新高考背景下結合考生個性化需求的志愿推薦模型研究

摘 要：為了解決新高考改革對考生填報志愿帶來的不利影響，本文以湖北省為例，提出一個結合考生個性化需求智能評估的高考志愿推薦模型，該模型將對考生原始的高考志愿表進行解析和評價，從而甄別出不合理的志愿并提示問題所在，進而提醒考生謹慎報考。并根據考生原始志愿表，獲取考生偏好，綜合考生成績進行合理且個性化的高考志愿推薦，最后利用實際案例來檢驗該模型。結論表明該模型在滿足考生個性化需求的同時也能夠有效提高考生的志愿填報質量，該研究不僅豐富了新高考志愿填報推薦領域，并且也為考生在填報志愿上提供了幫助。

關鍵詞：新高考；志愿填報；推薦模型；專業組熱度

中圖分類號：O151.26 文獻標識碼：A 文章編號：2095－414X（2023）01－0049－06

0引言

自2014年起，各地區開始陸續實施新高考改革，到如今已經有14個省市實現了從傳統高考到新高考的轉變。其中湖北省剛實施新高考改革不久，考生們如何在相對陌生的新高考志愿填報規則下合理地進行志愿填報是亟需解決的一個問題，所以本文將以湖北省新高考為例進行研究。根據對湖北省發布的《湖北省2021年普通高校考試招生和錄取工作實施方案》進行解讀，湖北省新高考相對于傳統高考主要發生的改變地方有兩點，第一，選科方面，取消文理分科，采用選考“3+1+2”模式，語數外3科為必選科目，學生在歷史、物理中選擇1科；在化學、生物、思想政治、地理選擇2科作為高考選考科目。第二，志愿填報方面，志愿填報的模式由“院校+專業”轉變為“院校專業組+專業”，每位考生可填報志愿的數量都相應的發生了改變，本科普通批設置45個院校專業組平行志愿，其他批次設置20個院校專業組平行志愿，總體上來看填報的志愿數量增多，選擇更加多變。

政策改變帶來的影響包括：第一，新高考不再分文理科改為選科模式，且錄取單位由院校改為院校專業組，導致往年可參考的傳統高考錄取數據價值有所下滑；第二，院校中的某些院校專業組為該院校熱門專業集合，錄取分數遠遠高于該院校的平均水平，因此這類院校專業組競爭更加激烈，導致填報的考生更容易滑檔；第三，新高考志愿填報數量和選擇組合較以往都大幅度增加，以普通類為例，新高考志愿填報數量由6個增至45個，專業組+專業的選擇組合成百上千，導致考生在面臨眾多選擇時難以抉擇，同時多元化的選擇也彰顯出考生個性化需求愈發重要。上述這些問題，都會對湖北省的考生在高考志愿填報上產生不利的影響，從而降低考生們志愿填報質量，因此如何在新高考背景下進行合理的志愿填報是考生最為關注的問題。

1高考志愿推薦研究現狀

由于高考制度是我國獨有的高等學校通過考試選拔進行招生的制度，國外教育選拔體制與我國差異較大，故本文在研究高考志愿填報方式時只研究國內相關填報志愿研究成果。

志愿填報作為高考招生錄取中的關鍵環節，一直都是學者們的研究熱點。其中，在填報策略思想方面：高藝耀等[1]從我國高考錄取機制的變遷路徑入手，剖析了“順序志愿”“院校平行志愿”和“專業平行志愿”等錄取模式的優勢與不足。鮑桂蓮[2]從實際工作角度，對平行志愿含義、前期準備工作、志愿填報技巧等進行分析，幫助考生進行科學填報志愿。孫余[3]通過對精準化志愿填報方式的具體分析，幫助考生更加客觀、理性地填報志愿，為高考志愿填報方式的改革提供一定的參考。

在計算機技術應用方面：高麗麗[4]等基于大數據技術，通過對數據的提取、數據清洗、數據分析等實現高考填報系統推薦系統的實現。陳璐璐[5]等基于微信公眾平臺，設計與實現基于多源異構數據頁面渲染的志愿填報系統，實現瀏覽學校的基本情況；所在地區志愿填報預測；分享交流填報經驗；了解高考最新政策資訊；測評適合的專業職業等功能模塊的開發與完善。孫彥幫[6]等基于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。

在推薦算法應用方面：任建濤[7]采用回歸算法中的支持向量回歸算法對2017年的院校專業線進行了預測；采用聚類算法中的模糊聚類算法（FCM）和問題最優解的遺傳算法，推薦最優的院校和專業供用戶填報志愿選擇和推薦最優的志愿填報順序供用戶參考。于超[8]等采用支持向量機算法建立高考志愿填報模型，最后通過具體仿真對比試驗對算法有效性和優越性進行分析。李冰欣[9]結合圖卷積網絡提出基于圖神經網絡的高考專業推薦算法，驗證了圖神經網絡模型的有效性。徐蘭靜[10]等通過分析歷年的考生志愿填報相關數據，從構建用戶屬性矩陣，查找鄰居用戶從而將協同過濾思想應用到高考志愿填報中。楊博凱[11]等提出了基于遺傳算法搜索最優解，模擬物種自然選擇和遺傳進化過程，將不同考生的高考志愿按錄取結果利益最大化進行排序。段桂華[12]等提出基于多特征權重模糊聚類的高考志愿推薦算法，構建高考志愿推薦原型系統，能夠更好地利用考生分數，并且滿足用戶個性化的志愿需求。劉行兵[13]等提出一種融合智能審核的高考志愿推薦模型，依據高考志愿填報策略和梯度劃分思想，對考生高考志愿進行智能分析與合理評估，有效降低志愿填報風險。李佩[14]等提出了一個基于關聯規則的在線高考報名咨詢個性化推薦系統，可根據考生錄入信息為考生智能化地推薦高校，有助于考生選擇合適自己的高校與專業。

通過梳理已有的研究文獻發現目前國內對于高考志愿推薦的研究主要有三個方向：志愿填報的策略和思想、計算機技術等新興技術的應用、推薦算法的應用，而且三個方向都取得了可觀的的成果。但大多數的推薦都還是以傳統高考為研究對象展開的，對于新高考的志愿推薦的研究較少，所以亟需以新高考為研究對象的志愿推薦研究來填補這一空白。同時以往的推薦一般都側重于信息的查詢，提供了豐富的院校信息和專業信息，只做簡單的推薦。或者只考慮考生分數做推薦，從而不重視用戶的個性化需求。但是新高考的改革理念是培養多元化人才，擴大了考生的自主選擇權，所以考生的個性化需求顯得尤為重要。針對以上情況，本文提出了一個結合考生個性化需求智能評估的新高考志愿推薦模型，通過層次分析法、線差法和專業組熱度計算對考生原始志愿進行解析和評估，并從考生原始志愿表中獲得考生個性化需求，綜合得出最終的志愿推薦結果，并且通過實際案例來驗證該模型。本研究豐富了新高考志愿填報推薦領域。

2新高考志愿智能推薦模型

新高考志愿智能推薦模型主要運用層次劃分法、線差法和專業組熱度對考生原始志愿表進行解析和評估，并結合高考志愿填報策略思想[15]和從考生原始志愿表提取的考生偏好，進而結合考生個性化需求綜合推薦出合理的志愿推薦表。圖1為該模型的技術路線圖。

2.1 "院校層次劃分

在志愿填報時，一般常見兩類問題：一類是考生和家長太過保守，擔心錄取不上，以“有學可上”為中心思想來進行志愿填報，這類問題屬于“高分低報”，會導致考生浪費了其高考分數而錯失更好的院校選擇。另一類是考生和家長太過激進，想充分利用考生高考分數極端的進行志愿填報，但往往由于各方面因素的影響，掌握不好填報程度從而掉檔，這類問題屬于“低分高報”，會導致考生掉檔的風險大大增加，因此選擇合適的志愿填報策略，劃分出院校的層次尤為重要。線差法和位次法是高考志愿填報中最常用的兩種方法，從使用范圍來看，大多數人都在使用線差，而非位次，線差法適合各個層次的考生，不管是重點批次，還是普通批次，數據統計表明，位次法在層次靠前的考生中更適用，并不適合所有層次的考生，越往后面這種方法的失效程度越高[16]。因此本文將以線差法為基礎對考生可填報的高校進行層次劃分，并按照沖、穩、保策略進行填報。以湖北省為例：

（1）高校近n年在湖北省錄取的平均分與所在湖北省批次線的平均差值Qa為：

（1）

其中：q_i為過去第i年高校當年在湖北省的平均錄取分，r_i為過去第i年高校當年所在湖北省的批次線。

（2）高校近n年在湖北省錄取的最低分與所在湖北省批次線的平均差值Qm為：

（2）

其中：p_i為過去第i年高校當年在湖北省的最低錄取分，r_i為過去第i年高校當年所在湖北省的批次線。

（3）現年考生高考分數與所在湖北省批次線差值Q為：

（3）

其中：s為現年考生高考分數，r為現年考生所在的湖北省的批次線。

（4）根據上述（1）、（2）、（3）式計算每所高校錄取該考生的概率，概率p計算如下：

（4）

根據（4）式所求得的概率將高校劃分為三個層次。第一個層次為“沖”類高校，錄取概率Plt;O.6；第二個層次為“穩”類高校，錄取概率0.6≤Plt;O.8；第三個層次為“保”類高校，錄取概率P≥O.8。

2.2 "專業組熱度計算

由于湖北省新高考志愿填報采用的院校專業組+專業的填報模式，該模式下某些熱門專業組的錄取分數可能會遠高于該專業組所處院校錄取的平均分數，導致某些考生雖然達到了院校的錄取標準卻因為填報了該院校的熱門專業組而滑檔。所以計算院校內專業組的熱度并讓考生知曉，是考生填報志愿的重要參考因素。院校專業組熱度H計算公式如下：

（5）

其中q_i為過去第i年高校當年在湖北省的平均錄取分，r_i為過去第i年高校當年所在湖北省的批次線，z_i為該院校專業組過去第i年在湖北省的平均錄取分。通過計算得出專業組熱度H，若Hgt;1則認定該院校專業組為熱門專業組，給考生做推薦時會進行標紅處理，從而提醒考生謹慎填報。

2.3 "考生個性化需求提取

擬填報的原始志愿表中隱藏著考生的個性化需求，可以將其提取出來作為考生的特征偏好。首先根據其提供的原始志愿表單挖掘出考生所填報的院校專業組的特征，假設該考生能夠填報的院校專業組數量為i，那么該考生的院校專業組的特征為S=（s1，s2，s3，s4，s5，s6，…si），其中每個院校專業組的特征s包括院校特征A和專業組特征B（A∈S，B∈S）。通過高考數據庫挖掘出高校地區、高校類別、專業類別等信息作為其特征，那么院校特征A=（a1，a2，a3，a4，…ai，），包含：院校類型特征c=（c1，c2，c3，c4，…ci），c∈A，院校地區特征d=（d1，d2，d3，d4，…di），d∈A，院校所在城市級別特征f=（f1，f2，f3，f4，…fi），f∈A等。專業組特征B=（b1，b2，b3，b4，…bi，），主要包含專業組內專業類型特征g=（g1，g2，g3，g4，…gi），g∈A。例如，考生填報了武漢大學專業組07，那么該專業組的特征s=（綜合類，湖北省，武漢市，一線城市，管理學，經濟學，法學，藝術學）。所以通過對考生填報i個院校專業組進行特征挖掘就會得到考生原始志愿表單的整體特征集合S=（s1，s2，s3，s4，s5，s6，…si）。

2.4 "模型具體推薦流程與結果

由于通過（4）式計算得到的是院校錄取概率，并以此將其劃分為沖、穩、保三個層次，而湖北省的志愿填報模式是院校專業組+專業，而不是以往的院校+專業，所以默認該院校內的專業組與該院校處于同一層次。例如，通過計算得出華中科技大學對于該考生處于沖類型，那么華中科技大學包含的所有專業組都相對該考生處于沖類型。結合高考志愿填報策略（錄取概率從低到高，充分利用考生分數），同時為了降低錄取風險，填報比例以穩類型為主，沖穩保填報比例為1：2：1，且填報次序依次為沖-穩-保。以湖北省本科普通批為例，考生可填保的志愿數量為45，那么按照上述策略第1～11志愿應填報沖類型院校專業組，第12～34志愿應填報穩類型院校專業組，第35～45志愿應填報保類型院校專業組。基于此對考生的原始志愿表進行審核，列出不符合該策略的院校專業組并提出修改建議。同時模型通過院校錄取概率、考生特征偏好信息等生成一個推薦志愿表單，為了避免相似的考生出現相同的推薦結果，將采用隨機抽樣法生成最終的推薦結果。

（1）通過考生提供的分數計算考生被院校錄取的概率并劃分層次，并結合考生的選科情況得到院校專業組原始目標集M。

（2）計算原始目標集M中每個專業組熱度，對于高熱度專業組進行標紅處理，并在后續推薦結果中提醒考生。

（3）從考生原始志愿表中提取考生偏好特征S=（s1，s2，s3，s4，s5，s6，…si），為考生個性化標簽。

（4）利用Ochiia系數[17]結合考生志愿特征計算相似度。Ochiia系數指的是兩個集合的交集大小與兩個集合大小的幾何平均值的壁紙，它是余弦相似性的一種形式：

（6）

分別計算考生原始志愿所提取的偏好特征與原始目標集中每個院校專業組的相似度。原始目標集M中院校專業組ｊ的特征為O=（o1，o2，o3，o4，o5，o6，…oi）時，考生志愿偏好特征與原始集中院校專業組j的相似度為：

（7）

其中R為該考生可填報的志愿數量。

（5）生成推薦結果。將相似度計算后的院校專業組在沖穩保類型中分別按照相似度降序排列，由于考生數量較多，不同的考生可能會出現相似的推薦結果從而導致成堆填報相同志愿的問題，本文將采用隨機抽樣的方法生成最終推薦結果。具體是：在沖穩保三個類型中分別選取相似度前R，2R，R個院校專業組為原始推薦表，接著采取隨機抽樣法從原始推薦表中沖類型隨機抽取 （ 為 取整的結果）個院校專業組，穩類型隨機抽取R個院校專業組，保類型隨機抽取 （ 為 取整的結果）個院校專業組。得到最終推薦結果表W，并且在最終推薦結果W中會對高熱度院校專業組進行標紅處理，以此來提醒考生謹慎填報。

3模型驗證

以湖北省2021年新高考某一考生K為例，該考生的成績為600分，選科情況為首選物理次選化學和生物，進行模型驗證分析。

（1）考生輸入自身信息（分數和選科情況）。

（2）考生填報原始志愿表，如表1所示。

（3）通過考生提供的分數、選科情況計算出院校錄取概率，并將其劃分為沖、穩、保三個層次，繼而得到院校專業組原始目標集M。接著計算目標集M中的每個院校專業組熱度，對于熱度值大于1的進行標紅處理。

（4）根據考生的原始志愿表提取其偏好特征，并將其可視化反饋給考生，如圖2～5所示。同時利用Ochiia系數計算院校專業組原始目標集M與提取出的考生偏好的相似度。

（5）原始志愿表問題反饋。根據步驟（3）得到的院校專業組所處層次和院校專業組熱度結合高考志愿填報策略指出考生原始志愿表中存在的問題，并提出修改意見，如表2所示。

（6）生成最終志愿推薦結果，根據步驟（3）和步驟（4）得到的內容結合隨機抽樣的方法生成最終推薦結果。具體操作是：將劃分好類型的院校專業組在每個的類型中按照計算得出的相似度降序排列，在沖穩保三個類型中分別隨機選取lt;R/2gt;（lt;R/2gt;為R/2取整的結果）、R、lt;R/2gt;個院校專業組給考生進行推薦，生成最終推薦表，其中R為該考生可填報志愿數量，考生可以根據推薦結果重新填報志愿或者修改補充原始志愿表。考生K可填報的志愿數量為45，生成的志愿推薦表如表3所示。

其中，志愿1～11為沖類型志愿、志愿12～34為穩類型志愿、志愿35～45為保類型志愿，考生可在相應的推薦志愿集中自主選擇填報。

4結論

本文提出的新高考志愿推薦模型，在線差法的基礎上對院校專業組進行層次劃分和計算院校專業組的填報熱度，同時通過考生填報的原始志愿表提取考生特征偏好并利用Ochiia系數篩選出相似度較高的院校專業組，接著結合高考填報策略指出考生原始志愿表的問題并提出修改意見，最后給出最終推薦結果。該模型能夠有效幫助新高考背景下考生合理的填報志愿，避免了高分低報、低分高報問題的同時也極大的關注了考生的個性化方面，尤其是通過考生自己填報的原始志愿表提取的考生特征偏好相較于其他方法更加符合考生的個性化需求，實例驗證也證明了該模型的可行性。后面隨著模型應用人數的增多，可能要增加相應的反饋機制，提高模型的自適應性，同時再做考生個性化推薦時可能要考慮更多的因素比如家庭環境、父母的職業等，使個性化推薦更加準確。

參考文獻：

高藝耀，魏曉棟，呂慈仙.我國高考錄取機制變遷的反思與前瞻[J].教育與考試，2021，（03）：54-62.

鮑桂蓮.新高考招生制度改革下志愿填報技巧分析[J].當代教育實踐與教學研究，2019， （05）：218-219.

孫余.新高考改革形勢下精準化志愿填報方式分析[J].無錫職業技術學院學報，2018，17（06）：94-96.

高麗麗，樊彩虹.基于大數據的高考志愿填報推薦系統的設計[J].電子技術與軟件工程，2021， （22）：213-215.

程璐璐.基于多源異構數據頁面渲染的志愿填報系統設計與實現[D].沈陽：中國科學院大學（中國科學院沈陽計算技術研究所），2021.

孫彥幫，賀裕，王林， 等.基于Android的高考志愿推薦App設計[J].計算機時代，2020， （02）：39-42.

任建濤.推薦算法在高考志愿填報中的應用研究[D].昆明：云南財經大學，2018.

于超，劉國柱.基于大數據分析的高考志愿填報算法[J].青島科技大學學報（自然科學版），2020，41（02）：113-118.

李冰欣. 基于圖神經網絡的高考專業推薦算法[D].石家莊：河北師范大學，2021.

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.

楊博凱，李曉瑜，黃一鳴， 等.基于遺傳算法的高考志愿填報排序問題的研究[J].計算機科學，2016，43（S1）：390-394.

余奎鋒，段桂華，時翔.基于多特征權重模糊聚類的高考志愿推薦算法[J].中南大學學報（自然科學版），2020，51（12）：3418-3429.

劉行兵，王英英，孫欽英， 等.融合智能審核的高考志愿推薦模型[J].河南師范大學學報（自然科學版），2022，50（02）：73-78.

李佩，張紅.基于關聯規則的在線高考報名咨詢個性化推薦系統[J].計算機時代，2019， （12）：61-63.

李曉燕，馬娟.高考志愿填報策略探析[J].寧夏師范學院學報，2020，41（11）：84-86+91.

線差法與位次法的運用[J].求學，2021， （38）：13-14.

譚珅，李靜文，齊林.中國商業模式研究熱點、演化與階段特征研究——基于文獻計量和社會網絡分析的方法[J].科技和產業，2020，20（04）：51-59+64.

Research on the Wish Recommendation Model Combining Examinees’Individualized Needs under the Background of the New College Entrance Examination

DU Jin， FENG Shuai

（School of Management， Wuhan Textile University，WuhanHubei 430200， China）

Abstract：In order to solve the negative influence of college entrance examination reform to examinees， this paper takes Hubei provinceas an example， puts forward a combined and personalized needs examinee intelligent evaluation of the university entrance exam volunteer recommendation model.This model will be original to the examinee college entrance examination table volunteer for analysis and evaluation， so as to identify the unreasonable volunteer and prompts the question， and then reminds examinee enter oneself for an examination carefully. According to the candidates' original volunteer table， the preferences of candidates are obtained， and the results of candidates are integrated to make reasonable and personalized recommendation of college entrance examination volunteers. Finally， the model is tested by practical cases. The conclusion shows that the model not only can meet the individual needs of candidates， but also effectively improve the quality of candidates' volunteer filling. This study not only enriches the field of recommendation of new college entrance examination volunteer filling， but also provides help for candidates in filling their college application.

Keywords：new college entrance examination; college application;recommended model; major group popularity

（責任編輯：趙緒福）