.374 智能系统学报 第10卷 预测准确度是最关键的算法评测标准，即系统 京文充河学：靠可能感兴整的楼程 推荐的课程最终被学生选择的比率。但是存在的问 湖很名愁 03831220 法国历史 题是，假设学生本来计划选择一门课程，那么实际上 03831092 法遇泛二) 03631251 法国报干科击（一） 这个推荐是没有意义的，因此，不但要准确预测学生 0433021 硬更又时代朗次两音历 的预期，还要扩展学生的视野，帮助学生认识更多被 02330000 营华导论 04332590 中国传蚊装艺术与无文化 埋没的精品课程，挖掘他们可能感兴趣的课程。采 01233170 地睡根论 00432270 大气极论 用覆盖率C来表示推荐系统能够推荐出来的课程 02240540 中国考古发现与标素 占总课程集的比例： C=I.uR()I 图5选课系统中的推荐界面 (6) Fig.5 The recommended interface of Elective system 式中：J表示所有课程的集合，U为学生集合。 4 结束语 3选课系统中的课程推荐服务 本文提出的基于选课系统的课程推荐引擎填补 了国内高校智能校园、人性化教育方面的空白，将推 本课程推荐引擎主要为已有选课历史的学 荐引擎的技术应用到课程推荐中，不但均衡了学校 生样本进行推荐，以2013一2014学年度第1学 期的选课为例，计算其准确率、召回率和覆盖率， 的教学资源，也为学生量身定制最适宜的培养方案， 分析算法结果。 起到了非常好的辅助作用。从纵向来说，对于课程 本系统实现时，难点是K值的判断。K表示与 推荐还存在很多地方可以深入探讨，如由于算法限 目标学生最相似的学生数，以目标学生未选择而这 制，本系统没有给出课程推荐原因，对学生缺乏说服 K名学生已选择的课程为预推荐名单，分析目标学 力：另外分类算法相对简单，以假设为基础，未能综 生对这些课程的兴趣程度，最终选出8~10门目标 合考虑每位学生的个性化特点。横向来说，可以应 学生可能最感兴趣的课程进行推荐。这里K的选 用到图书馆借书系统中，为学生做图书推荐，因此下 取很重要，当K取值较小时，可能造成算法复杂度 一步的研究重点也可以放在对学生属性的特征详细 的增加以及覆盖率的降低，K值很大时推荐准确度 分析和加权统计上，通过对学生属性特征的分析找 会受到影响，表1详细给出了基于SuCF算法和新 到一套自适应的聚类模式，不但可以应用到课程推 生的课程推荐实验结果。 荐，还可以应用到图书推荐等方面。 表1不同K值下的StuCF算法实验结果 参考文献： Table 1 Experimental results of StuCF algorithm under different K value [1]赵晨婷，马春娥.探索推荐引擎内部的秘密，第1部分： K 准确率/% 召回率/% 覆盖率/% 推荐引擎初探[EB/0L].[2014-09-25].htp://www.ibm. com/developerworks/cn/web/1103_zhaoct_recommstudy1/ 17.23 8.43 48.63 index.html. 10 25.36 9.87 41.74 [2]张瑶，陈维斌，傅顺开.基于大数据的高校图书馆推荐 15 32.95 10.98 34.82 系统仿真研究[J].计算机工程与设计，2013,34(7)： 34.60 11.65 29.47 2533-2541. 25 34.90 11.05 28.30 ZHANG Yao,CHEN Weibin,FU Shunkai.Simulation study of recommendation system for university library based on big 从表1可以看出，课程推荐系统的准确率和召 data[J].Computer Engineering and Design,2013,34(7): 2533-2541. 回率并不是与K值成线性关系，选择K为20左右 [3]祁褒然，潘志成，罗敬，等.大学选课推荐系统的数学 会得到较准确的推荐结果。而随着K的增大，系统 模型[J].南开大学学报：自然科学版，2011,44(4)：50- 越来越倾向于推荐热门课程，导致覆盖率降低。 55. 以北京大学选课系统为平台，在进入选课系统 QI Youran,PAN Zhicheng,LUO Jing,et al.The mathe- 后，页面会弹出“你可能感兴趣的课程”对话框，其 matical model of the university course recommendation sys- 中列出为该学生量身定制的课程名称。图5是选课 tem[J].Acta Scientiarum Naturalium Universitatis Nan- 系统中的推荐界面。 kaiensis,2011,44(4):50-55.预测准确度是最关键的算法评测标准，即系统 推荐的课程最终被学生选择的比率。 但是存在的问 题是，假设学生本来计划选择一门课程，那么实际上 这个推荐是没有意义的，因此，不但要准确预测学生 的预期，还要扩展学生的视野，帮助学生认识更多被 埋没的精品课程，挖掘他们可能感兴趣的课程。 采 用覆盖率 Ｃ 来表示推荐系统能够推荐出来的课程 占总课程集的比例： Ｃ ＝ ∪ｕ∈ＵＲ(ｕ) Ｊ （６） 式中：Ｊ 表示所有课程的集合，Ｕ 为学生集合。 ３ 选课系统中的课程推荐服务 本课程推荐引擎主要为已有选课历史的学 生样本进行推荐，以 ２０１３—２０１４ 学年度第 １ 学 期的选课为例，计算其准确率、召回率和覆盖率， 分析算法结果。 本系统实现时，难点是 Ｋ 值的判断。 Ｋ 表示与 目标学生最相似的学生数，以目标学生未选择而这 Ｋ 名学生已选择的课程为预推荐名单，分析目标学 生对这些课程的兴趣程度，最终选出 ８ ～ １０ 门目标 学生可能最感兴趣的课程进行推荐。 这里 Ｋ 的选 取很重要，当 Ｋ 取值较小时，可能造成算法复杂度 的增加以及覆盖率的降低，Ｋ 值很大时推荐准确度 会受到影响，表 １ 详细给出了基于 ＳｔｕＣＦ 算法和新 生的课程推荐实验结果。 表 １ 不同 Ｋ 值下的 ＳｔｕＣＦ 算法实验结果 Ｔａｂｌｅ １ Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｏｆ ＳｔｕＣＦ ａｌｇｏｒｉｔｈｍ ｕｎｄｅｒ ｄｉｆｆｅｒｅｎｔ Ｋ ｖａｌｕｅ Ｋ 准确率／ ％ 召回率／ ％ 覆盖率／ ％ ５ １７．２３ ８．４３ ４８．６３ １０ ２５．３６ ９．８７ ４１．７４ １５ ３２．９５ １０．９８ ３４．８２ ２０ ３４．６０ １１．６５ ２９．４７ ２５ ３４．９０ １１．０５ ２８．３０ 从表 １ 可以看出，课程推荐系统的准确率和召 回率并不是与 Ｋ 值成线性关系，选择 Ｋ 为 ２０ 左右 会得到较准确的推荐结果。 而随着 Ｋ 的增大，系统 越来越倾向于推荐热门课程，导致覆盖率降低。 以北京大学选课系统为平台，在进入选课系统 后，页面会弹出“你可能感兴趣的课程” 对话框，其 中列出为该学生量身定制的课程名称。 图 ５ 是选课 系统中的推荐界面。 图 ５ 选课系统中的推荐界面 Ｆｉｇ． ５ Ｔｈｅ ｒｅｃｏｍｍｅｎｄｅｄ ｉｎｔｅｒｆａｃｅ ｏｆ Ｅｌｅｃｔｉｖｅ ｓｙｓｔｅｍ ４ 结束语 本文提出的基于选课系统的课程推荐引擎填补 了国内高校智能校园、人性化教育方面的空白，将推 荐引擎的技术应用到课程推荐中，不但均衡了学校 的教学资源，也为学生量身定制最适宜的培养方案， 起到了非常好的辅助作用。 从纵向来说，对于课程 推荐还存在很多地方可以深入探讨，如由于算法限 制，本系统没有给出课程推荐原因，对学生缺乏说服 力；另外分类算法相对简单，以假设为基础，未能综 合考虑每位学生的个性化特点。 横向来说，可以应 用到图书馆借书系统中，为学生做图书推荐，因此下 一步的研究重点也可以放在对学生属性的特征详细 分析和加权统计上，通过对学生属性特征的分析找 到一套自适应的聚类模式，不但可以应用到课程推 荐，还可以应用到图书推荐等方面。 参考文献： ［１］赵晨婷， 马春娥． 探索推荐引擎内部的秘密， 第 １ 部分： 推荐引擎初探［ＥＢ／ ＯＬ］． ［２０１４⁃０９⁃２５］． ｈｔｔｐ： ／ ／ ｗｗｗ．ｉｂｍ． ｃｏｍ／ ｄｅｖｅｌｏｐｅｒｗｏｒｋｓ／ ｃｎ ／ ｗｅｂ ／ １１０３＿ ｚｈａｏｃｔ ＿ ｒｅｃｏｍｍｓｔｕｄｙ１ ／ ｉｎｄｅｘ．ｈｔｍｌ． ［２］张瑶， 陈维斌， 傅顺开． 基于大数据的高校图书馆推荐 系统仿真研究［ Ｊ］． 计算机工程与设计， ２０１３， ３４（ ７）： ２５３３⁃２５４１． ＺＨＡＮＧ Ｙａｏ， ＣＨＥＮ Ｗｅｉｂｉｎ， ＦＵ Ｓｈｕｎｋａｉ． Ｓｉｍｕｌａｔｉｏｎ ｓｔｕｄｙ ｏｆ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｓｙｓｔｅｍ ｆｏｒ ｕｎｉｖｅｒｓｉｔｙ ｌｉｂｒａｒｙ ｂａｓｅｄ ｏｎ ｂｉｇ ｄａｔａ［Ｊ］． Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｄｅｓｉｇｎ， ２０１３， ３４（７）： ２５３３⁃２５４１． ［３］祁褎然， 潘志成， 罗敬， 等． 大学选课推荐系统的数学 模型［Ｊ］． 南开大学学报：自然科学版， ２０１１， ４４（４）： ５０⁃ ５５． ＱＩ Ｙｏｕｒａｎ， ＰＡＮ Ｚｈｉｃｈｅｎｇ， ＬＵＯ Ｊｉｎｇ， ｅｔ ａｌ． Ｔｈｅ ｍａｔｈｅ⁃ ｍａｔｉｃａｌ ｍｏｄｅｌ ｏｆ ｔｈｅ ｕｎｉｖｅｒｓｉｔｙ ｃｏｕｒｓｅ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｓｙｓ⁃ ｔｅｍ ［ Ｊ］． Ａｃｔａ Ｓｃｉｅｎｔｉａｒｕｍ Ｎａｔｕｒａｌｉｕｍ Ｕｎｉｖｅｒｓｉｔａｔｉｓ Ｎａｎ⁃ ｋａｉｅｎｓｉｓ， ２０１１， ４４（４）： ５０⁃５５． ·３７４· 智 能 系 统 学 报 第 １０ 卷