基于深度学习的学生画像选课系统研究.docx

?

?

基于深度学习的学生画像选课系统研究

?

?

李沁颖易豪

摘要：目前，深度学习利用自身优势，已在语音识别、图像处理等方面取得了重大的突破与成就。然而，深度学习在选课推荐系统领域的研究与应用还处于早期阶段。考虑传统的选课系统难以考虑到影响学生选课的多因素，本文基于深度学习，结合协同过滤技术在选课系统中的应用，实现对学生的多方面画像，构建出一个实时感知学生喜好变化，且对其进行智能推荐选课的平台，实现从学生到课程的无误差匹配。

关键词：用户画像技术;深度学习;协同过滤技术;学生选课系统

：TP391????：A

：1009-3044（2021）10-0184-03

Abstract：Atpresent，deeplearninghasmadegreatbreakthroughsandachievementsinspeechrecognitionandimageprocessingbytakingadvantageofitsownadvantages.However，theresearchandapplicationofdeeplearninginthefieldofcourseselectionrecommendationsystemisstillintheearlystage.Consideringthetraditionalcourseselectionsystemisdifficulttoconsiderthemanyfactorsinfluencingstudentscourseselection，basedonthedeeplearning，combiningtheapplicationofcollaborativefilteringtechnologyinthecoursesystem，realizetothestudentsvariousportraits，constructareal-timeperceptionstudentpreferenceschange，andcarriesontheintelligentrecommendedcourseplatform，fromstudentstothecourseofmatchingerror.

Keywords：UserPortraitTechnology;Deeplearning;CollaborativeFilteringTechnology;Courseselectionrecommendationsystem

1引言

随着互联网技术的迅猛发展与人们物质生活水平的日益提升，移动终端设备普及度上升，各种移动应用也竞相进入人们的日常生活中，导致互联网信息呈爆炸式增长。面对海量信息及当下社会不断加快的生活节奏，人们正面临着信息筛选困难，信息处理效率低下，信息交流冗杂等的困扰，不可避免地使企业由于对用户的营销不够细化，继而推送一些不合时宜、不符偏好的信息为用户带来骚扰，甚至引起客户流失。因此，如何处理、利用与用户各方面相关的信息，构建实时标签化体系，并实现在用户及其信息需求之间精准地自动化匹配，成为现今各大企业主要研究的目标，用户画像及其相关技术就在这种背景下诞生并发展。

目前针对用户画像的研究方法大多基于“收集信息-行为建模-构建画像”技术，以构建浅显的用户画像。这一方法未将用户行为信息、偏好信息等特征之间的联系进行更深层挖掘。此外，用户信息处理也面临着数据信息量大、纬度高、相互独立等问题，使得基于浅层构建方法的预测效果较差。

2用户画像技术

用户画像（Persona）是一种研究用户的系统化偏重类方法，也被称为用户角色。该技术通过收集用户的统计信息、偏好信息、行为信息，对大量目标用户群的真实信息进行处理，构建用户标签化体系，针对产品或服务的目标用户群做典型特征描述，从而让产品经理更直观地了解用户，设计出更符合需求的产品原型。因此，用户画像成为用户需求与产品设计之间联系的枢纽。

加利福尼亚大学的Syskill和Webert通过显式地收集网站用户对网页的满意度信息，再通过信息统计分析和逐层学习，构建出用户兴趣模型[1]。CUM大学开发的WebWatcher以及后來的PersonalWebWatcher[2]，可以通过数据采集器，采集并统计互联网上用户的浏览行为和浏览偏好，成功构建出用户的兴趣模型，并随着各项数据信息的积累实现系统模型更新。不同研究领域的用户画像研究方法也会有所差异，常用的有决策树[3-