基于协同过滤的个性化选课模式研究与实践

针对协同过滤算法存在数据稀疏性问题及新用户问题,根据选课系统的具体情况及特殊性,比如,优秀学生可以按相似度高的邻居评价推荐,对于成绩较差的学生应参照优秀学生的选课情况对其推荐。对协同过滤算法进行改进,在学生对课程评价矩阵的基础上,抽取出一部分具有指导意义的信息,称作"优秀学生"评分矩阵,该矩阵由选课系统中所有评分数据过滤生产,代表了系统所有学生的评价信息,并随着系统中评价数据的变化而改变,利用"优秀学生"评分矩阵,根据学生的学院、专业、性别等属性,计算目标学生与"优秀学生"间的相似度;进而生成最近邻居集合;最后根据最近邻居对其生产高质量的推荐。改进后的算法在北京信息科技大学选课系统中进行实验,实验结果表明,改进后的算法在推荐效率及准确度上有明显的提高。