CN111191129A - 专业推荐方法、装置、计算机设备和存储介质 - Google Patents
专业推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111191129A CN111191129A CN201911378127.6A CN201911378127A CN111191129A CN 111191129 A CN111191129 A CN 111191129A CN 201911378127 A CN201911378127 A CN 201911378127A CN 111191129 A CN111191129 A CN 111191129A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- specialty
- user
- target
- subject
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004590 computer program Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 239000003814 drug Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000005354 coacervation Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007087 memory ability Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005025 nuclear technology Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
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
- G06F16/906—Clustering; Classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种专业推荐方法、装置、计算机设备和存储介质。所述方法包括:接收专业推荐指令,专业推荐指令携带有用户标识和用户答题数据;将用户答题数据输入到已建立的聚类模型中,得到用户标识对应的性格类别;根据性格类别获取对应的目标职业,根据目标职业查找对应的各个推荐专业;获取用户标识对应的高考选科科目,根据各个推荐专业在预设科目权重表中查找高考选科科目的权重;根据各个推荐专业对应的高考选科科目的权重得到各个推荐专业的权重;根据各个推荐专业的权重从各个推荐专业中确定目标推荐专业,向用户标识对应的用户终端返回目标推荐专业。采用本方法能够提高高考志愿专业推荐的精准度。
Description
技术领域
本申请涉及互联网技术领域,特别是涉及一种专业推荐方法、装置、计算机设备和存储介质。
背景技术
随着高考的不断发展,出现了新的“3+【6选3】”的选科高考模式,其中,3+【6选3】选科高考模式中3表示语文、数学、外语科目。6选3是指从物理、化学、生物、地理、历史和政治科目中选择3门科目参加高考。在新的“3+【6选3】”的选科高考模式下,高考专业志愿填报成了目前的一个难点。目前,高考志愿专业的填报通常是根据高考考生所选的高考科目进行推荐。
然而,目前的高考志愿专业推荐方式,存在精准度低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高了高考志愿专业推荐精准度的专业推荐方法、装置、计算机设备和存储介质。
一种专业推荐方法,所述方法包括:
接收专业推荐指令,专业推荐指令携带有用户标识和用户答题数据;
将用户答题数据输入到已建立的聚类模型中,得到用户标识对应的性格类别;
根据性格类别获取对应的目标职业,根据目标职业查找对应的各个推荐专业;
获取用户标识对应的高考选科科目,根据各个推荐专业在预设科目权重表中查找高考选科科目的权重;
根据各个推荐专业对应的高考选科科目的权重得到各个推荐专业的权重;
根据各个推荐专业的权重从各个推荐专业中确定目标推荐专业,向用户标识对应的用户终端返回目标推荐专业。
在其中一个实施例中,在接收专业推荐指令,专业推荐指令携带有用户标识和用户答题数据之前,还包括:
获取历史用户答题数据,根据历史用户答题数据使用聚类算法进行聚类计算,得到已建立的聚类模型。
在其中一个实施例中,在接收专业推荐指令,专业推荐指令携带有用户标识和用户答题数据之前,还包括:
建立预设科目权重表,预设科目权重表用于根据推荐专业查找对应的各个高考选科科目权重。
在其中一个实施例中,建立预设科目权重表,包括:
获取初始科目权重表,并向目标服务器发送高考选科次数查询指令,高考选科次数查询指令携带有目标专业,以使目标服务器根据高考选科次数查询指令查询目标专业对应的高考选科科目的选择次数;
获取目标服务器返回的目标专业对应的各个高考选科科目的选择次数,根据各个高考选科科目的选择次数更新初始科目权重表中目标专业对应的各个高考选科科目权重,得到预设科目权重表。
在其中一个实施例中,将用户答题数据输入到已建立的聚类模型中,得到用户标识对应的目标性格,包括:
根据用户答题数据确定用户性格向量;
计算用户性格向量与已建立的聚类模型中各个性格类别的相似度,根据相似度确定用户标识对应的性格类别。
在其中一个实施例中,根据各个推荐专业的权重从各个推荐专业中确定目标推荐专业,向用户标识对应的用户终端返回目标推荐专业,包括:
根据各个推荐专业的权重将各个推荐专业排序,得到排序后的各个推荐专业;
从排序后的各个推荐专业中选取预设数量的推荐专业,将预设数量的推荐专业依次返回用户标识对应的用户终端。
一种专业推荐装置,所述装置包括:
指令接收模块,用于接收专业推荐指令,专业推荐指令携带有用户标识和用户答题数据;
聚类模块,用于将用户答题数据输入到已建立的聚类模型中,得到用户标识对应的性格类别;
专业查找模块,用于根据性格类别获取对应的目标职业,根据目标职业查找对应的各个推荐专业;
科目权重查找模块,用于获取用户标识对应的高考选科科目,根据各个推荐专业在预设科目权重表中查找高考选科科目的权重;
专业权重得到模块,用于根据各个推荐专业对应的高考选科科目的权重得到各个推荐专业的权重;
推荐专业确定模块,用于根据各个推荐专业的权重从各个推荐专业中确定目标推荐专业,向用户标识对应的用户终端返回目标推荐专业。
在其中一个实施例中,所述装置还包括:
权重表建立模块,用于建立预设科目权重表,预设科目权重表用于根据推荐专业查找对应的各个高考选科科目权重。
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:
接收专业推荐指令,专业推荐指令携带有用户标识和用户答题数据;
将用户答题数据输入到已建立的聚类模型中,得到用户标识对应的性格类别;
根据性格类别获取对应的目标职业,根据目标职业查找对应的各个推荐专业;
获取用户标识对应的高考选科科目,根据各个推荐专业在预设科目权重表中查找高考选科科目的权重;
根据各个推荐专业对应的高考选科科目的权重得到各个推荐专业的权重;
根据各个推荐专业的权重从各个推荐专业中确定目标推荐专业,向用户标识对应的用户终端返回目标推荐专业。
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:
接收专业推荐指令,专业推荐指令携带有用户标识和用户答题数据;
将用户答题数据输入到已建立的聚类模型中,得到用户标识对应的性格类别;
根据性格类别获取对应的目标职业,根据目标职业查找对应的各个推荐专业;
获取用户标识对应的高考选科科目,根据各个推荐专业在预设科目权重表中查找高考选科科目的权重;
根据各个推荐专业对应的高考选科科目的权重得到各个推荐专业的权重;
根据各个推荐专业的权重从各个推荐专业中确定目标推荐专业,向用户标识对应的用户终端返回目标推荐专业。
上述专业推荐方法、装置、计算机设备和存储介质,通过接收专业推荐指令,专业推荐指令携带有用户标识和用户答题数据;将用户答题数据输入到已建立的聚类模型中,得到用户标识对应的性格类别;根据性格类别获取对应的目标职业,根据目标职业查找对应的各个推荐专业;获取用户标识对应的高考选科科目,根据各个推荐专业在预设科目权重表中查找高考选科科目的权重;根据各个推荐专业对应的高考选科科目的权重得到各个推荐专业的权重;根据各个推荐专业的权重从各个推荐专业中确定目标推荐专业,向用户标识对应的用户终端返回目标推荐专业。即通过用户答题数据确定用户的性格,根据用户的性格查找对应的各个推荐专业,然后再根据用户的高考选科科目从各个推荐专业中得到目标推荐专业,通过用户性格和高考选科科目来确定目标推荐专业,提高了高考志愿专业推荐的精准度。
附图说明
图1为一个实施例中专业推荐方法的应用环境图;
图2为一个实施例中专业推荐方法的流程示意图;
图3为一个实施例中得到预设科目权重表的流程示意图;
图4为一个实施例中确定性格类别的流程示意图;
图5为一个实施例中选取推荐专业的流程示意图;
图6为一个实施例中专业推荐装置的结构框图;
图7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。
本申请提供的专业推荐方法,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进行通信。服务器104接收用户终端102发送的专业推荐指令,专业推荐指令携带有用户标识和用户答题数据;服务器104将用户答题数据输入到已建立的聚类模型中,得到用户标识对应的性格类别;根据性格类别获取对应的目标职业,根据目标职业查找对应的各个推荐专业;获取用户标识对应的高考选科科目,根据各个推荐专业在预设科目权重表中查找高考选科科目的权重;根据各个推荐专业对应的高考选科科目的权重得到各个推荐专业的权重;服务器104根据各个推荐专业的权重从各个推荐专业中确定目标推荐专业,向用户标识对应的用户终端102返回目标推荐专业,终端102接收到目标推荐专业进行展示。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,提供了一种专业推荐方法,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:
S202,接收专业推荐指令,专业推荐指令携带有用户标识和用户答题数据。
其中,用户标识用于唯一标识用户,该用户可以是高考考生。专业是指高等学校或中等专业学校所分的学业门类。例如:信息与计算科学专业、软件工程专业、金融学专业等等。用户答题数据是指用户对预先设置的性格方面的测试题目的答复。比如,可以以选择题的形式通过网页在用户终端展示测试题目,通过小程序、APP(手机软件)等展示测试题目,用户对测试题目进行答复选择,服务器获取用户选择的答案。例如,设置100道测试题目,每个题目对应有用户选择的答案。
具体地,当用户答题完成时,通过答题界面上的按钮向服务器发送专业推荐指令,服务器接收到专业推荐指令,解析该专业推荐指令得到携带的用户标识和用户标识对应的用户答题数据。
S204,将用户答题数据输入到已建立的聚类模型中,得到用户标识对应的性格类别。
其中,已建立的聚类模型用于根据用户答题数据对用户的性格进行分类,该类别可以包括:认知性、较真性、开放性、智慧性、想象性和活跃性等等。
具体地,服务器将用户答题数据输入到已建立的聚类模型中,得到用户标识对应的性格类别。比如,计算用户答题数据与已建立的聚类模型中各个性格类别的相似度,得到用户标识对应的性格类别。该用户标识可以对应有不同的性格类别。
S206,根据性格类别获取对应的目标职业,根据目标职业查找对应的各个推荐专业。
具体地,预先设置好每个性格类别对应的职业,职业即个人所从事的服务于社会并作为主要生活来源的工作。比如,认知性格的人基本学***的职业,例如科研工作者、医生、工程师等等。基本学***,基本学***,基本学习能力良好,如果要从事护理员职业,则只需要基本学习能力一般的人。
具体地,服务器根据性格类别获取对应的目标职业,该目标职业可以有多个不同的职业。根据目标职业查找对应的各个推荐专业。比如,科研工作者、医生、工程师职业查找到的适合的推荐专业可以包括汉语言文学、化学、金融学、地理科学、生物科学、经济学、材料化学、测控技术与仪器、生态学、核工程与核技术、自动化、电子信息工程、采矿工程、通信工程、计算机科学与技术、矿物加工工程、基础医学、预防医学和中医学等等。
S208,获取用户标识对应的高考选科科目,根据各个推荐专业在预设科目权重表中查找高考选科科目的权重。
其中,高考选科科目是指用户选择的进行高考的科目,是指从物理、化学、生物、地理、历史和政治科目中选择的3门科目。比如,用户选择了地理、化学和历史科目参加高考。预设科目权重表是指预先设置好的各个专业对应的所需要的科目权重数据表。该预设科目权重表可以如下表1所示:
表1
物理 | 化学 | 生物 | 地理 | 历史 | 政治 | |
口腔医学 | 28.74% | 40.23% | 27.59% | 1.15% | 1.15% | 1.15% |
材料成型及控制工程 | 85.11% | 6.38% | 2.13% | 2.13% | 2.13% | 2.13% |
土木工程 | 93.04% | 3.48% | 0.87% | 0.87% | 0.87% | 0.87% |
建筑学 | 36.67% | 3.33% | 3.33% | 3.33% | 26.67% | 26.67% |
… | … | … | … | … | … | … |
具体地,服务器根据用户标识获取到对应的高考选科科目,并根据该用户标识对应的各个推荐专业在预设科目权重表中查找对应的高考选科科目的权重。如表1所示,若推荐专业为土木工程,高考选科科目为物理、化学和历史科目,得到物理科目的权重为93.04%。化学科目的权重为3.48%,历史科目的权重为0.87%。查找到各个推荐专业对应的高考选科科目的权重。
S210,根据各个推荐专业对应的高考选科科目的权重得到各个推荐专业的权重。
具体地,分别将各个推荐专业对应的高考选科科目的权重进行求和计算,得到各个推荐专业的权重。比如,将物理科目的权重为93.04%、化学科目的权重为3.48%和历史科目的权重为0.87%相加得到的土木工程专业的权重为97.39%。
S212,根据各个推荐专业的权重从各个推荐专业中确定目标推荐专业,向用户标识对应的用户终端返回目标推荐专业。
具体地,比较各个推荐专业的权重,获取到最大权重的推荐专业作为目标推荐专业,向用户标识对应的用户终端返回目标推荐专业,用户终端接收到目标推荐专业进行展示。
在上述专业推荐方法中,通过接收专业推荐指令,专业推荐指令携带有用户标识和用户答题数据;将用户答题数据输入到已建立的聚类模型中,得到用户标识对应的性格类别;根据性格类别获取对应的目标职业,根据目标职业查找对应的各个推荐专业;获取用户标识对应的高考选科科目,根据各个推荐专业在预设科目权重表中查找高考选科科目的权重;根据各个推荐专业对应的高考选科科目的权重得到各个推荐专业的权重;根据各个推荐专业的权重从各个推荐专业中确定目标推荐专业,向用户标识对应的用户终端返回目标推荐专业。即通过用户答题数据确定用户的性格,根据用户的性格查找对应的各个推荐专业,然后再根据用户的高考选科科目从各个推荐专业中得到目标推荐专业,通过用户性格和高考选科科目来确定目标推荐专业,提高了高考志愿专业推荐的精准度。
在一个实施例中,在步骤S202之前,即在接收专业推荐指令,专业推荐指令携带有用户标识和用户答题数据之前,还包括步骤:
获取历史用户答题数据,根据历史用户答题数据使用聚类算法进行聚类计算,得到已建立的聚类模型。
具体地,历史用户答题数据是在历史各个时间段中向大量用户推送性格测试题目得到的用户答题数据。其中,聚类算法可以是K均值聚类算法、均值漂移聚类算法、基于高斯混合模型(GMM)的期望最大化(EM)聚类算法、凝聚层次聚类算法和基于密度的聚类算法等等,将大量用户对应的历史用户答题数据使用聚类算法进行聚类计算,当聚类完成时,得到已建立的聚类模型,通过预先建立好聚类模型,方便后续的使用,提高效率。
在一个实施例中,在步骤S202之前,即在接收专业推荐指令,专业推荐指令携带有用户标识和用户答题数据之前,还包括步骤:
建立预设科目权重表,预设科目权重表用于根据推荐专业查找对应的各个高考选科科目权重。
具体地,服务器建立预先科目权值数据表,该数据表用于根据推荐专业查找对应的各个高考选科科目权重。通过预先建立科目权重表,方便后续的使用,提高效率。
在一个实施例中,如图3所示,建立预设科目权重表,包括步骤:
S302,获取初始科目权重表,并向目标服务器发送高考选科次数查询指令,高考选科次数查询指令携带有目标专业,以使目标服务器根据高考选科次数查询指令查询目标专业对应的高考选科科目的选择次数。
其中,初始科目权重表是人为设置的科目权重表,该科目权重表中每个专业对应的权重都是相同的。目标专业是指需要进行权重计算的专业,可以是专业的名称,专业的标识等等。可以将每个都需要进行权值计算的专业都作为目标专业。目标服务器是指数据源服务器,该目标服务器中存储有目标专业对应的高考选科科目的选择次数。
具体地,服务器获取到初始科目权重表,该获取到初始科目权重表可以如表2所示:
表2
物理 | 化学 | 生物 | 地理 | 历史 | 政治 | |
专业1 | 1 | 1 | 1 | 1 | 1 | 1 |
专业2 | 1 | 1 | 1 | 1 | 1 | 1 |
专业3 | 1 | 1 | 1 | 1 | 1 | 1 |
专业4 | 1 | 1 | 1 | 1 | 1 | 1 |
… | … | … | … | … | … | … |
服务器向目标服务器发送高考选科次数查询指令,高考选科次数查询指令携带有目标专业,以使目标服务器根据高考选科次数查询指令查询目标专业对应的高考选科科目的选择次数。比如,服务器向目标服务器发送软件工程专业高考选科次数查询指令,目标服务器根据高考选科次数查询指令查询软件工程专业对应的高考选科科目比如物理科目的选科次数。
S304,获取目标服务器返回的目标专业对应的各个高考选科科目的选择次数,根据各个高考选科科目的选择次数更新初始科目权重表中目标专业对应的各个高考选科科目权重,得到预设科目权重表。
具体地,服务器接收到目标服务器返回的目标专业对应的各个高考选科科目的选择次数,根据各个高考选科科目的选择次数计算该目标专业对应的所有科目的选择次数之和,计算每个高考选科科目的选择次数占所有科目的选择次数之和的比值,得到目标专业对应的每个高考选科科目的权重。服务器获取到每个专业对应的每个高考选科科目的权重,将初始科目权重表中目标专业对应的各个高考选科科目权重替换为计算得到的每个高考选科科目的权重,就得到了预设科目权重表。比如,接收到软件工程专业对应的高考选科科目物理科目的选科次数为5次,化学选科为5次,生物选科为4次,地理选科为1次,历史选科为1次、政治选科为1次,得到的总次数为17,则得到软件工程物理科目的权重为29.41%,化学科目的权重为29.41%,生物科目的权重为23.53%,地理科目的权重为5.88%,历史科目的权重为5.88%,政治科目的权重为5.88%。
在上述实施例中,通过获取初始科目权重表,并向目标服务器发送高考选科次数查询指令,高考选科次数查询指令携带有目标专业,以使目标服务器根据高考选科次数查询指令查询目标专业对应的高考选科科目的选择次数,获取目标服务器返回的目标专业对应的各个高考选科科目的选择次数,根据各个高考选科科目的选择次数更新初始科目权重表中目标专业对应的各个高考选科科目权重,得到预设科目权重表,从而能够使用目标数据库中的选科次数来建立预设科目权重表,提高了建立的预设科目权重表的准确性。
在一个实施例中,如图4所示,步骤S204,即将用户答题数据输入到已建立的聚类模型中,得到用户标识对应的目标性格,包括步骤:
S402,根据用户答题数据确定用户性格向量。
S404,计算用户性格向量与已建立的聚类模型中各个性格类别的相似度,根据相似度确定用户标识对应的性格类别。
其中,用户性格向量用于表示用户答题数据的向量,比如当用户答题数据为选择答案时,可以获取到每个选项的预设分值,根据每个选项的预设分值得到用户性格。例如,用户答题数据为4个选择题的答案,包括第一题第一个选选项,该预设分值可以为1。第二题第二个选项,该预设分值可以为2。第三题第二个选项,该预设分值可以为3。第四题第一个选项,该预设分值可以为4。则得到的用户性格向量可以是(1,2,3,4)。
具体地,服务器根据用户答题数据确定用户性格向量,根据用户性格向量计算与已建立的聚类模型中各个性格类别的相似度,可以与已建立的聚类模型中各个性格类别的中心向量计算相似度。可以欧式距离相似度算法、余弦距离相似度算算法、皮尔森相关系数算法等计算相似度。比较各个性格类别的相似度,将最大相似度对应的性格类别作为用户标识对应的性格类别。
在上述实施例中,通过计算相似度来确定用户标识对应的性格类别,能够提高得到用户标识对应的性格类别的效率。
在一个实施例中,如图5所示,步骤S212,即根据各个推荐专业的权重从各个推荐专业中确定目标推荐专业,向用户标识对应的用户终端返回目标推荐专业,包括步骤:
S502,根据各个推荐专业的权重将各个推荐专业排序,得到排序后的各个推荐专业。
S504,从排序后的各个推荐专业中选取预设数量的推荐专业,将预设数量的推荐专业依次返回用户标识对应的用户终端。
具体地,服务器将各个推荐专业的权重进行排序,得到排序后的各个推荐专业,可以从大到小依次从排序后的各个推荐专业中选取预设数量的推荐专业,预先数量是预先设置好的专业推荐数量,比如,可以选取前三的推荐专业。将将预设数量的推荐专业依次返回用户标识对应的用户终端,用户终端接收到服务器发送的预设数量的推荐专业进行展示。
在上述实施例中,通过将各个推荐专业排序并从排序后的各个推荐专业中选取预设数量的推荐专业进行推荐,提高了高考志愿专业推荐的精准度。
应该理解的是,虽然图2-5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2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,这些子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的子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6所示,提供了一种专业推荐装置600,包括:指令接收模块602、聚类模块604、专业查找模块606、科目权重查找模块608、专业权重得到模块610和推荐专业确定模块612,其中:
指令接收模块602,用于接收专业推荐指令,专业推荐指令携带有用户标识和用户答题数据;
聚类模块604,用于将用户答题数据输入到已建立的聚类模型中,得到用户标识对应的性格类别;
专业查找模块606,用于根据性格类别获取对应的目标职业,根据目标职业查找对应的各个推荐专业;
科目权重查找模块608,用于获取用户标识对应的高考选科科目,根据各个推荐专业在预设科目权重表中查找高考选科科目的权重;
专业权重得到模块610,用于根据各个推荐专业对应的高考选科科目的权重得到各个推荐专业的权重;
推荐专业确定模块612,用于根据各个推荐专业的权重从各个推荐专业中确定目标推荐专业,向用户标识对应的用户终端返回目标推荐专业。
在一个实施例中,专业推荐装置600,还包括:
模型建立模块,用于获取历史用户答题数据,根据历史用户答题数据使用聚类算法进行聚类计算,得到已建立的聚类模型。
在其中一个实施例中,专业推荐装置600,还包括:
权重表建立模块,用于建立预设科目权重表,预设科目权重表用于根据推荐专业查找对应的各个高考选科科目权重。
在一个实施例中,权重表建立模块还用于获取初始科目权重表,并向目标服务器发送高考选科次数查询指令,高考选科次数查询指令携带有目标专业,以使目标服务器根据高考选科次数查询指令查询目标专业对应的高考选科科目的选择次数;获取目标服务器返回的目标专业对应的各个高考选科科目的选择次数,根据各个高考选科科目的选择次数更新初始科目权重表中目标专业对应的各个高考选科科目权重,得到预设科目权重表。
在一个实施例中,聚类模块604还用于根据用户答题数据确定用户性格向量;计算用户性格向量与已建立的聚类模型中各个性格类别的相似度,根据相似度确定用户标识对应的性格类别。
在一个实施例中,推荐专业确定模块612还用于根据各个推荐专业的权重将各个推荐专业排序,得到排序后的各个推荐专业;从排序后的各个推荐专业中选取预设数量的推荐专业,将预设数量的推荐专业依次返回用户标识对应的用户终端。
关于专业推荐装置的具体限定可以参见上文中对于专业推荐方法的限定,在此不再赘述。上述专业推荐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服务器,其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。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***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户答题数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种专业推荐方法。
本领域技术人员可以理解,图7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,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:接收专业推荐指令,专业推荐指令携带有用户标识和用户答题数据;将用户答题数据输入到已建立的聚类模型中,得到用户标识对应的性格类别;根据性格类别获取对应的目标职业,根据目标职业查找对应的各个推荐专业;获取用户标识对应的高考选科科目,根据各个推荐专业在预设科目权重表中查找高考选科科目的权重;根据各个推荐专业对应的高考选科科目的权重得到各个推荐专业的权重;根据各个推荐专业的权重从各个推荐专业中确定目标推荐专业,向用户标识对应的用户终端返回目标推荐专业。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取历史用户答题数据,根据历史用户答题数据使用聚类算法进行聚类计算,得到已建立的聚类模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:建立预设科目权重表,预设科目权重表用于根据推荐专业查找对应的各个高考选科科目权重。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取初始科目权重表,并向目标服务器发送高考选科次数查询指令,高考选科次数查询指令携带有目标专业,以使目标服务器根据高考选科次数查询指令查询目标专业对应的高考选科科目的选择次数;获取目标服务器返回的目标专业对应的各个高考选科科目的选择次数,根据各个高考选科科目的选择次数更新初始科目权重表中目标专业对应的各个高考选科科目权重,得到预设科目权重表。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据用户答题数据确定用户性格向量;计算用户性格向量与已建立的聚类模型中各个性格类别的相似度,根据相似度确定用户标识对应的性格类别。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据各个推荐专业的权重将各个推荐专业排序,得到排序后的各个推荐专业;从排序后的各个推荐专业中选取预设数量的推荐专业,将预设数量的推荐专业依次返回用户标识对应的用户终端。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:接收专业推荐指令,专业推荐指令携带有用户标识和用户答题数据;将用户答题数据输入到已建立的聚类模型中,得到用户标识对应的性格类别;根据性格类别获取对应的目标职业,根据目标职业查找对应的各个推荐专业;获取用户标识对应的高考选科科目,根据各个推荐专业在预设科目权重表中查找高考选科科目的权重;根据各个推荐专业对应的高考选科科目的权重得到各个推荐专业的权重;根据各个推荐专业的权重从各个推荐专业中确定目标推荐专业,向用户标识对应的用户终端返回目标推荐专业。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤,还包括:获取历史用户答题数据,根据历史用户答题数据使用聚类算法进行聚类计算,得到已建立的聚类模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:建立预设科目权重表,预设科目权重表用于根据推荐专业查找对应的各个高考选科科目权重。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取初始科目权重表,并向目标服务器发送高考选科次数查询指令,高考选科次数查询指令携带有目标专业,以使目标服务器根据高考选科次数查询指令查询目标专业对应的高考选科科目的选择次数;获取目标服务器返回的目标专业对应的各个高考选科科目的选择次数,根据各个高考选科科目的选择次数更新初始科目权重表中目标专业对应的各个高考选科科目权重,得到预设科目权重表。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据用户答题数据确定用户性格向量;计算用户性格向量与已建立的聚类模型中各个性格类别的相似度,根据相似度确定用户标识对应的性格类别。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据各个推荐专业的权重将各个推荐专业排序,得到排序后的各个推荐专业;从排序后的各个推荐专业中选取预设数量的推荐专业,将预设数量的推荐专业依次返回用户标识对应的用户终端。
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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)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)
1.一种专业推荐方法,所述方法包括:
接收专业推荐指令,所述专业推荐指令携带有用户标识和用户答题数据;
将所述用户答题数据输入到已建立的聚类模型中,得到所述用户标识对应的性格类别;
根据所述性格类别获取对应的目标职业,根据所述目标职业查找对应的各个推荐专业;
获取所述用户标识对应的高考选科科目,根据所述各个推荐专业在预设科目权重表中查找所述高考选科科目的权重;
根据所述各个推荐专业对应的所述高考选科科目的权重得到所述各个推荐专业的权重;
根据所述各个推荐专业的权重从所述各个推荐专业中确定目标推荐专业,向所述用户标识对应的用户终端返回所述目标推荐专业。
2.根据权利要求1所述的方法,其特征在于,在接收专业推荐指令,所述专业推荐指令携带有用户标识和用户答题数据之前,还包括:
获取历史用户答题数据,根据所述历史用户答题数据使用聚类算法进行聚类计算,得到所述已建立的聚类模型。
3.根据权利要求1所述的方法,其特征在于,在所述接收专业推荐指令,所述专业推荐指令携带有用户标识和用户答题数据之前,还包括:
建立预设科目权重表,所述预设科目权重表用于根据推荐专业查找对应的各个高考选科科目权重。
4.根据权利要求3所述的方法,其特征在于,所述建立预设科目权重表,包括:
获取初始科目权重表,并向目标服务器发送高考选科次数查询指令,所述高考选科次数查询指令携带有目标专业,以使所述目标服务器根据所述高考选科次数查询指令查询所述目标专业对应的高考选科科目的选择次数;
获取所述目标服务器返回的所述目标专业对应的各个高考选科科目的选择次数,根据所述各个高考选科科目的选择次数更新所述初始科目权重表中目标专业对应的各个高考选科科目权重,得到所述预设科目权重表。
5.根据权利要求1所述的方法,其特征在于,将所述用户答题数据输入到已建立的聚类模型中,得到所述用户标识对应的目标性格,包括:
根据所述用户答题数据确定用户性格向量;
计算所述用户性格向量与所述已建立的聚类模型中各个性格类别的相似度,根据所述相似度确定所述用户标识对应的性格类别。
6.根据权利要求1所述的方法,其特征在于,根据所述各个推荐专业的权重从所述各个推荐专业中确定目标推荐专业,向所述用户标识对应的用户终端返回所述目标推荐专业,包括:
根据所述各个推荐专业的权重将所述各个推荐专业排序,得到排序后的各个推荐专业;
从所述排序后的各个推荐专业中选取预设数量的推荐专业,将所述预设数量的推荐专业依次返回所述用户标识对应的用户终端。
7.一种专业推荐装置,其特征在于,所述装置包括:
指令接收模块,用于接收专业推荐指令,所述专业推荐指令携带有用户标识和用户答题数据;
聚类模块,用于将所述用户答题数据输入到已建立的聚类模型中,得到所述用户标识对应的性格类别;
专业查找模块,用于根据所述性格类别获取对应的目标职业,根据所述目标职业查找对应的各个推荐专业;
科目权重查找模块,用于获取所述用户标识对应的高考选科科目,根据所述各个推荐专业在预设科目权重表中查找所述高考选科科目的权重;
专业权重得到模块,用于根据所述各个推荐专业对应的所述高考选科科目的权重得到所述各个推荐专业的权重;
推荐专业确定模块,用于根据所述各个推荐专业的权重从所述各个推荐专业中确定目标推荐专业,向所述用户标识对应的用户终端返回所述目标推荐专业。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
权重表建立模块,用于建立预设科目权重表,所述预设科目权重表用于根据推荐专业查找对应的各个高考选科科目权重。
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7中任一项所述的方法的步骤。
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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911378127.6A CN111191129A (zh) | 2019-12-27 | 2019-12-27 | 专业推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911378127.6A CN111191129A (zh) | 2019-12-27 | 2019-12-27 | 专业推荐方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111191129A true CN111191129A (zh) | 2020-05-22 |
Family
ID=70709498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911378127.6A Pending CN111191129A (zh) | 2019-12-27 | 2019-12-27 | 专业推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191129A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051469A (zh) * | 2021-03-05 | 2021-06-29 | 广东工业大学 | 一种基于k-聚类算法的学科选择推荐方法 |
CN117648495A (zh) * | 2024-01-18 | 2024-03-05 | 卓世科技(海南)有限公司 | 一种基于云原生向量数据的数据推送方法及*** |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096224A (zh) * | 2015-08-21 | 2015-11-25 | 湖南亿谷科技发展股份有限公司 | 志愿推荐方法和*** |
CN106408473A (zh) * | 2016-08-29 | 2017-02-15 | 曹子健 | 一种高考志愿院校选择算法 |
CN106780223A (zh) * | 2017-01-13 | 2017-05-31 | 深圳爱拼信息科技有限公司 | 一种智能推荐高考志愿表的方法及*** |
CN108305195A (zh) * | 2018-01-07 | 2018-07-20 | 深圳前海易维教育科技有限公司 | 一种面向中小学生评价和题目属性分析的综合指标体系 |
CN108364131A (zh) * | 2018-02-09 | 2018-08-03 | 合不合(厦门)网络科技有限公司 | 利用类神经网络进行人格类型的自动识别与分群的方法 |
CN108596420A (zh) * | 2018-02-02 | 2018-09-28 | 武汉文都创新教育研究院(有限合伙) | 一种基于行为的人才测评***及方法 |
CN108776942A (zh) * | 2018-07-17 | 2018-11-09 | 苏州雪松湾教育科技有限公司 | 一种走班选科的方法及*** |
CN108846105A (zh) * | 2018-06-21 | 2018-11-20 | 黄彦辉 | 基于欧式距离性格特征向量专业匹配方法、计算机程序 |
CN109062994A (zh) * | 2018-07-04 | 2018-12-21 | 平安科技(深圳)有限公司 | 推荐方法、装置、计算机设备和存储介质 |
CN109214967A (zh) * | 2018-10-29 | 2019-01-15 | 陆柒(北京)科技有限公司 | 一种基于多目标的综合选科方法 |
CN109389308A (zh) * | 2018-10-10 | 2019-02-26 | 赵益 | 一种职业倾向测试*** |
CN109685614A (zh) * | 2018-12-19 | 2019-04-26 | 广州易起行信息技术有限公司 | 旅游产品推荐方法、装置、计算机设备和存储介质 |
KR20190062928A (ko) * | 2017-11-29 | 2019-06-07 | 주식회사 한국직업개발원 | 장애인진로 제안시스템 |
CN109871480A (zh) * | 2019-01-14 | 2019-06-11 | 李光辉 | 中学生学业职业规划及高考志愿填报智能推荐*** |
CN110363569A (zh) * | 2019-06-17 | 2019-10-22 | 深圳壹账通智能科技有限公司 | 数据产品推荐方法、装置、计算机设备和存储介质 |
CN110570336A (zh) * | 2019-03-25 | 2019-12-13 | 北京和气聚力教育科技有限公司 | 一种选科指导*** |
-
2019
- 2019-12-27 CN CN201911378127.6A patent/CN111191129A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096224A (zh) * | 2015-08-21 | 2015-11-25 | 湖南亿谷科技发展股份有限公司 | 志愿推荐方法和*** |
CN106408473A (zh) * | 2016-08-29 | 2017-02-15 | 曹子健 | 一种高考志愿院校选择算法 |
CN106780223A (zh) * | 2017-01-13 | 2017-05-31 | 深圳爱拼信息科技有限公司 | 一种智能推荐高考志愿表的方法及*** |
KR20190062928A (ko) * | 2017-11-29 | 2019-06-07 | 주식회사 한국직업개발원 | 장애인진로 제안시스템 |
CN108305195A (zh) * | 2018-01-07 | 2018-07-20 | 深圳前海易维教育科技有限公司 | 一种面向中小学生评价和题目属性分析的综合指标体系 |
CN108596420A (zh) * | 2018-02-02 | 2018-09-28 | 武汉文都创新教育研究院(有限合伙) | 一种基于行为的人才测评***及方法 |
CN108364131A (zh) * | 2018-02-09 | 2018-08-03 | 合不合(厦门)网络科技有限公司 | 利用类神经网络进行人格类型的自动识别与分群的方法 |
CN108846105A (zh) * | 2018-06-21 | 2018-11-20 | 黄彦辉 | 基于欧式距离性格特征向量专业匹配方法、计算机程序 |
CN109062994A (zh) * | 2018-07-04 | 2018-12-21 | 平安科技(深圳)有限公司 | 推荐方法、装置、计算机设备和存储介质 |
CN108776942A (zh) * | 2018-07-17 | 2018-11-09 | 苏州雪松湾教育科技有限公司 | 一种走班选科的方法及*** |
CN109389308A (zh) * | 2018-10-10 | 2019-02-26 | 赵益 | 一种职业倾向测试*** |
CN109214967A (zh) * | 2018-10-29 | 2019-01-15 | 陆柒(北京)科技有限公司 | 一种基于多目标的综合选科方法 |
CN109685614A (zh) * | 2018-12-19 | 2019-04-26 | 广州易起行信息技术有限公司 | 旅游产品推荐方法、装置、计算机设备和存储介质 |
CN109871480A (zh) * | 2019-01-14 | 2019-06-11 | 李光辉 | 中学生学业职业规划及高考志愿填报智能推荐*** |
CN110570336A (zh) * | 2019-03-25 | 2019-12-13 | 北京和气聚力教育科技有限公司 | 一种选科指导*** |
CN110363569A (zh) * | 2019-06-17 | 2019-10-22 | 深圳壹账通智能科技有限公司 | 数据产品推荐方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
ASMAA ELBADRAWY 等: "Domain-Aware Grade Prediction and Top-n Course Recommendation", 《RECSYS \'16: PROCEEDINGS OF THE 10TH ACM CONFERENCE ON RECOMMENDER SYSTEM》, 30 September 2016 (2016-09-30), pages 183 - 190, XP058278037, DOI: 10.1145/2959100.2959133 * |
朱焰: "新高考改革综合信息服务***的设计与实现", 《中国优秀硕士学位论文 全文数据库·信息科技辑》, no. 04, 15 April 2018 (2018-04-15), pages 1 - 68 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051469A (zh) * | 2021-03-05 | 2021-06-29 | 广东工业大学 | 一种基于k-聚类算法的学科选择推荐方法 |
CN117648495A (zh) * | 2024-01-18 | 2024-03-05 | 卓世科技(海南)有限公司 | 一种基于云原生向量数据的数据推送方法及*** |
CN117648495B (zh) * | 2024-01-18 | 2024-04-26 | 卓世科技(海南)有限公司 | 一种基于云原生向量数据的数据推送方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
CN108766512B (zh) | 健康数据管理方法、装置、计算机设备和存储介质 | |
CN110457431B (zh) | 基于知识图谱的问答方法、装置、计算机设备和存储介质 | |
CN112329964B (zh) | 用于推送信息的方法、装置、设备以及存储介质 | |
CN110472060B (zh) | 题目推送方法、装置、计算机设备和存储介质 | |
CN111209474A (zh) | 在线课程的推荐方法、装置、计算机设备和存储介质 | |
CN113689943B (zh) | 基于人工智能的就诊医院推荐方法、装置、设备及介质 | |
CN109978738B (zh) | 分班方法、装置、计算机设备和存储介质 | |
WO2021164388A1 (zh) | 分诊融合模型训练方法、分诊方法、装置、设备及介质 | |
CN110688566A (zh) | 基于用户画像的数据推送方法、***、设备及存储介质 | |
CN112035674A (zh) | 导诊数据获取方法、装置、计算机设备和存储介质 | |
CN111191129A (zh) | 专业推荐方法、装置、计算机设备和存储介质 | |
CN114065856B (zh) | 基于医生画像的医生推荐方法、装置、设备及存储介质 | |
US20220019916A1 (en) | Apparatus and method for recommending federated learning based on tendency analysis of recognition model and method for federated learning in user terminal | |
CN111651579B (zh) | 信息查询方法、装置、计算机设备和存储介质 | |
CN112397197A (zh) | 基于人工智能的问诊数据处理方法及装置 | |
CN112231452A (zh) | 基于自然语言处理的问答方法、装置、设备及存储介质 | |
CN112017742A (zh) | 分诊数据处理方法、装置、计算机设备及存储介质 | |
CN113707304A (zh) | 分诊数据处理方法、装置、设备及存储介质 | |
Herdener et al. | Anchoring and adjustment in uncertain spatial trajectory prediction | |
CN116631614A (zh) | 治疗方案生成方法、装置、电子设备及存储介质 | |
CN115578226A (zh) | 一种基于大数据的学情分析方法及*** | |
CN112102132B (zh) | 行政班级的自动配置方法、装置和计算机设备 | |
CN112036671B (zh) | 自动生成课程配置信息的方法、装置和计算机设备 | |
US20210231449A1 (en) | Deep User Modeling by Behavior |
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 |