一种基于成绩预测的选修课精准推荐方法与流程

本发明涉及课程教育技术领域，具体为一种基于成绩预测的选修课精准推荐方法。

背景技术：

随着社会的进步，人类所产生的知识量也大幅度膨胀，为了适应社会对人才的需求，高等院校纷纷设立各种专业/方向，比如人工智能专业、网络空间安全、数据科学专业等。即使在一个已有专业，伴随着学科在专业领域内的发展，也会不断增设新的课程，比如在计算机应用专业，最近新开设的课程包括区块链技术应用、深度学习及其应用、云计算应用开发等。面对极其丰富的待选课程，如何有针对性的为学生推荐感兴趣的课程是精准教育的一个亟待解决的难题。据不完全统计，每年因为课程兴趣引发各种课程后遗症，比如选修课退课、挂科、甚至由课程压力导致各种心理问题等，占了课程选课人数的高达10％的比例。

现有基于学生课程成绩分析的选修课精准推荐系统研究成果呈现以下特点：1)学科视角单一，缺乏跨学科研究；2)数据收集、整合和分析能力不足，未能将学生选课数据与动态学业成绩有效结合，导致数据割裂、解读片面；3)研究局限于理论层面，研究成果难以转化为实际应用。整体而言，存在系统性不足的问题，未能进行动态化、立体化、全局化的综合探讨，研究偏于平面和孤立，无法精准分析学生潜在问题出现的背后的深层原因。

为了解决上述问题，本发明建立了一个基于成绩预测的选修课精准推荐技术。

技术实现要素：

本发明的目的在于提供一种基于成绩预测的选修课精准推荐方法，以深度学习、多视图分析、协同过滤等人工智能与大数据分析技术为基础，研究建立了基于学生课程成绩分析的选修课精准推送技术。该技术的产业化将有效地推动精准教育理论及其应用的推广，不仅仅有助于降低学校教育资源的浪费、减轻教职员工的教辅负担、提高学生的学业水平，同时也有助于教育产业信息化发展，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于成绩预测的选修课精准推荐方法，包括以下步骤：

s1：根据命名实体识别及结构化文本特征提取的深度学习建立神经网络框架；

s2：从每一门课程教学大纲的结构化描述中提炼出有效刻画该门课程画像特点的表达向量，即课程画像向量；

s3：根据学生所有已修课程的课程画像向量，以课程成绩为权重，通过多视图分析技术，生成一个描述学生课程偏好的学生画像向量；

s4：通过计算学生画像向量和课程画像向量的余弦相似性，并将相似性映射到成绩区间，作为学生在该课程的课程成绩预测结果；

s5：根据学生成绩分布，建立学生成绩分布相似度模型，并基于学生成绩分布相似度模型，用高年级已修该课程的学生成绩情况，预测低年级学生在该课程的成绩；

s6：在得到学生课程成绩精准预测结果之后，在每学期选课系统开放之际，计算每一个学生在每一门选修课的预测成绩，当一门选修课为新开设课程，则通过基于教学大纲深度分析的学生课程成绩精准预测方法预测该学生在这门新开设课程的预测成绩；当一门选修课为曾开设课程，则通过基于学生相似度协同分析的学生课程成绩精准预测方法预测该学生在这门曾开设课程的预测成绩；

s7：按照学生每一门待选修课程的预测成绩，结合必修课排课情况，推荐具有最高预测成绩的若干门选修课供学生选择。

优选的，所述课程教学大纲的结构化描述包括课程性质、先修课程、课程目的、教学方法、基本要求、课程教材、基本内容、考核方式、教学环节和参考书目。

优选的，所述步骤s4中包括基于深度学习的课程画像提取、基于多视图分析的学生画像提取和课程成绩预测结果。

优选的，所述步骤s5中预测低年级学生在该课程的成绩的方式为基于偏置的协同过滤的方式。

优选的，所述基于偏置的协同过滤的方式的公式为：其中：ns，c表示已修了课程c并且与学生s非常相似的高年级学生集合，sim表示两个学生的相似性，rsc表示学生s在课程c的课程成绩，bsc表示学生s在课程c的课程成绩偏置。

优选的，所述基于偏置的协同过滤的方式包括成绩分布相似性和课程成绩。

与现有技术相比，本发明的有益效果是：

1、本发明以人工智能与大数据分析为基础，分别研究建立了基于教学大纲深度分析的学生-课程成绩精准预测模型以及基于学生相似度协同分析的学生-课程成绩精准预测模型；

2、开发基于学生课程成绩分析的精准教育系统，实现复杂结构的课程教学大纲提炼课程画像技术，通过融合一个学生的多门已修课程的课程画像并结合课程成绩，提炼得到该学生的课程画像；

3、基于有效的成绩预测，得到精准的选修课课程推荐技术。

附图说明

图1为本发明基于深度学习的课程画像提取流程图；

图2为本发明基于多视图分析的学生画像提取流程图；

图3为本发明基于教学大纲深度分析的学生-课程成绩精准预测流程图；

图4为本发明基于学生相似度协同分析的学生-课程成绩精准预测技术方案流程图；

图5为本发明学生选修课程精准推荐流程图。

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，以下结合具体实施例，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。

请参阅图1-5，一种基于成绩预测的选修课精准推荐方法，包括以下步骤：

s1：根据命名实体识别及结构化文本特征提取的深度学习建立神经网络框架；

s2：从每一门课程教学大纲的结构化描述中提炼出有效刻画该门课程画像特点的表达向量，即课程画像向量；

s3：根据学生所有已修课程的课程画像向量，以课程成绩为权重，通过多视图分析技术，生成一个描述学生课程偏好的学生画像向量；

s4：通过计算学生画像向量和课程画像向量的余弦相似性，并将相似性映射到成绩区间，作为学生在该课程的课程成绩预测结果；

s5：根据学生成绩分布，建立学生成绩分布相似度模型，并基于学生成绩分布相似度模型，用高年级已修该课程的学生成绩情况，预测低年级学生在该课程的成绩；

s6：在得到学生课程成绩精准预测结果之后，在每学期选课系统开放之际，计算每一个学生在每一门选修课的预测成绩，当一门选修课为新开设课程，则通过基于教学大纲深度分析的学生课程成绩精准预测方法预测该学生在这门新开设课程的预测成绩；当一门选修课为曾开设课程，则通过基于学生相似度协同分析的学生课程成绩精准预测方法预测该学生在这门曾开设课程的预测成绩；

s7：按照学生每一门待选修课程的预测成绩，结合必修课排课情况，推荐具有最高预测成绩的若干门选修课供学生选择。

具体的，所述课程教学大纲的结构化描述包括课程性质、先修课程、课程目的、教学方法、基本要求、课程教材、基本内容、考核方式、教学环节和参考书目。

具体的，所述步骤s4中包括基于深度学习的课程画像提取、基于多视图分析的学生画像提取和课程成绩预测结果。

具体的，所述步骤s5中预测低年级学生在该课程的成绩的方式为基于偏置的协同过滤的方式。

具体的，所述基于偏置的协同过滤的方式的公式为：其中：ns，c表示已修了课程c并且与学生s非常相似的高年级学生集合，sim表示两个学生的相似性，rsc表示学生s在课程c的课程成绩，bsc表示学生s在课程c的课程成绩偏置。

具体的，所述基于偏置的协同过滤的方式包括成绩分布相似性和课程成绩。

综上所述：本发明采用基于深度学习的课程画像提取，基于多视图分析的学生画像提取，基于教学大纲深度分析的学生-课程成绩精准预测，基于学生相似度协同分析的学生课程成绩精准预测的方式，学生选修课程精准推荐的核心是学生-课程成绩精准预测。也就是，通过学生课程成绩精准预测，为学生精准推荐学生感兴趣并能取得相对较好成绩的选修课程。从而，本发明的技术方案是研究建立了基于深度学习、多视图分析、协同过滤的学生-课程成绩精准预测算法，并应用于学生选修课程精准推荐。

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。