基于Android的高考志愿推薦App設計

孫彥幫 賀裕 王林 劉欣宇

摘? 要： 在志愿填報的過程中，很多考生無法在眾多專業或院校中做出自己的選擇，甚至有的考生由于缺乏對報考相關的認識導致被調劑或滑檔，無法學習自己喜歡的專業，因此設計一款能夠幫助考生填報志愿的App顯得十分必要。基于Android平臺下的高考志愿推薦App將協同過濾技術應用到志愿填報領域，通過對考生進行特征分析，為適合的考生推薦錄取率較高的院校及專業。經測試表明該App準確性高、穩定性強，可以幫助考生合理地進行志愿填報。

關鍵詞： 個性化推薦技術; Android; 志愿填報; 協同過濾技術; App

中圖分類號：TP311.5? ? ? ? ? 文獻標識碼：A? ? 文章編號：1006-8228（2020）02-39-04

Design of recommendation App for aspiration choice of college entrance

Sun Yanbang， He Yu， Wang Lin， Liu Xinyu

（School of Computer Science and Information Engineering， Harbin Normal University， Harbin， Heilongjiang 150025， China）

Abstract： In the process of aspiration choice of application for colleges， many candidates cant make their own choices among various specialties and colleges and universities， and even some candidates cant learn their favorite specialty because of the lack of relevant knowledge. Therefore， it is necessary to design an App that can help candidates to fill in their aspiration application forms. The recommendation App for aspiration choice of college entrance applies collaborative filtering technology to the field of aspiration application， and by analyzing the characteristics of candidates， the specialties and colleges and universities suitable for candidates and with higher admission rate are recommended. The test result of the App shows that the App has high accuracy and stability， and can help candidates to fill in aspiration application forms papers reasonably.

Key words： personalized recommendation technology; Android; filling the aspiration form; collaborative filtering technology; App

0 引言

在我國，高考依然是眾多學子追逐夢想、奔向成功的重要途徑。高考筆試之后的志愿填報常常決定了考生將來在哪個城市扎根、未來幾十年的生活質量、將來的事業發展等。隨著高考招生工作的不斷深入，積累了大量有價值的信息，為了解決這種信息過載現象[1]，個性化推薦技術應運而生。如何利用這些有效的信息進行志愿填報是每個考生都關心的問題，利用協同過濾推薦技術來分析考生相關數據，可以有效的幫助考生選擇更適合自己的專業，這也是個性化推薦中研究和應用最為廣泛的技術。

1 志愿推薦系統的研究現狀

近年來，夏大飛、張自力等人參與的基于商務智能的高考志愿填報指導系統[2]通過商務智能挖掘高考志愿填報的規律，幫助考生填報志愿，該系統對填報志愿涉及的多方面因素來進行指導，但沒有結合考生考試成績及往年的分數趨勢進行分析預測，也沒有相應的App支持，不能解決實時查詢的問題。

王靈峰基于協同過濾算法設計的高考信息推薦引擎[3]，將用戶對分類信息的關注度轉換為了用戶對分類信息的評分，并構建用戶評分矩陣，雖然這種做法簡便，但是在一定程度上帶來了不準確性。

王亞婧基于數據挖掘和協同過濾的成人高考志愿推薦系統[4]，提出采用信息增益率作為屬性選擇標準，對信息增益率較高的屬性給予較高的權值，然而當推薦個數較少時，準確率較低。由此發現，在應用協同過濾推薦算法時，需正確處理推薦準確度與推薦個數之間的關系。

2 系統設計

2.1 系統體系結構設計

本文App采用平臺化結構設計，通過分層設計使系統整體邏輯更加清晰，降低了層與層之間的依賴，利于各層邏輯的復用。系統總體框架設計如圖1所示。

該系統分為客戶層、算法層、業務層、表現層、數據層，圖1最右側為各個層次用到的主要技術，各層次詳細介紹如下。

⑴ 客戶層：考生注冊成功后，通過App訪問表現層來進行交互。

Two Function：

Student = ;Key = Student.Key;Similarity = 0;

For 1：Student.Value.Length

Similarity += Math.Pow（（aimStudent.Value[i]- Student.Value[i]）*w[i]，2）;

End

Similarity = Math.Sqrt（Similarity）;return ;

錄取概率計算代碼：

One Function：

Key = record.WishId;Value = record. WishProperties;return ;

Two Function：

Wish = ;Key = Wish.Key;Probability = 0;

If aimUser.rank < Wish.Value.MinRank

Probability = 1;

Else If aimUser.rank > Wish.Value.MaxRank

Probability = 0;

Else Probability = （1 – （aimUser.rank - Wish.Value.MinRank）/

（Wish.Value.MaxRank - Wish.Value.MinRank））*L;

return ;

3.6 算法驗證

在數據庫中選取1600條考生數據，將考生的推薦結果與實際錄取院校進行對比，若推薦集院校中包含錄取院校則認為推薦成功[6]。實驗結果如圖2所示。

分析圖2，得出以下結論：

高分段推薦效果好，這說明高分段考生對院校的選擇更為明確，不存在“信息過載”問題;

高分段與低分段準確率差異大，這說明在算法設計過程中需要重點考慮低分段考生，要結合院校招生政策和其他因素進行分析，以提高推薦準確率。

4 結論

本文設計與實現了基于Android平臺下結合協同過濾推薦算法的高考志愿推薦App，運行效果如圖3所示，可以推薦適合考生且錄取率較高的院校及專業。針對目前存在的院校信息更新頻繁帶來的數據利用率低、實時性差等問題，本文主要依托Spark數據處理技術，詳細設計實現了基于協同過濾推薦算法的推薦模塊。相比于其他推薦系統，提高了推薦實時準確性，增強了系統的穩定性。系統也存在許多不足，比如在不同分數段的推薦效果存在差異，針對此現象，應考慮在不同分數段采取不同的推薦方法。另外院校招生計劃也會對推薦效果產生影響，我們需要結合招生政策和用戶其他的屬性數據來構建用戶特征矩陣，這也將是后期的研究內容。

參考文獻（References）：

[1] 劉春霞，武玲梅，謝小紅.推薦系統評估研究綜述[J].現代計算機（專業版），2018.24：11-15，20

[2] 肖燦，張自力，何小明，夏大飛.基于商務智能的高考志愿填報指導系統設計與實現[J].西南師范大學學報（自然科學版），2012.37（5）：89-97

[3] 王靈峰.高考信息推薦引擎的設計與實現[D].暨南大學，2011.

[4] 王亞婧.基于數據挖掘和協同過濾的成人高考志愿推薦系統研究[D].北京林業大學，2011.

[5] 顧健. 基于大數據的高考志愿數據分析關鍵技術研究[D].長春理工大學，2017.

[6] 徐蘭靜，李珊，嚴釗.基于協同過濾的高考志愿推薦系統[J].計算機系統應用，2015.24（7）：185-189