CN110069704A - 基于分数和任课教师的协同选课推荐方法 - Google Patents

Abstract

本发明涉及一种基于分数和任课教师的协同选课推荐方法，包括下列步骤：选取毕业生的全部课程、课程对应的教师和成绩信息，按时序排列并作为输入数据；根据输入数据中课程和任课教师的统计频率，分别构建两颗哈夫曼树，从而确定每门课程和其任课教师的哈夫曼编码；随机初始化所有模型的参数、课程的向量和任课教师的向量；迭代；课程向量间的距离越近，说明这两个课程的相似度越大，当新生选出一门感兴趣的课程后，会推荐出与之相关的其他课程，即考虑课程间的衔接，又考虑学生对任课教师的喜好。

Description

基于分数和任课教师的协同选课推荐方法

技术领域

本发明属于基于协同过滤的推荐技术领域，具体涉及一种基于分数和任课教师的协同选课推荐方法。

背景技术

随着教育发展的多元化，根据学生所属专业的学科特点，设计一套完备的、科学的、合理的课程体系已经成为各大高校越来越关注的教育重点。目前，各大高校的课程安排大多采用学生自由选课的方式，虽然根据不同年级划分了指定的专业课，但是不同年级课程间的连贯性和衔接性均有学生自己把握。学生在选课时，通常面临不知道什么课适合自己，什么老师适合自己的问题，大多采用询问学长和同学间相互讨论的方式。这种问题在大类招生情况下尤其突出，因此设计一套科学合理的选课推荐方法尤为重要。

随着推荐技术的不断发展，个性化推荐逐渐发展起来。该技术可以根据用户的历史行为数据，分析用户的兴趣、潜在兴趣和相关属性，为用户推荐其感兴趣的且适合其的东西，减少用户查找或选择某物品的时间和精力。比如在选课场景下，可以通过分析该学生的教育背景，如高中的文理学科的倾向、是否参加过某种学科竞赛等，来为其选择适合他的课程。还可以通过分析该学生的性格特点为其选择合适的任课教师，比如该生自制力较差，则应该推荐一个管理严格的教师，如果该生喜欢自由、自主学习能力较强，则应该推荐一个开放式管理的教师。

在个性化推荐技术中，协同过滤是一种经典的技术方法，分为基于用户的协同过滤和基于项目的协同过滤。基于用户的协同过滤指根据用户之间的相似性，为某用户推荐适合与其相似的用户的物品。比如学生A与学生B相似，学生B选择了课程x，则为学生A也推荐课程x。这种方法的关键是如何寻找用户之间的相似关系，对于刚入学的学生而言，其历史信息获取相对较难，且缺乏可对比性，因此并不适合课程推荐的场景。相反，教学的课程相对固定，且具有大量的历史信息，计算课程之间的相似关系相对容易，即基于项目的协同过滤更适合课程推荐的场景。比如课程A课程B相似，学生x选择了课程A，则为学生x可以推荐课程B。

基于项目的协同过滤方法的关键是如何寻找课程之间的相似关系，本发明基于word2vec原理，寻找课程间的相似关系，提出了一种协同分数和任课教师的选课推荐方法。

发明内容

本发明所要解决的技术问题是：更加准确地计算课程间的相似度，提供一种科学合理的课程推荐方法。为实现上述目的，本发明采取以下技术方案：

一种基于分数和任课教师的协同选课推荐方法，包括下列步骤：

步骤1：选取毕业生的全部课程、课程对应的教师和成绩信息，按时序排列并作为输入数据。同时设课程序列为c₁-c₂-c₃...c_n，任课教师序列为t₁-t₂-t₃...t_n，成绩序列为g₁-g₂-g₃...g_n；

步骤2：根据输入数据中课程和任课教师的统计频率，分别构建两颗哈夫曼树，从而确定每门课程和其任课教师的哈夫曼编码，设从根节点到某课程m及其所对应的教师m所在的叶子节点包含的节点总数分别为l^c _m和l^t _m，课程m与教师m在霍夫曼树中从根节点开始，经过的第i个节点对应的霍夫曼编码分别为d^cm _i∈{0,1}和d^tm _i∈{0,1}，对应的模型参数分别表示为θ^cm _i和θ^tm _i；

步骤3：随机初始化所有模型的参数、课程的向量x^c和任课教师的向量x^t；

步骤4：用context^c(m)表示课程序列中第m个课程前后各w个的课程集合，用context^t(m)表示教师序列中第m个教师前后各w个的教师集合，对每条输入样本(context^c(m),context^t(m),x^c,x^t,m,g_m)做如下处理：

a)初始化残差e^c＝0，e^t＝0；

b)计算向量均值

c)采用min-max归一化方法对分数(g_m-g_avgm)进行归一化处理，并作为迭代权重

d)设迭代步长为η^c，对每个j∈(2,l^c _m)，作如下计算：

g^c＝(1-d^cm _j-f^c)η^c

e^c＝e^c+g^cθ^cm _j-1

θ^cm _j-1＝θ^cm _j-1+g^cx^c _m

e)设迭代步长为η^t，对每个j∈(2,l^t _m)，作如下计算：

g^t＝(1-d^tm _j-f^t)η^t

e^t＝e^t+g^tθ^tm _j-1

θ^tm _j-1＝θ^tm _j-1+g^tx^t _m

f)对于context^c(m)中的每个课程向量x^c _i进行更新：

x^c _i`＝x^c _i

g)对于context^t(m)中的每个教师向量x^t _i进行更新：

h)如果收敛，则结束迭代，否则回到步骤(4)继续迭代；

步骤5：课程向量间的距离越近，说明这两个课程的相似度越大，当新生选出一门感兴趣的课程后，会推荐出与之相关的其他课程，即考虑课程间的衔接，又考虑学生对任课教师的喜好。

本发明由于采取以上技术方案，其具有以下优点：

(1)基于word2vec原理，将课程映射成向量，通过向量间的相似关系反应课程间的相似关系，定量分析课程间相似度，使基于项目的协同过滤更加准确。同时，采用通过前后所选课程预测当前课程的方法，考虑了课程间的时间序列关系和连贯性。

(2)模型引入分数和任课教师两个特征，使向量训练更加合理。本方法除了考虑单一的课程特征，还考虑了与之对应的教师特征，采用并行训练的方式，得到更能反映课程特点的向量训练模型。同时结合考生分数，作为权重参与训练，使模型更加合理。

附图说明

图1为基于分数和任课教师的协同选课推荐方法流程。

具体实施方式

本发明在传统协同过滤算法的基础上，基于word2vec原理，提出了一种协同分数和任课教师的选课推荐方法，重点引入了分数和任课教师两个特征。本发明的实质性特点如下：

(1)基于word2vec原理计算课程间的相似关系。word2vec是google在2013年开源的一款将词表征为向量的工具，通过向量间的夹角余弦映射词间的相似关系。在本发明中，将每位毕业生所有已选课程按时间序列排序，作为一条输入文本，其中每个课程视为一个词。由于课程间的连贯性，每条文本均可看成一个时间序列。借鉴CBOW模型通过上下文预测中心词的思路，可以根据前后课程向量预测当前课程向量，并基于哈夫曼树的结构训练向量生成模型。

(2)引入了分数和任课教师两个特征。对于每个课程，该生的分数和任课教师通常是一一对应的。因此，每条输入文本均有与之对应的任课教师序列和分数序列，这里的分数指该生考试成绩对于该课程平均成绩的相对分数。在选课过程中，教师的授课风格往往也是学生关注的重点，比如该教师受学生欢迎，那么在往后的选课时，学生更愿意选择该教师的课。因此，教师序列也同样作为一组输入文本，和课程序列同步训练，在迭代中采用加权平均的方式更新两者向量。考核成绩往往反应该生对课程和授课教师的接受程度，通过对考生成绩的归一化处理，得到0到1之间的小数值，并作为模型训练时向量更新的权重。

本发明将为学生推荐更加科学合理的课程，图1显示了本发明的流程。

具体实施步骤如下：

(1)训练集的每条数据由毕业生所选的全部课程、课程对应的教师和成绩组成。设该生所选课程为序列c₁-c₂-c₃...c_n，对应的任课教师为序列t₁-t₂-t₃...t_n，对应的成绩为序列g₁-g₂-g₃...g_n。

(2)基于训练集语料中的课程和任课教师分别训练两颗哈夫曼树。设从根节点到某课程m或某教师m所在的叶子节点，包含的节点总数为l^c _m或l^t _m。课程m或教师m在霍夫曼树中从根节点开始，经过的第i个节点对应的霍夫曼编码为d^cm _i∈{0,1}或d^tm _i∈{0,1}，其中i＝2,3,...,l^c _m或i＝2,3,...,l^t _m。而该节点对应的模型参数表示为θ^cm _i或θ^tm _i,其中i＝1,2,...,l^c _m-1或i＝1,2,...,l^t _m-1

(3)随机初始化所有模型的参数、课程的向量x^c和任课教师的向量x^t

(4)设训练窗口大小为w，用context^c(m)表示课程序列中第m个课程前后各w个的课程集合，用context^t(m)表示教师序列中第m个教师前后各w个的教师集合。对每条输入样本(context^c(m),context^t(m),x^c,x^t,m,g_m)做如下处理：

i)初始化残差e^c＝0，e^t＝0

j)计算

k)采用min-max归一化方法对分数(g_m-g_avgm)进行归一化处理，并作为迭代权重

l)设迭代步长为η^c，对每个j∈(2,l^c _m)，作如下计算：

g^c＝(1-d^cm _j-f^c)η^c

e^c＝e^c+g^cθ^cm _j-1

θ^cm _j-1＝θ^cm _j-1+g^cx^c _m

m)设迭代步长为η^t，对每个j∈(2,l^t _m)，作如下计算：

g^t＝(1-d^tm _j-f^t)η^t

e^t＝e^t+g^tθ^tm _j-1

θ^tm _j-1＝θ^tm _j-1+g^tx^t _m

n)对于context^c(m)中的每个课程向量x^c _i(共2w个)进行更新：

x^c _i`＝x^c _i

o)对于context^t(m)中的每个教师向量x^t _i(共2w个)进行更新：

p)如果收敛，则结束迭代，否则回到步骤(4)继续迭代。

(5)根据训练出的课程向量，找到各个课程之间的相互关系，当新生选出一门感兴趣的课程后，推荐出与之相关的其他课程，即考虑课程间的衔接，又考虑学生对任课教师的喜好。

Claims (1)

1.一种基于分数和任课教师的协同选课推荐方法，包括下列步骤：

步骤1：选取毕业生的全部课程、课程对应的教师和成绩信息，按时序排列并作为输入数据。同时设课程序列为c₁-c₂-c₃...c_n，任课教师序列为t₁-t₂-t₃...t_n，成绩序列为g₁-g₂-g₃...g_n；

步骤2：根据输入数据中课程和任课教师的统计频率，分别构建两颗哈夫曼树，从而确定每门课程和其任课教师的哈夫曼编码，设从根节点到某课程m及其所对应的教师m所在的叶子节点包含的节点总数分别为l^c _m和l^t _m，课程m与教师m在霍夫曼树中从根节点开始，经过的第i个节点对应的霍夫曼编码分别为d^cm _i∈{0,1}和d^tm _i∈{0,1}，对应的模型参数分别表示为θ^cm _i和θ^tm _i；

步骤3：随机初始化所有模型的参数、课程的向量x^c和任课教师的向量x^t；

步骤4：用context^c(m)表示课程序列中第m个课程前后各w个的课程集合，用context^t(m)表示教师序列中第m个教师前后各w个的教师集合，对每条输入样本(context^c(m),context^t(m),x^c,x^t,m,g_m)做如下处理：

a)初始化残差e^c＝0，e^t＝0；

b)计算向量均值

c)采用min-max归一化方法对分数(g_m-g_avgm)进行归一化处理，并作为迭代权重

d)设迭代步长为η^c，对每个j∈(2,l^c _m)，作如下计算：

g^c＝(1-d^cm _j-f^c)η^c

e^c＝e^c+g^cθ^cm _j-1

θ^cm _j-1＝θ^cm _j-1+g^cx^c _m

e)设迭代步长为η^t，对每个j∈(2,l^t _m)，作如下计算：

g^t＝(1-d^tm _j-f^t)η^t

e^t＝e^t+g^tθ^tm _j-1

θ^tm _j-1＝θ^tm _j-1+g^tx^t _m

f)对于context^c(m)中的每个课程向量x^c _i进行更新：

g)对于context^t(m)中的每个教师向量x^t _i进行更新：

h)如果收敛，则结束迭代，否则回到步骤(4)继续迭代；

步骤5：课程向量间的距离越近，说明这两个课程的相似度越大，当新生选出一门感兴趣的课程后，会推荐出与之相关的其他课程，即考虑课程间的衔接，又考虑学生对任课教师的喜好。