一种基于四维精细化DISC与二十四维组合特征的高校专业智能匹配方法及系统与流程
本发明涉及人工智能特征量化、多维数据融合算法、教育大数据匹配技术、人格心理特征数字化建模,具体涉及一种基于四维精细化 disc 量化与二十四维组合特征融合的高校专业智能匹配方法及系统。
背景技术:
1、高考志愿填报、学业规划是国内教育领域的重要应用场景,基于性格测评辅助专业选择已成为主流方向,disc 人格测评因分类清晰、落地性强被广泛使用。
2、目前市面上基于 disc 的专业推荐系统及方法存在多项固有技术缺陷:
3、1.传统 disc 仅做四类定性划分,未采用 0~100 分连续精细化量化,无法区分用户人格的细微差异,机器比对精度低,匹配结果粗糙。
4、2.现有技术仅使用 d、i、s、c 四个基础维度,未挖掘人格交叉耦合特征、多维组合特征,人格建模维度缺失,匹配逻辑片面。
5、3.行业内缺少统一、量化、结构化的高校本科专业人格需求数据库,大多依靠文字描述与人工经验判断,无法实现自动化批量运算。
6、4.主流匹配方式为简单规则匹配、关键词匹配,未采用专业多维空间距离算法,匹配结果不稳定、不可复现,易出现判断偏差。
7、5.现有产品仅输出适配专业,无法量化筛选低适配、高风险专业,缺少学业风险预警能力。
8、综上,现有技术存在建模维度少、无精细化量化、无标准化数据库、算法简陋、智能化程度低的技术瓶颈,亟需一套全量化、多维度、高精度、可自动化部署的智能匹配技术方案。
技术实现思路
1、发明目的
2、本发明的目的在于克服现有技术的不足,提供一种基于四维精细化 disc 量化与二十四维组合特征融合的高校专业智能匹配方法及系统,解决传统测评匹配精度低、主观依赖性强、无法自动化运算的问题,实现人格特征全量化建模、专业标准库标准化、匹配算法科学化。
3、技术方案
4、为实现上述目的,本发明采用如下技术方案:
5、一、方法部分
6、一种基于四维精细化 disc 量化与二十四维组合特征融合的高校专业智能匹配方法,包括以下步骤:
7、s1. 采集用户标准化 disc 测评作答原始数据,依据预设维度计分模型,分别对支配维度 d、影响维度 i、稳健维度 s、严谨维度 c 进行独立归一化精细化打分,生成取值区间统一为 0~100 分的用户四维基础特征分值向量。
8、将测评题目一一对应归属至 d、i、s、c 单一维度,累加单维度所有题目得分,通过最大最小值归一化算法映射至 0~100 区间,得到标准化维度分值。
9、s2. 基于所述四维基础特征分值向量,通过预设的多特征耦合运算模型,分别执行双维融合运算、三维耦合运算、四维均衡运算,批量生成二十四组独立的用户组合特征量化分值,构成用户二十四维融合特征向量。
10、所述二十四维组合特征分为三类:6 组双维耦合特征、12 组三维交叉特征、6 组四维全局均衡特征;每组特征配置独立固定权重系数,权重总和为 1,输出结果统一限制在0~100 分区间。
11、s3. 预构建高校本科专业标准化特征数据库,所述数据库内每一个高校专业均预先标定对应的四维基础标准分值向量与二十四维组合特征标准分值向量。
12、数据库构建方式为:依据教育部现行本科专业目录,划分十二大学科门类并设置门类基准分值,再针对各细分专业进行维度微调校准,使全部专业形成机器可识别、可批量运算的结构化标准数据。
13、s4. 构建双层差异化匹配度量模型,分别计算用户四维基础特征与专业四维标准特征的第一适配距离、用户二十四维融合特征与专业二十四维标准特征的第二适配距离。
14、第一适配距离、第二适配距离均采用欧式距离算法计算,分别表征用户与专业在基础人格、高阶组合人格层面的偏差程度。
15、s5. 对第一适配距离、第二适配距离进行层级加权融合计算,生成用户与各高校专业的唯一综合适配度分值。
16、其中基础维度匹配权重取值 0.3~0.5,二十四维组合维度匹配权重取值 0.5~0.7,两组权重之和恒为 1,抵消单一维度匹配带来的偏差。
17、s6. 根据综合适配度分值自动降序排序生成高适配推荐专业序列,同时反向筛选生成低适配规避专业序列,输出双向智能匹配结果;同步生成用户维度优势、短板、专业适配机理、学习风险的结构化解析报告。
18、二、系统部分
19、一种基于四维精细化 disc 与二十四维组合特征的高校专业智能匹配系统,用于实现上述方法,包括七大功能模块:
20、1.数据采集与校验模块:获取用户测评原始数据,并完成数据清洗、合法性校验。
21、2.四维基础量化打分模块:完成 d、i、s、c 四维归一化打分,输出标准化四维向量。
22、3.二十四维组合特征运算模块:内置各类运算算子,自动计算二十四组组合特征分值。
23、4.高校专业标准特征库模块:存储全国本科专业四维标准分与二十四维组合标准分。
24、5.双层距离匹配计算模块:分别计算基础维度、组合维度的欧式适配距离。
25、6.加权融合适配度运算模块:融合双层距离,计算最终综合适配度。
26、7.智能推荐与规避结果输出模块:完成排序、筛选,输出专业列表与解析报告。
27、有益效果
28、本发明与现有技术相比,具备如下突出技术优势:
29、实现 disc 人格0~100 分精细化连续量化,替代传统定性分类,精准捕捉人格细微差异,提升匹配基础精度。
30、独创二十四维高阶组合特征模型,完善人格多维建模体系,解决单一维度建模片面的问题。
31、建立全国本科专业统一标准化人格特征数据库,填补行业技术空白,实现机器自动化比对运算。
32、采用双层欧式距离加权融合算法,抗干扰能力强,匹配结果稳定、可复现。
33、同时输出推荐专业与规避专业,增加学业风险预警功能,功能完整性大幅提升。
34、全流程自动化运算,无人工主观干预,可直接部署于网页、小程序、平台等各类终端,商业化落地性强。
1.一种基于四维精细化 disc 量化与二十四维组合特征融合的高校专业智能匹配方法,其特征在于,包括如下步骤:
2.根据权利要求 1 所述的方法,其特征在于:步骤 s1 中,所述四维精细化打分方式为:将测评题目严格归属至 d、i、s、c 单一维度,单维度所有题目得分累加后通过最大最小值归一化映射至 0~100 区间,得到无偏差、可量化、可比对的标准化维度分值。
3.根据权利要求 1 所述的方法,其特征在于:步骤 s2 中,所述二十四维组合特征包括 6 组双维耦合特征、12 组三维交叉特征、6 组四维全局均衡特征,每组特征均配置独立固定权重系数与专属运算公式,各组权重系数总和归一化为 1,每组输出结果独立限制在0~100 分区间。
4.根据权利要求 3 所述的方法,其特征在于:所述 6 组双维耦合特征至少包括 di开拓特征、ds 统筹特征、dc 决断特征、is 亲和特征、ic 思辨特征、sc 执行特征;所述 12组三维交叉特征至少包括 dis 外向行动特征、dic 理性开拓特征、dcs 稳慎决断特征、isc严谨社交特征、dsc 务实支配特征、dii 表达服务特征、icc 钻研特征、scc 严谨执行特征;所述 6 组四维全局特征至少包括全维度均衡度特征、d 主导倾向特征、i 主导倾向特征、s主导倾向特征、c 主导倾向特征、全局综合适配潜力特征。
5.根据权利要求 1 所述的方法,其特征在于:步骤 s3 中,所述高校本科专业标准化特征数据库的构建方式包括:依据教育部本科专业目录,按十二大学科门类建立门类基准分值,再对各细分专业进行维度微调校准,使所有专业统一具备四维基础标准分与二十四维组合标准分的结构化标准数据,形成机器可识别、可比对、可批量运算的专业特征知识库。
6.根据权利要求 1 所述的方法,其特征在于:步骤 s4 中,所述第一适配距离、第二适配距离均采用欧式距离算法实现多维空间距离量化,分别表征用户基础人格偏差度、用户高阶组合人格偏差度。
7.根据权利要求 1 所述的方法,其特征在于:步骤 s5 中,层级加权融合采用固定权重配比:基础维度匹配权重设置为 0.3~0.5,二十四维组合维度匹配权重设置为 0.5~0.7,两组权重相加恒等于 1,通过加权抵消单一维度匹配偏差,输出稳定唯一综合适配度。
8.根据权利要求 1 所述的方法,其特征在于:步骤 s6 中,自动生成 topn 高适配推荐专业列表与 topn 低适配不推荐专业列表,并同步输出用户个人四维维度优势分析、短板维度分析、专业适配机理解释、学习适配风险提示的结构化解析报告。
9.一种基于四维精细化 disc 与二十四维组合特征的高校专业智能匹配系统,其特征在于,用于实现权利要求 1~8 任意一项所述的方法,包括:数据采集与校验模块、四维基础量化打分模块、二十四维组合特征运算模块、高校专业标准特征库模块、双层距离匹配计算模块、加权融合适配度运算模块、智能推荐与规避结果输出模块;所述数据采集与校验模块用于获取并清洗用户测评原始作答数据;
10.根据权利要求 9 所述的系统,其特征在于:所述二十四维组合特征运算模块内置固定权重运算算子、区间归一化算子、边界截断算子,实现全部二十四维特征的自动化、无人工干预、可复现的机器量化计算。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com