面向实践教学系统选课推荐算法的研究与应用

发布时间：2017-03-26 12:11

  本文关键词：面向实践教学系统选课推荐算法的研究与应用，由笔耕文化传播整理发布。

【摘要】：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信息化时代,选课过程也自然趋于网络化。但是由于深受学年制和传统观念等因素,现行选课制度还不够完善。同时,选课制在体现新的教学观念和培养高素质创新人才方面的功能,也没有充分发挥出来,因此,建立一套完善的选课推荐系统对当今高校选课至关重要。现在虽然推荐技术在众多领域尤其是电子商务领域已经有了很成熟的发展,然而,纵观选课推荐系统的研究现状,可以发现,由于选课体制在世界各地有很大差异,学术界对选课推荐系统的研究还十分欠缺。而在我国,相关的研究更是少之又少,正是在这样的背景下,本文展开了对选课推荐算法的研究与应用。虽然选课推荐方面已经出现了基于协同过滤的选课推荐算法与改进的混合模式选课推荐算法,但是这些算法仅仅是电子商务领域推荐算法的生搬硬套,主要有以下几个方面的缺点：首先,这两个算法没有实际的可行性,现在的选课系统根本满足不了这两种算法的数据维度；其次,这两个算法都需要大量的学生的历史数据,这对于三年到四年制的大学生来说,其提供的历史数据根本无法满足算法的实际要求；最后,这两个算法都需要根据用户的历史数据对用户进行画像,其实对于一个学院或者同一个专业的学生来说,对他们画像没有太大的实际意义。本文在以上算法存在上述问题的情况下,提出了基于神经网络思想的选课推荐算法,该算法克服了上述算法的缺点,并且该算法综合考虑了学生的兴趣和课程之间的关联对学生进行选课推荐,具有较强的可行性。最后,本文实现了一个简单的选课系统,并且把本文提出的选课推荐算法应用到了选课系统中,实现了选课推荐。
【关键词】：选课系统 推荐技术 混合模式 神经网络
【学位授予单位】：北方工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：G434;TP391.3
【目录】：

• 摘要3-4
• ABSTRACT4-9
• 第一章 绪论9-12
• 1.1 研究背景9-10
• 1.2 研究目的与意义10
• 1.3 研究内容10-11
• 1.4 全文组织结构11
• 1.5 本章小结11-12
• 第二章 推荐系统相关技术与研究概述12-21
• 2.1 推荐系统简介及组成12-13
• 2.1.1 推荐系统简介12
• 2.1.2 推荐系统组成12-13
• 2.2 现有的推荐系统实例13-14
• 2.3 推荐系统实现技术14-15
• 2.4 推荐系统常用算法分类15-20
• 2.4.1 基于人口统计学的推荐算法15
• 2.4.2 基于物品的推荐算法15-16
• 2.4.3 基于用户的协同过滤推荐算法16-18
• 2.4.4 基于项目的协同过滤推荐算法18-20
• 2.5 本章小结20-21
• 第三章 推荐算法在选课系统中的研究21-28
• 3.1 基于用户的协同过滤选课推荐算法21-23
• 3.1.1 协同过滤概述21-22
• 3.1.2 建立学生对课程的评价矩阵22
• 3.1.3 搜索学生的最近邻居22-23
• 3.1.4 向学生进行选课推荐23
• 3.2 改进的混合模型选课推荐算法23-25
• 3.2.1 混合选课推荐模型23
• 3.2.2 计算学生之间的相似度23-24
• 3.2.3 构建学生的课程评分矩阵24-25
• 3.2.4 向学生进行课程推荐25
• 3.3 两种选课推荐算法的缺点25-27
• 3.3.1 基于协同过滤的选课推荐算法缺点分析25-26
• 3.3.2 改进的混合模式选课推荐算法缺点分析26
• 3.3.3 两种选课推荐算法缺点总结26-27
• 3.4 本章小结27-28
• 第四章 基于神经网络思想的选课推荐算法28-35
• 4.1 神经网络概述28-29
• 4.2 课程网络概述及建立29-31
• 4.3 算法流程图及描述31-32
• 4.3.1 算法流程图31
• 4.3.2 选课推荐算法描述31-32
• 4.4 实验与分析32-33
• 4.4.1 数据集32
• 4.4.2 实验步骤32
• 4.4.3 度量标准32-33
• 4.4.4 实验结果分析33
• 4.5 基于神经网络思想的选课推荐算法理论优势33-34
• 4.6 本章小结34-35
• 第五章 选课推荐系统的设计与实现35-48
• 5.1 选课推荐系统架构设计35-41
• 5.1.1 选课系统设计基础35-36
• 5.1.2 选课系统技术框架36-37
• 5.1.3 系统功能结构37-41
• 5.2 选课系统数据库设计41-46
• 5.2.1 数据库设计原则41-42
• 5.2.2 选课系统物理结构设计42-46
• 5.3 系统算法相关模块实现46-47
• 5.4 本章小结47-48
• 第六章 总结与展望48-50
• 6.1 总结48
• 6.2 展望48-50
• 参考文献50-53
• 在学期间的研究成果53-54
• 致谢54

【相似文献】

中国期刊全文数据库 前8条

1 赵智;时兵;;改进的个性化推荐算法[J];长春大学学报;2005年06期

2 朱楠;;个性化推荐算法在网络教学中的应用[J];科技通报;2013年04期

3 郑丽琴;;基于关联规则的推荐算法在游戏搜索引擎中的应用[J];湖州师范学院学报;2013年06期

4 娄建玮;刘红军;郑伟;;C#/SQL实现基于项目评分预测的推荐算法[J];职大学报;2007年04期

5 杨永健;;基于模糊认知图和人工神经网络的个性化推荐算法研究[J];天津职业院校联合学报;2009年05期

6 董全德;徐旭;;一种新的协同过滤推荐算法[J];鄂州大学学报;2014年04期

7 李娟;;基于命名实体的网页推荐算法研究[J];咸阳师范学院学报;2013年06期

8 ;[J];;年期

中国重要会议论文全文数据库 前10条

1 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年

2 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年

3 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

4 周玉妮;郑会颂;;基于浏览路径选择的蚁群推荐算法:用于移动商务个性化推荐系统[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年

5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文（摘要）汇集[C];2009年

6 梁莘q，

本文编号：268788