一种基于知识图谱的考生志愿推荐方法与流程

本发明涉及教育大数据，特别是涉及一种基于知识图谱的考生志愿推荐方法。

背景技术：

1、高考是中国学生进入高等教育的主要途径，对学生的学业、职业发展和社会地位都有深远影响。作为衔接高考与录取的关键一环，志愿填报是一项需要在有限时间、面对众多信息、承受较大压力的决策行为，极大的影响着学生的录取结果和职业发展，因而在新旧高考模式更迭的当下更具研究价值。

2、高考志愿政策指向的核心——考生，特别是弱势考生面临着信息扩充与认知通道缺少、程序复杂与家庭支持缺失、志愿繁多与生涯规划缺位等诸多困境。在新旧高考模式更迭、时代发展日新月异的大环境下，多以位次、线差为匹配切入的传统志愿填报算法已难以实现接轨发展潮流、契合考生预期的考生志愿精准推荐，强行延用更可能会放大上述劣势，适得其反。新兴的知识图谱技术相较于传统志愿填报算法具备更加良好的结构数据分析、语义关联推理与动态更新扩展的基础条件，因而在考生志愿推荐任务中具有巨大的潜力。

3、因此，如何以知识图谱技术迭代考生志愿推荐方案，并为之构建成体系的技术集群，是本发明的核心要义。

技术实现思路

1、为了克服现有技术的不足，本发明的目的是提供一种基于知识图谱的考生志愿推荐方法。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于知识图谱的考生志愿推荐方法，包括：

4、获取基础信息、各院校省内历年录取信息、分数线信息以及当年省内招生计划信息；所述基础信息包括院校信息、学科专业信息与城市信息；

5、根据所述基础信息与所述招生计划信息提取三元组；

6、构建neo4j图数据库，将所述三元组录入所述neo4j图数据库中并调用图神经网络训练基于知识图谱的推荐模型；

7、根据所述各院校省内历年录取信息、分数线信息确定本省高考模式的志愿匹配算法，并构建相应的院校分类器；

8、连接所述推荐模型的输出端及所述院校分类器的输入端，得到知识图谱组合模型，并调整所述院校分类器的处理权重；

9、基于所述知识图谱组合模型执行志愿推荐任务，以通过所述推荐模型筛选符合考生特征、不限分差的全部院校信息，并由所述院校分类器基由内置算法、设置权重过滤院校并划分为多个选择类型，以供考生选择。

10、优选地，在根据所述基础信息与所述招生计划信息提取三元组之后，还包括：

11、调用推理补全算法对所述三元组进行查漏补缺。

12、优选地，所述三元组的形式包括：

13、(院校，招录，专业)；(院校，坐落，城市)；(院校，具有，院校特征)；(院校，办学，经营性质)；(学科，适合，性格)；(学科，涵盖，专业)；(专业，招录，人数)；(专业，制定，收费标准)；(城市，具备，地理特征)；(城市，拥有，发展潜力)。

14、优选地，所述推理补全算法的步骤包括：

15、收集和整理知识图谱的已有三元组数据，包括实体、关系和属性等信息，为每个实体和关系随机初始化一个向量表示；

16、定义正例三元组(h，r，t)与负例三元组(h′，r，t′)，其中h为头实体，t为尾实体，h′为替换后的头实体，t′为替换后的尾实体；

17、从已有的三元组中随机选取一个正例和若干个负例，使用距离度量函数优化算法来最小化正例和负例之间的距离差异，具体步骤为：

18、计算正例项距离度量：dpos＝d(h，r，t)＝|h+r-t|1；

19、计算负例项距离度量：dneg＝d(h′，r，t′)＝|h′+r-t′|1；

20、计算目标函数梯度：

21、其中，s表示所有的正例三元组集合，n表示负例三元组的集合，[x]+表示取正值，γ为边界超参数；

22、根据目标函数对向量表示的梯度，使用反向传播算法更新实体和关系的向量表示；

23、重复执行步骤“收集和整理知识图谱的已有三元组数据”至步骤“根据目标函数对向量表示的梯度，使用反向传播算法更新实体和关系的向量表示”，直到达到预定的迭代次数或收敛条件，将符合条件的负例三元组划为补全对象。

24、优选地，构建neo4j图数据库，将所述三元组录入所述neo4j图数据库中并调用图神经网络训练基于知识图谱的推荐模型，包括：

25、收集和整理知识图谱的已有三元组数据，包括实体、关系和属性信息；

26、以知识图谱的三元组数据构建图结构，其中实体和关系作为图的节点，三元组作为图的边；

27、新建所述neo4j图数据库存储三元组及数据，初始化图神经网络并集成函数训练知识图谱的三元组数据；所述函数包括：

28、消息传递聚合函数：

29、其中，表示节点i在第l层的聚合结果，n(i)表示节点i的邻居节点集合，cij表示归一化常数；

30、邻居特征聚合函数：

31、其中，表示节点i在第l层的特征表示，w(l)表示第l层的权重矩阵，σ表示激活函数；

32、更新函数：

33、其中，表示节点i在第l层的特征表示，w(l)表示第l层的权重矩阵，n(i)表示节点i的邻居节点集合，cij表示归一化常数；所述函数共同作用于图神经网络的每一层，通过信息传递和特征更新的过程，逐渐迭代地学习图中节点的表示；所述消息传递聚合函数用于从邻居节点中提取信息，邻居特征聚合函数用于将邻居节点的信息与中心节点的特征融合，更新函数用于更新中心节点的特征表示；

34、使用随机梯度下降算法对模型的参数进行更新，通过反向传播算法计算梯度，并进行参数更新直至推荐模型损失趋于稳定。

35、优选地，所述志愿匹配算法的步骤包括：

36、分年份、科类、批次计算省内各院校录取最高分、最低分、平均分、录取人数；

37、针对各年份、院校，结合当年科类、批次分数线信息计算最高分线差、最低分线差及平均分线差；

38、分析各录取院校历年录取波动情况，引入标准化分配算法计算各年线差权重并根据此权重计算各院校历年录取线差的加权平均值；

39、评估线差波动并设置权重区间，结合考生当年线差实际利用最高分线差均值过滤冲型院校，利用平均分线差过滤稳型院校，利用最低分线差过滤保型院校。

40、根据本发明提供的具体实施例，本发明公开了以下技术效果：

41、本发明提供了一种基于知识图谱的考生志愿推荐方法，包括：获取基础信息、各院校省内历年录取信息、分数线信息以及当年省内招生计划信息；所述基础信息包括院校信息、学科专业信息与城市信息；根据所述基础信息与所述招生计划信息提取三元组；构建neo4j图数据库，将所述三元组录入所述neo4j图数据库中并调用图神经网络训练基于知识图谱的推荐模型；根据所述各院校省内历年录取信息、分数线信息确定本省高考模式的志愿匹配算法，并构建相应的院校分类器；连接所述推荐模型的输出端及所述院校分类器的输入端，得到知识图谱组合模型，并调整所述院校分类器的处理权重；基于所述知识图谱组合模型执行志愿推荐任务，以通过所述推荐模型筛选符合考生特征、不限分差的全部院校信息，并由所述院校分类器基由内置算法、设置权重过滤院校并划分为多个选择类型，以供考生选择。本发明将传统的志愿填报模式解耦为“筛选+过滤”模块化的志愿服务模式。模式基于考生自我意愿先行总检，再根据省内情况自由选择志愿匹配算法过滤初筛结果、划分院校档位，并能比对线差、位次等历史数据提供引导建议。