基于协同过滤算法个性化高校选课推荐系统研究.doc

基于协同过滤算法个性化高校选课推荐系统研究 　　摘要：随着学生在教学过程中主体地位的突出，学生选课已成为学生个性化发展的重要途径，而大多数高校在选课机制方面仍存在一定欠缺，为此本文在学生选课环节中引入了数据挖掘技术及协同过滤算法。本文针对高校选课个性化推荐系统进行研究，通过分析高校选课制度的现状并将协同过滤算法、数据挖掘技术和个性化推荐技术等相关技术运用到该系统当中，促进选课个性化推荐系统的优化。 　　关键词：协同过滤算法；高校选课推荐系统；数据挖掘 　　中图分类号：TP391.3 文献标识码：A 文章编号：1007-9599 （2012） 20-0000-02 　　随着教育改革的推进选课制度已在高校普及多年，为了满足学生的个性化需求，根据上课时间、学习兴趣、任课老师以及学习进程等各方面的需求选择适合自己的课程，课程的自选使得学生的自由空间更大且学习效率明显提升。选课???度作为高校教学管理制度改革内容的一部分同时也是学分制的重要内容，选课制度的设计及实施过程都需结合大学生教育理念。改革开放的到来更是为教育吹来了春风，教育体制也突破了传统模式，开始实行选课制和学分制。 　　1 我国高校选课制度的现状 　　随着选课制在高校的普及，教育也逐渐走向网络化和信息化，在这样一个计算机网络普及的时代自然选课过程也趋于网络化。受到传统观念及学年制的影响，选课制度在运行过程中还存在一定的缺陷，另外在新教学观念的实施和高素质人才的培养中选课制也没有体现其优势，具体原因有下几个方面： 　　1.1 目前实施的选课制不利于学生的个性发展 　　随着社会对人才专业需求的多样化，传统的人才培养模式已无法满足社会发展需求，同时也抑制了学生的个性化发展。选课制的实行使得学生可根据自身的兴趣爱好选择合适的课程、任课教师以及学习时间，各种自由的选择使得的个性特征得到满足，从而提高了学生的学习积极性。 　　1.2 没有实现真正的选课 　　尽管有部分学校允许学生选择跨专业、跨年级的课程，但在教师资源、上课时间以及场地资源等影响下，学生仍无法选择自己喜欢的课程，时间及资源上的冲突使得学生在自主选课上受到了一定的限制，对于比较热门的课程，当选课人数较多资源有限时，课程就会被删除，自主选课无法充分发挥其作用。随着高校不断扩招，教师资源越来越匮乏，学生的选择范围有限。 　　1.3 选课工作实施不到位 　　选课指导也是一个很重要的环节，特别是新生由于对课程了解不深，因此很容易出现盲目选课现象。部分学生了为了选择简单易学的知识而不顾自身发展，随意性的选课对教学质量造成了很大的影响，同时也脱离了选课制实行的初衷。针对这个问题本文提出了利用数据挖掘技术筛选历史选课数据中隐藏的、有用的知识，作为指导学生选课的依据，该课题的提出对高校教学管理改革有着重要的现实意义。 　　2 相关技术 　　2.1 数据挖掘技术 　　数据挖掘技术是一种从大量的、无规律的、模糊且随机的数据中提取有用信息和知识的一种方法，数据挖掘技术作为一门交叉学科，其中包含了许多运用技术和挖掘工具，其中运用到的技术有数据库技术、统计学、模型识别、机器学习和人工智能等。由于数据挖掘技术具有独特的优势，因而它在多个领域都有应用，特别是在银行、销售、保险、电信和交通等领域的运用已趋于成熟。 　　2.2 个性化推荐技术 　　个性化推荐技术是数据挖掘技术中一类，该技术直到20世纪末期才被单独提出来，随着计算机技术的不断发展，直到Web2.0技术成熟后该技术才被运用到实际当中。个性化推荐技术的运用使得用户对信息的获取从被动变为主动。个性化推荐技术在商业领域中的成功运用，使得推荐系统的产品种类大幅度增加，较具代表性的推荐系统有eBay、Amazon和You tube等，这些系统的用户数量相当可观。 　　2.3 协同过滤系统 　　在所有个性化推荐系统中协同过滤系统的运用效果和运用情况都是最好的，协同过滤推荐作为一项很受欢迎的信息过滤技术，它可以对过滤内容进行过滤和分析，从而分析出用户的兴趣爱好，提高信息服务质量。根据对象的不同协同过滤推荐算法可分为基于用户和基于项目的两种协同过滤推荐算法。 　　3 学生个性化选课推荐系统的研究 　　本文采用的是基于用户的协同过滤算法，在高校选课系统中融入该算法可帮助学生根据自身的兴趣爱好选择与自身发展最为贴近的课程、学习量及任课教师，个性化选课推荐系统的运用使得高校选课机制更为完善。 　　在推荐系统内建立评价矩阵，对学生在选课过程中的主要因素进行描述，如兴趣爱好、专业、学习程度、选课记录和老师评价等，算法根据学生这些信息对其行为进行分析，并建立相应的学生项，通过与评价矩阵中的项进行对比找出相似度最高的选课记录，并向该学生进行课程推荐。由此可见，个性化高校选课推荐