水平、师资力量、学校等级等,以及特征信息对应的招生人数,将历史招生数据集输入到机器学习模型中进行训练,得到训练后的机器学习模型。
但是,上述训练的机器学习模型对应的算法复杂,运算过程比较麻烦,且在训练得到机器学习模型时,仅对特征信息进行单一性的分析处理,从而不仅导致招生数据分析相较复杂,还会导致招生数据的分析不全面。
发明内容
本申请提供一种招生数据的处理方法、装置、电子设备及存储介质,用于解决现有机器学习模型,对应的算法复杂,运算过程比较麻烦,且在训练得到机器学习模型时,仅对特征信息进行单一性的分析处理,从而不仅导致招生数据分析相较复杂,还会导致招生数据的分析不全面的问题。
第一方面,本申请提供一种招生数据的处理方法,所述方法包括:
接收招生数据处理请求,所述招生数据处理请求包括:多个招生影响因素以及所述多个招生影响因素对应的当前招生数据信息;
根据所述招生数据处理请求,采用预配置的招生模型,对所述当前招生数据信息进行分析处理,以获取多个招生策略;所述预配置的招生模型为基于所述多个招生影响因素进行提前构建的第一分析模型;所述第一分析模型用于基于不同的招生方向进行数据分析,以进行策略推荐;所述招生方向为指代学校所具有的招生能力的方向;
从所述多个招生策略中确定目标招生策略,并将所述目标招生策略进行可视化显示。
可选的,所述预配置的招生模型的构建方法包括:
接收模型构建请求,所述模型构建请求包括多个招生方向以及每个招生方向对应的至少一个招生影响因素;
基于所述招生影响因素获取每个招生方向对应的历史招生数据信息以及历史招生数量,并利用线性回归算法对所述历史招生数据信息和所述历史招生数量进行计算处理,得到曲线方程;每一招生影响因素对应一个历史招生数据信息;
基于所述多个招生方向对所述曲线方程进行层级分类,得到多个子曲线方程;每一子曲线方程对应至少一个招生影响因素;
针对每一子曲线方程,利用预定义算法对所述子曲线方程对应招生影响因素的历史招生数据信息进行计算处理,得到第一招生子模型;所述第一招生子模型用于对招生情况进行分析,以得到招生策略;
汇总每一子曲线方程对应的第一招生子模型,构建第一分析模型,所述第一分析模型用于基于每一个第一招生子模型进行策略推荐。
可选的,所述方法还包括:
获取第二分析模型,并对所述第二分析模型对应的方程进行拆分,得到至少一个子方程;所述第二分析模型为用于招生分析的数学模型;
获取所述至少一个子方程对应的历史招生数据信息,并利用预定义算法对所述至少一个子方程对应的历史招生数据信息进行计算处理,得到至少一个第二招生子模型;所述第二招生子模型用于对招生情况进行分析,以得到招生策略;
将所述至少一个第二招生子模型和所述第一分析模型对应的第一招生子模型进行汇总,得到第二分析模型;所述第二分析模型用于基于所述至少一个第二招生子模型和每一个第一招生子模型进行策略推荐。
可选的,所述模型构建请求还包括模型构建的应用场景;接收模型构建请求,包括:
利用随机分类方法对招生影响因素进行分类,得到多个招生方向,生成包含所述多个招生方向的模型构建请求;
或,获取模型构建的应用场景,基于所述应用场景确定对应的分类需求,并基于所述分类需求对所述招生影响因素进行分类,得到多个招生方向,生成包含所述多个招生方向的模型构建请求。
可选的,利用预定义算法对所述子曲线方程对应招生影响因素的历史招生数据信息进行计算处理,得到第一招生子模型,包括:
基于所述应用场景和所述招生影响因素确定迭代次数,利用预定义算法对所述子曲线方程对应招生影响因素的历史招生数据信息进行迭代计算处理,直至达到所述迭代次数,以获取第一招生子模型。
可选的,利用预定义算法对所述子曲线方程对应招生影响因素的历史招生数据信息进行迭代计算处理,直至达到所述迭代次数,以获取第一招生子模型,包括:
基于预定义算法对所述子曲线方程进行转换处理,构建所述子曲线方程对应的第一校正公式;所述第一校正公式用于校正所述子曲线方程的偏差;
利用所述子曲线方程对应招生影响因素的历史招生数据信息求解所述第一校正公式的一级系数,基于所述一级系数确定一级分类公式;
基于所述应用场景对所述一级分类公式进行划分,得到多个子公式,针对每一子公式,利用预定义算法继续对所述子公式对应招生影响因素的历史招生数据信息进行迭代计算处理,达到所述迭代次数,以获取第一招生子模型。
可选的,针对每一子公式,利用预定义算法继续对所述子公式对应招生影响因素的历史招生数据信息进行迭代计算处理,达到所述迭代次数,以获取第一招生子模型,包括:
针对每一子公式,基于预定义算法对所述一级分类公式进行转换处理,构建所述一级分类公式对应的第二校正公式;所述第二校正公式用于校正所述一级分类公式的偏差;
利用所述一级分类公式对应招生影响因素的历史数据信息求解所述第二校正公式的二级系数,基于所述二级系数确定二级分类公式;
在达到所述迭代次数后,基于所述一级分类公式整合所述二级分类公式,得到第一招生子模型。
可选的,所述招生数据处理请求还包括待推荐招生策略的推荐要求和推荐范围;所述推荐范围用于指示招生策略的适用范围;从所述多个招生策略中确定目标招生策略,并将所述目标招生策略进行可视化显示,包括:
利用所述推荐范围从所述多个招生策略中确定至少一个招生策略,并判断所述至少一个招生策略是否满足推荐要求;
若是,则利用特定算法从所述至少一个招生策略中确定目标招生策略,并将所述目标招生策略进行可视化显示;
若否,则将所述至少一个招生策略进行可视化显示,以供用户进行选择。
可选的,所述方法还包括:
将所述当前招生数据信息输入至所述预配置的招生模型后,得到预测招生结果,将所述预测招生结果进行可视化显示;所述预测招生结果用于辅助确定目标招生策略。
第二方面,本申请提供一种招生数据的处理装置,所述装置包括:
接收模块,用于接收招生数据处理请求,所述招生数据处理请求包括:多个招生影响因素以及所述多个招生影响因素对应的当前招生数据信息;
分析处理模块,用于根据所述招生数据处理请求,采用预配置的招生模型,对所述当前招生数据信息进行分析处理,以获取多个招生策略;所述预配置的招生模型为基于所述多个招生影响因素进行提前构建的第一分析模型;所述第一分析模型用于基于不同的招生方向进行数据分析,以进行策略推荐;所述招生方向为指代学校所具有的招生能力的方向;
确定模块,用于从所述多个招生策略中确定目标招生策略,并将所述目标招生策略进行可视化显示。
第三方面,本申请提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如第一方面中任一项所述的方法。
第四方面,本申请提供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执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面中任一项所述的方法。
综上所述,本申请提供一种招生数据的处理方法、装置、电子设备及存储介质,可以通过接收招生数据处理请求,并根据接收招生数据处理请求,采用预配置的招生模型,对当前招生数据信息进行分析处理,以获取多个招生策略,进一步的,从多个招生策略中确定目标招生策略,并将目标招生策略进行可视化显示,其中,预配置的招生模型为基于多个招生影响因素进行提前构建的第一分析模型;第一分析模型用于基于不同的招生方向进行数据分析,以进行策略推荐;第一分析模型将多个影响因素进行分类,对应不同招生方向,招生方向为指代学校所具有的招生能力的方向;利用该模型对招生数据进行分析处理,可以多方面的分析数据,简化运算过程的同时,提高数据分析的全面性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种应用场景示意图;
图2为本申请实施例提供的一种招生数据的处理方法的流程示意图:
图3为本申请实施例提供的一种确定最高收益率的策略的曲线方程示意图;
图4为本申请实施例提供的一种确定最大值点的策略的曲线方程示意图;
图5为本申请实施例提供的一种招生方向综合考虑的策略的曲线方程示意图;
图6为本申请实施例提供的一种进行策略推荐的曲线方程示意图;
图7为本申请实施例提供的另一种进行策略推荐的曲线方程示意图;
图8为本申请实施例提供的一种构建预配置的招生模型的框架示意图
图9为本申请实施例提供的一种获取招生策略的流程示意图;
图10为本申请实施例提供的一种招生数据的处理装置的结构示意图;
图11为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如,第一设备和第二设备仅仅是为了区分不同的设备,并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是,本申请中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在各类院校招生的过程中,需要对招生情况进行分析,而招生数据分析通常是基于海量数据进行分析,由于招生数据量大,类型多,因此需要开发用于数据处理与分析模型来对招生数据进行处理与分析。
一种可能的实现方式中,通过构建经过训练的机器学习模型,并利用经过训练的机器学习模型对招生数据进行处理;具体的,采集历史招生数据,该历史招生数据集包括特征信息如学校教育水平、管理水平、师资力量、学校等级等,以及特征信息对应的招生人数,将历史招生数据集输入到机器学习模型中进行训练,得到训练后的机器学习模型。
但是,上述训练的机器学习模型对应的算法复杂,运算过程比较麻烦,且在训练得到机器学习模型时,仅对特征信息进行单一性的分析处理,从而不仅导致招生数据分析相较复杂,还会导致招生数据的分析不全面。
可以理解的是,在复杂场景如招生场景中,可能涉及多个层级的影响因素对应的数据,如在自身实力层面,可以包括有师资力量、学校等级、管理水平、住宿条件、智能化等级等多个影响因素对应的数据,上述影响因素可以影响最终结果如招生人数。
针对上述问题,以及考虑存在多个层级影响因素影响最终结果的情景,本申请提供一种招生数据的处理方法,通过使用已经构建好的预配置的招生模型,对多个层级的招生影响因素对应的数据进行分析处理,以得到多个推荐的招生策略,进而从多个招生策略中确定所需的招生策略,其中,预配置的招生模型为基于预定义算法如线性回归算法构建的多层分级模型,可以将多个招生影响因素基于不同招生方向进行分类,根据该招生模型,可以分析出每个招生影响因素对最终结果的影响程度,多方面的分析数据,简化运算过程,提高数据分析的全面性,从而可以做出智能推荐,帮助使用者做出更合理的决策。
可以理解的是,在改变某个招生影响因素对应的招生数据后,利用预配置的招生模型进行分析处理招生数据,可以预估出能产生的最大的收益。
图1为本申请实施例提供的一种应用场景示意图,如图1所示,该应用场景包括:用于数据收集以及结果显示的终端设备101和数据处理系统102,该数据处理系统102中部署有预配置的招生模型,用于对招生数据进行分析处理。
具体的,终端设备101基于不同类别收集招生影响因素对应的招生数据,所述招生数据包括学校等级(X1)、师资力量(X2)、智能化等级(X3)、管理水平(X4)、费用(X5)、住宿条件(X6)、经济水平(X7)、教育水平(X8)、宣传载体(X9)、宣传时间段(X10)、宣传内容(X11)、投入费用(X12)等对应的招生数据;其中,X1-X6对应自身实力(O1)层级,X7和X8对应地区画像(O2)层级,X9-X11对应品牌宣传(O3)层级,在O1层级中,还可以进行划分,如X2-X4对应升学率层级(P1),P1和X1、X5、X6构成O1层级。
进一步的,终端设备101将收集到的上述招生数据发送到数据处理系统102进行处理,数据处理系统102可以利用预配置的招生模型对上述招生数据进行分析处理,得到多个可推荐的招生模型以及预测的招生人数(Y)结果,并将多个可推荐的招生模型以及结果Y发送到终端设备101上进行可视化展示,以供用户进行选择。
需要说明的是,所述预配置的招生模型基于不同的招生方向进行影响因素的层级划分,其对应的划分层级数量以及每层级包含的影响因素的数量,本申请实施例对此不作具体限定,以上仅是示例说明。
上述终端设备可以是无线终端也可以是有线终端。无线终端可以是指向用户提供语音和/或其他业务数据连通性的设备,具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。无线终端可以经无线接入网(Radio Access Network,简称RAN)与一个或多个核心网设备进行通信,无线终端可以是移动终端,如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机,例如,可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置,它们与无线接入网交换语言和/或数据。再例如,无线终端还可以是个人通信业务(Personal Communication Service,简称PCS)电话、无绳电话、会话发起协议(Session Initiation Protocol,简称SIP)话机、无线本地环路(Wireless Local Loop,简称WLL)站、个人数字助理(Personal Digital Assistant,简称PDA)等设备。无线终端也可以称为系统、订户单元(Subscriber Unit)、订户站(Subscriber Station),移动站(MobileStation)、移动台(Mobile)、远程站(Remote Station)、远程终端(Remote Terminal)、接入终端(Access Terminal)、用户终端(User Terminal)、用户代理(User Agent)、用户设备(User Device or User Equipment),在此不作限定。可选的,上述终端设备可以是智能手机、平板电脑等设备。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图2为本申请实施例提供的一种招生数据的处理方法的流程示意图,如图2所示,所述招生数据的处理方法包括如下步骤:
S201、接收招生数据处理请求,所述招生数据处理请求包括:多个招生影响因素以及所述多个招生影响因素对应的当前招生数据信息。
本申请实施例中,招生影响因素可以指的是影响学校招生数量的因素,所述招生影响因素可以包括学校等级、师资力量、智能化等级、管理水平、学习费用、住宿条件、经济水平、教育水平、宣传载体、宣传时间段、宣传内容、投入费用等,每一招生影响因素对应有招生数据信息,如学校等级为2级,师资力量为100名等。
需要说明的是,本申请实施例对招生影响因素包括的内容以及招生影响因素对应的具体招生数据信息不作限定,以上仅是示例说明,如师资力量还可以为高等教师20名、低级教师50名、教授30名等。
S202、根据所述招生数据处理请求,采用预配置的招生模型,对所述当前招生数据信息进行分析处理,以获取多个招生策略;所述预配置的招生模型为基于所述多个招生影响因素进行提前构建的第一分析模型;所述第一分析模型用于基于不同的招生方向进行数据分析,以进行策略推荐;所述招生方向为指代学校所具有的招生能力的方向。
本申请实施例中,招生方向可以包括不同层级对应的招生方向,如所述招生方向包括自身实力、地区画像、品牌宣传等一级招生方向,所述自身实力可以包括升学率、住宿条件等二级招生方向,每层级招生方向对应一个或多个招生影响因素。
需要说明的是,所述预配置的招生模型对应招生人数曲线方程,所述招生人数曲线方程包括多个招生方向对应的曲线方程,如招生人数曲线方程为Y=(L0+L1O1+L2O1²)+(L3+L4O2+L5O2²)+(L6+L7O3+L8O3²),则包括O1、O2、O3这三个招生方向的曲线方程,即L0+L1O1+L2O1²、L3+L4O2+L5O2²和L6+L7O3+L8O3²,其中,L0-L8代表系数,本申请实施例对系数对应的具体数值不作限定,其根据实际应用场景确定。
在本步骤中,以图1的应用场景为例,采用预配置的招生模型在对当前招生数据信息进行分析处理时,不需要关注于具体的招生影响因素,而是从自身实力、地区画像、品牌宣传这三个大的招生方向做出规划,得出O1、O2、O3的斜率,通过该斜率可以得出自身实力、地区画像、品牌宣传对最终招生结果的影响程度,以及改变三个招生方向能够产生的最大收益,通过以上数据,可以向决策者推荐出合理的招生策略。
其中,所述招生策略可以包括:具有收益率最高的策略、具有最大的招生人数的策略、三个招生方向综合考虑的策略等。
具体的,所述具有收益率最高的策略关注的是以最小的投入获取最大的收益,则需要根据三个招生方向拟合出来的曲线,寻找出斜率最大的点,图3为本申请实施例提供的一种确定最高收益率的策略的曲线方程示意图,如图3所示,以招生方向为自身实力为例,找到图中曲线方程对应的斜率最大的点,即获取最大收益率的投入点,便是所选自身实力方向的最高收益率,其中,图3中还包括最大值点、最小值点以及当前收益率对应的点。
所述具有最大的招生人数的策略关注的是收益最大化,即寻找出三个招生方向拟合出来的曲线的最大值点,图4为本申请实施例提供的一种确定最大值点的策略的曲线方程示意图,如图4所示,以招生方向为自身实力为例,找到图中曲线方程对应的最大值点,其中,图4中还可以包括最小值点以及预算最大值对应的点、预算最小值对应的点,预算最大值和预算最小值为用户给出的预算范围对应的最大值和最小值。
所述三个招生方向综合考虑的策略同样关注的是以最小的投入获取最大的收益,但是从三个招生方向综合考虑来进行推荐,即通过对各个影响因素进行拆分,可以将每个招生影响因素和投入费用做映射,也可以将每层级分类中的每个招生影响因素和投入费用做映射,从而产生三个一级分类和投入费用之间的曲线公式,图5为本申请实施例提供的一种招生方向综合考虑的策略的曲线方程示意图,如图5所示,基于预算费用查找出斜率最大的点。
S203、从所述多个招生策略中确定目标招生策略,并将所述目标招生策略进行可视化显示。
本申请实施例中,目标招生策略可以指的是最终确定的用于使用的策略,从所述多个招生策略中确定目标招生策略,可以利用推荐算法从所述多个招生策略中确定目标招生策略,也可以基于用户设定的推荐要求从所述多个招生策略中确定目标招生策略。
其中,所述推荐要求可以为预算范围、目标收益率范围或者招生人数范围中的最大值等,本申请实施例对此不作具体限定。
示例性的,决策者可以设定目标收益率范围,在该目标收益率范围内可能对应多个招生策略,以图3为例,会产生多个满足条件的投入值,则可以从多个满足条件的投入值中找到最小的投入值生成目标招生策略进行推荐,即将目标招生策略进行可视化显示,其对应的具体显示内容,本申请实施例不作具体限定。
需要说明的是,所述推荐算法可以为求最大值法、求平均值法、加权平均法、加权求和法等,本申请实施例对推荐算法对应的具体算法不作限定。
因此,本申请实施例提供一种招生数据的处理方法,可以通过接收招生数据处理请求,并根据接收招生数据处理请求,采用预配置的招生模型,对当前招生数据信息进行分析处理,获取到多个招生策略,并从中确定目标招生策略,预配置的招生模型将多个招生影响因素进行分类,对应不同招生方向,利用该模型对招生数据进行分析处理,可以多方面的分析数据,简化运算过程的同时,提高数据分析的全面性。
可选的,所述预配置的招生模型的构建方法包括:
接收模型构建请求,所述模型构建请求包括多个招生方向以及每个招生方向对应的至少一个招生影响因素;
基于所述招生影响因素获取每个招生方向对应的历史招生数据信息以及历史招生数量,并利用线性回归算法对所述历史招生数据信息和所述历史招生数量进行计算处理,得到曲线方程;每一招生影响因素对应一个历史招生数据信息;
基于所述多个招生方向对所述曲线方程进行层级分类,得到多个子曲线方程;每一子曲线方程对应至少一个招生影响因素;
针对每一子曲线方程,利用预定义算法对所述子曲线方程对应招生影响因素的历史招生数据信息进行计算处理,得到第一招生子模型;所述第一招生子模型用于对招生情况进行分析,以得到招生策略;
汇总每一子曲线方程对应的第一招生子模型,构建第一分析模型,所述第一分析模型用于基于每一个第一招生子模型进行策略推荐。
本申请实施例中,预定义算法可以指的是用于将曲线方程进行层级划分的算法,可以是多项式回归算法,也可以是随机森林算法,本申请实施例对此不作具体限定。
在本步骤中,在接收模型构建请求后,本申请可以构建预配置的招生模型,具体的,可以通过大数据分析方法如线性回归算法,计算出多个招生影响因素对应的历史招生数据信息和历史招生数量之间的曲线方程,通过该曲线方程,可以在改变的招生影响因素对应的招生数据信息下,预测出相应的招生结果。
由于该曲线方程由多个子曲线方程组成,则每个子曲线方程可以看作是一组招生影响因素形成的综合影响力,即在分析问题时,可以把该子曲线方程当成一个大的招生影响因素,因此,将这个大的招生影响因素抽象为一级分类,一级分类对应一个招生方向,每个一级分类下有子类招生影响因素,从而在分析问题和得出推荐的招生策略时,不用去关注每一招生影响因素对历史招生数量的影响,只需在一级分类上得出相应的待推荐的招生策略即可。
示例性的,以图1所示的应用场景为例,基于X1-X12对应的招生影响因素收集整理数据集,所述数据集包括历史招生数据信息和历史招生数量(Y),进而可以基于所述数据集利用线性回归算法计算得到曲线方程为:Y=K0+K1X1+K2X2+K3X3+K4X4+K5X5+K6X6+K7X7+K8X8+K9X9+K10X10+K11X11+K12X12,进一步,基于自身实力、地区画像、品牌宣传这三个招生方向对曲线方程进行层级分类,得到Y=K0+(K1X1+K2X2+K3X3+K4X4+K5X5+K6X6)+(K7X7+K8X8)+(K9X9+K10X10+K11X11+K12X12),即三个子曲线方程,分别是K1X1+K2X2+K3X3+K4X4+K5X5+K6X6,K7X7+K8X8,K9X9+K10X10+K11X11+K12X12。
进一步的,针对上述三个子曲线方程,利用预定义算法如多项式回归算法对该三个子曲线方程对应招生影响因素的历史招生数据信息进行计算处理,得到第一招生子模型分别为L0+L1O1+L2O1²,L3+L4O2+L5O2²,L6+L7O3+L8O3²,进而汇总该三个子曲线方程,得到第一分析模型,为Y=(L0+L1O1+L2O1²)+(L3+L4O2+L5O2²)+(L6+L7O3+L8O3²),其中,O1=K1X1+M0+M1P1+M2P1²+K5X5+K6X6,P1=K2X2+K3X3+K4X4,O2=K7X7+K8X8,O3=K9X9+K10X10+K11X11+K12X12,K1-K12、L0-L8、M0-M2分别代表不同的系数值,本申请实施例对其对应的具体数值不作限定。
因此,本申请实施例构建的第一分析模型,可以汇总所有的第一招生子模型,使得可以在一级分类上做出决策,降低计算的复杂度,更便于用户理解计算逻辑,且将多个招生影响因素进行分类,从而可以从不同的角度和维度去分析问题,分析也更加全面。
可选的,所述方法还包括:
获取第二分析模型,并对所述第二分析模型对应的方程进行拆分,得到至少一个子方程;所述第二分析模型为用于招生分析的数学模型;
获取所述至少一个子方程对应的历史招生数据信息,并利用预定义算法对所述至少一个子方程对应的历史招生数据信息进行计算处理,得到至少一个第二招生子模型;所述第二招生子模型用于对招生情况进行分析,以得到招生策略;
将所述至少一个第二招生子模型和所述第一分析模型对应的第一招生子模型进行汇总,得到第二分析模型;所述第二分析模型用于基于所述至少一个第二招生子模型和每一个第一招生子模型进行策略推荐。
在本步骤中,第一分析模型可以对接其他现有的第二分析模型,即把其他分析模型对应的公式视为一个子方程,或拆分成多个子方程,所述子方程对应一级分类,进而获取至少一个子方程对应的历史招生数据信息并对至少一个子方程进行计算处理,得到至少一个第二招生子模型,汇总所有的第一招生子模型和至少一个第二招生子模型,便可以得到第二分析模型,即招生模型。
如此便可以整合多个招生分析模型形成一个更系统的招生分析模型,同时也可以把复杂的任务拆解成不同的子任务进行分析处理,简化计算逻辑。
因此,本申请实施例可以将多个不同类型的招生分析模型整合成系统的招生模型,提高应用的灵活性,使得可以多方面的应用配置的招生模型。
可选的,所述模型构建请求还包括模型构建的应用场景;接收模型构建请求,包括:
利用随机分类方法对招生影响因素进行分类,得到多个招生方向,生成包含所述多个招生方向的模型构建请求;
或,获取模型构建的应用场景,基于所述应用场景确定对应的分类需求,并基于所述分类需求对所述招生影响因素进行分类,得到多个招生方向,生成包含所述多个招生方向的模型构建请求。
本申请实施例中,分类需求可以指的是在相应的应用场景提前设定的分类方向,如招生场景下,对应自身实力、地区画像、品牌宣传这三个分类方向,本申请实施例对不同场景下的分类需求不作具体限定,所述分类需求为基于应用场景提前预设好的。
在本步骤中,可以根据应用场景对应的实际情况对招生影响因素进行分类,或者采取随机分类方法对招生影响因素分类,将招生影响因素划分到不同的分类中,该分类为一级分类(O、P...),即Y=K0+(K1X1+K2X2+...+KmXm)+(Km+1Xm+1+...+KnXn),O=K1X1+K2X2+...+KmXm,P=Km+1Xm+1+...+KmXn。
因此,本申请实施例可以将多个招生影响因素进行分类,并对不同的分类做出多级分类,从而可以从不同的角度和维度去分析问题,使得任务分析更加合理性。
可选的,利用预定义算法对所述子曲线方程对应招生影响因素的历史招生数据信息进行计算处理,得到第一招生子模型,包括:
基于所述应用场景和所述招生影响因素确定迭代次数,利用预定义算法对所述子曲线方程对应招生影响因素的历史招生数据信息进行迭代计算处理,直至达到所述迭代次数,以获取第一招生子模型。
本申请实施例中,所述迭代次数用于确定第一招生子模型对应的层级分类数量,本申请实施例对所述迭代次数对应的具体数值不作限定,如图1所示,O1对应的第一招生子模型对应的迭代次数为2。
在本步骤中,利用预定义算法对子曲线方程进行迭代计算,最终算到最后一层分类上,即每个具体的招生影响因素,公式可表示为:
On=L0+L1Xn+L2Xn²+L3Xn³...
或者是更复杂的表示方式,如
Y=L0+L1O+L2+L3OP+L4O²+L5O²P+L6O²P²+L7OP²+L8P²+...
因此,本申请实施例可以对子曲线方程进行多次迭代,直至达到符合应用场景的迭代次数,进而可以将总的曲线方程分为多个方面,经过不断进行细分,提高数据分析的合理性。
可选的,利用预定义算法对所述子曲线方程对应招生影响因素的历史招生数据信息进行迭代计算处理,直至达到所述迭代次数,以获取第一招生子模型,包括:
基于预定义算法对所述子曲线方程进行转换处理,构建所述子曲线方程对应的第一校正公式;所述第一校正公式用于校正所述子曲线方程的偏差;
利用所述子曲线方程对应招生影响因素的历史招生数据信息求解所述第一校正公式的一级系数,基于所述一级系数确定一级分类公式;
基于所述应用场景对所述一级分类公式进行划分,得到多个子公式,针对每一子公式,利用预定义算法继续对所述子公式对应招生影响因素的历史招生数据信息进行迭代计算处理,达到所述迭代次数,以获取第一招生子模型。
示例性的,以Y=实际收益,X1=招生影响因素1,X2=招生影响因素2,X3=招生影响因素3,Xn=招生影响因素n,O=一级分类公式,预定义算法为多项式回归算法为例,再根据线性回归算法得出曲线方程为Y=K0+K1X1+K2X2+K3X3+...+KnXn后,设子曲线方程为O=K1X1+K2X2+...+KmXm,该公式对应的值为通过曲线方程算出来的理论值,O的真实值为:Y真实值-(Km+1Xm+1+...KnXn),则理论值和真实值存在一个偏差。
具体的,利用理论值和真实值形成了一个新的数据集,可以使用第一校正公式来校正这个偏差,该第一校正公式可表示为:
Y真实值-K0-(Km+1Xm+1+...KnXn)=(L0+L1O+L2O²+L3O³...)
对应为Y1=L0+L1O+L2O²+L3O³...,进一步的,通过多项式回归算法,算出一级系数L0、L1、L2、L3...对应的系数值,进而基于该系数值确定一级分类公式为O=L0+L1O+L2O²+L3O³...。
以上步骤可以算出第一个一级分类公式,重复这些步骤可以算出其他一级分类公式,最终生成公式为:
Y=(L0+L1O+L2O²+L3O³...)+...+(H0+H1P+H2P²+H3P³...)
其中,P=其他一级分类公式。
可选的,若所述迭代次数为1,则获取的第一招生子模型为对应的一级分类公式,以一级分类公式O为例,第一分析模型可以基于一级分类公式O=L0+L1O+L2O²+L3O³...进行策略推荐,图6为本申请实施例提供的一种进行策略推荐的曲线方程示意图,如图6所示,找到图中曲线方程对应的斜率最大的点,即对应的是最高收益率的投入点,基于该投入点生成关于O对应招生方向的招生策略,相应的,还可以在图中找到O的最大值点、最小值点以及当前收益率对应的点,可以用于辅助进行策略推荐,即可以让决策者对不同规划产生的结果有更直接清晰的认识,从而辅助做出更合理的决策。
类似的,针对其他一级分类公式P,也可以进行策略推荐,图7为本申请实施例提供的另一种进行策略推荐的曲线方程示意图,如图7所示,找到图中曲线方程对应的斜率最大的点,即对应的是最高收益率的投入点,也可以基于该投入点生成关于P对应招生方向的招生策略,相应的,也可以在图中找到P的最大值点、最小值点以及当前收益率对应的点,与图6所示实施例类似,在此不再赘述。
示例性的,以图1所示的应用场景为例,基于多项式回归算法对子曲线方程O1=K1X1+K2X2+K3X3+K4X4+K5X5+K6X6进行转换处理,即令Y1=Y真实值-(K7X7+K8X8)+(K9X9+K10X10+K11X11+K12X12),则可以基于历史招生数据信息计算得出变量O1和因变量Y1的数据集,基于该数据集通过多项式回归算法可求解得出一级分类公式:Y1=L0+L1O1+L2O1²,其中O1=K1X1+(K2X2+K3X3+K4X4)+K5X5+K6X6。
进一步的,对一级分类公式O1进行划分,得到多个子公式,针对每一子公式,继续利用多项式回归算法进行迭代计算,以获取第一招生子模型。
需要说明的是,计算其他一级分类公式O2和O3与计算O1的过程类似,在此不再赘述。
因此,本申请实施例可以准确的提炼出一级分类的招生影响因素,这样,便可以根据不同分类的招生影响因素做出大分类(一级分类)上的智能决策,简化运算逻辑。
可选的,针对每一子公式,利用预定义算法继续对所述子公式对应招生影响因素的历史招生数据信息进行迭代计算处理,达到所述迭代次数,以获取第一招生子模型,包括:
针对每一子公式,基于预定义算法对所述一级分类公式进行转换处理,构建所述一级分类公式对应的第二校正公式;所述第二校正公式用于校正所述一级分类公式的偏差;
利用所述一级分类公式对应招生影响因素的历史数据信息求解所述第二校正公式的二级系数,基于所述二级系数确定二级分类公式;
在达到所述迭代次数后,基于所述一级分类公式整合所述二级分类公式,得到第一招生子模型。
示例性的,以图1所示的应用场景为例,基于多项式回归算法对子公式P1=K2X2+K3X3+K4X4进行转换处理,即令O11=Y1真实值-K1X1-K5X5-K6X6,则可以基于历史招生数据信息计算得出变量P1和因变量O11的数据集,基于所述数据集,通过多项式回归算法可以求解得出二级分类公式:O11=M0+M1P1+M2P1²,将二级分类公式代入一级分类公式进行整合,得到O1=K1X1+M0+M1P1+M2P1²+K5X5+K6X6。
进一步的,利用类似的方法,还可以得出一组关于X2、X3、X4和P1真实值的新数据集,根据该新数据集,重新计算出K2、K3、K4的值,进行迭代计算,进而得到第一招生子模型:O=L0+L1O1+L2O1²+L3O1³...,即将所有的二级分类公式代入一级分类公式中。
需要说明的是,为了更准确的提炼出一级分类的影响因素,二级分类公式的最高次方可以低于一级分类公式的最高次方。
因此,通过上述方法进行迭代计算,最终算到最后一层分类上,即每个具体的招生影响因素,以便于根据最低层的分类做出更细化的单点决策。
结合上述实施例,在得到招生模型后,所述招生模型中一级分类O的斜率为k1,O的下级分类O1(二级分类)对O的斜率为k2,则O1对Y的斜率为,X1对Y的斜率为,相应的,X1对Y的影响率为/>。
因此,在实际分析问题时,例如做招生策略智能推荐时,可以推荐斜率最大的招生影响因素,或者收益值最高的招生影响因素。
可选的,所述招生数据处理请求还包括待推荐招生策略的推荐要求和推荐范围;所述推荐范围用于指示招生策略的适用范围;从所述多个招生策略中确定目标招生策略,并将所述目标招生策略进行可视化显示,包括:
利用所述推荐范围从所述多个招生策略中确定至少一个招生策略,并判断所述至少一个招生策略是否满足推荐要求;
若是,则利用特定算法从所述至少一个招生策略中确定目标招生策略,并将所述目标招生策略进行可视化显示;
若否,则将所述至少一个招生策略进行可视化显示,以供用户进行选择。
本申请实施例中,可以通过设定目标收益率范围、预算范围等推荐范围从多个招生策略中确定至少一个招生策略,即第一招生子模型对应的曲线方程可能会产生多个满足条件的投入值,如图4所示,在预算最大值和预算最小值之间,对应多个满足条件的投入值,进一步的,判断至少一个招生策略是否满足推荐要求,即多个满足条件的投入值是否满足推荐要求,若是,则可以利用特定算法从所述至少一个招生策略中确定目标招生策略;其中,所述推荐要求为基于应用场景设定的可用于推荐给决策者实施对应的要求,不同应用场景对应不同的推荐要求,本申请实施例对此不作具体限定。
需要说明的是,所述特定算法为基于不同应用场景设定用获取最优策略的算法,如求最小值法、求最大值法,即若第一招生子模型对应的曲线方程产生多个满足条件的投入值,则该模型可以从这些值中找到最小的投入值进行策略推荐,或根据曲线方程选择出最符合要求的预算进行推荐。
在本步骤中,若至少一个招生策略不满足推荐要求,则可以将所述至少一个招生策略显示在用户的终端设备上,以供用户自主进行选择,响应于用户的选择操作,确定目标招生策略。
可选的,也可以通过不同的第一招生子模型得出每个招生方向同样的投入而能提升的招生数,并基于设定的预算投入,该模型会根据招生投入收益率对三个方向进行动态排名,优先选择收益率最高的招生方向进行推荐。
可以理解的是,如果排名第一的招生方向随着投入增加而收益率在降低,则当其收益率小于排名第二的招生方向时,则原排名第一的招生方向会动态调整为排名第二,原排名第二的招生方向会动态调整为排名第一,即该模型会重新选择排名第一的招生方向进行预算投入。
依次类推,直到将所有预算投入完,则将三个招生方向的预算投入进行汇总,生成招生策略推荐给决策者。
示例性的,当学校的某个子部门在完成年度任务目标时,利用预配置的招生模型进行分析处理,即该招生模型可以根据不同一级分类公式进行智能分析和智能推荐,如在品牌宣传部门,可以根据公式O3=K9X9+K10X10+K11X11+K12X12来做智能分析,采用图4-图6所述的方法进行策略推荐,为子部门推荐出最合理的招生策略。
因此,本申请实施例利用上述方法可以基于不同的应用场景,做出相应的侧类推荐,并确定合理的招生策略,提高推荐的智能性。
可选的,所述方法还包括:
将所述当前招生数据信息输入至所述预配置的招生模型后,得到预测招生结果,将所述预测招生结果进行可视化显示;所述预测招生结果用于辅助确定目标招生策略。
在本步骤中,在进行策略推荐时,可以尝试改变不同招生方向的招生数据值,在改变某个招生方向的招生数据值时,可结合其他的招生分析模型计算出需要投入的费用和人力,同时也可以根据预配置的招生模型预测出最终的招生结果,让决策者在进行招生策略选择时,对不同规划产生的结果可以有更直接清晰的认识,从而能够结合实际做出更合理的决策。
可以理解的是,子部门决策者同样可以使用预配置的招生模型的结果预测功能,对不同招生影响因素的投入做出更合理的规划。
因此,本申请实施例可以进行结果预测,以辅助确定目标招生策略,从而使得到的目标招生策略可以结合实际,提高策略推荐的合理性。
结合上述实施例,图8为本申请实施例提供的一种构建预配置的招生模型的框架示意图,如图8所示,获取招生影响因素如因素1-因素7和最终收益,以及每一因素对应的历史招生数据信息,并基于不同招生方向对因素1-因素7进行分类,如可以基于4个分类方向进行分类,得到一级分类1-一级分类4,进一步的,基于4个分类方向对公式曲线方程进行层级分类,得到公式1-公式4这4个子曲线方程;进一步的,针对每一子曲线方程,对其进行一级分类分析,即对每一子曲线方程对应的至少一个招生影响因素分析,如针对一级分类1分析时,对因素1和因素2进行分析,类似的,将所有因素分析后,汇总一级分类1-一级分类4,构建预配置的招生模型,并利用构建的招生模型进行影响力度、最优策略和最大收益的分析,进行策略推荐。
其中,在构建预配置的招生模型的过程中,需要利用因素1-因素7分别对应的历史招生数据信息计算出实际场景中的实际值,用于校正公式1-公式4的偏差,且还可以进行智能分析,得到结果预测。
示例性的,在构建预配置的招生模型后,可以使用预配置的招生模型进行招生策略的获取,图9为本申请实施例提供的一种获取招生策略的流程示意图,如图9所示,以图9所示的招生影响因素为基础,构建出招生模型(招生人数曲线)后,可以进行上层战略规划,即以领导层做战略规划时,制定大的战略规划,分别对应提高品牌宣传力度、提升自生实力和增加招生区域的战略规划,在领导层制定好大的战略规划后,需要落实到不同的部门进行实施,即从三个招生方向进行任务拆分,包括品牌部门任务拆分、管理部门任务拆分和招生部门任务拆分。
进一步的,每个部门只需要关注自己所负责的方向,通过提高所负责方向的一级分类值,来提高最终的招生数,进而推荐招生策略,如品牌宣传部门在专注于提高品牌宣传力度时,可以对应有的招生策略包括:推荐最优费用投入策略、推荐宣传内容策略、推荐宣传时间段策略、推荐宣传载体策略。
相应的,管理部门和招生部门也有对应的招生策略,本申请实施例对此不作具体限定,本申请仅是示例说明,如管理部门推荐的招生策略包括:改善住宿条件策略、推荐合理的费用策略、提高升学率策略,其中,提高升学率策略可以包括:提高管理水平策略、提高师资力量策略和提高智能化等级策略。
因此,本申请可以根据不同分类的招生影响因素做出大分类上的智能决策,不需要细化到具体的招生影响因素中去决策,例如在实际工作中,对于领导层可根据一级分类做出大的战略推荐,对于执行层,则可根据最低层的分类做出更细化的战略推荐。
在前述实施例中,对本申请实施例提供的招生数据的处理方法进行了介绍,而为了实现上述本申请实施例提供的方法中的各功能,作为执行主体的电子设备可以包括硬件结构和/或软件模块,以硬件结构、软件模块、或硬件结构加软件模块的形式来实现上述各功能。上述各功能中的某个功能以硬件结构、软件模块、还是硬件结构加软件模块的方式来执行,取决于技术方案的特定应用和设计约束条件。
例如,图10为本申请实施例提供的一种招生数据的处理装置的结构示意图,所述装置包括:接收模块1001,分析处理模块1002和确定模块1003,其中,所述接收模块1001,用于接收招生数据处理请求,所述招生数据处理请求包括:多个招生影响因素以及所述多个招生影响因素对应的当前招生数据信息;
所述分析处理模块1002,用于根据所述招生数据处理请求,采用预配置的招生模型,对所述当前招生数据信息进行分析处理,以获取多个招生策略;所述预配置的招生模型为基于所述多个招生影响因素进行提前构建的第一分析模型;所述第一分析模型用于基于不同的招生方向进行数据分析,以进行策略推荐;所述招生方向为指代学校所具有的招生能力的方向;
所述确定模块1003,用于从所述多个招生策略中确定目标招生策略,并将所述目标招生策略进行可视化显示。
可选的,所述装置还包括构建模型模块,所述构建模型模块包括接收单元、计算单元、分类单元、处理单元和汇总单元;
具体的,所述接收单元,用于接收模型构建请求,所述模型构建请求包括多个招生方向以及每个招生方向对应的至少一个招生影响因素;
所述计算单元,用于基于所述招生影响因素获取每个招生方向对应的历史招生数据信息以及历史招生数量,并利用线性回归算法对所述历史招生数据信息和所述历史招生数量进行计算处理,得到曲线方程;每一招生影响因素对应一个历史招生数据信息;
所述分类单元,用于基于所述多个招生方向对所述曲线方程进行层级分类,得到多个子曲线方程;每一子曲线方程对应至少一个招生影响因素;
所述处理单元,用于针对每一子曲线方程,利用预定义算法对所述子曲线方程对应招生影响因素的历史招生数据信息进行计算处理,得到第一招生子模型;所述第一招生子模型用于对招生情况进行分析,以得到招生策略;
所述汇总单元,用于汇总每一子曲线方程对应的第一招生子模型,构建第一分析模型,所述第一分析模型用于基于每一个第一招生子模型进行策略推荐。
可选的,所述装置还包括汇总模型模块,所述汇总模型模块,用于:
获取第二分析模型,并对所述第二分析模型对应的方程进行拆分,得到至少一个子方程;所述第二分析模型为用于招生分析的数学模型;
获取所述至少一个子方程对应的历史招生数据信息,并利用预定义算法对所述至少一个子方程对应的历史招生数据信息进行计算处理,得到至少一个第二招生子模型;所述第二招生子模型用于对招生情况进行分析,以得到招生策略;
将所述至少一个第二招生子模型和所述第一分析模型对应的第一招生子模型进行汇总,得到第二分析模型;所述第二分析模型用于基于所述至少一个第二招生子模型和每一个第一招生子模型进行策略推荐。
可选的,所述模型构建请求还包括模型构建的应用场景;所述接收单元,具体用于:
利用随机分类方法对招生影响因素进行分类,得到多个招生方向,生成包含所述多个招生方向的模型构建请求;
或,获取模型构建的应用场景,基于所述应用场景确定对应的分类需求,并基于所述分类需求对所述招生影响因素进行分类,得到多个招生方向,生成包含所述多个招生方向的模型构建请求。
可选的,所述处理单元,具体用于:
基于所述应用场景和所述招生影响因素确定迭代次数,利用预定义算法对所述子曲线方程对应招生影响因素的历史招生数据信息进行迭代计算处理,直至达到所述迭代次数,以获取第一招生子模型。
可选的,所述处理单元包括转换单元、求解单元和划分单元;
具体的,所述转换单元,用于基于预定义算法对所述子曲线方程进行转换处理,构建所述子曲线方程对应的第一校正公式;所述第一校正公式用于校正所述子曲线方程的偏差;
所述求解单元,用于利用所述子曲线方程对应招生影响因素的历史招生数据信息求解所述第一校正公式的一级系数,基于所述一级系数确定一级分类公式;
所述划分单元,用于基于所述应用场景对所述一级分类公式进行划分,得到多个子公式,针对每一子公式,利用预定义算法继续对所述子公式对应招生影响因素的历史招生数据信息进行迭代计算处理,达到所述迭代次数,以获取第一招生子模型。
可选的,所述划分单元,具体用于:
针对每一子公式,基于预定义算法对所述一级分类公式进行转换处理,构建所述一级分类公式对应的第二校正公式;所述第二校正公式用于校正所述一级分类公式的偏差;
利用所述一级分类公式对应招生影响因素的历史数据信息求解所述第二校正公式的二级系数,基于所述二级系数确定二级分类公式;
在达到所述迭代次数后,基于所述一级分类公式整合所述二级分类公式,得到第一招生子模型。
可选的,所述招生数据处理请求还包括待推荐招生策略的推荐要求和推荐范围;所述推荐范围用于指示招生策略的适用范围;所述确定模块1003,具体用于:
利用所述推荐范围从所述多个招生策略中确定至少一个招生策略,并判断所述至少一个招生策略是否满足推荐要求;
若是,则利用特定算法从所述至少一个招生策略中确定目标招生策略,并将所述目标招生策略进行可视化显示;
若否,则将所述至少一个招生策略进行可视化显示,以供用户进行选择。
可选的,所述装置还包括预测模块,所述预测模块,用于:
将所述当前招生数据信息输入至所述预配置的招生模型后,得到预测招生结果,将所述预测招生结果进行可视化显示;所述预测招生结果用于辅助确定目标招生策略。
本申请实施例提供的一种招生数据的处理装置的具体实现原理和效果可以参见上述实施例对应的相关描述和效果,此处不做过多赘述。
本申请实施例还提供了一种电子设备的结构示意图,图11为本申请实施例提供的一种电子设备的结构示意图,如图11所示,该电子设备可以包括:处理器1101以及与所述处理器通信连接的存储器1102;该存储器1102存储计算机执行指令;该处理器1101执行该存储器1102存储的计算机执行指令,使得该处理器1101执行上述任一实施例所述的方法。
其中,存储器1102和处理器1101可以通过总线1103连接。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序执行指令,计算机执行指令被处理器执行时用于实现如本申请前述任一实施例中的所述的方法。
本申请实施例还提供了一种运行指令的芯片,该芯片用于执行如本申请前述任一实施例中由电子设备所执行的前述任一实施例中所述的方法。
本申请实施例还提供了一种计算机程序产品,该程序产品包括计算机程序,该计算机程序被处理器执行时可实现如本申请前述任一实施例中由电子设备所执行的前述任一实施例中所述的方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块的划分,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,例如多个模块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信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)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。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速随机存取存储器(Random Access memory,简称RAM),也可能还包括非不稳定的存储器(Non-volatile Memory,简称NVM),例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,简称ISA)总线、外部设备互连(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random-Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-OnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
以上所述,仅为本申请实施例的具体实施方式,但本申请实施例的保护范围并不局限于此,任何在本申请实施例揭露的技术范围内的变化或替换,都应涵盖在本申请实施例的保护范围之内。因此,本申请实施例的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种招生数据的处理方法,其特征在于,所述方法包括:
接收招生数据处理请求,所述招生数据处理请求包括:多个招生影响因素以及所述多个招生影响因素对应的当前招生数据信息;
根据所述招生数据处理请求,采用预配置的招生模型,对所述当前招生数据信息进行分析处理,以获取多个招生策略;所述预配置的招生模型为基于所述多个招生影响因素进行提前构建的第一分析模型;所述第一分析模型用于基于不同的招生方向进行数据分析,以进行策略推荐;所述招生方向为指代学校所具有的招生能力的方向;
从所述多个招生策略中确定目标招生策略,并将所述目标招生策略进行可视化显示。
2.根据权利要求1所述的方法,其特征在于,所述预配置的招生模型的构建方法包括:
接收模型构建请求,所述模型构建请求包括多个招生方向以及每个招生方向对应的至少一个招生影响因素;
基于所述招生影响因素获取每个招生方向对应的历史招生数据信息以及历史招生数量,并利用线性回归算法对所述历史招生数据信息和所述历史招生数量进行计算处理,得到曲线方程;每一招生影响因素对应一个历史招生数据信息;
基于所述多个招生方向对所述曲线方程进行层级分类,得到多个子曲线方程;每一子曲线方程对应至少一个招生影响因素;
针对每一子曲线方程,利用预定义算法对所述子曲线方程对应招生影响因素的历史招生数据信息进行计算处理,得到第一招生子模型;所述第一招生子模型用于对招生情况进行分析,以得到招生策略;
汇总每一子曲线方程对应的第一招生子模型,构建第一分析模型,所述第一分析模型用于基于每一个第一招生子模型进行策略推荐。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取第二分析模型,并对所述第二分析模型对应的方程进行拆分,得到至少一个子方程;所述第二分析模型为用于招生分析的数学模型;
获取所述至少一个子方程对应的历史招生数据信息,并利用预定义算法对所述至少一个子方程对应的历史招生数据信息进行计算处理,得到至少一个第二招生子模型;所述第二招生子模型用于对招生情况进行分析,以得到招生策略;
将所述至少一个第二招生子模型和所述第一分析模型对应的第一招生子模型进行汇总,得到第二分析模型;所述第二分析模型用于基于所述至少一个第二招生子模型和每一个第一招生子模型进行策略推荐。
4.根据权利要求2所述的方法,其特征在于,所述模型构建请求还包括模型构建的应用场景;接收模型构建请求,包括:
利用随机分类方法对招生影响因素进行分类,得到多个招生方向,生成包含所述多个招生方向的模型构建请求;
或,获取模型构建的应用场景,基于所述应用场景确定对应的分类需求,并基于所述分类需求对所述招生影响因素进行分类,得到多个招生方向,生成包含所述多个招生方向的模型构建请求。
5.根据权利要求4所述的方法,其特征在于,利用预定义算法对所述子曲线方程对应招生影响因素的历史招生数据信息进行计算处理,得到第一招生子模型,包括:
基于所述应用场景和所述招生影响因素确定迭代次数,利用预定义算法对所述子曲线方程对应招生影响因素的历史招生数据信息进行迭代计算处理,直至达到所述迭代次数,以获取第一招生子模型。
6.根据权利要求5所述的方法,其特征在于,利用预定义算法对所述子曲线方程对应招生影响因素的历史招生数据信息进行迭代计算处理,直至达到所述迭代次数,以获取第一招生子模型,包括:
基于预定义算法对所述子曲线方程进行转换处理,构建所述子曲线方程对应的第一校正公式;所述第一校正公式用于校正所述子曲线方程的偏差;
利用所述子曲线方程对应招生影响因素的历史招生数据信息求解所述第一校正公式的一级系数,基于所述一级系数确定一级分类公式;
基于所述应用场景对所述一级分类公式进行划分,得到多个子公式,针对每一子公式,利用预定义算法继续对所述子公式对应招生影响因素的历史招生数据信息进行迭代计算处理,达到所述迭代次数,以获取第一招生子模型。
7.根据权利要求6所述的方法,其特征在于,针对每一子公式,利用预定义算法继续对所述子公式对应招生影响因素的历史招生数据信息进行迭代计算处理,达到所述迭代次数,以获取第一招生子模型,包括:
针对每一子公式,基于预定义算法对所述一级分类公式进行转换处理,构建所述一级分类公式对应的第二校正公式;所述第二校正公式用于校正所述一级分类公式的偏差;
利用所述一级分类公式对应招生影响因素的历史数据信息求解所述第二校正公式的二级系数,基于所述二级系数确定二级分类公式;
在达到所述迭代次数后,基于所述一级分类公式整合所述二级分类公式,得到第一招生子模型。
8.根据权利要求1所述的方法,其特征在于,所述招生数据处理请求还包括待推荐招生策略的推荐要求和推荐范围;所述推荐范围用于指示招生策略的适用范围;从所述多个招生策略中确定目标招生策略,并将所述目标招生策略进行可视化显示,包括:
利用所述推荐范围从所述多个招生策略中确定至少一个招生策略,并判断所述至少一个招生策略是否满足推荐要求;
若是,则利用特定算法从所述至少一个招生策略中确定目标招生策略,并将所述目标招生策略进行可视化显示;
若否,则将所述至少一个招生策略进行可视化显示,以供用户进行选择。
9.根据权利要求1-8任一项所述的方法,其特征在于,所述方法还包括:
将所述当前招生数据信息输入至所述预配置的招生模型后,得到预测招生结果,将所述预测招生结果进行可视化显示;所述预测招生结果用于辅助确定目标招生策略。
10.一种招生数据的处理装置,其特征在于,所述装置包括:
接收模块,用于接收招生数据处理请求,所述招生数据处理请求包括:多个招生影响因素以及所述多个招生影响因素对应的当前招生数据信息;
分析处理模块,用于根据所述招生数据处理请求,采用预配置的招生模型,对所述当前招生数据信息进行分析处理,以获取多个招生策略;所述预配置的招生模型为基于所述多个招生影响因素进行提前构建的第一分析模型;所述第一分析模型用于基于不同的招生方向进行数据分析,以进行策略推荐;所述招生方向为指代学校所具有的招生能力的方向;
确定模块,用于从所述多个招生策略中确定目标招生策略,并将所述目标招生策略进行可视化显示。
11.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-9中任一项所述的方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310826589.XA CN116542831B (zh) | 2023-07-07 | 2023-07-07 | 招生数据的处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310826589.XA CN116542831B (zh) | 2023-07-07 | 2023-07-07 | 招生数据的处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116542831A true CN116542831A (zh) | 2023-08-04 |
CN116542831B CN116542831B (zh) | 2023-10-03 |
Family
ID=87452868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310826589.XA Active CN116542831B (zh) | 2023-07-07 | 2023-07-07 | 招生数据的处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542831B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559624A (zh) * | 2013-09-24 | 2014-02-05 | 浙江大学 | 一种基于收益评估最大化的宣传策略制定方法 |
WO2014194911A1 (en) * | 2013-06-06 | 2014-12-11 | Soren Lanng | Method for intelligent strategy development and testing |
US20150186813A1 (en) * | 2013-12-27 | 2015-07-02 | Jonathan Miles Collin Rosenoer | Product, system, and method for Operational Risk curve management |
CN107423859A (zh) * | 2017-08-07 | 2017-12-01 | 国家电网公司客户服务中心 | 一种组合模型建模方法及系统 |
US20180350016A1 (en) * | 2017-06-05 | 2018-12-06 | Bradley Ward | Method, apparatus, and system for predictive management of college search information and selection information |
US20200175388A1 (en) * | 2018-03-06 | 2020-06-04 | Visa International Service Association | Automated Decision Analysis by Model Operational Characteristic Curves |
CN111340455A (zh) * | 2020-03-04 | 2020-06-26 | 北京三快在线科技有限公司 | 自动化生成数据分析结果的方法、装置、设备及存储介质 |
CN111695695A (zh) * | 2020-06-09 | 2020-09-22 | 北京百度网讯科技有限公司 | 用户决策行为量化分析方法及装置 |
CN113496335A (zh) * | 2020-04-07 | 2021-10-12 | 厦门邑通软件科技有限公司 | 一种记录决策行为的方法、系统和设备 |
KR102449661B1 (ko) * | 2022-06-27 | 2022-10-04 | 주식회사 레몬베이스 | 인공지능 기반 채용 서비스 제공 방법, 장치 및 시스템 |
CN115796347A (zh) * | 2022-11-23 | 2023-03-14 | 天闻数媒科技(北京)有限公司 | 教育资源投入均衡度预测方法、装置、设备及存储介质 |
-
2023
- 2023-07-07 CN CN202310826589.XA patent/CN116542831B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014194911A1 (en) * | 2013-06-06 | 2014-12-11 | Soren Lanng | Method for intelligent strategy development and testing |
CN103559624A (zh) * | 2013-09-24 | 2014-02-05 | 浙江大学 | 一种基于收益评估最大化的宣传策略制定方法 |
US20150186813A1 (en) * | 2013-12-27 | 2015-07-02 | Jonathan Miles Collin Rosenoer | Product, system, and method for Operational Risk curve management |
US20180350016A1 (en) * | 2017-06-05 | 2018-12-06 | Bradley Ward | Method, apparatus, and system for predictive management of college search information and selection information |
CN107423859A (zh) * | 2017-08-07 | 2017-12-01 | 国家电网公司客户服务中心 | 一种组合模型建模方法及系统 |
US20200175388A1 (en) * | 2018-03-06 | 2020-06-04 | Visa International Service Association | Automated Decision Analysis by Model Operational Characteristic Curves |
CN111340455A (zh) * | 2020-03-04 | 2020-06-26 | 北京三快在线科技有限公司 | 自动化生成数据分析结果的方法、装置、设备及存储介质 |
CN113496335A (zh) * | 2020-04-07 | 2021-10-12 | 厦门邑通软件科技有限公司 | 一种记录决策行为的方法、系统和设备 |
CN111695695A (zh) * | 2020-06-09 | 2020-09-22 | 北京百度网讯科技有限公司 | 用户决策行为量化分析方法及装置 |
KR102449661B1 (ko) * | 2022-06-27 | 2022-10-04 | 주식회사 레몬베이스 | 인공지능 기반 채용 서비스 제공 방법, 장치 및 시스템 |
CN115796347A (zh) * | 2022-11-23 | 2023-03-14 | 天闻数媒科技(北京)有限公司 | 教育资源投入均衡度预测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
殷文俊: "基于大数据的高校招生预测策略研究", 《安阳师范学院学报》, pages 47 - 50 * |
Also Published As
Publication number | Publication date |
---|---|
CN116542831B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111506801B (zh) | 一种应用App中子应用的排序方法及装置 | |
US10846620B2 (en) | Machine learning-based patent quality metric | |
US20210365963A1 (en) | Target customer identification method and device, electronic device and medium | |
US20200294111A1 (en) | Determining target user group | |
JP2018526704A (ja) | 効率的な請求処理のための動的トポロジカルシステム及び方法 | |
US20200098055A1 (en) | Multi-step day sales outstanding forecasting | |
CN110622195A (zh) | 对具有变化定价成分的复杂分层或塔式定价结构进行定价比较的方法和系统 | |
CN111815169A (zh) | 业务审批参数配置方法及装置 | |
CN112036483B (zh) | 基于AutoML的对象预测分类方法、装置、计算机设备及存储介质 | |
CN112785005A (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
CN113205403A (zh) | 一种企业信用等级的计算方法、装置、存储介质及终端 | |
CN110634060A (zh) | 一种用户信用风险的评估方法、系统、装置及存储介质 | |
CN112669143A (zh) | 基于关联网络的风险评估方法、装置、设备以及存储介质 | |
CN110765110A (zh) | 泛化能力处理方法、装置、设备及存储介质 | |
CN116542831B (zh) | 招生数据的处理方法、装置、电子设备及存储介质 | |
CN108876604A (zh) | 股市风险预测方法、装置、计算机设备及存储介质 | |
CN110826777A (zh) | 风电竞价场内交易数据分析方法、装置、设备及介质 | |
WO2023185125A1 (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN114173010B (zh) | 智能匹配外呼对象的方法及装置、存储介质、计算设备 | |
CN115185606A (zh) | 业务配置参数的获得方法、装置、设备及存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN113191570A (zh) | 基于深度学习的资金规划推荐方法、装置和设备 | |
CN113760550A (zh) | 资源分配方法和资源分配装置 | |
CN110163585B (zh) | 一种电子红包的发放方法及装置 | |
CN111461863A (zh) | 数据处理方法、装置、计算机设备及存储介质 |
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 |