基于隐语义模型的学生选课推荐算法

为了使学生可以准确、合理的进行选修课程,并调动其学习主动性,考虑到学生-课程之间潜在关系,提出了一种基于Funk-SVD技术的隐语义模型学生选课推荐算法.本算法使用随机梯度下降法优化损失函数;对选课推荐算法执行过程中的冷启动问题提出了一种处理方案;通过评价指标召回率、准确率以及平衡F分数验证本算法推荐的可行性和有效性,在所收集到的学生选课数据集上进行测试,实验结果表明,该算法具有一定的优势.     

数据挖掘在选课推荐中的研究

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。     

基于协同过滤算法的个性化高校选课推荐系统研究

随着学生在教学过程中主体地位的突出,学生选课已成为学生个性化发展的重要途径,而大多数高校在选课机制方面仍存在一定欠缺,为此本文在学生选课环节中引入了数据挖掘技术及协同过滤算法。本文针对高校选课个性化推荐系统进行研究,通过分析高校选课制度的现状并将协同过滤算法、数据挖掘技术和个性化推荐技术等相关技术运用到该系统当中,促进选课个性化推荐系统的优化。     

基于兴趣度-相关性规则挖掘的研究及在推荐选课系统的应用

通过分析和比较现有的关联规则挖掘算法,针对本研究的问题,采用一种改进的基于兴趣度的增量挖掘算法,该算法既适用于动态数据库的更新挖掘,又适用于最小支持度和最小置信度变化的更新挖掘.然后将其运用于推荐选课系统中,通过对学生已有成绩数据库信息和己选课信息进行深层次的数据挖掘,获取合理、可靠的课程结构关联规则.本系统既考虑课程之间关联规则的相关性,又考虑学生的学习能力和学习兴趣,为选课推荐服务提供更好的支持.     

浅析高校网上选课系统的设计与实现

随着教育改革的不断深化,建立一套能够适应这些改变的行政管理方案也就显得尤为重要。每个学期都要面临学生的选课工作。为了改变以往效率低下、工作流程繁琐,而且容易出错的原有选课模式,于是开发一套适合校情的网上选课系统便成为了教务处的迫切需求。本文设计是根据某学校的实际情况,在Visual Studio 2005环境中,利用 ASP.NET、SQL Server数据库等技术开发了基于B/S模式的网上在线选课系统。在设计中完成了院系、专业、课程、教师、学生信息的管理功能及在线选课、查看选课学生、权限限制等功能。经测试,此系统满足教务系统用户需求,能够促进当前高校教务工作的管理水平,有一定的实际应用价值。     

基于F5负载均衡技术的网上选课平台

针对基于云南财经大学现有的网络条件,着力探索改善网络选课过程中大并发量处理的策略,主张利用F5_BIG_IP LTM设备搭建网络和服务器负载均衡,以解决在实时选课过程中处理大量学生并发访问选课平台可能引起的服务器过载不能响应学生的请求问题.该架构能够在实际使用过程中很好的解决大并发量的拥堵问题,并且负载均衡技术为对日益增涨的Web应用服务提供了一种可靠稳定的架构,为网上实时处理大并发量访问拥堵问题提供了一种参考方案.     

基于积分激励体制的选课系统研究与实现

在现有高校的选课系统中,选择合适的选课方式,防止系统拥堵,一直是一个大难题.通过投放权重积分的形式来选课,并利用学生个人成绩和全系平均成绩的线性关系,推导出一个积分算法来对学生的积分进行奖惩,可以使得学生选课时不拥堵,而且还提高了学生对个人成绩的重视,很大程度上解决了选课难、乱选课的问题.     

基于协同过滤的课程推荐模型*

通过对当前高校学生选课的盲目性的分析,提出了一种基于协同过滤的课程推荐方法。首先对课程进行聚类,构建无缺失的课程评价矩阵,在此基础上根据学生对相似课程的评分预测学生的兴趣爱好,为学生提供个性化的课程推荐。该方法在评分数据极端稀疏的情况下也可以为学生作出准确的课程推荐。最后通过实验验证了该推荐方法的实用性,可以有效地减少学生选课的盲目性。     

关联规则在基于学分制的选课系统中的应用

高校选课系统中存储了大量的数据,利用数据挖掘技术的关联规则挖掘,可以从大量的数据中发现有价值的规则.以高校选课系统为应用背景,对学生成绩进行分析,得出部分合理、可靠的课程相关性规则,为学分制体系下学生选课提供指导.     

改进的协同过滤推荐算法

传统的选修课系统存在结构性的不足和缺憾,为了避免高校学生盲目的选择选修课程,本文利用改进的协同过滤算法对高校学生进行个性化的选课推荐.本文首先介绍了两种推荐算法,并着重介绍基于协同过滤的推荐算法,并分析了两种算法的优缺点,最后针对协同过滤算法的数据稀疏性问题,提出了一种改进的协同过滤算法,即在协同过滤中加入基于内容的因素来解决这个问题.这种改进的协同过滤算法避免了传统协同过滤算法中存在的数据稀疏问题,以学生为本推荐适合学生的课程,满足学生学习的个性化要求.