CN110069704A - 基于分数和任课教师的协同选课推荐方法 - Google Patents
基于分数和任课教师的协同选课推荐方法 Download PDFInfo
- Publication number
- CN110069704A CN110069704A CN201910223729.8A CN201910223729A CN110069704A CN 110069704 A CN110069704 A CN 110069704A CN 201910223729 A CN201910223729 A CN 201910223729A CN 110069704 A CN110069704 A CN 110069704A
- Authority
- CN
- China
- Prior art keywords
- course
- teacher
- vector
- context
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 9
- 238000001914 filtration Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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...cn,任课教师序列为t1-t2-t3...tn,成绩序列为g1-g2-g3...gn;
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lc m和lt 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dcm i∈{0,1}和dtm i∈{0,1},对应的模型参数分别表示为θcm i和θtm i;
步骤3:随机初始化所有模型的参数、课程的向量xc和任课教师的向量xt;
步骤4:用contextc(m)表示课程序列中第m个课程前后各w个的课程集合,用contextt(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(contextc(m),contextt(m),xc,xt,m,gm)做如下处理:
a)初始化残差ec=0,et=0;
b)计算向量均值
c)采用min-max归一化方法对分数(gm-gavgm)进行归一化处理,并作为迭代权重
d)设迭代步长为ηc,对每个j∈(2,lc m),作如下计算:
gc=(1-dcm j-fc)ηc
ec=ec+gcθcm j-1
θcm j-1=θcm j-1+gcxc m
e)设迭代步长为ηt,对每个j∈(2,lt m),作如下计算:
gt=(1-dtm j-ft)ηt
et=et+gtθtm j-1
θtm j-1=θtm j-1+gtxt m
f)对于contextc(m)中的每个课程向量xc i进行更新:
xc i`=xc i
g)对于contextt(m)中的每个教师向量xt 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...cn,对应的任课教师为序列t1-t2-t3...tn,对应的成绩为序列g1-g2-g3...gn。
(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lc m或lt 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dcm i∈{0,1}或dtm i∈{0,1},其中i=2,3,...,lc m或i=2,3,...,lt m。而该节点对应的模型参数表示为θcm i或θtm i,其中i=1,2,...,lc m-1或i=1,2,...,lt m-1
(3)随机初始化所有模型的参数、课程的向量xc和任课教师的向量xt
(4)设训练窗口大小为w,用contextc(m)表示课程序列中第m个课程前后各w个的课程集合,用contextt(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(contextc(m),contextt(m),xc,xt,m,gm)做如下处理:
i)初始化残差ec=0,et=0
j)计算
k)采用min-max归一化方法对分数(gm-gavgm)进行归一化处理,并作为迭代权重
l)设迭代步长为ηc,对每个j∈(2,lc m),作如下计算:
gc=(1-dcm j-fc)ηc
ec=ec+gcθcm j-1
θcm j-1=θcm j-1+gcxc m
m)设迭代步长为ηt,对每个j∈(2,lt m),作如下计算:
gt=(1-dtm j-ft)ηt
et=et+gtθtm j-1
θtm j-1=θtm j-1+gtxt m
n)对于contextc(m)中的每个课程向量xc i(共2w个)进行更新:
xc i`=xc i
o)对于contextt(m)中的每个教师向量xt 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...cn,任课教师序列为t1-t2-t3...tn,成绩序列为g1-g2-g3...gn;
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lc m和lt 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dcm i∈{0,1}和dtm i∈{0,1},对应的模型参数分别表示为θcm i和θtm i;
步骤3:随机初始化所有模型的参数、课程的向量xc和任课教师的向量xt;
步骤4:用contextc(m)表示课程序列中第m个课程前后各w个的课程集合,用contextt(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(contextc(m),contextt(m),xc,xt,m,gm)做如下处理:
a)初始化残差ec=0,et=0;
b)计算向量均值
c)采用min-max归一化方法对分数(gm-gavgm)进行归一化处理,并作为迭代权重
d)设迭代步长为ηc,对每个j∈(2,lc m),作如下计算:
gc=(1-dcm j-fc)ηc
ec=ec+gcθcm j-1
θcm j-1=θcm j-1+gcxc m
e)设迭代步长为ηt,对每个j∈(2,lt m),作如下计算:
gt=(1-dtm j-ft)ηt
et=et+gtθtm j-1
θtm j-1=θtm j-1+gtxt m
f)对于contextc(m)中的每个课程向量xc i进行更新:
g)对于contextt(m)中的每个教师向量xt 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910223729.8A CN110069704B (zh) | 2019-03-22 | 2019-03-22 | 基于分数和任课教师的协同选课推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910223729.8A CN110069704B (zh) | 2019-03-22 | 2019-03-22 | 基于分数和任课教师的协同选课推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110069704A true CN110069704A (zh) | 2019-07-30 |
CN110069704B CN110069704B (zh) | 2021-05-18 |
Family
ID=67366524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910223729.8A Expired - Fee Related CN110069704B (zh) | 2019-03-22 | 2019-03-22 | 基于分数和任课教师的协同选课推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110069704B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903203A (zh) * | 2014-03-21 | 2014-07-02 | 沈阳化工大学 | 学生选课系统 |
CN104008515A (zh) * | 2014-06-04 | 2014-08-27 | 江苏金智教育信息技术有限公司 | 一种智能选课推荐的方法 |
CN104834705A (zh) * | 2015-04-30 | 2015-08-12 | 周佳盛 | 一种课程推荐方法及系统 |
US9235868B2 (en) * | 2002-07-13 | 2016-01-12 | Cricket Media, Inc. | Method and system for interactive, multi-user electronic data transmission in a multi-level monitored and filtered system |
CN107274020A (zh) * | 2017-06-15 | 2017-10-20 | 北京师范大学 | 一种基于协同过滤思想的学习者学科总测成绩预测系统及方法 |
CN108734412A (zh) * | 2018-05-28 | 2018-11-02 | 深圳市鹰硕技术有限公司 | 基于教学成绩的排课方法以及装置 |
-
2019
- 2019-03-22 CN CN201910223729.8A patent/CN110069704B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9235868B2 (en) * | 2002-07-13 | 2016-01-12 | Cricket Media, Inc. | Method and system for interactive, multi-user electronic data transmission in a multi-level monitored and filtered system |
CN103903203A (zh) * | 2014-03-21 | 2014-07-02 | 沈阳化工大学 | 学生选课系统 |
CN104008515A (zh) * | 2014-06-04 | 2014-08-27 | 江苏金智教育信息技术有限公司 | 一种智能选课推荐的方法 |
CN104834705A (zh) * | 2015-04-30 | 2015-08-12 | 周佳盛 | 一种课程推荐方法及系统 |
CN107274020A (zh) * | 2017-06-15 | 2017-10-20 | 北京师范大学 | 一种基于协同过滤思想的学习者学科总测成绩预测系统及方法 |
CN108734412A (zh) * | 2018-05-28 | 2018-11-02 | 深圳市鹰硕技术有限公司 | 基于教学成绩的排课方法以及装置 |
Non-Patent Citations (2)
Title |
---|
SURABHI DWIVEDI: "Recommender System for Big Data in Education", 《IEEE》 * |
孙彦超: "基于协同过滤的个性化选课模式研究与实践", 《北京信息科技大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110069704B (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516085A (zh) | 基于双向注意力的图像文本互检索方法 | |
CN109598995A (zh) | 基于贝叶斯知识跟踪模型的智能教学系统 | |
CN106127634B (zh) | 一种基于朴素贝叶斯模型的学生学业成绩预测方法及系统 | |
CN109299380A (zh) | 在线教育平台中基于多维特征的习题个性化推荐方法 | |
CN108776942A (zh) | 一种走班选科的方法及系统 | |
CN108509517B (zh) | 一种面向实时新闻内容的流式话题演化跟踪方法 | |
CN106960245A (zh) | 一种基于认知过程链的个体知识评价方法及系统 | |
CN111831905A (zh) | 基于团队科研影响力及可持续性建模的推荐方法和装置 | |
CN109754349A (zh) | 一种在线教育智能师生匹配系统 | |
CN114429212A (zh) | 智能学习知识能力跟踪方法、电子设备及存储介质 | |
CN114201684A (zh) | 一种基于知识图谱的自适应学习资源推荐方法及系统 | |
CN114049240A (zh) | 基于学生在线学习数据智能推荐题目及学习路径的方法 | |
CN116361697A (zh) | 一种基于异构图神经网络模型的学习者学习状态预测方法 | |
Ganeshan et al. | An intelligent student advising system using collaborative filtering | |
CN104572915B (zh) | 一种基于内容环境增强的用户事件相关度计算方法 | |
Tu et al. | A polytomous model of cognitive diagnostic assessment for graded data | |
CN108763459B (zh) | 基于心理测试及dnn算法的专业倾向分析方法及系统 | |
CN110188958A (zh) | 一种高考志愿智能填报预测推荐的方法 | |
CN110069704A (zh) | 基于分数和任课教师的协同选课推荐方法 | |
Yingzhuo et al. | Comprehensive evaluation model of elective subjects’ performance in the college entrance examination based on entropy weight TOPSIS | |
Bajaj et al. | Classification of student affective states in online learning using neural networks | |
Gu et al. | Cluster analysis on the teaching evaluation data from college students | |
Wang et al. | Mining multi-source campus data: an empirical analysis of student portrait using clustering method | |
Lee et al. | Prescribing deep attentive score prediction attracts improved student engagement | |
Liu | Exploring the blended learning model of music teaching skills for teacher trainees based on teacher training professional certification in the context of big data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210518 |
|
CF01 | Termination of patent right due to non-payment of annual fee |