数学热本与变用
应用研究
基于数据挖掘的个性化高校选课推荐算法研究
冯克鹏
(宁夏大学新华学院宁夏银川750021)
摘要：通过分新当前高等学校选课机制存在的不足，将数据挖据技水引入学生选课环节，并建立基于协同过滤算法的个性化高校选课推荐系统模型，使得学生能够科学地，并根据自己的所学专业，兴趣、学习程度，选择遗合白己的课程、教师以及学习量，为学生有效地学习和个性发展提供机会
关键词：数据挖据：个性化推荐高校选课
中图分类号：TP311
文献标识码：A
文号：1007-9416(201208-0063-02
Abstract: Through the analysis of the current higher school of the shorteomings of the course selection mechanism, in the student course selection link into the data mining technology,and establish collaborative filtering algorithm based on the individality of the univerity courses system model recommended, allow students to scientifically,and according to your own major interest,learning degree,choose the suitable courses,teachers and leaming quantity,for students to study and personality development to provide opportunity.
Key Words:Data Mining personal recommendation
1、引言
选课制是指允许大学生对学校所开设的课程有一定的选择自由，包括选择课程，任课教师和上课时间，选择适合自已的学习量和学习进程。选课制度的改革实际上是大学教学管理制度改革的一部分，是学分制的核心内容，其设计与实施也与一定的教育理念相联系。1978年中国恢复高考制度，高等教育逐步走人正轨。随着改革开放的深入，教育部大力推进学分制和选课制，首先在部分重点大学试点，并步推广
现在，全国高校已普退实施了选课制，并且随着计算机网络的发展和教育信息化的推进，选课的过程也基本网络化。但是由于深受学年制和传统观念等因素的影响，现行的选课制度还很不完善。同时，选课制在体现新的教学观念和培养高素质创新人才方面的功能，也没有充分发挥出来。原因是多方面的。就目前来看，主要不足表现在三个方面：
首先，目前实施的选课制不利于学生的个性发展。社会对多样化专业人才的需求日益增加，学生入学和就业的自主意识不断增强，高校原来那种整齐划一的培养模式，很难适应社会发展的需要，也不适合学生个体的发展。选课制应该允许学生根据自已的兴趣、爱好、才能、学习程度，选择适合自已的课程、教师以及学习量，为各种个性特征的学生提供最充分的发展机会，
其次，有些学校虽然允许跨年级、跨专业选课，但受传统排课方法、教师资源，教室资源等的影响，学生还是不能自由选修。因上课时间冲突，学生不能实现选课计划是普遇现象。即使上课时闻不冲突，也常常会因选课人数太多、教室资源有限等原因而被删除，选课的自由进一步受到了限制。特别是在扩招的压力下，学校为了解决教师资源的缺乏，加上教室的限制，选课制难以对教师实行优胜劣汰。即使是学生不欢迎的教师，最后也不得不选。
再者，指导选课的工作没有很好的落实，使得学生特别是新生，对拿到手的课本，教学指导书、课程介绍，选课指南不知所措，出现了盲目选课现象。如有些学生不从自身发展的角度考虑，避难就易，
表1协同过滤算法学生选课评价矩阵
Student Student
Stucdent s-Student x
Item:
3 5
2
Ttem: 3 4
4 5
R
Ttem
4 2 3
还有的学生为了负多求快，不管什么课，只要能选的都去选，这种随意性必然影响教学质量的提高，也会偏离实行选课制的初衰"。
因此，就当前存在的问题，在网络化的教育管理环境下，如何利用数据挖掘技术，从大量的历史选课数据中发现隐藏的、有用的知识来指导，改进和完善当前高校的选课机制，成为当今势在必行的重要的研究课题，同时对高校的教学管理改革具有重要实践意义。 2、数据挖掘与个性化推荐系统
数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的，但又是潜在有用的信息和知识的过程。它是一门交叉学科，集成了许多学科中成熟的工具和技术，包括统计学、数据库技术，机器学习、模型识别、人工智能等。数据挖掘技术已经有了很好的应用，例如销售、银行、电信、保险、交通等领域。数据挖掘所能解决的典型商业问题包括：数据库营销、客户群体划分、背录分析、交叉销售等市场分析行为，以及客户流失性分析、客户信用记分、联诈发现等。将数据挖据技术应用于教育中，也是这些技术发展的必然。
个性化推荐是数据挖据中一项非常有用的技术，它是20世纪90 年代被作为一个独立的概念提出来。近些年有了迅速的发展，得益于Web2.0技术的成熟。有了这个技术，用户不再是被动的获取信息，面是成为获取信息这个过程中的主动参与者，它在商业领域大获成功，在一个实际的推荐系统中需要推荐的产品可能会有上万种，甚至更多，例如Amazon，eBay，Youtube等，用户的数目也会非常巨大。准确、高效的推荐系统可以挖掘用户潜在的消费倾向，为众多的用户提供个性化服务3
协同过滤系统是目前应用最为广泛，也是效果最好的个性化推荐系统。协同过滤（CollaborativeFiltering）这个概念由Goldberg 等在1992年提出，并应用于Tapestry系统。目前主要有两类协同过滤推荐算法：基于用户的协同过滤推荐算法和基于项目的协同过滤推荐算法。
3、个性化高校选课推荐系统模型
本文研究工作是运用基于用户的协同过滤算法，建立高等学校学生个性化选课推荐系统，使得学生尽可能地根据自已的兴趣、爱好、才能、学习程度，选择适合自已的课程、教师以及学习量，为各种个性特征的学生提供最充分的发展机会，为改进和完善当前高校的选课机制。
基于用户的协同过滤算法有如下假设：人与人之间存在偏好和兴趣上的相似，人对事物的偏好是具有稳定性的，因此可根据过去
基金项日：宁夏高等学校科学技术研究项日：“基于数据挖据的个性化高校速课推荐系统研究” 作靠简介：遇充鹏（1979～)，男，颈士，主要研究方向为并行处理，高性能计算，数据挖据
63