数据挖掘在选课中的研究.docxVIP

数据挖掘在选课推荐中的研究 摘要：在当代大学教育中，学生选课系统中存在的缺乏个性化课程推荐、选课效率较低的问题，本文针对这个问题结合数据挖掘技术对选课建立了选课推荐系统模型，使得学生在选课中有更多的参考，在一定程度上减少了学生选课的盲目性。 关键词：选课；数据挖掘；推荐系统 中图分类号： TP391 文献标识码： A DOI： 10.3969/j.issn.1003-6970.2016.04.028 引言 随着教育改革的推进选课制度已在高校普及多年，为了 满足学生的个性化需求，根据上课时间、学习兴趣、任课老 师以及学习进程等各方面的需求选择适合自己的课程，课程 的自选使得学生的自由空间更大且学习效率明显提升。选课 制度作为高校教学管理制度改革内容的一部分同时也是学 分制的重要内容，选课制度的设计及实施过程都需结合大学 生教育理念。改革开放的到来更是为教育吹来了春风，教育 体制也突破了传统模式，开始实行选课制和学分制。然而多 数高校在选课制度实施过程中普遍存在课程结构设置不合 理、选课方式不完善、选课指导体系不健全等问题。学生不 能结合自身的专业和兴趣进行选课，选课缺乏目的性和针对 性；选课制度不利于学生的个性发展，也不能为学生以后的 工作带来良好的指导，从而出现了专业与职位不对口的现象。 有鉴于此，本文将数据挖掘中的个性化推荐技术应用于选课 系统中，根据学生自身的状况、学习需求以及兴趣偏好等， 为学生提供个性化课程推荐平台，从而避免学生选课的盲目 性和跟风现象，提高了课程资源的利用率和选课质量。 我国高校选课制度的现状 随着选课制在高校的普及，教育也逐渐走向网络化和信 息化，在这样一个计算机网络普及的时代自然选课过程也趋 于网络化。受到传统观念及学年制的影响，选课制度在运行 过程中还存在一定的缺陷，另外在新教学观念的实施和高素 质人才的培养中选课制也没有体现其优势，具体原因有下几 个方面： 1.1 目前实施的选课制不利于学生的个性发展 随着社会对人才专业需求的多样化，传统的人才培养模 式已无法满足社会发展需求，同时也抑制了学生的个性化发 展。选课制的实行使得学生可根据自身的兴趣爱好选择合适 的课程、任课教师以及学习时间，各种自由的选择使得的个 性特征得到满足，从而提高了学生的学习积极性。 1.2 没有实现真正的选课 尽管有部分学校允许学生选择跨专业、跨年级的课程， 但在教师资源、上课时间以及场地资源等影响下，学生仍无 法选择自己喜欢的课程，时间及资源上的冲突使得学生在自 主选课上受到了一定的限制，对于比较热门的课程，当选课 人数较多资源有限时，课程就会被删除，自主选课无法充分 发挥其作用。随着高校不断扩招，教师资源越来越匮乏，学 生的选择范围有限。 1.3 选课工作实施不到位 选课指导也是一个很重要的环节，特别是新生由于对课 程了解不深，因此很容易出现盲目选课现象。部分学生了为 了选择简单易学的知识而不顾自身发展，随意性的选课对教 学质量造成了很大的影响，同时也脱离了选课制实行的初衷。 针对这个问题本文提出了利用数据挖掘技术筛选历史选课 数据中隐藏的、有用的知识，作为指导学生选课的依据，该 课题的提出对高校教学管理改革有着重要的现实意义。 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、背景分析、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、欺诈发现等。将数据挖掘技术应用于教育中，也是这些技术发展的必然。个性化推荐 是数据挖掘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，而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。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（ Colaborative Filtering ）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