计算机专业课程体系推荐算法研究

摘要：大数据背景下的计算机专业课程体系的建设以学生为主体，充分考虑到了学生的学习特征。本研究在原有专业课程体系的基础上，以提高高校学生培养质量为目标，提出在大数据背景下采集海量利用协同过滤算法获得处于热门状态的计算机专业书籍列表，进行时间、样本的累积后，获得符合时代背景和学生特点的专业课程体系。该方法创新学生培养模式，通过可动态调整专业课程体系，提高了学生培养质量，完善了高校人才培养机制。

关键词：大数据；课程体系；协同过滤

1概述

随着大数据时代的来临，我国经济、教育、科技等产业正发生深刻的发展变化，人们每时每刻都在获取到大量数据，呈现爆炸式增长的态势。网络教学和大数据时代，大学生课程学习体系需要根据时代背景、个性特点进行变革。尤其是计算机专业的课程体系更需要根据时展进行变革。采用现有先进手段，如大数据分析、机器学习等技术，有针对性地对学生的兴趣偏好进行分析，获得学生感兴趣专业书籍列表，完善专业课程体系，可以解决目前教学与实际应用存在脱节问题，使课堂教学更有时效性，改善教学质量。高等教育行业，大数据及智能技术的出现和飞速发展更是引起了教学理念、教学方式、学生培养模式的变革。一直以来高等学校的学生培养模式都是在专业建设之初便确定下来，很少进行修改。即使进行修改，也很难针对学生特点进行个性化调整。高等学校教学过程中，一直存在着很多问题，如专业课程体系一成不变，不能体现技术潮流、学生个性特点的变化，课程的教学效果大部到理想要求。传统的专业建立后一成不变的课程体系的培养模式已经不能满足教学需求，无法充分调动学生的学习兴趣及特点。学生在校内学习过程中，在慕课、图书借阅、校内网站浏览等学习、生活过程中留有大量学习偏好数据。通过分析学生自身偏好数据，使用智能推荐算法，获得具备个性化特点的课程体系，动态调整培养计划，完善高校人才培养机制成为亟待解决的问题。

2协同过滤推荐算法

推荐算法通过进行数据分析，在海量的商品中推荐出用户感兴趣的商品，防止海量信息会对用户造成压力。推荐算法能够通过分析研究用户的历史行为信息，将行为信息加入到用户模型和推荐对象模型中，经过推荐算法的分析计算，生成初步推荐结果，通过多次的反复迭代计算，可以为用户提供潜在需求的产品。协同过滤推荐算法采用相似性的原理，当用户对某一对象A感兴趣时，算法通过计算其他对象与对象A的相似性，根据相似性数据的大小得到排序列表，为用户进行推荐。该算法还能比较用户之间的相似程度，这样可以将某一对象推荐给某一类客户。参考图1中所示的内容，应用基于项目的协同过滤方法进行分析如下：用户1感兴趣的物品有：物品1、物品3和物品4感兴趣；用户2感兴趣的物品有：物品1和物品2；用户3感兴趣的物品有：物品1和物品3。由此可知物品1和物品3具有相似性，如果用户表现出对物品1的兴趣一般还会对物品3感兴趣。用户2由于对物品1感兴趣，系统会将物品3推荐给用户2。这个流程体现了基于项目的协同过滤思想。

3大数据背景下专业课程设置

3.1数据的采集与挖掘

在学校采集个性偏好数据时，用户数据、书目数据和借阅数据是比较常用的数据源。采集学生校内外学习、生活过程中产生的海量的网络元数据，通过对使用智能推荐算法，形成学生学习兴趣、课程的智能推荐，学校根据智能推荐的结果和学生意愿，完成对学生学习课程体系的再设计，安排进行相应专业的学习，强化学生实践环节的差异化、人性化，实现学生培养模式的创新。

3.2专业书籍推荐

采用基于物品的协同过滤ItemCF算法（Item－basedcollaborativefiltering）对学生感兴趣的专业书籍进行推荐，算法的思想是计算各专业书籍间的相似程度，常用相似度矩阵进行表示。在为学生进行推荐时考虑兴趣数据获取时间影响因素，使推荐更具有时效性。ItemCF算法的主要基于物品的相似性原理，给用户推荐与其感兴趣的物品具备较高相似的物品，主要包括以下几个步骤：（1）计算物品之间的相似度。每个用户的兴趣都局限在某几个方面，如果两个物品属于一个用户的兴趣列表，那么两个物品可能就属于有限的几个领域，而如果两个物品同属于很多用户的兴趣列表，那么他们就可能属于同一个领域，因而有很大的相似度。（2）计算用户U对一个物品的兴趣。其中，P（u，j）表示兴趣值，及物品j能够对用户u产生的兴趣，r（u，i）表示物品i在用户u那里获得的评分，S（j，k）表示k个和物品j最相似的物品，N（u）表示用户浏览过的全部集合。

3.3专业课程体系构建

在采用基于物品的协同过滤算法获得学生专业数据推荐列表的基础上，将全部学生的专业书籍推荐列表作为样本进行统计，对推荐列表中的书籍进行排序。专业课程体系构建情况如如图2所示。图中课程名称前的序号是实验过程中课程推荐排序结果。

4结论

创新学生培养模式作为培养具备创新能力学生的关键因素，如何为学生提供更加个性化，具备更符合时展潮流的课程体系是创新培养模式的有益探索。利用先进的智能推荐算法，基于学生日常学习轨迹，获得更加合理的课程体系是解决上述为题的有效手段。随着个性化推荐系统及其相关技术的完善和广泛使用，其在教育领域中的研究将会越来越全面和深入。

参考文献

[1]高建煌.个性化推荐系统技术与应用[D].合肥：中国科学技术大学，2010.

[2]于凯，吴蕾.大数据环境下的推荐系统在个性化教学中的应用研究[J].福建电脑，2015（8）：46-47.

[3]姜雷，赵功群.数字图书馆系统中的个性化服务模型[J].图书馆学刊，2011（9）：66-68.

[4]钱冬明，等.数字教育资源共建共享的系统分祈框架研究[J].电化教育研究，2013（7）：55-60，72.

[5]牛亚男.教学资源个性化推荐系统的设计和实现[D].大连：大连理工大学，2013.

[6]朱郁筱，吕琳媛.推荐系统评价指标综述[J].电子科技大学学报，2012，41（2）：163-175.

作者：张沛露 单位：吉林建筑大学