CN105260965A

CN105260965A - 一种基于决策图的智能选课方法

Info

Publication number: CN105260965A
Application number: CN201510795473.XA
Authority: CN
Inventors: 莫毓昌
Original assignee: Zhejiang Normal University CJNU
Priority date: 2015-11-18
Filing date: 2015-11-18
Publication date: 2016-01-20
Anticipated expiration: 2035-11-18
Also published as: CN105260965B

Abstract

本发明公开了一种基于决策图的智能选课方法，包括必修课分值设置的区间化，根据学生i的必修课j的成绩P，建立一个总体掌握能力的评价，将评价结果分为优、良、中、及格和不及格，对应的百分制范围为[100,90]优[89,80]良[79,70]中[69,60]及格[59,0]不及格；引入信息增益的思想，对决策图中的必修课节点出现顺序进行排序；构造选修课Xi的决策图D。本发明通过分值设置的区间化，避免了必修课节点的过多分支出现；通过设置百分比Q把学习效果归类，缩短了分支，利用已有的往届数据进行数据挖掘，基于决策图构造智能选课模型，可以更好地用于指导新生的选修课选择。

Description

一种基于决策图的智能选课方法

技术领域

本发明属于大学教育技术领域，尤其涉及一种基于决策图的智能选课方法。

背景技术

大学期间，各个专业的学生所共同面临的问题是：选修课数量比较多；很多选修课教学内容比较新颖；不同的选修课具有不同的基础知识需求；另外，学生对各门选修课的内容和要求缺乏必要的了解，同时学生对自身的知识积累也缺乏细致的评价。这些原因导致的结果就是学生在各门选修课的选课过程中较为盲目，所选择的部分选修课程并不适合该学生的学习基础和学习特性，从而造成学生学时和教学资源的浪费。

发明内容

本发明的目的在于提供一种基于决策图的智能选课方法，旨在智能化的对“各门选修课的内容和要求”和“学生的学习基础和学习特性件”进行匹配，帮助学生根据自身情况选择实际所需要的课程，从而更好地利用学生学时和教学资源的浪费。

本发明是这样实现的，一种基于决策图的智能选课方法，所述基于决策图的智能选课方法包括：

必修课分值设置的区间化，根据学生i的必修课j的成绩P，建立一个总体掌握能力的评价，将评价结果分为优、良、中、及格和不及格，对应的百分制范围为[100,90]优[89,80]良[79,70]中[69,60]及格[59,0]不及格；

引入信息增益的思想，对决策图中的必修课节点出现顺序进行排序；

构造选修课Xi的决策图D。

进一步，所述信息增益指标生成必修课排序具体方法如下：

选修课X的2种可能成绩：Pass和Fail，统计一组学生中各个成绩的实例个数分别为N1和N2，按照下式计算H(X)：

H (X) = - \frac{N 1}{N 1 + N 2} \log_{2} \frac{N 1}{N 1 + N 2} - \frac{N 2}{N 1 + N 2} \log_{2} \frac{N 2}{N 1 + N 2};

必修课B可能的取值是5类，统计一组学生必修课B的成绩获得类别i的实例个数分别为Mi；并且类别i的所有实例Mi中选修课X的成绩分类分别为：N1i和N2i。按照下式计算H(X|B)：

H (X | B) = Σ_{i = 1}^{5} \frac{M_{i}}{M} (\frac{N 1_{i}}{M_{i}} \log_{2} \frac{N 1_{i}}{M_{i}} - \frac{N 2_{i}}{M_{i}} \log_{2} \frac{N 2_{i}}{M_{i}});

其中

M = Σ_{i = 1}^{5} M_{i};

根据H(X)和H(X|B)，按照下式计算必修课B的信息增益指标值IG(B)：

IG(B)＝H(X)-H(X|B)；

根据所计算的信息增益指标，从大到小对必修课进行排序得到必修课排序。

进一步，所述构造选修课Xi的决策图D具体方法如下：

构造决策图D的顶节点(Si,Bi)，i＝1，其中S1是全体学生集合，B1是信息增益最大的必修课；把(Si,Bi)压入堆栈Stack中；

弹出堆栈stack的栈顶元素(Si,Bi)；

针对(Si,Bi)查找Hash表，如果hash表中记录“(Si,Bi)，Di”存在，则用决策图中的Di代替(Si,Bi)节点；

若Si中的学生通过选修课Xi的比例超过Q，则用决策图中的选修课叶子节点Xi代替(Si,Bi)节点；

若Bi是最后一个必修课了，Si中的学生通过选修课Xi的比例不超过Q，则丢弃(Si,Bi)节点；

若Bi不是最后一个必修课了，Si中的学生通过选修课Xi的比例不超过Q，则根据必修课Bi可能的取值是5类，从(Si,Bi)伸出5个分叉，每个分叉j代表Bi的一个不同类，从而形成5个决策图节点(Sj,Bj}),Sj是Si中分值取在分叉j代表类中的学生集合。Bj是信息增益排序中Bi的下一个必修课；并把5个决策图节点(Sj,Bj})压入堆栈Stack中；转步骤弹出堆栈stack的栈顶元素(Si,Bi)。

本发明提供的基于决策图的智能选课方法，与现有技术相比，具有以下优势：

1、不同的必修课排序会导致不同大小的决策图。若随意选择必修课排序容易造成决策图尺度过大的问题。本发明基于信息增益指标生成必修课排序能够大大缩小决策图尺度。

2、选修课X的决策图生成过程中存在大量同构子图，如果不进行同构子图共享容易造成决策图尺度过大的问题。本发明基于Hash表的信息增益指标生成必修课排序能够大大缩小决策图尺度。

3、为了进一步减小决策图尺度，还采用了基于分档的必修课节点分支构造技术，避免必修课节点的过多分支出现；通过设置百分比Q把学习效果归类，避免必修课节点的过长分支出现。

附图说明

图1是本发明实施例提供的基于决策图的智能选课方法流程图。

图2是本发明实施例提供的随机生成必修课排序形成决策图的状态图。

图3是本发明实施例提供的采用信息增益指标生成必修课排序形成决策图的状态图。

图4是本发明实施例提供的没有采用Hash同构共享处理的状态图。

图5是本发明实施例提供的采用Hash同构共享处理的状态图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作进一步描述。

如图1所示，本发明实施例的基于决策图的智能选课方法包括以下步骤：

S101：必修课分值设置的区间化，根据学生i的必修课j的成绩P，建立一个总体掌握能力的评价，可以将评价结果分为优、良、中、及格和不及格，对应的百分制范围为[100,90]优[89,80]良[79,70]中[69,60]及格[59,0]不及格；

S102：引入信息增益的思想，对决策图中的必修课节点出现顺序进行排序；

S103：构造选修课Xi的决策图D。

下面结合附图对本发明的应用原理作进一步的说明。

(1)基于分档的必修课节点分支构造：

把学生各门必修课的成绩作为学生的已有的学习基础。必修课的成绩通常是百分制的。若直接用于决策图中必修课节点的分支构造，容易造成决策图尺度过大的问题。本发明将学生各门必修课的成绩评价结果分为5档：优、良、中、及格和不及格；分别对应的百分制范围为[100,90]、[89,80]、[79,70]、[69,60]、[59,0]。这样把决策图中必修课节点的分支构造从百分制的100种分类，降为5档分类。

(2)基于信息增益指标的必修课排序；

在决策图中每一层的必修课节点对应一门必修课，从而按照自顶向下的排列就形成了必修课排序。不同的排序会导致不同大小的决策图。若随意选择必修课排序容易造成决策图尺度过大的问题。本发明基于信息增益指标生成必修课排序能够大大缩小决策图尺度。具体方法如下：

首先，根据选修课X的2种可能成绩：Pass和Fail，统计一组学生中各个成绩的实例个数分别为N1和N2，按照下式计算H(X)。

H (X) = - \frac{N 1}{N 1 + N 2} \log_{2} \frac{N 1}{N 1 + N 2} - \frac{N 2}{N 1 + N 2} \log_{2} \frac{N 2}{N 1 + N 2};

然后，根据必修课B可能的取值是5类，统计一组学生必修课B的成绩可以获得类别i的实例个数分别为Mi；并且类别i的所有实例Mi中选修课X的成绩分类分别为：N1i和N2i。按照下式计算H(X|B)。

H (X | B) = Σ_{i = 1}^{5} \frac{M_{i}}{M} (\frac{N 1_{i}}{M_{i}} \log_{2} \frac{N 1_{i}}{M_{i}} - \frac{N 2_{i}}{M_{i}} \log_{2} \frac{N 2_{i}}{M_{i}});

其中

M = Σ_{i = 1}^{5} M_{i};

再后，根据H(X)和H(X|B)，按照下式计算必修课B的信息增益指标值IG(B)：

IG(B)＝H(X)-H(X|B)；

最后，根据所计算的信息增益指标，从大到小对必修课进行排序得到必修课排序。如IG(B1)＝0.8、IG(B2)＝0.6、IG(B3)＝0.3，则必修课排序为：B1<B2<B3。

基于信息增益指标的必修课排序的作用详见图2和图3，可以看出合理的排序，可以减小决策图模型的大小。

(3)基于Hash表和比例Q构造选修课X的决策图D；

在选修课X的决策图生成过程中存在大量同构子图，如果不进行同构子图共享容易造成决策图尺度过大的问题。本发明基于Hash表对决策图的同构子图进行共享能够大大缩小决策图尺度。此外，通过设置Q，如Q＝80％，可以有效的减少分支长短，避免过度区分，比如相同必修课表现的一批学生，如果个别学生选修课考试发挥失常，没有通过，而其他大部分通过了，通过Q可以忽略这些失常同学的影响。

具体方法如下：

步骤一，构造决策图D的顶节点(Si,Bi)，i＝1，其中S1是全体学生集合，B1是信息增益最大的必修课；把(Si,Bi)压入堆栈Stack中；

步骤二，弹出堆栈stack的栈顶元素(Si,Bi)；

步骤三，针对(Si,Bi)查找Hash表，如果hash表中记录“(Si,Bi)，Di”存在，则用决策图中的Di代替(Si,Bi)节点；

步骤四，若Si中的学生通过选修课Xi的比例超过Q，则用决策图中的选修课叶子节点Xi代替(Si,Bi)节点；

步骤五，若Bi是最后一个必修课了，Si中的学生通过选修课Xi的比例不超过Q，则丢弃(Si,Bi)节点；

步骤六，若Bi不是最后一个必修课了，Si中的学生通过选修课Xi的比例不超过Q，则根据必修课Bi可能的取值是5类，从(Si,Bi)伸出5个分叉，每个分叉j代表Bi的一个不同类，从而形成5个决策图节点(Sj,Bj}),Sj是Si中分值取在分叉j代表类中的学生集合。Bj是信息增益排序中Bi的下一个必修课；并把5个决策图节点(Sj,Bj})压入堆栈Stack中；转步骤二)。

Hash表的作用详见图4和图5，可以看出通过相同子图的合并，可以减小决策图模型的大小。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于决策图的智能选课方法，其特征在于，所述基于决策图的智能选课方法包括：

构造选修课Xi的决策图D。

2.如权利要求1所述的基于决策图的智能选课方法，其特征在于，所述信息增益指标生成必修课排序具体方法如下：

H (X) = - \frac{N 1}{N 1 + N 2} \log_{2} \frac{N 1}{N 1 + N 2} - \frac{N 2}{N 1 + N 2} \log_{2} \frac{N 2}{N 1 + N 2};

H (X | B) = Σ_{i = 1}^{5} \frac{M_{i}}{M} (\frac{N 1_{i}}{M_{i}} \log_{2} \frac{N 1_{i}}{M_{i}} - \frac{N 2_{i}}{M_{i}} \log_{2} \frac{N 2_{i}}{M_{i}});

其中

M = Σ_{i = 1}^{5} M_{i};

IG(B)＝H(X)-H(X|B)；

3.如权利要求1所述的基于决策图的智能选课方法，其特征在于，所述构造选修课Xi的决策图D具体方法如下：

弹出堆栈stack的栈顶元素(Si,Bi)；