[发明专利]一种基于协同过滤的智慧选课推荐方法

权利要求书

1.一种基于协同过滤的智慧选课推荐方法，其特征在于，包括以下步骤：

步骤1，获取学生信息数据，经数据处理后得到学生特征数据集；

步骤2，根据学生特征数据集计算得到待推荐学生的相似学生集合；获取学生特征数据集中的特征信息，利用Pearson系数计算待推荐学生E和往届学生{x1,x2,x3,...,xn}的相似度，计算公式如下：

其中，SIM(E,x_i)表示待推荐学生E和x_i的相似度，为E和x_i第j个特征的值，表示为E和x_i所有特征的均值；

将相似度最高的m名学生构成集合D＝{y₁,y₂,y₃,...,y_m}，获取集合中学生的所有选课记录构成不重复的课程集合，去除其中待推荐学生不可选课程，获取可选择课程集合F＝{s₁,s₂,s₃,...,s_u}；

步骤3，将所有课程集合中的课程划分为热门课程和冷门课程；

步骤4，通过学生对已选课程在学习结束后进行评价，得到课程评价特征数据集；

步骤5，根据步骤4中的课程评价特征数据集分别计算热门课程和冷门课程的推荐度评分，对待推荐学生进行课程推荐，

采用加权平均法，对于每门课程，计算推荐度评分P：

其中，P_i为课程s_i的推荐度评分，s_ij为课程s_i第j个特征的值，w_j为特征权重，N为特征的个数；

每一项特征值的权重根据学生对于课程关注重点的排序，采用分层分析法进行设置，同时课程综合评分这一特征占最大权重，课程关注点排序确定了各特征两两之间的相对重要性，建立显示各特征重要性比例的判断矩阵G，计算判断矩阵G最大特征根λ_max和其对应的经归一化后的特征向量W，则该特征向量即为描述各特征权重的权重向量；

根据具体推荐系统设定评分基准阈值，在热门课程集合F₁中得到推荐度评分最高的k门课程构成集合H₁，在冷门课程集合F₂中得到推荐度评分最高的k门课程构成集合H₂，将显示H₁集合和H₂集合给待选学生。

2.根据权利要求1所述的一种基于协同过滤的智慧选课推荐方法，其特征在于：步骤1中，学生信息数据包括往届学生信息和待推荐学生信息，往届学生信息和待推荐学生信息均包括个人基本信息和特征信息，个人基本信息包括学院、性别、专业，特征信息包括兴趣课程大类、兴趣课程小类、爱好、课程关注重点。

3.根据权利要求2所述的一种基于协同过滤的智慧选课推荐方法，其特征在于：课程关注重点包括课程内容丰富度、实用性、考评内容、主讲教师评价，学生根据特征信息按照个人需求对选择关注点进行排序选择。

4.根据权利要求3所述的一种基于协同过滤的智慧选课推荐方法，其特征在于：步骤1中，数据处理方法为根据每个特征信息进行编号，并根据编号对每个学生对应的特征信息进行录入，建立学生特征数据集。

5.根据权利要求1所述的一种基于协同过滤的智慧选课推荐方法，其特征在于：步骤3中，将所有课程集合中的课程划分为热门课程和冷门课程的过程包括：将所有课程划分为热门课程F₁、冷门课程F₂两个子集，两个子集中均包括累计选课人数、网上选课行为中的课程点击率、课程人数饱和度3个选课特征，根据3个选课特征对所有课程进行聚类，用K-means算法进行计算：

SE表示所有数据样本的均方差之和；k为聚类的个数，Ci表示第i个聚类，q为样本数据，Mi为聚类Ci的平均值。