一種智能選課推薦的方法
2023-10-08 21:05:39
一種智能選課推薦的方法
【專利摘要】本發明公開了一種智能選課推薦的方法。本發明通過計算與當前學生選課頁面訪問相似度、與當前學生課程評分相似度、與當前學生選課記錄相似度、構建課程圖譜樹後各自得到推薦的選課集,然後將上述得到的選課集進行加權合併最終得到推薦選課集。本發明考慮了多種維度,實現課程的個性化推薦,有效解決學生選課的盲目性;可以更好地利用學校現有系統數據;使用了成熟的協同過濾及基於內容的推薦技術,實現較為容易。
【專利說明】一種智能選課推薦的方法
【技術領域】
[0001]本發明涉及高校選課系統中智能選課。
【背景技術】
[0002]高校教育體制改革以後,高校紛紛向多學科綜合型方向發展。學科專業覆蓋面不斷擴大,課程的開設也隨之不斷增加。課程數目的增加為學生選修課程帶來更多的選擇,但是過多的課程也使得學生的選課不可避免地出現盲目性。目前,教學管理系統的廣泛應用積累了大量的教學實踐數據,但是,這些數據隱含的信息並沒有被充分挖掘利用。為了充分利用已有的教學實踐數據,關聯規則數據挖掘已被廣泛地應用到了教學管理中來,主要可以分為面向學生、面向教師和面向課程的分析。關聯規則的應用對提高教學質量起到了一定的促進作用,但是如果支持度和置信度選取不當,會造成計算時間過長或者嚴重影響挖掘效果。同時,利用關聯規則挖掘出的信息都針對所有用戶,沒有充分地考慮到用戶的興趣度。學生對課程的評分很大程度上代表了學生興趣愛好,但是大量的學生評價數據以及過往選課數據並未得到有效利用。如果能利用學生評價數據,加上已有的學生選課數據以及課程關聯性數據,就有可能對每一個學生作出個性化的課程推薦,可以有效地解決學生選課的盲目性。在目前的個性化推薦技術中,基於內容和協同過濾技術是最為成功和應用最為廣泛的個性化推薦技術。本專利給出一種基於協同過濾和內容的多維度智能課程推薦系統。
【發明內容】
[0003]本發明所要解決的問題:當前選課系統的關聯性差,針對性不足,學生選課盲目。
[0004]為解決上述問題,本發明採用的方案如下:
[0005]一種智能選課推薦的方法,包括以下步驟:
[0006]S1:通過計算獲得與當前學生網上選課行為相似的學生的集合,綜合這一集合中的學生對可選課程的評價計算當前學生對課程的網上選課行為的預測評分,獲得當前學生的推薦選課集Class_setl ;
[0007]S2:通過計算獲得與當前學生的課程評分相似的學生的集合,綜合這一集合中的學生對可選課程的評價計算當前學生對課程評分預測值,獲得當前學生的推薦選課集Class_set2 ;
[0008]S3:通過計算獲得與當前學生的選課相似的學生的集合,將已經被這一集合中的學生選擇的課程作為當前學生的推薦選課集Class_set3 ;
[0009]S4:通過課程圖譜樹得到推薦選課集Class_set4 ;
[0010]S9:綜合 Class_setl、Class_set2、Class_set3 和 Class_set4 得到推薦選課集。
[0011]進一步,根據本發明的智能選課推薦的方法,所述步驟SI包括:
[0012]Sll:獲取學生對課程的網上選課行為的評分:Pu ;
[0013]S12:計算各學生與當前學生網上選課行為的相似度:
【權利要求】
1.一種智能選課推薦的方法,其特徵在於,包括以下步驟: S1:通過計算獲得與當前學生網上選課行為相似的學生的集合,綜合這一集合中的學生對可選課程的評價計算當前學生對課程的網上選課行為的預測評分,獲得當前學生的推薦選課集; S2:通過計算獲得與當前學生的課程評分相似的學生的集合,綜合這一集合中的學生對可選課程的評價計算當前學生對課程評分預測值,獲得當前學生的推薦選課集set2 ; S3:通過計算獲得與當前學生的選課相似的學生的集合,將已經被這一集合中的學生選擇的課程作為當前學生的推薦選課集Class_set3 ; S4:通過課程圖譜樹得到推薦選課集; S9:綜合 Class_setl、Class_set2^ Class_set3 和 Class_set4 得到推薦選課集。
2.如權利要求1所述的智能選課推薦的方法,其特徵在於,所述步驟SI包括: 511:獲取學生對課程的網上選課行為的評分'Plj ; 512:計算各學生與當前學生網上選課行為的相似度:
3.如權利要求1所述的智能選課推薦的方法,其特徵在於,所述步驟S2包括: 521:獲取學生對課程的評分'Clj ; 522:計算與當前學生評分相似度
4.如權利要求1所述的智能選課推薦的方法,其特徵在於,所述步驟S3包括: 531:計算與當前學生的選課相似度:
5.如權利要求1所述的智能選課推薦的方法,其特徵在於,所述步驟S4包括: 541:獲取課程圖譜P{ (V, B, W) };其中,K為課程集合必為課程間關聯關係集合.,為課程間關聯關係的權重值的集合; 542:從課程圖譜 G 中獲取療
6.如權利要求1所述的智能選課推薦的方法,其特徵在於,該方法還包括步驟S5:從同專業的近三年內的學長所選的課程中得到推薦選課集ClaSS_Set5 ;所述步驟S9還包括合併Class_set5的步驟。
7.如權利要求1所述的智能選課推薦的方法,其特徵在於,所述步驟SI獲得的選課集Class_setl包含有網上選課行為的評分的預期值;所述步驟S2獲得的選課集包含有課程評分的預期值;所述步驟S3獲得的選課集包含有選課人數值;所述步驟S4獲得的選課集包含有課程間關聯關係的權重值之和;所述步驟S9包括: 591:合併= Class—setl U Class_set2 U Class_set3 U Class_set4 ; 592:計算(Jl3ss_set 中課程的優先值 Priori故.=a X +^X ts^ + c XCpi +dXwtj ;其中為Gleiss_sot中第i個課程的優先值,tat為Class_set中第i個課程的網上選課行為的預測評分;tSi為Glass_set中第i個課程的評分的預期值現為Class_set中第i個課程對應的選課人數值-,Wtj為(Jl£iss_SGt中第i個課程對應的課程間關聯關係的權重值之和'a、b、c、d為常量;S93 ^hKXlEiSS-Set中選擇優先值最高的前ASi門課程作為最終的推薦選課 集。
【文檔編號】G06Q50/20GK104008515SQ201410246038
【公開日】2014年8月27日 申請日期:2014年6月4日 優先權日:2014年6月4日
【發明者】尹巖, 嚴敏, 林文薈, 李海 申請人:江蘇金智教育信息技術有限公司