数据挖掘技术在个性化课程推荐中的应用探析

葛琦��

摘要：隨着现代高等教育的不断改革，教育越来越重视对学生能力的培养，得益于当前计算机技术与互联网技术的发展，基于数据挖掘技术的个性化课程推荐系统在网络教学中越来越受到重视，据此，针对学生的个性化选课推荐系统进行了相关介绍，旨在为现代教育的发展和进步做出一定的探索。

关键词：数据挖掘；高等教育；个性化选课；推荐系统

中图分类号：G4文献标识码：Adoi：10.19311/j.cnki.16723198.2017.32.086

1前言

随着我国教育制度改革的深化推进，越来越多的新制度逐步应用在高等教育中，例如选课制度已经成为了现代高等院校的必备教育教学制度。选课制度可以从某种程度上开放学生的知识接受范围，也能提升现代化高质量人才的培养质量。在保证学生基础知识、行业知识的教学基础上，利用常规基础课、专业课的教学间隙安排相应的拓展性课程能够让学生积累丰富的知识，在选课学习的基础上逐步提升自己的知识水平和文化素养，进而将学生培养为“一专多能”型人才。另外，选课制度也是学分制度的一部分，打破了传统的教学模式，让现代教育有了发展和进步的空间。但是目前我国的选课制度还存在着一些问题，学生在选课时往往与学科、兴趣等的结合并不紧密，对学生培养不宜。故此，笔者利用数据挖掘技术构建了一个选课系统，根据学生的学习成绩、兴趣爱好、学习需求、专业区分等信息进行选课推荐，有效的实现了学生选课的“盲目”向“有据可依”方向转变。

2高等教育选课制度现状分析

选课制度是当前高等教育的重要制度，但是在选课制度推广和普及的过程中恰逢互联网和计算机技术的蓬勃发展年代，所以选课制度与计算机网络的结合也逐步紧密，目前我国绝大多数的高等院校都采用了网络教务的教学平台，所以选课制度的执行手段往往也是利用网络教务系统。受限于传统教育观念和学年制度等问题的影响，目前的高等教育选课制度还存在一些问题。

首先，现行的选课制度对学生个性化发展不利。随着社会的发展，社会对人才的要求也逐步增加，传统的“一专”型人才已经不能够适应现代社会的需求，现代社会更需要的是“一专多能”型人才。但是现行的选课制度往往仅是根据教师情况进行开设，与社会需求、学生个性、专业等结合的不紧密，很多学生在选择课程时往往只能够随意选择，甚至是根据考试难度进行选择。

其次，选课制度流于表面。选课制度真正的意义是实现利用现有的教学资源对学生实现不同学科、不同领域的知识教学，但是现行的选课制度与正常教学甚至会有部分教学时间或者教学场地的冲突，导致学生在选课过程中受到限制。

再次，选课内容难以甄别。目前很多高校的选修课往往是利用学校现有的教师资源进行开设，选修课科目在教务系统中也是以整体数据的形式进行呈现，学生只能看到选修课的名称和任课教师，对选修课的简介、教学内容、教学安排等都不甚了然。所以学生选课也仅仅是随机选择，甚至是选课之后去上课的时候全当是上自习。

最后，选课规律缺乏总结。很多高等院校对选课情况往往只统计选课人数和结业成绩，利用结业成绩作为教学质量的评估，这就造成学校对学生选课情况难以进行准确的把握，对后续的一些选修课开放存在着一定的问题。

3数据挖掘技术与个性化推荐系统介绍

数据挖掘是指在大量的、不完全的信息和数据中进行筛选，提取有价值的规律的一种过程。数据挖掘涉及的学科较为广泛，但是在很多社会行业中应用较多，尤其是在近年来的教育行业中，使用更加广泛。个性化推荐系统是数据挖掘的直观使用表现，上世纪90年代个性化推荐作为一种独立的技术被分离出来，并且迅速的发展，得益于当前网络教务系统的发展，用户的信息更加容易获取。目前个性化推荐中最常用的算法就是协同过滤算法，目前常用的协同过滤算法分为基于项目的协同过滤推荐算法和基于用户的协同过滤推荐算法。

4基于数据挖掘技术的个性化选课推荐系统的构建

本次研究选择一种基于用户的协同过滤算法进行设计，利用该算法与高校的网络教务系统结合，可以提取学生的相关数据并且进行分析，进而对学生推荐与学生发展最为贴切的课程，有效的完善高校个性化选课系统。个性化选课推荐系统基本包括三个部分，第一个部分是评价矩阵，评价矩阵能够对学生的相关信息进行分析，包括学生的专业、学习程度、兴趣爱好、选课记录及教师评价等信息，通过算法计算后获得相应的学生项。第二部分是搜索最近邻居部分，利用相应学生项在评价矩阵中的对比情况进行分析，找出相似度最高的两个项。第三部分是推荐部分，找到相似度最高的两个项之后即可根据相似项进行课程推荐。

4.1评价矩阵的建立

评价矩阵的数据来源为高校网络教务系统的相关数据，包括学生的姓名、性别、年龄、专业、爱好、选课记录、学习程度、教师评价、考试成绩等等信息，然后进行数据的转化和筛选，出去无用信息后形成协同过滤算法需要的学生选课评价矩阵。

协同过滤算法矩阵如表1所示，表中常用Rij的i代表第i个学生，j则代表该学生的第j个评价指标，R则代表评价数值。R的取值范围为[0，5]中的整数，数值大小与评价程度的高低成正比。

4.2搜索最近相似项

建立评价矩阵后即可对学生的相关信息与评价举证中的所有学生进行相似度分析，通过相似度的判断可以确定两个相似性最高的学生，进而形成相似项邻居，具体的相似度算法如下公式所示：

sim（Ua，Ui）=∑y∈Ra∩Ry（Ri，y-Ri）（Ra，y-Ra）∑y∈Ra∩Ry（Ra，y-Ra）2∑y∈Ra∩Ry（Ri，y-Ri）2，

其中sim（Ua，Ui）为待评价学生与矩阵中学生的相似度；y为待评价学生与矩阵中学生的共同评价项目；Ra，y与Ri，y为a学生和i学生对相同项目y的评价值；Ra和Ri为a学生和i学生在该项目的评价平均值。

4.3个性化推荐

相似项确定后即可利用评价结果进行推荐，推荐算法如下公式所示：

Pa，j=Ra+∑sim（a，n）×（Rn，j-Rn）∑sim（u，n）

其中Pa，j为推荐算法计算所得的推荐值；Rn，j为Rn和Ra项目评分的平均值。该推荐算法对评价集中学生数量较多的系统较为适合，鉴于绝大多数高等院校的网络教务系统相关数据已经收集了很多年，数据库容量较大，所以个性化推荐结果相对较为准确。

5结语

本次研究选择的参照的相关数据较为丰富，通过多个项目的评价可以有效的提升待评价学生与评价集学生的相似性准确度。但是在评价集中的学生应当进行适当的筛选，提出一部分选修课学习较为敷衍、成绩较差的学生，进而有效的避免推荐系统的“失误”。高等院校的个性化选课推荐系统使用能够帮助学生推荐适合自己的相关课程，为学生的个性化发展提供有效的学习方式。

参考文献

[1]林莉， LINLi. 关于学分制下选课制度的几点思考[J]. 科教导刊， 2016，（22）：1617.

[2]程红艳. 选课制与学分制：中国基础教育改革的制度创新与实践探索[J]. 南京社会科学， 2016，（4）：127133.

[3]齐婷， 佟国香. 基于改进的混合模式个性化选课推荐技术研究[J]. 电子科技，2016， 29（1）：152155.

[4]张亮， 赵娜. 改进的协同过滤推荐算法[J]. 计算机系统应用， 2016， 25（7）：147150.

[5]赵伟， 林楠， 韩英，等. 一种改进的K-means聚类的协同过滤算法[J]. 安徽大学学报（自科版）， 2016， 40（2）：3236.endprint