[發(fā)明專利]一種數(shù)據(jù)分析方法及裝置

在審

• 申請?zhí)枺?/td>: 201910374337.1
• 申請日: 2019-05-07
• 公開（公告）號: CN110245826A
• 公開（公告）日: 2019-09-17
• 發(fā)明（設(shè)計）人: 陳林;金戈;徐亮
• 申請（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/20;G06F17/27;G06F16/26
• 代理公司: 北京匯思誠業(yè)知識產(chǎn)權(quán)代理有限公司 11444
• 代理人: 馮曉平

1.一種數(shù)據(jù)分析方法，其特征在于，所述方法包括：

獲取待評價學(xué)生在校期間的多維度數(shù)據(jù)，所述多維度數(shù)據(jù)包括數(shù)值類數(shù)據(jù)和文本類數(shù)據(jù)；

利用不同的數(shù)據(jù)分析工具量化所述多維度數(shù)據(jù)，得到多個影響因子的分值；

構(gòu)建分析模型，并利用預(yù)存的優(yōu)秀學(xué)生的影響因子對所述分析模型進(jìn)行訓(xùn)練；

將所述待評價學(xué)生的影響因子輸入訓(xùn)練后的所述分析模型中，獲取所述分析模型輸出的所述待評價學(xué)生的薄弱因子，所述薄弱因子為多個所述影響因子中的至少一個；

根據(jù)所述薄弱因子調(diào)用預(yù)存的與所述薄弱因子相對應(yīng)的針對性強化建議；

基于多個所述影響因子、所述薄弱因子及所述針對性強化建議生成所述待評價學(xué)生的可視化評價信息。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述利用不同的分析模型量化分析所述多維度數(shù)據(jù)，得到多個影響因子的分值，包括：

分別提取所述多維度數(shù)據(jù)中的所述數(shù)值類數(shù)據(jù)的數(shù)值，所述數(shù)值類數(shù)據(jù)的影響因子包括與生理特征、成績、排名、競賽得分、考勤、運動成績、人際、家庭關(guān)心度及社會活動相關(guān)的影響因子；

將提取的數(shù)值作為所述影響因子的分值。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述利用不同的分析模型量化分析所述多維度數(shù)據(jù)，得到多個影響因子的分值，包括：

將所述文本類數(shù)據(jù)進(jìn)行分詞處理，其中，所述文本類數(shù)據(jù)的影響因子包括與戶籍、民族、出生地、家庭情況、人生觀、價值觀、學(xué)習(xí)能力、思維能力、身體健康、體育特長相關(guān)的影響因子；

基于關(guān)鍵詞權(quán)重計算算法對所述分詞處理得到的每個所述影響因子的詞匯依次進(jìn)行權(quán)重評價并根據(jù)所述詞匯的權(quán)重值進(jìn)行排序；

選取權(quán)重值從大到小排名靠前的設(shè)定數(shù)量的詞匯作為特征詞；

將所述特征詞與預(yù)設(shè)的特征詞-分值表進(jìn)行匹配，得到所述特征詞的分值；

將多個所述特征詞的分值加總作為所述影響因子的分值。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取待評價學(xué)生在校期間的多維度數(shù)據(jù)，包括：

通過預(yù)設(shè)的接口獲取學(xué)校里各個系統(tǒng)的學(xué)生數(shù)據(jù)；所述系統(tǒng)包括考勤系統(tǒng)、圖書館門禁系統(tǒng)、考務(wù)系統(tǒng)、校園醫(yī)院系統(tǒng)、學(xué)校食堂系統(tǒng)、學(xué)校超市系統(tǒng)、學(xué)生活動管理系統(tǒng)；

根據(jù)所述待評價學(xué)生的身份信息從每個所述學(xué)生數(shù)據(jù)中篩選出所述待評價學(xué)生的目標(biāo)數(shù)據(jù)；

將每個所述目標(biāo)數(shù)據(jù)進(jìn)行清洗，過濾不符合預(yù)設(shè)規(guī)則的數(shù)據(jù)；

將清洗處理后的多個所述目標(biāo)數(shù)據(jù)進(jìn)行規(guī)范化處理，去除偏離預(yù)設(shè)的區(qū)間范圍的離群數(shù)據(jù)；

將規(guī)范化處理后的多個目標(biāo)數(shù)據(jù)作為所述待評價學(xué)生的多維度數(shù)據(jù)。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，構(gòu)建分析模型，并利用預(yù)存的優(yōu)秀學(xué)生的影響因子對所述分析模型進(jìn)行訓(xùn)練，包括：

獲取預(yù)存的優(yōu)秀學(xué)生的影響因子，并將所述優(yōu)秀學(xué)生的影響因子的分值作為訓(xùn)練數(shù)據(jù)；

將所述訓(xùn)練數(shù)據(jù)輸入所述分析模型，其中，所述分析模型中的卷積神經(jīng)網(wǎng)絡(luò)提取各個所述影響因子的分值；

將來自多個優(yōu)秀學(xué)生的同一影響因子的分值進(jìn)行聚類，得到一個數(shù)據(jù)簇；

識別所述數(shù)據(jù)簇的中心分值，將所述中心分值作為優(yōu)秀學(xué)生的所述同一影響因子的理想分值。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，將所述待評價學(xué)生的影響因子輸入訓(xùn)練后的所述分析模型中，獲取所述分析模型輸出的所述待評價學(xué)生的薄弱因子，包括：

將所述待評價學(xué)生的待評價影響因子輸入訓(xùn)練后的所述分析模型，其中，所述分析模型的所述卷積神經(jīng)網(wǎng)絡(luò)提取所述待評價影響因子的分值；

將提取所述待評價影響因子的分值與所述優(yōu)秀學(xué)生的所述影響因子的數(shù)據(jù)簇的中心分值進(jìn)行比較；

當(dāng)所述待評價影響因子的分值偏離所述中心分值預(yù)設(shè)范圍時，確認(rèn)所述待評價學(xué)生的待評價影響因子為薄弱因子。