[发明专利]一种基于人工智能的高校招生数据采集方法及系统

权利要求书

1.一种基于人工智能的高校招生数据采集方法，其特征在于，包括智能识别过程、智能纠错过程，所述智能识别过程、智能纠错过程均对高校招生数据进行深度挖掘和分析；

所述智能识别过程包括以下步骤：

步骤1：扫描：将各省教育考试院的高校招生计划纸质文件扫描成电子文档；

步骤2：切片：对步骤1中所述电子文档进行切片处理，切取与招生计划相关的信息，并切成单列排版形式的切片文件，所述切片文件为图片格式；

步骤3：OCR导入：将步骤2中所述切片文件通过OCR识别，导入高校招生数据采集系统DCS，形成DCS原始数据，所述DCS原始数据为文本格式；

步骤4：初步标签化：对步骤3中所述DCS原始数据进行智能识别，采用人工智能技术，对招生数据进行初步标签化；步骤4中初步标签化的算法具体包括：采用人工智能、机器学习、坐标定位的方法，针对不同省的DCS原始数据有不同的布局特征和视觉特征，提取视觉特征值，分析其数据特征、数据结构和属性，建立不同的数据结构模型，对所述DCS原始数据加上初步标签；

步骤5：自动检测：系统自动检测步骤3中所述DCS原始数据的页数和步骤4中所述初步标签化的条数，并生成自动检测报告；

若其页数或条数有异常，则系统报警，将有异常的页面，返回步骤3，重新进行OCR识别、导入；

若没有异常的则进入下一步骤；

步骤6：完整标签化：在步骤4中所述初步标签化和步骤5中所述自动检测的基础上，采用人工智能技术，对招生数据进行完整标签化，并去除不必要的信息；步骤6中所述完整标签化的算法具体包括：

601：采用人工智能、机器学习、数据挖掘、坐标定位和语义识别中的一种或多种组合，针对不同省的DCS原始数据有不同的布局特征和视觉特征，提取视觉特征值，分析其数据特征、数据结构和属性，并针对不同字段的特殊语义，细化步骤4所建立的数据结构模型，给招生数据加上标签，对招生数据进行完整标签化；

602：针对DCS原始数据中的备注信息，采用人工智能、机器学习、数据挖掘和语义识别中的一种或多种组合，识别和提取完整标签化所需要的关键信息，将其加入到对应的标签中，然后去除不必要的备注信息；

603：DCS系统通过机器学习、坐标定位和语义识别的方法，依据完整标签数据之间存在的逻辑关系，自动地识别和检验步骤3中所述DCS原始数据；

6031：若原始数据结构有缺失，则DCS系统自动赋值，补齐其数据结构中缺失的内容，并加上对应的标签；

6032：若检验发现DCS原始数据之间逻辑关系有错误，则系统报警；

步骤7：校对：

a：对比步骤2中所述切片文件上的信息与步骤3中所述DCS原始数据的信息，若所述DCS原始数据的信息有错、漏，则输入校对结果；

b：校对步骤4中所述初步标签化、步骤6中所述完整标签化的结果是否正确、完整；完整标签化的结果是否包含了关键的备注信息，若完整标签化的信息有错、漏，则输入校对结果；

c：是否有系统报警的内容，若有，则输入校对结果；

d：是否有多余的信息，若有，则删除多余的信息；

步骤8：格式化数据：将通过步骤7校对好的数据，按照规定的结构、格式化处理，并排序；

步骤9：数据入库：将步骤8中所述格式化数据导入DCS数据库，以便存放、调用、管理；

所述智能纠错过程包括以下步骤：

S001：建立“招生院校名称标准数据库”；

S002：将DCS数据系统中的每个“院校名称”字段与所述“招生院校名称标准数据库”进行比对，检查其信息是否正确、完整，并自动纠错；

S003：依据教育部制订的《普通高等学校本科专业目录》和《普通高等学校高等职业教育(专科)专业目录》，建立“专业设置名称标准数据库”，并保持与教育部的最新修订版本同步更新；

S004：将DCS数据系统中的每个“专业名称”字段与所述“专业设置名称标准数据库”进行比对，检查其信息是否正确、完整，并自动纠错；

S005：建立DCS数据系统中“计划”数据之间的逻辑关系；

S006：依据步骤S005中所述逻辑关系，系统自动对DCS数据系统中的每个“计划”数据进行验算，检验其数据是否正确、信息是否完整，对于有错、漏的字段，系统报警；

S007：建立DCS数据系统中，标签字段的数据规范，所述数据规范包括是否允许“为空”；

S008：对DCS数据系统中的每个标签的字段，检查其数据信息是否符合步骤S007所述数据规范，对于不符合规范的字段，系统报警；

S009：对系统报警的内容进行判断、校对，并将数据输入系统。