面向研究生录取预测与高校-专业联合推荐的混合机器学习方法
信息检索
2026-04-01 v1 机器学习
摘要
研究生录取日益竞争。本研究强调面向研究生录取预测的混合机器学习框架的必要性，聚焦于高质量类似申请人及推荐系统。数据集由作者收集并丰富，包含 13,000 条自报 GradCafe 申请记录（覆盖 2021-2025 年），并通过 OpenAlex API、QS 世界大学按专业排名及 Wikidata SPARQL 查询补充了特征。开发了结合 XGBoost 与残差细化 k-最近邻模块的混合模型，在测试集上实现了 87% 的准确率。随后构建的推荐模块针对被拒申请人，提供了有针对性的大学和专业备选方案，实现了可操作的指导，使预期录取概率提升 70%。结果表明，大学质量指标在竞争激烈的申请人池中对录取决策具有重要影响。本研究使用的特征包括申请人质量指标、大学质量指标、专业层面指标以及交互特征。
引用
@article{arxiv.2603.29881,
title = {A Hybrid Machine Learning Approach for Graduate Admission Prediction and Combined University-Program Recommendation},
author = {Melina Heidari Far and Elham Tabrizi},
journal= {arXiv preprint arXiv:2603.29881},
year = {2026}
}