CN104008515A - 一种智能选课推荐的方法 - Google Patents

Abstract

本发明公开了一种智能选课推荐的方法。本发明通过计算与当前学生选课页面访问相似度、与当前学生课程评分相似度、与当前学生选课记录相似度、构建课程图谱树后各自得到推荐的选课集，然后将上述得到的选课集进行加权合并最终得到推荐选课集。本发明考虑了多种维度，实现课程的个性化推荐，有效解决学生选课的盲目性；可以更好地利用学校现有系统数据；使用了成熟的协同过滤及基于内容的推荐技术，实现较为容易。

Description

一种智能选课推荐的方法

技术领域

本发明涉及高校选课系统中智能选课。

背景技术

高校教育体制改革以后，高校纷纷向多学科综合型方向发展。学科专业覆盖面不断扩大，课程的开设也随之不断增加。课程数目的增加为学生选修课程带来更多的选择，但是过多的课程也使得学生的选课不可避免地出现盲目性。目前，教学管理系统的广泛应用积累了大量的教学实践数据，但是，这些数据隐含的信息并没有被充分挖掘利用。为了充分利用已有的教学实践数据，关联规则数据挖掘已被广泛地应用到了教学管理中来，主要可以分为面向学生、面向教师和面向课程的分析。关联规则的应用对提高教学质量起到了一定的促进作用，但是如果支持度和置信度选取不当，会造成计算时间过长或者严重影响挖掘效果。同时，利用关联规则挖掘出的信息都针对所有用户，没有充分地考虑到用户的兴趣度。学生对课程的评分很大程度上代表了学生兴趣爱好，但是大量的学生评价数据以及过往选课数据并未得到有效利用。如果能利用学生评价数据，加上已有的学生选课数据以及课程关联性数据，就有可能对每一个学生作出个性化的课程推荐，可以有效地解决学生选课的盲目性。在目前的个性化推荐技术中，基于内容和协同过滤技术是最为成功和应用最为广泛的个性化推荐技术。本专利给出一种基于协同过滤和内容的多维度智能课程推荐系统。

发明内容

本发明所要解决的问题：当前选课系统的关联性差，针对性不足，学生选课盲目。

为解决上述问题，本发明采用的方案如下：

一种智能选课推荐的方法，包括以下步骤：

S1：通过计算获得与当前学生网上选课行为相似的学生的集合，综合这一集合中的学生对可选课程的评价计算当前学生对课程的网上选课行为的预测评分，获得当前学生的推荐选课集Class_set1；

S2：通过计算获得与当前学生的课程评分相似的学生的集合，综合这一集合中的学生对可选课程的评价计算当前学生对课程评分预测值，获得当前学生的推荐选课集Class_set2；

S3：通过计算获得与当前学生的选课相似的学生的集合，将已经被这一集合中的学生选择的课程作为当前学生的推荐选课集Class_set3；

S4：通过课程图谱树得到推荐选课集Class_set4；

S9：综合Class_set1、Class_set2、Class_set3和Class_set4得到推荐选课集。

进一步，根据本发明的智能选课推荐的方法，所述步骤S1包括：

S11：获取学生对课程的网上选课行为的评分：P_i,j；

S12：计算各学生与当前学生网上选课行为的相似度：

${\mathrm{SA}}_i=\frac{{\mathrm{\Σ}}_j(P_{0,j}-{\stackrel{\‾}{P}}_0)(P_{i,j}-{\stackrel{\‾}{P}}_j)}{\sqrt{{\mathrm{\Σ}}_j{(P_{0,j}-{\stackrel{\‾}{P}}_0)}^2}\sqrt{{\mathrm{\Σ}}_j{(P_{i,j}-{\stackrel{\‾}{P}}_i)}^2}};$

S13：选取与当前学生网上选课行为的相似度最大的前N1个学生组成学生集Student_set1；

S14：根据学生集Student_set1中学生对课程的网上选课行为的评分以及与当前学生网上选课行为的相似度计算当前学生对课程的网上选课行为的预测评分：

${\mathrm{TA}}_j={\stackrel{\‾}{P}}_0+\frac{{\mathrm{\Σ}}_i{\mathrm{SA}}_i(P_{i,j}-{\stackrel{\‾}{P}}_i)}{{\mathrm{\Σ}}_i{\mathrm{SA}}_i};$

S15：选取当前学生对可选课程的网上选课行为的预测评分最高的前N2个课程组成Class_set1；

其中，P_i,j为第i个学生对第j课程的网上选课行为的评分；P_0,j为当前学生对第j课程的网上选课行为的评分；为当前学生网上选课行为评分的平均值；为第i个学生网上选课行为评分的平均值；SA_i为第i个学生与当前学生的网上选课行为相似度；TA_j为当前学生对第j课程的网上选课行为的预测评分。

进一步，根据本发明的智能选课推荐的方法，所述步骤S2包括：

S21：获取学生对课程的评分：C_i,j；

S22：计算与当前学生评分相似度： ${\mathrm{SS}}_i=\frac{{\mathrm{\Σ}}_j(C_{0,j}-{\stackrel{\‾}{C}}_0)(C_{i,j}-{\stackrel{\‾}{C}}_i)}{\sqrt{{\mathrm{\Σ}}_j{(C_{0,j}-{\stackrel{\‾}{C}}_0)}^2}\sqrt{{\mathrm{\Σ}}_j{(C_{i,j}-{\stackrel{\‾}{C}}_i)}^2}};$

S23：选取与当前学生评分相似度最大的前N3个学生组成学生集Student_set2；

S24：根据学生集Student_set2中学生对课程的评分以及与当前学生评分相似度计算当前学生对各课程评分的预期值

S25：选取当前学生对各课程评分的预期值最高的前N4个课程组成Class_set2；其中，C_i,j为第i个学生对第j课程的评分；C_0,j为当前学生对第j课程的评分；为当前学生对各课程的评分的平均值；为第i个学生对各课程的评分的平均值；SS_i为第i个学生与当前学生的课程评分相似度；TS_j为当前学生对第j课程的评分的预期值。

进一步，根据本发明的智能选课推荐的方法，所述步骤S3包括：

S31：计算与当前学生的选课相似度：其中B₀为当前学生的选课向量，B_i为第i个学生的选课向量，SC_i为第i个学生与当前学生的选课相似度；

S32：获取与当前学生的选课相似度最高的N5个学生选过的课程组成课程集Class_setX；

S33：选取课程集Class_setX中的选课人数最多的前N6个课程组成Class_set3。

进一步，根据本发明的智能选课推荐的方法，所述步骤S4包括：

S41：获取课程图谱G＝{〈V，E，W〉}；其中，V为课程集合；E为课程间关联关系集合；W为课程间关联关系的权重值的集合；

S42：从课程图谱G中获取其中，V₀为当前学生已选的课程；

S43：计算Vx中各课程与V₀中各课程的课程间关联关系的权重值之和w_i；其中w_i为Vx中第i课程与V₀中各课程的课程间关联关系的权重值之和；

S44：从Vx中选出权重值之和w_i最大的前N7个课程组成Class_set4。

进一步，根据本发明的智能选课推荐的方法，该方法还包括步骤S5：从同专业的近三年内的学长所选的课程中得到推荐选课集Class_set5；所述步骤S9还包括合并Class_set5的步骤。

进一步，根据本发明的智能选课推荐的方法，所述步骤S1获得的选课集Class_set1包含有网上选课行为的评分的预期值；所述步骤S2获得的选课集Class_set2包含有课程评分的预期值；所述步骤S3获得的选课集Class_set3包含有选课人数值；所述步骤S4获得的选课集Class_set4包含有课程间关联关系的权重值之和；所述步骤S9包括：

S91：合并Class_set＝Class_set1∪Class_set2∪Class_set3∪Class_set4；

S92：计算Class_set中课程的优先值Priorityi＝a×ta_i+b×ts_i+c×cp_i+d×wt_i；其中Priority_i为Class_set中第i个课程的优先值，ta_i为Class_set中第i个课程的网上选课行为的预测评分；ts_i为Class_set中第i个课程的评分的预期值；cp_i为Class_set中第i个课程对应的选课人数值；wt_i为Class_set中第i个课程对应的课程间关联关系的权重值之和；a、b、c、d为常量；

S93：从Class_set中选择优先值Priority_i最高的前N8门课程作为最终的推荐选课集。

本发明的技术效果如下：

1.考虑了多种维度，实现课程的个性化推荐，有效解决学生选课的盲目性；

2.可以更好地利用学校现有系统数据；

3.使用了成熟的协同过滤及基于内容的推荐技术，实现较为容易。

附图说明

图1是本发明学生选课系统的流程示意图。

图2是计算机专业的部分课程图谱示例。

具体实施方式

下面结合附图对本发明做进一步详细说明。

本发明所涉的智能选课推荐方法是学生选课系统中的智能选课推荐的功能模块。该学生选课系统为线上选课系统，如图1所示，学生通过课程列表以及由智能选课推荐模块生成的推荐课程进行选课，选课过程产生选课记录以及选课页面行为记录作为智能选课推荐模块的输入。本发明的智能选课推荐方法通过对选课页面行为记录、课程评分、选课记录以及课程图谱等数据的分析产生推荐课程。具体地，本发明的智能选课推荐方法包括以下步骤：

S1：通过计算获得与当前学生网上选课行为相似的学生的集合，综合这一集合中的学生对可选课程的评价计算当前学生对课程的网上选课行为的预测评分，获得当前学生的推荐选课集Class_set1；

S2：通过计算获得与当前学生的课程评分相似的学生的集合，综合这一集合中的学生对可选课程的评价计算当前学生对课程评分预测值，获得当前学生的推荐选课集Class_set2；

S3：通过计算获得与当前学生的选课相似的学生的集合，将已经被这一集合中的学生选择的课程作为当前学生的推荐选课集Class_set3；

S4：通过课程图谱树得到推荐选课集Class_set4；

S9：综合Class_set1、Class_set2、Class_set3和Class_set4得到推荐选课集。

一、根据选课页面行为记录产生推荐选课集

本步骤即为前述步骤S1。

首先步骤S11，获取学生对课程网上选课行为的评分。这里的学生是指所有学生，这里的课程网上选课行为包括但不限于：学生在对应课程页面停留的时间，学生登录选课系统次数，学生点击对应课程的次数。学生对课程网上选课行为的评分表达了该学生对该课程的感兴趣程度。各学生对各课程网上选课行为的评分构成了一个评分矩阵，该矩阵中每一项可以用P_i,j表示，P_i,j为该矩阵中第i个学生对第j课程的网上选课行为的评分。相应地，当前学生对第j课程的网上选课行为的评分可以用P_0,j表示。P_i,j可以通过以下公式计算获得：P_i,j＝∑wa_k×a_k(式1)。式1中，a_k为网上选课行为评分项，a_k∈A，A为网上选课行为评分项集合，至少包括：学生在对应课程页面停留的时间和学生点击对应课程的次数；wa_k为网上选课行为评分项a_k对应的权重系数，wa_k为预先设定的常量。

然后步骤S12，根据学生对课程网上选课行为的评分计算与当前学生的网上选课行为的相似度。与当前学生的网上选课行为的相似度采用如下公式计算：(式2)。式2中，为当前学生对各课程的访问行为的评分的平均值；为第i个学生对各课程的网上选课行为的评分的平均值；SA_i为第i个学生与当前学生的课程网上选课行为相似度。以下述表1中网上选课行为的数据为例，可以计算得到学生1、学生2、学生3、学生4与当前学生的相似度分别为：0.8，1，－0.91，0.96。

	课程A	课程B	课程C
				当前学生	3	6	8
学生1	6	6	7
				学生2	4	7	9
学生3	8	6	6
				学生4	4	6	9

表1

再是步骤S13，选取与当前学生网上选课行为的相似度最大的前N1个学生组成学生集Student_set1。这里N1为预先设定的常量。如表1中的数据，设N1＝3，选取与当前学生网上选课行为的相似度最大的前3个学生后得到学生集Student_set1＝{学生1、学生2、学生4}。

再然后是步骤S14，根据学生集Student_set1中学生对课程的网上选课行为的评分以及与当前学生网上选课行为的相似度计算当前学生对课程的网上选课行为的预测评分TA_j。TA_j为当前学生对第j课程的网上选课行为的评分的预期值。TA_j的计算公式如下：(式3)。根据表1中的数据，学生集Student_set1，得到学生集Student_set1中学生对课程的网上选课行为的评分如下表2的数据：

	课程A	课程B	课程C
				当前学生	3	6	8
学生1	6	6	7
				学生2	4	7	9
学生4	4	6	9

表2

根据表2中的数据和公式3计算当前学生对课程A、课程B、课程C的网上选课行为的评分的预期值分别为：0.46，28.53，29.31。

再最后为步骤S15，选取当前学生对各课程的网上选课行为的评分的预期值最高的前N2个课程组成Class_set1。这里N2为预先设定的常量。例如，根据前述表1中的数据，得到的当前学生对课程A、课程B、课程C的网上选课行为的评分的预期值分别为：0.46，28.53，29.31。设N2＝2，则Class_set1＝{课程B，课程C}。

二、根据课程评分产生推荐选课集

本步骤即为前述步骤S2。

首先步骤S21，获取学生对课程的评分。课程评分是学校为提高教学质量，为了能更有效地利用学生对课程的评分，更准确地反映课程对学生的吸引力的而设定的指标数据。课程评分由很多评分项组成，比如，课程内容的丰富程度、课程的趣味性、教师讲课的生动性等等评分项。课程评分是由经上了该课程的学生对各预先设定的评分项的打分数后经加权运算获得。本发明中的课程评分为体现学分还以该课程的学分值作为加权值相乘后得到。各学生对各课程的评分构成了一个评分矩阵，该矩阵中每一项可以用C_i,j表示，C_i,j为该矩阵中第i个学生对第j课程的评分。具体的公式如下：C_i,j＝∑ws_k×s_k(式4)。式4中，s_k为第i个学生对第j课程的第k个课程评分项的打分值，ws_k为第k个课程评分项s_k对应的权重系数，ws_k为预先设定的常量。

然后步骤S22，根据学生对课程评分计算与当前学生评分相似度。该步骤的计算公式与前述步骤S12相同，具体到课程评分中，可表示为公式： ${\mathrm{SS}}_i=\frac{{\mathrm{\Σ}}_j(C_{0,j}-{\stackrel{\‾}{C}}_0)(C_{i,j}-{\stackrel{\‾}{C}}_i)}{\sqrt{{\mathrm{\Σ}}_j{(C_{0,j}-{\stackrel{\‾}{C}}_0)}^2}\sqrt{{\mathrm{\Σ}}_j{(C_{i,j}-{\stackrel{\‾}{C}}_i)}^2}}$ (式5)。式5中，为当前学生对各课程的评分的平均值；为第i个学生对各课程的评分的平均值；SS_i为第i个学生与当前学生的课程评分相似度。本领域技术人员理解，式5与步骤S12中的式2相同。

再是步骤S23，选取与当前学生课程评分的相似度最大的前N3个学生组成学生集Student_set2。这里N2为预先设定的常量。步骤S23与前述步骤S13相同。如表1中的数据，设N1＝3，选取与当前学生课程评分的相似度最大的前3个学生后得到学生集Student_set2＝{学生1、学生2、学生4}。；

再然后是步骤24，根据学生集Student_set2中学生对课程的评分以及与当前学生评分相似度计算当前学生对各课程评分的预期值TS_j。TS_j为当前学生对第j课程的评分的预期值，计算公式为：(式6)。本领域技术人员理解，式6与步骤S13中的式3相同。

再最后为步骤S24，获取当前学生对各课程评分的预期值最高的前N4个课程组成Class_set2，这里N2为预先设定的常量。

三、根据学生选课记录产生推荐选课集

本步骤即为前述步骤S3。

首先是步骤S31，计算与当前学生的选课相似度。这里的学生选课记录是指除了当前学期之外的历史选课记录。所有的课程构成一课程集，设学生选修过的课程标记为1，未选修过的课程标记为0，则学生之于课程集可以构成一用0和1标记的选课向量。则可以通过选课向量之间的余弦公式计算与当前学生之间的相似度，具体公式为：(式7)。式7中，B₀为当前学生的选课向量，B_i为第i个学生的选课向量，SC_i为第i个学生与当前学生的选课相似度。

	课程A	课程B	课程C
				当前学生	1	1	0

学生1	0	1	0
				学生2	1	1	0
学生3	0	1	1

表2。

以上述表2中的数据为例。课程A、课程B、课程C构成课程集。表2中的四个学生的选课记录分别构成四个课程向量，其中，当前学生的选课向量用B₀表示，学生1、学生2、学生3的选课向量分别为B₁、B₂、B₃表示，其中B₀＝{1，1，0}；B₁＝{0，1，0}；B₂＝{1，1，0}；B₃＝{0，1，1}。则有：

学生1与当前学生的相似度

学生2与当前学生的相似度 ${\mathrm{SC}}_2=\frac{1*1+1*1+0*0}{\sqrt{1+1}\·\sqrt{1+1}}=1;$

学生3与当前学生的相似度 ${\mathrm{SC}}_3=\frac{1*0+1*1+0*1}{\sqrt{1+1}\·\sqrt{1+1}}=0.5;$

然后是步骤S32：获取与当前学生的选课相似度最高的N3个学生的选过的课程组成课程集Class_setX。这里N3为预先设定的常数。以上述表2中的数据为例，取N3＝2，则选课相似度最高的2个学生为学生2和学生1。学生2和学生1的选过的课程组成的课程集Class_setX＝{课程A，课程B}。

最后是步骤S33，从课程集Class_setX中选出选课人数最多的前N4个课程组成Class_set3。这里N4为预先设定的常数。实际应用中，步骤S32获得的课程集Class_setX中的课程数较多，因此需要再一次过滤。假如Class_setX中的课程数不大于N4，则不需要本步骤。

四、根据课程图谱产生推荐选课集

本步骤为前述步骤S4。

本发明所指的课程图谱是一种带权值的有向图，用于表示课程间的关联关系。课程用图的节点表示，课程间的关联关系用图的节点之间的有向边表示。课程间的关联关系，即课程图谱的有向边，带有权值。图2是计算机专业的部分课程图谱示例。课程间的关联关系用于表示课程间的学科的依赖关系。比如，高等数学和普通物理之间，普通物理很多内容需要用高等数学中的内容解决，则在课程图谱中。如图2所示，从高等数学至普通物理方向的边，表示普通物理依赖于高等数学。再比如，数据结构依赖于基础编程、离散数学、计算机原理等课程，则相应地，在课程图谱中有基础编程、离散数学、计算机原理至数据结构的单向边。课程之间的依赖关系是n:m的关系，表示某课程可能依赖于多个学科的课程，而该课程也可能是多个学科的课程之依赖。有的课程之间的依赖关系是必须的，但有些课程间的依赖关系是不一定是必须的，但假如学了某课程对于增加另外一课程的理解有非常好的帮助。比如学习编译原理对高级编程的理解非常具有好处，可以称之为高级编程依赖于编译原理，但这种依赖关系显而易见地不如普通物理依赖于高等数学，这种依赖关系的重要性用有向图的边的权重值表示。边的权重值也表达了依赖关系的权重。还有一些的依赖是双向的，比如学习编译原理对操作系统的课程理解非常有好处，同样学习了操作系统的课程同样会增强对编译原理的理解，由此这种依赖关系可以是双向的。本发明中，课程图谱是由预先设定，并由人工输入，在实际使用中可动态调整。课程图谱可表示成G＝{〈V，E，W〉}。其中，V为课程集合；E为课程间关联关系集合；W为课程间关联关系的权重值的集合。本发明中，根据课程图谱产生推荐选课集的步骤如下：

首先是步骤S41，获取课程图谱。

然后是步骤S42，根据当前学生已选的课程从课程图谱G中获取 其中，V₀为当前学生已选的课程的集合，＜v_i,v_j＞是指v_i至v_j的有向边。该步骤可以通过图的节点的遍历的方法实现。以图2中的课程图谱为例，假设V₀＝{高等数学，线性代数，排列组合}，则V_x＝{离散数学，计算代数，概率论，普通物理}。

再然后是步骤S43，计算Vx中各课程与V₀中各课程的课程间关联关系的权重值之和w_i；其中w_i为Vx中第i课程与V₀中各课程的课程间关联关系的权重值之和。以上述V_x为例，V_x中离散数学的课程有三条单向边分别为：R1＝<高等数学，离散数学>，R2＝<线性代数，离散数学>，R3＝<排列组合，离散数学>。其中R1、R2、R3对应的权重值分别为：6、3、4；则离散数学这门课程的权重值之和＝6+3+4＝13。

最后为步骤S44，从Vx中选出权重值之和w_i最大的前N5个课程组成Class_set4。这里N5为预先设定的常数。

五、推荐选课集的合并

本步骤即为前述步骤S9。即将前述的Class_set1、Class_set2、Class_set3、Class_set4合并成最终的推荐选课集Class_set。一般来说，合并采用集合的合并运算即可：Class_set＝Class_set1∪Class_set2∪Class_set3∪Class_set4。但通常Class_set1、Class_set2、Class_set3、Class_set4中的课程数每个均有3～5个，合并运算后的Class_set中的课程数量可以达到10～20个，这对于推荐的选课集来说太多了。为此，本发明在步骤S9中的合并采用加权合并的方法，具体的步骤如下：

首先步骤S91，合并Class_set＝Class_set1∪Class_set2∪Class_set3∪Class_set4。

然后步骤S92，计算Class_set中课程的优先值Priority_i＝a×ta_i+b×ts_i+c×cp_i+d×wt_i。其中，Priorityi为Class_set中第i个课程的优先值，ta_i为Class_set中第i个课程对应的网上选课行为的评分的预期值；ts_i为Class_set中第i个课程对应的网上选课行为的评分的预期值；cp_i为Class_set中第i个课程对应的选课人数值；wt_i为Class_set中第i个课程对应的课程间关联关系的权重值之和，a、b、c、d为常量。ta_i、ts_i、cp_i、wt_i分别由前述的步骤S1、S2、S3和S4中计算获得。需要说明的是，如果Class_set中第i个课程不在Class_set1中，则ta_i＝0；如果Class_set中第i个课程不在Class_set2中，则ts_i＝0；如果Class_set中第i个课程不在Class_set3中，则cp_i＝0；如果Class_set中第i个课程不在Class_set4，则wt_i＝0。

最后是步骤S93，从Class_set中选择优先值Priority_i最高的前N6门课程作为最终的推荐选课集。这里N6为常量。

六、子集补充

前述最终的推荐选课集Class_set由四个推荐选课子集合并而成。四个推荐选课子集分别是Class_set1、Class_set2、Class_set3、Class_set4。本领域技术人员理解，上述四个推荐选课子集还可以根据不同的要求进行扩充。本实施例是推荐选课子集的扩充的实施例。本实施例从同专业的近三年内的学长所选的课程中得到推荐选课集Class_set5，然后在前述的步骤S9中增加一个合并Class_set5的步骤，即步骤S9替换为：将Class_set1、Class_set2、Class_set3、Class_set4、Class_set5合并成最终的推荐选课集Class_set。从同专业的近三年内的学长所选的课程中得到推荐选课集Class_set5为步骤S5，具体的方法步骤如下：首先，获取同专业的近三年内的学长所选的课程得到一课程集Class_setY。课程集Class_setY中课程来自历史选课记录。比如，当前学生为计算机软件专业的2012期学生，当前为大三第一学期，则可以从2009期、2010期、2011期的计算机软件专业的学长中获取大三第一学期的选课，组成课程集。然后可以根据前述步骤S33中的方法，从课程集Class_setY中选出选课人数最多的前N7个课程组成Class_set5。这里N7为常量。

Claims (7)

1.一种智能选课推荐的方法，其特征在于，包括以下步骤：

S1：通过计算获得与当前学生网上选课行为相似的学生的集合，综合这一集合中的学生对可选课程的评价计算当前学生对课程的网上选课行为的预测评分，获得当前学生的推荐选课集Class_set1；

S2：通过计算获得与当前学生的课程评分相似的学生的集合，综合这一集合中的学生对可选课程的评价计算当前学生对课程评分预测值，获得当前学生的推荐选课集Class_set2；

S3：通过计算获得与当前学生的选课相似的学生的集合，将已经被这一集合中的学生选择的课程作为当前学生的推荐选课集Class_set3；

S4：通过课程图谱树得到推荐选课集Class_set4；

S9：综合Class_set1、Class_set2、Class_set3和Class_set4得到推荐选课集。

2.如权利要求1所述的智能选课推荐的方法，其特征在于，所述步骤S1包括：

S11：获取学生对课程的网上选课行为的评分：P _i,j ；

S12：计算各学生与当前学生网上选课行为的相似度：

；

S13：选取与当前学生网上选课行为的相似度最大的前N1个学生组成学生集Student_set1；

S14：根据学生集Student_set1中学生对课程的网上选课行为的评分以及与当前学生网上选课行为的相似度计算当前学生对课程的网上选课行为的预测评分：；

S15：选取当前学生对可选课程的网上选课行为的预测评分最高的前N2个课程组成Class_set1；

其中，P _i,j 为第i个学生对第j课程的网上选课行为的评分；P _0,j 为当前学生对第j课程的网上选课行为的评分；为当前学生网上选课行为评分的平均值；为第i个学生网上选课行为评分的平均值；为第i个学生与当前学生的网上选课行为相似度；为当前学生对第j课程的网上选课行为的预测评分。

3.如权利要求1所述的智能选课推荐的方法，其特征在于，所述步骤S2包括：

S21：获取学生对课程的评分：C _i,j ；

S22：计算与当前学生评分相似度：；

S23：选取与当前学生评分相似度最大的前N3个学生组成学生集Student_set2；

S24：根据学生集Student_set2中学生对课程的评分以及与当前学生评分相似度计算当前学生对各课程评分的预期值；

S25：选取当前学生对各课程评分的预期值最高的前N4个课程组成Class_set2；

其中，C _i,j 为第i个学生对第j课程的评分；C _0,j 为当前学生对第j课程的评分；为当前学生对各课程的评分的平均值；为第i个学生对各课程的评分的平均值；为第i个学生与当前学生的课程评分相似度；为当前学生对第j课程的评分的预期值。

4.如权利要求1所述的智能选课推荐的方法，其特征在于，所述步骤S3包括：

S31：计算与当前学生的选课相似度：；其中B ₀ 为当前学生的选课向量，B _i 为第i个学生的选课向量，SC _i 为第i个学生与当前学生的选课相似度；

S32：获取与当前学生的选课相似度最高的N5个学生选过的课程组成课程集Class_setX；

S33：选取课程集Class_setX中的选课人数最多的前N6个课程组成Class_set3。

5.如权利要求1所述的智能选课推荐的方法，其特征在于，所述步骤S4包括：

S41：获取课程图谱G={〈V，E，W〉}；其中，V为课程集合；E为课程间关联关系集合；W为课程间关联关系的权重值的集合；

S42：从课程图谱G中获取Vx＝；其中，V ₀ 为当前学生已选的课程；

S43：计算Vx中各课程与V ₀ 中各课程的课程间关联关系的权重值之和w _i ；其中w _i 为Vx中第i课程与V ₀ 中各课程的课程间关联关系的权重值之和；

S44：从Vx中选出权重值之和w _i 最大的前N7个课程组成Class_set4。

6.如权利要求1所述的智能选课推荐的方法，其特征在于，该方法还包括步骤S5：从同专业的近三年内的学长所选的课程中得到推荐选课集Class_set5；所述步骤S9还包括合并Class_set5的步骤。

7.如权利要求1所述的智能选课推荐的方法，其特征在于，所述步骤S1获得的选课集Class_set1包含有网上选课行为的评分的预期值；所述步骤S2获得的选课集Class_set2包含有课程评分的预期值；所述步骤S3获得的选课集Class_set3包含有选课人数值；所述步骤S4获得的选课集Class_set4包含有课程间关联关系的权重值之和；所述步骤S9包括：

S91：合并Class_set＝Class_set1∪Class_set2∪Class_set3∪Class_set4；

S92：计算Class_set中课程的优先值Priority _i ＝a×ta _i ＋b×ts _i ＋c×cp _i ＋d×wt _i ；其中Priority _i 为Class_set中第i个课程的优先值，ta _i 为Class_set中第i个课程的网上选课行为的预测评分； ts _i 为Class_set中第i个课程的评分的预期值；cp _i 为Class_set中第i个课程对应的选课人数值；wt _i 为Class_set中第i个课程对应的课程间关联关系的权重值之和；a、b、c、d为常量；

S93：从Class_set中选择优先值Priority _i 最高的前N8门课程作为最终的推荐选课集。