CN116127196A - 一种基于人工智能的高校选课推荐系统 - Google Patents

一种基于人工智能的高校选课推荐系统 Download PDF

Info

Publication number
CN116127196A
CN116127196A CN202310126288.6A CN202310126288A CN116127196A CN 116127196 A CN116127196 A CN 116127196A CN 202310126288 A CN202310126288 A CN 202310126288A CN 116127196 A CN116127196 A CN 116127196A
Authority
CN
China
Prior art keywords
selection
learning
preference
course
courses
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.)
Pending
Application number
CN202310126288.6A
Other languages
English (en)
Inventor
张协尧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Xucan Information Technology Co ltd
Original Assignee
Shanghai Xucan Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Xucan Information Technology Co ltd filed Critical Shanghai Xucan Information Technology Co ltd
Priority to CN202310126288.6A priority Critical patent/CN116127196A/zh
Publication of CN116127196A publication Critical patent/CN116127196A/zh
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Information Transfer Between Computers (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明公开了一种基于人工智能的高校选课推荐系统，涉及选课推荐技术领域，本发明是通过采集学生选课信息并结合匹配特征信息进行匹配来生成历史标签信息，通过大量的历史标签信息进行分析判定生成偏好动态值，通过偏好动态值分析构建第一选课推荐集合、第二选课推荐集合和第三选课推荐集合，通过提取第一选课推荐集合中偏好动态值排序前三的课程进行页面置顶滚动，当学生注册登录时自动匹配本专业学生，对其进行专业偏好推荐，从而增强同专业学生偏好的关联性，还通过第二选课推荐集合和第三选课推荐集合匹配体系和本年级的推荐情况来关联同专业人士的非本专业偏好。

Description

一种基于人工智能的高校选课推荐系统
技术领域
本发明涉及高校选课推荐技术领域，尤其涉及一种基于人工智能的高校选课推荐系统。
背景技术
随着国内高校校园网的建设，基于互联网的应用系统的开发正在蓬勃发展并发挥着巨大的作用，例如我国许多高校的网上招生系统、学校的各种管理信息系统、学校选课系统，甚至是一些医学院校开发出的网上诊所、远程诊断系统等，都是基于校园网的应用系统，而在高等学校现有技术中的选课系统里，课程分为通识教育课、公共基础课、专业基础课和专业课等，其推荐通常是采用学生考试结束后以打分的形式对课程进行推荐或者评分，无法通过学生自主选课信息对同专业、同年级的学生进行针对性的课程智能匹配推荐，另一方面对非本专业的课程进行同步推荐，造成推荐智能化程度较低的问题；
针对上述的技术缺陷，现提出一种解决方案。
发明内容
本发明的目的在于：一方面对同专业、同年级的学生进行课程智能匹配推荐，另一方面对非本专业的课程进行同步推荐。
为了实现上述目的，本发明采用了如下技术方案：
一种基于人工智能的高校选课推荐系统，包括可视化窗口和选课推荐平台，可视化窗口和选课推荐平台基于互联网进行信号连接，且可视化窗口包括注册登录单元和采集发送单元；
注册登录单元用于学生通过可视化窗口提交学生信息进行注册，且将注册成功的时刻标记为注册时间，并将注册成功的学生信息发送到选课推荐平台进行储存；其中学生信息包括学生姓名、年龄、身份证号、手机号、年级、所属系和专业；且将年级和专业标记为匹配特征信息；采集发送单元用于采集学生选课信息并将其发送给选课推荐平台进行储存；
选课推荐平台用于接收学生选课信息并将其信息与学生信息进行匹配生成历史标签信息，且将匹配特征信息相同的历史标签信息储存到同区域并对其进行打包生成对应的待分析数据包，对待分析数据包内数据进行分析判定生成偏好动态值，通过偏好动态值分析构建选课推荐集合，还将选课推荐集合发送到可视化窗口将对应课程进行实时刷新显示。
进一步，偏好动态值分析判定生成的具体步骤如下：
获取待分析数据包的储存数据量和或储存时间，当待分析数据包的储存数据量和储存时间任一数据大于等于与之对应的预设限定值时，则将待分析数据包进行解压，再提取课程的选择数量并剔除选择数量小于预设数量的课程，且将剔除后课程的选择数量标记为剩余课程的选择数量Qi，则i的取值范围为1、2、3、…n，n为正整数，且Q1、Q2、…Qn分别对应剩余课程选择数量；则通过公式计算出剩余课程的选择均量和剩余课程的选择标准差，再根据选择标准差和选择均量的比值得到偏好分散值；再将偏好分散值分别和与之对应的剩余课程的选择数量进行相乘得到各课程的中间值，再实时提取最近预设时间段内的若干实时中间值并对其进行平均计算得到偏好动态值。
进一步，选课推荐集合的分析构建过程包括：
提取同专业下课程的偏好动态值，再将偏好动态值进行从大到小排列，并通过偏好动态值将对应的课程进行排序生成第一选课推荐集合；
获取所属系下的多个优先选课推荐集合，提取排序分别对应的赋权参数一，并将赋权参数一分别和与之排序对应的偏好动态值相乘，再将多个相乘的结果进行平均生成多个第一偏好均值，且将第一偏好均值进行排序，还通过排序后的第一偏好均值并结合对应课程形成第二选课推荐集合；
获取全部的优先选课推荐集合，提取排序分别对应的赋权参数二，并将赋权参数二分别和与之排序对应的偏好动态值相乘，再将多个相乘的结果进行平均生成多个第二偏好均值，且将第二偏好均值进行排序，还通过排序后的第二偏好均值并结合对应课程形成第三选课推荐集合。
进一步，选课推荐平台信号连接有学习采集单元和整合反馈单元，且反馈监控单元信号连接有划分调整单元；
在学生通过可视化窗口进行课程选择学习的过程中，学习采集单元用于采集预设时间内学生学习课程过程中的视觉学习图像和整个课程学习过程中的学习信息，且将学生学习课程过程中的视觉学习图像和整个课程学习过程中的学习信息发送给反馈监控单元；
整合反馈单元用于接收预设时间内视觉学习图像进行分析处理生成视觉反馈因子，通过视觉反馈因子判定生成学习提醒信号，当生成学习提醒信号后编辑学习提醒文本，且将学习提醒文本发送到可视化窗口界面进行置顶滚动；
还获取整个课程学习周期过程中视觉反馈因子并对其进行平均化得到的反馈均值，再将学习信息内数据和反馈均值进行归一化结合生成课程的能力校正值，再将课程的能力校正值和与之对应的偏好动态值分别和权重参数二进行相乘，再将相乘的结果进行相加得到新的偏好动态值，并通过新的偏好动态值进行从大到小的排序并刷新选课推荐集合内对应课程的顺序。
进一步，视觉反馈因子的具体生成过程如下：
提取视觉学习图像内学生的头部轮廓图，再将可视化窗口的中轴线标记为聚焦直线，将聚焦直线的中点标记为聚焦点，以头部轮廓图中两个眼睛之间的中点为动态点，以聚焦直线构建与其垂直的直线，且垂直直线设于聚焦点处，以垂直直线为基础做动态点的平行线，且以聚焦点为起点进行延伸和平行线进行垂直相交形成相交点，将聚焦点、动态点和相交点进行首尾相连形成虚拟视角三角形，采集虚拟视角三角形中聚焦点和动态点连接直线与平行线的角度，并将角度的绝对值记作虚拟视角，再获取聚焦点和动态点之间的距离并将标记为虚拟距离，且将虚拟视角和虚拟距离和权重参数一进行相乘后，将相乘的结果进行相加得到视觉反馈因子，当视觉反馈因子大于预设反馈值时，则生成学习提醒信号；还将生成的视觉反馈因子进行储存；当视觉反馈因子小于预设反馈值时，则不生成学习提醒信号。
进一步，推荐校正值的归一化结合具体过程如下：
获取整个课程学习周期过程中视觉反馈因子并对其进行平均化得到的反馈均值；再通过学习信息构建完课分数矩阵；且获取待分析学生和矩阵学生的匹配度，且提取本专业不同课程的匹配度后进行平均得到匹配均值，反馈均值和匹配均值进行归一化处理得到课程的能力校正值。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
(1)本发明是通过学生注册储存学生信息，且将学生信息内年级和专业标记为匹配特征信息，还用于采集学生选课信息并结合匹配特征信息进行匹配并生成历史标签信息，通过大量的历史标签信息进行分析判定生成偏好动态值，通过偏好动态值分析构建第一选课推荐集合、第二选课推荐集合和第三选课推荐集合，通过提取第一选课推荐集合中偏好动态值排序前三的课程进行页面置顶滚动，当学生注册登录时自动匹配本专业学生，对其进行专业偏好推荐，以增强同专业学生偏好的关联性；还通过第二选课推荐集合和第三选课推荐集合匹配体系和本年级的推荐情况来关联同专业人士的非本专业偏好，将专业性和学生偏好结合推荐，更加的专业化和智能化，一方面对同专业、同年级的学生进行课程智能匹配推荐，另一方面对非本专业的课程进行同步推荐，提高推荐的智能性；
(2)本发明还通过采集预设时间内学生学习课程过程中的视觉学习图像和整个课程学习过程中的学习信息，通过分析处理视觉学习图像生成视觉反馈因子，通过视觉反馈因子判定生成学习提醒信号，当生成学习提醒信号后编辑学习提醒文本，并将学习提醒文本发送到可视化窗口界面进行置顶滚动，以对学生进行提醒，提醒其注意集中注意力；还将学习信息和反馈均值进行归一化结合生成课程的能力校正值，再将课程的能力校正值和与之对应的偏好动态值结合生成新的偏好动态值，并通过新的偏好动态值进行从大到小的排序并刷新选课推荐集合内对应课程的顺序，对课程推荐进行进一步的完善；一方面实现对学生学习过程中的集中注意力提醒，另一方面将学生学习能力与学生偏好课程结合量化，提高选课推荐的精准度，避免学生盲目选课，从而进一步提高本系统的智能性。
附图说明
图1示出了本发明的第一结构流程框图；
图2示出了本发明的第二结构流程框图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1：
如图1所示，一种基于人工智能的高校选课推荐系统，包括可视化窗口和选课推荐平台，可视化窗口和选课推荐平台基于互联网进行信号连接，且可视化窗口包括注册登录单元和采集发送单元；
注册登录单元用于学生通过可视化窗口提交学生信息进行注册，且将注册成功的时刻标记为注册时间，并将注册成功的学生信息发送到选课推荐平台进行储存；其中的学生信息包括学生姓名、年龄、身份证号、手机号、年级、所属系和专业，且将年级和专业标记为匹配特征信息，采集发送单元用于采集学生选课信息并将其发送给选课推荐平台进行储存，则通过匹配特征信息将相同专业、相同年级的学生进行归类，保证后续推荐课程量化的基准；
选课推荐平台用于接收学生选课信息并将其信息与学生信息进行匹配生成历史标签信息，且将匹配特征信息相同的历史标签信息储存到同区域并对其进行打包生成对应的待分析数据包；
获取待分析数据包的储存数据量和或储存时间，储存数据量的单位通常为储存计量单位，通常为kb或mb表示，储存时间则为累积时间；
当待分析数据包的储存数据量和储存时间任一数据大于等于与之对应的预设限定值时，则将待分析数据包进行解压，当课程较少时，其储存时间达到要求，也可以进行后续的量化，对应专业人数较少的学生；
再提取课程的选择数量并剔除选择数量小于预设数量的课程，且将剔除后课程的选择数量标记为剩余课程的选择数量Qi，则i的取值范围为1、2、3、…n，n为正整数，且Q1、Q2、…Qn分别对应剩余课程选择数量；
则通过公式计算出剩余课程的选择均量和剩余课程的选择标准差，再根据选择标准差和选择均量的比值得到偏好分散值，再将偏好分散值分别和与之对应的剩余课程的选择数量进行相乘得到各课程的中间值，再实时提取最近预设时间段内的若干实时中间值并对其进行平均计算得到偏好动态值；
再提取同专业下课程的偏好动态值，再将偏好动态值进行从大到小排列，并通过偏好动态值将对应的课程进行排序生成第一选课推荐集合；
获取所属系下的多个优先选课推荐集合，提取排序分别对应的赋权参数一，并将赋权参数一分别和与之排序对应的偏好动态值相乘，再将多个相乘的结果进行平均生成多个第一偏好均值，且将第一偏好均值进行排序，还通过排序后的第一偏好均值并结合对应课程形成第二选课推荐集合；
获取全部的优先选课推荐集合，提取排序分别对应的赋权参数二，并将赋权参数二分别和与之排序对应的偏好动态值相乘，再将多个相乘的结果进行平均生成多个第二偏好均值，且将第二偏好均值进行排序，还通过排序后的第二偏好均值并结合对应课程形成第三选课推荐集合，还将第一选课推荐集合、第二选课推荐集合和第三选课推荐集合发送到可视化窗口进行实时刷新显示，实现推荐课程的可视化，其中的赋权参数为排序位置对应的恒定值，排序越高赋权参数越大，且同类的赋权参数相减为1；
综合上述技术方案，本发明是通过学生注册储存学生信息，且将学生信息内年级和专业标记为匹配特征信息，还用于采集学生选课信息并结合匹配特征信息进行匹配并生成历史标签信息，通过大量的历史标签信息进行分析判定生成偏好动态值，通过偏好动态值分析构建第一选课推荐集合、第二选课推荐集合和第三选课推荐集合，通过提取第一选课推荐集合中偏好动态值排序前三的课程进行页面置顶滚动，当学生注册登录时自动匹配本专业学生，对其进行专业偏好推荐，从而增强同专业学生偏好的关联性；还通过第二选课推荐集合和第三选课推荐集合匹配体系和本年级的推荐情况来关联同专业人士的非本专业偏好，将专业性和学生偏好结合推荐，更加的专业化和智能化，一方面对同专业、同年级的学生进行课程智能匹配推荐，另一方面对非本专业的课程进行同步推荐。
实施例2：
如图2所示，选课推荐平台信号连接有学习采集单元和整合反馈单元，且反馈监控单元信号连接有划分调整单元；
在学生通过可视化窗口进行课程选择学习的过程中，学习采集单元用于采集预设时间内学生学习课程过程中的视觉学习图像和整个课程学习过程中的学习信息，且将学生学习课程过程中的视觉学习图像和整个课程学习过程中的学习信息发送给反馈监控单元；学习信息为学生完课分数、学生完课时间等；学生完课分数为0-100，通过学生完课分数为0-100表示本专业选择课程后的完成能力；
整合反馈单元用于接收预设时间内视觉学习图像，再提取视觉学习图像内学生的头部轮廓图，再将可视化窗口的中轴线标记为聚焦直线，将聚焦直线的中点标记为聚焦点，以头部轮廓图中两个眼睛之间的中点为动态点，以聚焦直线构建与其垂直的直线，且垂直直线设于聚焦点处，以垂直直线为基础做动态点的平行线，且以聚焦点为起点进行延伸和平行线进行垂直相交形成相交点，将聚焦点、动态点和相交点进行首尾相连形成虚拟视角三角形，采集虚拟视角三角形中聚焦点和动态点连接直线与平行线的角度，并将角度的绝对值记作虚拟视角，再获取聚焦点和动态点之间的距离并将标记为虚拟距离，且将虚拟视角和虚拟距离和权重参数一进行相乘后，将相乘的结果进行相加得到视觉反馈因子，当视觉反馈因子大于预设反馈值时，则生成学习提醒信号；
还将生成的视觉反馈因子进行储存；当视觉反馈因子小于预设反馈值时，则不生成学习提醒信号，通过视觉反馈因子判定生成学习提醒信号，当生成学习提醒信号后编辑学习提醒文本，且将学习提醒文本发送到可视化窗口界面进行置顶滚动，视觉反馈因子越小，表示学生注意力越集中；
再获取整个课程学习周期过程中视觉反馈因子并对其进行平均化得到的反馈均值，将其标记为Q；
提取学习信息中学生完课分数，且将同专业的学生等分并标记为坐标(i，n)，再通过上述信息构建学生完课分数矩阵，学生完课时长矩阵具体如下：
Figure BDA0004082289950000091
上述矩阵中Rij中的i代表的是第i名学生，j代表的是第j个课程，R代表的是学生完课分数，R的取值区间为[0，100]，分值越大、能力越高，反之亦然；再经公式
Figure BDA0004082289950000092
上述公式中，sim(Ua，Ui)表示待分析学生和矩阵学生的匹配度，y表示两者共同学习过的课程项目，Ra，y和Ri，y分别表示a学生和i学生对y课程的学生完课分数，Ra和Ri分别表示学生完课分数的平均分，即通过匹配度判断学生完课的能力相似度，匹配度越大则课程选择匹配完课能力结果更优；
且提取本专业不同课程的匹配度后进行平均得到匹配均值，并将其标记为W，再经归一化公式：
Figure BDA0004082289950000101
得到课程的能力校正值A；e1、e2、e3和e4均为修正因子，修正因子使计算的模拟结果更加的接近真实值；其中e1+e2+e3+e4＝9.12，且e2＞e4＞e3＞e1；
再将课程的能力校正值和与之对应的偏好动态值分别和权重参数二进行相乘，再将相乘的结果进行相加得到新的偏好动态值，并通过新的偏好动态值进行从大到小的排序并刷新选课推荐集合内对应课程的顺序；
综合上述技术方案：本发明还通过采集预设时间内学生学习课程过程中的视觉学习图像和整个课程学习过程中的学习信息，通过分析处理视觉学习图像生成视觉反馈因子，通过视觉反馈因子判定生成学习提醒信号，当生成学习提醒信号后编辑学习提醒文本，并将学习提醒文本发送到可视化窗口界面进行置顶滚动，以对学生进行提醒，提醒其注意集中注意力；还将学习信息和反馈均值进行归一化结合生成课程的能力校正值，再将课程的能力校正值和与之对应的偏好动态值结合生成新的偏好动态值，并通过新的偏好动态值进行从大到小的排序并刷新选课推荐集合内对应课程的顺序，对课程推荐进行进一步的完善；一方面实现对学生学习过程中的集中注意力提醒，另一方面将学生学习能力与学生偏好课程结合量化，提高选课推荐的精准度，避免学生盲目选课，从而进一步提高本系统的智能性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于人工智能的高校选课推荐系统，其特征在于，包括可视化窗口和选课推荐平台，可视化窗口和选课推荐平台基于互联网进行信号连接，且可视化窗口包括注册登录单元和采集发送单元；
注册登录单元用于学生通过可视化窗口提交学生信息进行注册，且将注册成功的时刻标记为注册时间，并将注册成功的学生信息发送到选课推荐平台进行储存；其中的学生信息包括学生姓名、年龄、身份证号、手机号、年级、所属系和专业，且将年级和专业标记为匹配特征信息，采集发送单元用于采集学生选课信息并将其发送给选课推荐平台进行储存；
选课推荐平台用于接收学生选课信息并将其信息与学生信息进行匹配生成历史标签信息，且将匹配特征信息相同的历史标签信息储存到同区域并对其进行打包生成对应的待分析数据包，对待分析数据包内数据进行分析判定生成偏好动态值，通过偏好动态值分析构建选课推荐集合，还将选课推荐集合发送到可视化窗口将对应课程进行实时刷新显示。
2.根据权利要求1所述的一种基于人工智能的高校选课推荐系统，其特征在于，偏好动态值分析判定生成的具体步骤如下：
获取待分析数据包的储存数据量和或储存时间，当待分析数据包的储存数据量和储存时间任一数据大于等于与之对应的预设限定值时，则将待分析数据包进行解压，再提取课程的选择数量并剔除选择数量小于预设数量的课程，且将剔除后课程的选择数量标记为剩余课程的选择数量Qi，则i的取值范围为1、2、3、…n，n为正整数，且Q1、Q2、…Qn分别对应剩余课程选择数量；
则通过公式计算出剩余课程的选择均量和剩余课程的选择标准差，再根据选择标准差和选择均量的比值得到偏好分散值；再将偏好分散值分别和与之对应的剩余课程的选择数量进行相乘得到各课程的中间值，再实时提取最近预设时间段内的若干实时中间值并对其进行平均计算得到偏好动态值。
3.根据权利要求2所述的一种基于人工智能的高校选课推荐系统，其特征在于，选课推荐集合的分析构建过程包括：
提取同专业下课程的偏好动态值，再将偏好动态值进行从大到小排列，并通过偏好动态值将对应的课程进行排序生成第一选课推荐集合；
获取所属系下的多个优先选课推荐集合，提取排序分别对应的赋权参数一，并将赋权参数一分别和与之排序对应的偏好动态值相乘，再将多个相乘的结果进行平均生成多个第一偏好均值，且将第一偏好均值进行排序，还通过排序后的第一偏好均值并结合对应课程形成第二选课推荐集合；
获取全部的优先选课推荐集合，提取排序分别对应的赋权参数二，并将赋权参数二分别和与之排序对应的偏好动态值相乘，再将多个相乘的结果进行平均生成多个第二偏好均值，且将第二偏好均值进行排序，还通过排序后的第二偏好均值并结合对应课程形成第三选课推荐集合。
4.根据权利要求1所述的一种基于人工智能的高校选课推荐系统，其特征在于，选课推荐平台信号连接有学习采集单元和整合反馈单元，且反馈监控单元信号连接有划分调整单元；
在学生通过可视化窗口进行课程选择学习的过程中，学习采集单元用于采集预设时间内学生学习课程过程中的视觉学习图像和整个课程学习过程中的学习信息，且将学生学习课程过程中的视觉学习图像和整个课程学习过程中的学习信息发送给反馈监控单元；
整合反馈单元用于接收预设时间内视觉学习图像进行分析处理生成视觉反馈因子，通过视觉反馈因子判定生成学习提醒信号，当生成学习提醒信号后编辑学习提醒文本，且将学习提醒文本发送到可视化窗口界面进行置顶滚动；
还获取整个课程学习周期过程中视觉反馈因子并对其进行平均化得到的反馈均值，再将学习信息内数据和反馈均值进行归一化结合生成课程的能力校正值，再将课程的能力校正值和与之对应的偏好动态值分别和权重参数二进行相乘，再将相乘的结果进行相加得到新的偏好动态值，并通过新的偏好动态值进行从大到小的排序并刷新选课推荐集合内对应课程的顺序。
5.根据权利要求1所述的一种基于人工智能的高校选课推荐系统，其特征在于，视觉反馈因子的具体生成过程如下：
提取视觉学习图像内学生的头部轮廓图，再将可视化窗口的中轴线标记为聚焦直线，将聚焦直线的中点标记为聚焦点，以头部轮廓图中两个眼睛之间的中点为动态点，以聚焦直线构建与其垂直的直线，且垂直直线设于聚焦点处，以垂直直线为基础做动态点的平行线，且以聚焦点为起点进行延伸和平行线进行垂直相交形成相交点，将聚焦点、动态点和相交点进行首尾相连形成虚拟视角三角形，采集虚拟视角三角形中聚焦点和动态点连接直线与平行线的角度，并将角度的绝对值记作虚拟视角，再获取聚焦点和动态点之间的距离并将标记为虚拟距离，且将虚拟视角和虚拟距离和权重参数一进行相乘后，将相乘的结果进行相加得到视觉反馈因子，当视觉反馈因子大于预设反馈值时，则生成学习提醒信号；还将生成的视觉反馈因子进行储存；当视觉反馈因子小于预设反馈值时，则不生成学习提醒信号。
6.根据权利要求1所述的一种基于人工智能的高校选课推荐系统，其特征在于，推荐校正值的归一化结合具体过程如下：
获取整个课程学习周期过程中视觉反馈因子并对其进行平均化得到的反馈均值；再通过学习信息构建完课分数矩阵；且获取待分析学生和矩阵学生的匹配度，且提取本专业不同课程的匹配度后进行平均得到匹配均值，反馈均值和匹配均值进行归一化处理得到课程的能力校正值。
CN202310126288.6A 2023-02-16 2023-02-16 一种基于人工智能的高校选课推荐系统 Pending CN116127196A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310126288.6A CN116127196A (zh) 2023-02-16 2023-02-16 一种基于人工智能的高校选课推荐系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310126288.6A CN116127196A (zh) 2023-02-16 2023-02-16 一种基于人工智能的高校选课推荐系统

Publications (1)

Publication Number Publication Date
CN116127196A true CN116127196A (zh) 2023-05-16

Family

ID=86297188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310126288.6A Pending CN116127196A (zh) 2023-02-16 2023-02-16 一种基于人工智能的高校选课推荐系统

Country Status (1)

Country Link
CN (1) CN116127196A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117172427A (zh) * 2023-11-01 2023-12-05 湖南强智科技发展有限公司 一种辅助高校学生选择课堂的方法、系统、设备及介质
CN117726485A (zh) * 2024-02-08 2024-03-19 湖南湘洋数字科技有限公司 一种基于大数据的智适应教育学习方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117172427A (zh) * 2023-11-01 2023-12-05 湖南强智科技发展有限公司 一种辅助高校学生选择课堂的方法、系统、设备及介质
CN117172427B (zh) * 2023-11-01 2024-03-15 湖南强智科技发展有限公司 一种辅助高校学生选择课堂的方法、系统、设备及介质
CN117726485A (zh) * 2024-02-08 2024-03-19 湖南湘洋数字科技有限公司 一种基于大数据的智适应教育学习方法及系统
CN117726485B (zh) * 2024-02-08 2024-05-10 湖南湘洋数字科技有限公司 一种基于大数据的智适应教育学习方法及系统

Similar Documents

Publication Publication Date Title
CN116127196A (zh) 一种基于人工智能的高校选课推荐系统
CN109118091B (zh) 一种艺术素质测评系统
Dunteman Race and Sex Differences in College Science Program Participation.
CN111915148B (zh) 一种基于信息技术的课堂教学评价方法和系统
CN109685692A (zh) 一种多维度学生学习行为的无感采集及分析系统
CN112862639B (zh) 一种基于大数据分析的在线教育平台的教育方法
JP3883795B2 (ja) 受講講習会選定装置、受講講習会選定方法、及び記憶媒体
CN112785205A (zh) 一种基于教育大数据的智慧教学综合分析系统
CN108765229A (zh) 基于大数据与人工智能的学习表现评价方法和机器人系统
CN107506359B (zh) 试题高阶属性挖掘方法及系统
CN112837190A (zh) 一种基于在线互动培训课堂培训的方法及装置
Macfarlane In search of an identity: lecturer perceptions of the Business Studies first degree
CN111611854A (zh) 一种基于模式识别的课堂情况评价方法
CN110189236A (zh) 基于大数据的学习预警方法
Cobb et al. An organizational behavior analysis of teacher attitudes about teaching high school economics
CN111985793A (zh) 一种学生网上评教方法
CN114971974A (zh) 教学处理方法、装置、设备及介质
CN108596461B (zh) 一种用于培训效果评估的智能系统及方法
CN113065986A (zh) 一种基于智能交互的教育资源生成方法
Liang et al. Research on higher education evaluation system based on AHP-NBM comprehensive evaluation model
CN116109456B (zh) 一种智慧教育综合评价方法、系统、电子设备及存储介质
CN110472147A (zh) 一种基于推荐引擎提供个性化试题的方法及其系统
You et al. Research of teachers background’s effects on ecological and professional competency development
CN110428681B (zh) 一种基于大数据的远程辅助教学系统及方法
CN108776794B (zh) 基于大数据与人工智能的教学效果画像方法和机器人系统

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