一种基于协同过滤推荐算法的教务助手系统的制作方法

本发明涉及一种基于协同过滤推荐算法的教务助手系统，属于数据分析技术领域，主要涉及推荐算法与软件开发技术。

背景技术：

目前，信息技术的高速发展正在革命性地影响和改变着当前的教育。国家教育部早在上世纪90年代末期，提出了建设信息化校园试点工作的构想，但是由于当时的硬件条件较薄弱，计算机软件架构与开发技术还处在比较低水平的层次。随着数据库技术、网络技术的飞速发展，各类网络教育、远程教育的应用环境已经逐渐成熟，各种教育网站、在线学习系统、互联网教学资源共享以及多媒体教学等形式在我国逐步开展。建设基于校园网的综合教务管理系统平台是我国高等学校提高教学管理水平、培养合格人才的根本保证，是高校管理工作的一项核心工程。

现有的综合教务管理系统，只是具体的客观信息的罗列，比如学生选课、就业时，面对众多的课程、就业机会，并不清楚哪些课程、就业方向比较适合自己，综合教务管理系统中也没有合适的推荐，存在学生选课、择业比较盲目的实际问题，这给高校教学管理工作也增加了难度。

随着互联网大数据时代下信息爆炸式的增长，人们逐渐从信息匮乏时代跨越到信息过载时代，信息量的增加也极大地改变了人们的生活方式。在前期，信息过载带来的查询搜集难度有所增加，为了解决这一问题，使用户能够更容易获取有价值的信息，原有的数据检索等传统方式不能满足需求，这时相关的推荐系统应运而生。推荐系统能够在海量的信息中找出用户可能感兴趣的内容推荐给不同的目标用户。推荐系统应用到生活中各个行业及领域，在实际生活中也起到了不可小觑的作用，给用户带来了良好的体验，应用的效率也有明显的提高。

技术实现要素：

本发明要解决的技术问题是提供一种通过个性化推荐技术加强对学生选课、就业的引导，从而为学生提供个性化服务，还可以为高校教学管理工作提供决策支持的教务助手系统。

为了解决上述技术问题，本发明的技术方案是提供一种基于协同过滤推荐算法的教务助手系统，包括学生模块、管理员模块和教师模块，其特征在于：所述学生模块中采用学习就业路线推荐算法，具体流程如下：

步骤1：根据数据库中的学生信息表及选课信息，构建学生特征向量，即学生模型；

步骤2：根据数据库中与课程相关的信息表，构建课程特征向量，即课程模型；

步骤3：根据数据库中与就业相关的信息表，构建就业工作特征向量，即就业工作模型；

步骤4：根据学生模型、课程模型、就业工作模型和选课记录构建学生-课程评分矩阵和学生-工作评分矩阵；

步骤5：依据学生-课程评分矩阵判断课程是否有对应的被选记录；

若无，表示该课程是新添加的课程，对于新添加的课程，采用基于属性值偏好矩阵的协同过滤算法进行新课程推荐；

若有，则采用统计学算法统计课程的选修记录数，选取记录数排名最前面的n个课程存储到推荐排行榜中，作为排行榜课程推荐的数据源，n为提前设定的正整数；

步骤6：基于学生-课程评分矩阵，判断登录的用户是新用户或老用户；若用户有选课信息记录，则为老用户，否则为新用户；对老用户采用基于课程属性和工作属性的协同过滤算法为用户产生推荐，对新用户采用基于用户相似度的协同过滤算法进行最近邻推荐。

优选地，所述学生模型包括个人基本信息和学习的个性特征；从注册信息中获取学习者的基本信息，通过对学习者填写的学习风格测量表分析，得出学习者的学习风格，在与系统的交互过程中得到学习者的学业信息，把基本信息、学习风格和学业信息存储在学生模型中，为推荐引擎提供依据。

优选地，所述课程模型从课程的相关属性来描述课程，包括课程的教学目标、课程内容、课程的授课安排，为推荐引擎提供数据依据。

优选地，推荐引擎依据课程模型和学生模型中的信息，及对课程模型和学生模型进行相似度的计算，分别得出课程和学生的相似邻居或课程与学生的相似性，采用协同过滤推荐算法为学习者提供匹配的课程和工作。

本发明提供的教务助手系统不仅是实现高效教学管理的重要工具之一，而且对加强学生素质教育、培养复合型人才和学生的个性化能力都十分有利。首先，将个性化推荐技术应用到选课就业系统中，提高了课程资源的利用率，避免学生选课、找资料、找工作的随意性、盲目性；其次，它还可以提高学生对个性化学习的重要性的正确认识，个性化的学习推荐系统通过个性化推荐技术可以加强对学生选课、就业的引导，从而为学生提供个性化服务；最后，它还可以为高校教学管理工作提供决策支持。

附图说明

图1为本实施例提供的一种基于协同过滤推荐算法的教务助手系统的结构图；

图2为本实施例提供的一种基于协同过滤推荐算法的教务助手系统的算法流程图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。

图1为本实施例提供的一种基于协同过滤推荐算法的教务助手系统的结构图，所述的基于协同过滤推荐算法的教务助手系统包括了三种角色，分别为教师、学生和教务管理员。当学生登入系统后，可以进行基本信息查询、文件下载、查看校园公告、选课、申请请假和个性化学习课程推荐等操作。当教师登入系统后，可以进行学生管理、成绩录入、文件管理、发布课程和批准请假等操作。当管理员登入系统后，可以进行学生、教师信息录入管理，课程管理、发布公告、班级管理、文件管理等操作。

其中，验证登入模块采用验证token的方式进行登入，用户信息储存在redis数据库中，采用springmvc作为控制层的实现框架，控制层权限分为老师、学生、管理员三种不同的权限。管理员可以开设新课程，对老师、学生的账户进行修改，权限最高。老师可以进行成绩的录入、修改和批准请假。使用mybatis作为持久层框架，减少了代码的冗余，避免了几乎所有的jdbc代码和手动设置参数以及获取结果集。

其中课程推荐算法流程，如图2所示，包括以下步骤：

(1)根据数据库中的学生信息表、工作信息及选课信息，构建学生的特征向量，即学生模型。学生模型包括个人信息和偏好信息两类信息。个人信息记录了学生的基本信息特征，如姓名、性别、专业等。偏好信息记录了学生的选课记录、浏览记录等。同时使用k-means聚类算法首先将所有数据分成不同的k(k为正整数)类簇，分别在不同的类簇中找出最近邻居用户作为推荐对象。

(2)根据数据库中与课程相关的数据表，建立课程特征向量，即课程模型。课程模型从课程的相关属性来描述课程，让学习者从整体上全面的了解每门课程，根据自己的兴趣和需求来选修课程。课程模型包括了课程的教学目标、课程内容、课程的授课安排等。

(3)根据前两步生成的学生模型、课程模型、工作就业模型和选课记录构建学生-课程评分矩阵和学生-就业评分矩阵。

(4)依据学生-课程评分矩阵判断课程是否有对应的被选记录，若无，表示该课程是新添加的课程，若有则采用统计算法统计课程的选修记录数，选取记录数大的前面几个课程存储到推荐课程排行榜数据库中，作为排行榜课程推荐的数据源。对于新添加的课程，采用基于属性值偏好矩阵的新课程推荐。

(5)基于第三步生成学生-课程评分矩阵，判断登录的用户是新用户或老用户，若用户有选课信息记录则为老用户，否则为新用户。对老用户采用基于课程属性的协同过滤算法为用户产生推荐，新用户的推荐采用基于属性值偏好矩阵的最近邻推荐。

不难发现，相比于普通的教务管理系统，本发明采用了协同过滤推荐算法，首先建立了学生模型、课程模型和工作就业模型，通过一种基于协同过滤的推荐算法引擎，对学生进行课程、工作推荐，增加了推荐系统的准确性与抗干扰性，解决了在教务系统中学生选课盲目、找工作困难的实际问题，本发明提出的改进算法具有较高的应用价值和广阔的市场前景。

以上所述，仅为本发明的较佳实施例，并非对本发明任何形式上和实质上的限制，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还将可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。凡熟悉本专业的技术人员，在不脱离本发明的精神和范围的情况下，当可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对上述实施例所作的任何等同变化的更动、修饰与演变，均仍属于本发明的技术方案的范围内。