一种基于人工智能的高校志愿填报决策方法及系统技术方案

本发明专利技术公开了一种以人工智能和大数据为基础，通过智能的判断决策为考生提供更加适合自身特点的专业及院校选择的一种高校志愿填报决策方法及决策系统，该系统能提供在志愿填报时的高校查询、决策支持等，为考生做出科学的决策助力，为考生志愿填报提供一个信息化的平台，提高志愿填报的科学性、高效性；所述高校志愿填报决策系统包括院校推荐模块，自我认知模块，院校成绩预测模块，学生画像模块，职业兴趣评测系统模块，院校数据模块，高校录取数据模块，AI数据模块，基于行业的自学习系统模块。

A decision method and system for voluntary reporting in Universities Based on Artificial Intelligence

The invention discloses a university voluntary application decision-making method and a decision-making system based on artificial intelligence and large data, which provide examinees with more suitable majors and colleges for their own characteristics by intelligent decision-making. The system can provide university inquiry and decision-making support when they volunteer to fill in the application, and can be made for examinees. Scientific decision-making aids provide an information-based platform for candidates to volunteer to fill in, and improve the scientificity and efficiency of volunteer to fill in the decision-making system; the university volunteer to fill in the decision-making system includes college recommendation module, self-awareness module, college performance prediction module, student portrait module, vocational interest evaluation system module, college number According to the module, the university admission data module, the AI data module, and the self-learning system module based on the industry.

【技术实现步骤摘要】
一种基于人工智能的高校志愿填报决策方法及系统
本专利技术涉及人工智能计算机领域，具体涉及一种基于人工智能的高校志愿填报决策方法及系统。
技术介绍
根据《国务院关于深化考试招生制度改革的实施意见》，高考改革已于2017年在上海、浙江进行实施，2018年将有更多省市加入新高考改革的行列。改革方向是由传统的“院校+专业”变成“专业优先”，考试科目“3+3”不分文理科，构建“两个依据、一个参考”的多元录取机制，达到提高学生综合素质、提高学生学业水平及特长的目的。新高考改革以后，给考生在高校志愿填报方面提出了更多挑战，传统高考省份学生只需报考6个高校，而新高改后，如浙江省，学生可以填报80个专业院校。这对提高学生对专业的认知，对自我的认知以及对高校的认知显得十分重要。但目前并没有出现一种能够完整考虑学生、高校、专业、职业等各因素的高考填报策略系统。
技术实现思路
本专利技术的目的是提供一种以人工智能和大数据为基础，通过智能的判断决策为考生提供更加适合自身特点的专业及院校选择的一种高校志愿填报决策方法及决策系统，该系统能提供在志愿填报时的高校查询、决策支持等，为考生做出科学的决策助力，为考生志愿填报提供一个信息化的平台，提高志愿填报的的科学性、高效性。为实现专利技术目的，本专利技术采取如下的技术方案：一种基于人工智能的高校志愿填报决策方法，包括如下步骤：(1)用户填写当年的高考成绩及生源地省份；(2)用户通过测评分析出该用户的兴趣方向和职业倾向；(3)对源数据分类，计算专业词汇出现的频率，得到的热门行业及高薪行业分布数据，进一步得到专业热度分；(4)根据用户高考成绩、院校历年录取数据以及热门行业及高薪行业分布数据，进行院校专业录取分数预测，并进行院校录取概率预测；(5)根据用户在系统中的点击行为、停留行为分析用户的倾向性专业及院校；(6)以用户考试分数为基础，通过兴趣方向和职业倾向、倾向性专业及院校、院校录取分数预测，为用户推荐适合的院校及专业。作为优选，所述步骤(3)中得到专业热度分的方法包括如下步骤：A.系统爬虫对各网站进行爬取获得文章；B.第一阶段分类，a.准备训练集，训练集是人工分类的训练样本，b.采用svm支持向量机模式分类算法对源数据进行分类；C.对大类及每个大类下的子类进行整理，关联高校招聘的专业名称；进一步计算专业词汇在文章中出现的频率，得到专业热度分；专业热度分公式为：σ＝C11×0.3+(1-C11)×Sin(a)，其中，C11是人工设置的大类影响系数，a是某一专业出现在源数据中的加权次数，出现次数会映射到0～90区间，再经过Sin(a)计算映射到0～1。作为优选，所述步骤(4)中进行院校录取分数预测，并进行院校录取概率预测的具体方法为：特定专业录取分数预测采用的公式为：其中，y是2018年某专业录取分或者是本年度的某专业录取分；M2017是2017年该专业的平均录取分或上一年度该专业的平均录取分；M2016是2016年该专业的平均录取分或上上年度该专业的平均录取分；η是符号参数，当2017年分数高于2016年时取+，否则取-；μ是该行业对应专业热度的影响值参数；通过计算出专业录取分数后，可计算出考生被该院校该专业录取的概率，公式为：其中s是考生的分数，y是该专业预测分数，是人工设置的校验分差。作为优选，所述步骤(5)中分析用户倾向性专业及院校的方法为：计算院校倾向度，公式为：δ＝Cu×γ+Tu×ε，其中，Cu是院校点击次数，Tu是院校页面停留时间；计算专业倾向度，公式为：η＝Cm×γ+Tm×ε，其中，Cm是专业点击次数，Tm是专业页面停留时间；γ是点击次数影响系数，ε是停留时间影响系数。作为优选，所述步骤(6)中为考生推荐适合的院校及专业的方法为：根据专业热度、院校倾向度、专业倾向度对院校进行排序，推荐出符合考生个性化的志愿列表，其中排序因子公式为：r＝σ×0.2+δ×0.2+η×0.2+λ×0.4，其中σ是专业热度，δ是院校倾向度，η是专业倾向度，λ录取概率。本专利技术还涉及实现上述基于人工智能的高校志愿填报决策方法的决策系统，采取如下的技术方案：一种基于人工智能的高校志愿填报决策系统，包括：院校推荐模块，自我认知模块，院校成绩预测模块，学生画像模块，职业兴趣评测系统模块，院校数据模块，高校录取数据模块，AI数据模块，基于行业的自学习系统模块，其中，所述学生画像模块用于填写学生考试信息；所述职业兴趣测评模块用于根据测试推测出职业倾向和兴趣类型；这里测试的用MBTI性格测评系统和霍兰德评测系统。所述自我认知模块用于通过职业倾向和兴趣类型与专业的关联，得到适合学生个体的专业；所述基于行业的自学习系统模块用于通过抓取信息源，对信息进行分类、提取，得到的热门行业及高薪行业分布数据，进一步得到专业热度分；所述院校成绩预测模块用于根据学生高考成绩、院校历年录取数据、热门行业及高薪行业分布数据，进行院校录取分数预测，并进行院校录取概率预测；所述院校数据模块包括个院校数据，以供用户在系统推荐出的院校列表中进一步进行人工筛选；所述高校录取数据模块包括院校历年录取数据；所述AI数据模块用于通过用户在系统中的点击行为，停留行为分析用户倾向性专业及院校；所述院校推荐模块用于通过兴趣方向和职业倾向、倾向性专业及院校、院校录取分数预测，为考生推荐适合的院校及专业。作为优选，所述基于行业的自学习系统模块通过各网站进行爬取获得文章；进行人工分类获得训练样本；采用svm支持向量机模式分类算法对源数据进行分类；对大类及每个大类下的子类进行整理，关联高校招聘的专业名称；进一步计算专业词汇在文章中出现的频率，得到专业热度分；专业热度分公式为：σ＝C11×0.3+(1-C11)×Sin(a)，其中，C11是人工设置的大类影响系数，a是某一专业出现在源数据中的加权次数，出现次数会映射到0～90区间，再经过Sin(a)计算映射到0～1。作为优选就，所述特定专业录取分数预测采用的公式为：其中，y是2018年某专业录取分或者是本年度的某专业录取分；M2017是2017年该专业的平均录取分或上一年度该专业的平均录取分；M2016是2016年该专业的平均录取分或上上年度该专业的平均录取分；η是符号参数，当2017年分数高于2016年时取+，否则取-；μ是该行业对应专业热度的影响值参数；通过计算出专业录取分数后，可计算出考生被该院校该专业录取的概率，公式为：其中s是考生的分数，y是该专业预测分数，是人工设置的校验分差。作为优选，所述AI数据模块计算院校倾向度，公式为：δ＝Cu×γ+Tu×ε，其中，Cu是院校点击次数，Tu是院校页面停留时间；计算专业倾向度，公式为：η＝Cm×γ+Tm×ε，其中，Cm是专业点击次数，Tm是专业页面停留时间；γ是点击次数影响系数，ε是停留时间影响系数。作为优选，所述院校推荐模块根据步骤(8)得到符合考生分数的院校列表，根据专业热度、院校倾向度、专业倾向度对院校进行排序，推荐出符合考生个性化的志愿列表，其中排序因子公式为：r＝σ×0.2+δ×0.2+η×0.2+λ×0.4，其中σ是专业热度，δ是院校倾向度，η是专业倾向度，λ录取概率。本专利技术关于基于人工智能的高校志愿填报决策系统是以用户考试分数为基础，通过兴趣方向和职业倾向、倾向本文档来自技高网...

【技术保护点】
1.一种基于人工智能的高校志愿填报决策方法，其特征在于，包括如下步骤：(1)用户填写当年的高考成绩及生源地省份；(2)用户通过测评分析出该用户的兴趣方向和职业倾向；(3)对源数据分类，计算专业词汇出现的频率，得到的热门行业及高薪行业分布数据，进一步得到专业热度分；(4)根据用户高考成绩、院校历年录取数据以及热门行业及高薪行业分布数据，进行院校专业录取分数预测，并进行院校录取概率预测；(5)根据用户在系统中的点击行为、停留行为分析用户的倾向性专业及院校；(6)以用户考试分数为基础，通过兴趣方向和职业倾向、倾向性专业及院校、院校录取分数预测，为用户推荐适合的院校及专业。

【技术特征摘要】
1.一种基于人工智能的高校志愿填报决策方法，其特征在于，包括如下步骤：(1)用户填写当年的高考成绩及生源地省份；(2)用户通过测评分析出该用户的兴趣方向和职业倾向；(3)对源数据分类，计算专业词汇出现的频率，得到的热门行业及高薪行业分布数据，进一步得到专业热度分；(4)根据用户高考成绩、院校历年录取数据以及热门行业及高薪行业分布数据，进行院校专业录取分数预测，并进行院校录取概率预测；(5)根据用户在系统中的点击行为、停留行为分析用户的倾向性专业及院校；(6)以用户考试分数为基础，通过兴趣方向和职业倾向、倾向性专业及院校、院校录取分数预测，为用户推荐适合的院校及专业。2.根据权利要求1所述的基于人工智能的高校志愿填报决策方法，其特征在于，所述步骤(3)中得到专业热度分的方法包括如下步骤：A.系统爬虫对各网站进行爬取获得文章；B.第一阶段分类，a.准备训练集，训练集是人工分类的训练样本，b.采用svm支持向量机模式分类算法对源数据进行分类；C.对大类及每个大类下的子类进行整理，关联高校招聘的专业名称；进一步计算专业词汇在文章中出现的频率，得到专业热度分；专业热度分公式为：σ＝C11×0.3+(1-C11)×Sin(a)，其中，C11是人工设置的大类影响系数，a是某一专业出现在源数据中的加权次数，出现次数会映射到0～90区间，再经过Sin(a)计算映射到0～1。3.根据权利要求1所述的基于人工智能的高校志愿填报决策方法，其特征在于，所述步骤(4)中进行院校专业录取分数预测，进行院校录取概率预测的具体方法为：专业录取分数预测采用的公式为：其中，y是2018年某专业录取分或者是本年度的某专业录取分；M2017是2017年该专业的平均录取分或上一年度该专业的平均录取分；M2016是2016年该专业的平均录取分或上上年度该专业的平均录取分；η是符号参数，当2017年分数高于2016年时取+，否则取-；μ是该行业对应专业热度的影响值参数；通过计算出专业录取分数后，可计算出考生被该院校该专业录取的概率，公式为：其中s是考生的分数，y是该专业预测分数，是人工设置的校验分差。4.根据权利要求1所述的基于人工智能的高校志愿填报决策方法，其特征在于，所述步骤(5)中分析用户倾向性专业及院校的方法为：计算院校倾向度，公式为：δ＝Cu×γ+Tu×ε，其中，Cu是院校点击次数，Tu是院校页面停留时间；计算专业倾向度，公式为：η＝Cm×γ+Tm×ε，其中，Cm是专业点击次数，Tm是专业页面停留时间；γ是点击次数影响系数，ε是停留时间影响系数。5.根据权利要求1-4任一项所述的基于人工智能的高校志愿填报决策方法，其特征在于，所述步骤(6)中为考生推荐适合的院校及专业的方法为：根据专业热度、院校倾向度、专业倾向度对院校进行排序，推荐出符合考生个性化的志愿列表，其中排序因子公式为：r＝σ×0.2+δ×0.2+η×0.2+λ×0.4，其中σ是专业热度，δ是院校倾向度，η是专业倾向度，λ录取概率。6.一种基于人工智能的高校志愿填报决策系统，其特征在于，包括：院校推荐模块，自我认知模块，院校成绩预测模块，学生画像...

【专利技术属性】
技术研发人员：杨东东，
申请(专利权)人：杭州布谷科技有限责任公司，
类型：发明
国别省市：浙江,33