王　涛，翟雪松

(安徽建筑大学　a.教务处;b.外语学院，合肥　230601)



基于神经网络的智能课程推荐模型

王涛a，翟雪松b

(安徽建筑大学a.教务处;b.外语学院，合肥230601)

摘要：选课制允许学生根据自己的专业情况进行各类课程的选修，但是学生因为对专业培养方案和标准了解不深入，选择的课程不能推动其专业发展，造成了个人时间精力和学校教学资源的浪费。文章提出基于神经网络的选课推荐模型，首先将专业培养标准符合向量作为模型的输入，然后根据选课数据及成绩进行函数计算的结果做为模型的输出，最后通过数据测试验证了该模型符合实际情况。

关键词：选课；课程识别向量；课程推荐；神经网络

高等教育教学中，每个专业有各自的培养方案，每个培养方案都制定了专业培养标准，培养方案中的每门课程都关联支撑专业培养标准。学生选课的时候应该考虑完成专业培养目标，选择的课程应该关联支撑专业培养标准，但是学生因为对专业培养方案、标准和课程内容、目标的了解不深入，往往选课很盲目，选择的课程不能推动其专业发展，造成了个人时间精力和学校教学资源的浪费。

学生选课时面对大量课程，特别是慕课的出现，更多的优质教育资源正在被共享[1]。如果能够获得每门课程根据专业培养标准的推荐度，然后通过推荐度得到良好的选课指导，但是专业培养标准与课程之间难以用恰当的数学解析表达式来表示，它属于复杂的非线性分类问题。本文提出基于神经网络的选课推荐模型，该模型根据每一项专业培养标准，计算出课程对某专业的推荐度。一般函数表达方法不能很好地解决这些问题，而人工神经网络作为一种新技术，以其非线性映射和实时优化等基本特性为课程推荐研究开辟了新的途径。本文依据专业培养标准，建立了基于神经网络的课程推荐模型，并通过数据测试验证了该模型的结果符合实际情况。

1专业培养标准与课程识别向量

1.1专业培养标准

每个专业设计培养方案时候都会制定专业培养标准，细化专业培养目标与人才培养规格，设计课程教学大纲，完善教学环节。根据文献[2]中课程标准的分类，我校结合实际制定了10项专业培养标准，具体见表1。

表1　课程标准分类

续表1

标准 内容标准6具有较强的创新意识和进行XX工艺技术及产品开发和设计、技术改造与创新的初步能力标准7具有信息检索、获取和职业发展的终身学习能力标准8具有较好的领导组织管理能力、环境适应和团队合作的能力标准9应对危机与突发事件的初步能力标准10具有一定的国际视野和跨文化环境下的交流、竞争与合作的初步能力

1.2课程识别向量

在上述的定义中，ki用来描述该课程的。其中，

这样，当ki取确定的值时，可得到一门课程的专业培养标准符合情况。以《思想道德修养与法律基础》课程为例，参照专业培养标准进行识别，符合标准1中的社会责任感，标准2中的良好的自动化职业道德以及标准4中的相关行业的政策、法律和法规，由此该课程符合专业培养标准的识别向量为：

k=[1,1,0,1,0,0,0,0,0,0]

2BP神经网络的课程推荐模型

学生选课的时候，如果能够获得每门课程根据专业培养标准进行识别的推荐度，就可以知道此课程对自己所学专业的支撑程度，做出是否选课的决定，从而得到良好的选课指导。但是专业培养标准与课程推荐关系是复杂的，每项专业培养标准的权重不同，标准的层次、内容很多，获得准确、科学推荐比较困难。要推荐一门课程，就需要了解课程对专业培养标准的符合程度以及每个标准的权重系数。可以采用一个符合函数来定义课程对专业培养某项标准的符合程度：

F=f(bi)

F定义为0或1，0为不符合，1为符合。

每门课程根据专业培养标准进行识别的推荐度是专业培养标准和该课程专业培养标准符合向量共同作用的结果，函数表示为：

T=F*K

上述函数用来描述课程推荐模型，但是专业培养标准与课程之间难以用恰当的数学解析表达式来表示，它属于复杂的非线性分类问题，函数关系是很复杂的，难以直接准确得到，因此借助机器学习工具来模拟课程推荐模型[3]。

2.1BP神经网络课程推荐模型的构建

BP 神经网络可以实现从输入到输出的任意非线性映射，并且具有较好的泛化能力，根据Kolmogorov定理，本文采用3层BP网络，即“输入层—隐层—输出层”进行课程推荐模型的训练。模型的具体设计是专业培养标准作为输入因子，根据以往选该门课程学生人数和平均成绩函数计算结果作为输出因子，然后进行训练学习，从而得到课程对专业学生的推荐关系。对于待推荐课程，在根据专业培养标准进行识别后，将专业培养标准符合向量作为输入，经过训练好的课程推荐模型，可以得到该课程对专业学生的推荐程度输出。[4]

本文利用我校教学管理系统中的数据库进行分析，其中选课数据库包含了每学期我校各门课程选课情况，成绩数据库包含了每位学生所选课程的成绩，当一门课程某专业学生选课人数多，同时考试成绩好时，表明该课程教学效果好，值得推荐。这里我们依据选课数据及成绩进行函数计算，得出结果作为BP神经网络课程推荐模型的输出：

式中rx为某专业已选课人数，r为已选课总人数，a为某专业选课学生的平均成绩，T为推荐度，定义在[0，1]上的一个连续函数，1为最推荐，0为不推荐。

2.2数据预处理

本文利用在我校教学管理系统中选取的 10门课程，其中对每门课程符合专业培养标准进行了识别，得到课程一组识别向量如表2；同时提取10门课程的选课及成绩记录，依据文中的输出函数进行计算，得到推荐结果如表3。

表2　课程识别向量部分样本数据集

表3　课程推荐结果数据处理集

2.3模型的训练

本文借助中的MATLAB7．1神经网络工具箱来实现具体荐系统，建立了三层BP网络，采用NEWFF函数进行神经网络的创建，输入有10个神经元，中间隐含层有10个神经元，输出一个数据，因此网络为10×10×1的结构，如图1。神经网络的输入层、隐含层神经元设定为双曲线正切S型传递tansig函数，由于输出已经贝归一化到区间[0,1]中，所以输出层神经元的传递函数设定为对数S型传递logsig函数。

图1　神经网络结构

在网络的输入层输入课程识别向量的数据集，这里运用10个训练样本作为学习集进行训练，训练次数设置最多为3 000次，分别选用L-M优化算法、有动量的梯度下降法、可变学习速率的梯度下降法和弹性梯度下降法等进行学习训练网络。经过反复试算，当学习训练算法选择L-M优化算法的trainlm函数时候，网络的预测效果最为理想。在实际训练中，经过3次迭代之后，实际输出与期望输出的误差满足要求，网络停止训练，训练过程如图2所示。

(a) L-M优化算法训练过程中网络误差性能变化

(b) 有动量的梯度下降法训练过程中网络误差性能变化

(c) 可变学习速率的梯度下降法训练过程中网络误差性能变化

(d) 弹性梯度下降法训练过程中网络误差性能变化

图2人工神经网络训练过程

从图2的误差性能变化，我们看到(b)有动量的梯度下降法经过3 000次迭代后，仍然无法到达期望的误差；(c)可变学习速率的梯度下降法，虽然达到了误差性能，但是经过109次迭代，收敛速度不快；(d) 弹性梯度下降法，虽然收敛速度较快并达到了误差期望，但是网络振荡变化性能明显[5]。

2.4模型的测试

表4　测试样本的神经网络预测模型输出和实际输出值比较

根据上述讨论，提出如图3所示的基于课程识别向量的课程推荐算法流程。

图3　课程推荐算法流程

3结论

本文提出采用BP神经网络技术，基于课程识别向量的智能课程推荐模型。每门课程根据专业培养标准生成课程识别向量，依据选课数据及成绩计算出课程推荐度，将课程识别向量和推荐度输入到神经网络中，当隐含层节点数为10，学习训练算法选择L-M优化算法时，网络的实际输出与期望输出的误差满足要求，表明推荐模型的准确性符合要求，即该神经网络反映的课程识别向量与课程推荐度之间的关系，基本体现了它们之间的函数关系，可以运用该模型来进行相应的推荐。

参考文献：

[1]翟雪松、袁婧.MOOC在我国高等教育中的发展困境及对策研究[J]. 电化教育研究，2014(10)：97-98.

[2]崔允漷. 课程实施的新取向:基于课程标准的教学[J].教育研究，2009(1)：77-79.

[3]翟雪松，尹吉明，林莉兰.结构方程视角下我国翻转课堂满意度模型构建[J].高教探索，2015(5)：69-71

[4]辛菊琴，蒋 艳，舒少龙.综合用户偏好模型和BP神经网络的个性化推荐[J].计算机工程与应用，2013，49(2):58-59

[5]朱凯，王正林. 精通MATLAB神经网络[M].北京：电子工业出版社，2010：193-220.

[6]张德丰. MATLAB神经网络应用设计[M].2版.北京：机械工业出版社，2011:335-337.

[责任编辑：张永军]

Model of Recommended Courses Basedon Neural Network

WANG Taoa，ZHAI Xue-songb

(a.Office of Academic Affairs，b.School of Foreign Languages，Anhui Jianzhu University,Hefei 230601,China)

Abstract:Students can take the course according to their own professional on the basis of course selecting system.But students do not understand the professional training programs and standards, the choice of courses cannot promote their professional development, resulting in a waste of personal time and school teaching resources.This paper proposed a model of recommended coursesbasedon neural network.First, the professional training standards in line with the vector as the input of the model and according to the classes of data and results of the calculation functions of the model output. Finally, the data tests show that the model is consistent with the actual situation.

Key words:take the course；course identification vector；recommended courses；neural Network

中图分类号：TP393.1

文献标识码：A

文章编号：1673-162X(2016)01-0030-05

作者简介：王涛(1980—)，男，甘肃武威人，安徽建筑大学教务处工程师。

基金项目：2012年安徽省省级质量工程项目“学分制下智能选课指导平台的构建与研究 ”(2012jyxm388)、2015安徽振兴计划重大教改项目“大学外语教学指南背景下大学英语多元智能翻转课堂(MIFCM)教学研究”(2015zdjy115)、2015年安徽省人文社科重点项目“基于情感计算的大学英语自主学习效能动态评测研究”(SK2015A632)资助。

收稿日期：2015-11-20修回日期：2016-01-03