大數(shù)據(jù)背景下高校大學(xué)生知識(shí)智能推薦系統(tǒng)的設(shè)計(jì)

王金權(quán)

摘要：高校大學(xué)生重復(fù)做大量習(xí)題，但知識(shí)依然掌握不扎實(shí)，一直困擾著教師和學(xué)生。為解決這一問(wèn)題，文章擬采用大數(shù)據(jù)、人工智能等技術(shù)，分析學(xué)生知識(shí)掌握水平，并在針對(duì)薄弱知識(shí)點(diǎn)上，推薦適合的知識(shí)，加強(qiáng)練習(xí)，提高學(xué)習(xí)效率。文章以大數(shù)據(jù)技術(shù)結(jié)合深度學(xué)習(xí)為基礎(chǔ)，研究并開(kāi)發(fā)個(gè)性化的知識(shí)智能推薦系統(tǒng)，滿(mǎn)足不同大學(xué)生對(duì)知識(shí)點(diǎn)的認(rèn)知水平，達(dá)到個(gè)性化地推薦適合的知識(shí)給學(xué)生的目的。

關(guān)鍵詞：大數(shù)據(jù)；智能推薦；協(xié)同過(guò)濾算法；數(shù)據(jù)處理

中圖分類(lèi)號(hào)：TP391

文獻(xiàn)標(biāo)志碼：A

1 研究依據(jù)

1.1 研究的必要性及需求分析

隨著大數(shù)據(jù)時(shí)代的來(lái)臨，我國(guó)經(jīng)濟(jì)、教育、科技等產(chǎn)業(yè)正發(fā)生深刻的發(fā)展變化，人們每時(shí)每刻都在獲取大量數(shù)據(jù)。在教育教學(xué)領(lǐng)域，高校大學(xué)生課程學(xué)習(xí)體系需要根據(jù)時(shí)代背景、個(gè)性特點(diǎn)進(jìn)行變革。在眾多的教學(xué)改革創(chuàng)新模式中，基于大數(shù)據(jù)背景下的個(gè)性化知識(shí)智能推送成為教學(xué)改革的主流創(chuàng)新方向之一。

在學(xué)校信息化教學(xué)過(guò)程中，利用信息技術(shù)輔助教學(xué)，學(xué)生的考試開(kāi)始通過(guò)計(jì)算機(jī)或平板等設(shè)備，實(shí)現(xiàn)無(wú)紙化考試，從而積累大量的學(xué)生學(xué)習(xí)行為的數(shù)據(jù)，所有這些都為大數(shù)據(jù)環(huán)境下的智能推薦系統(tǒng)提供了數(shù)據(jù)支撐和應(yīng)用支撐。由于學(xué)生的學(xué)習(xí)情況有差異，若采用相同的習(xí)題，學(xué)生重復(fù)做大量知識(shí)點(diǎn)題目，導(dǎo)致已掌握的題目花大量時(shí)間，掌握不深的題目卻得不到更多時(shí)間學(xué)習(xí)。

從上面的情況可知，在網(wǎng)絡(luò)課堂和學(xué)校，都有大量的學(xué)生遇到學(xué)習(xí)方向不明確、學(xué)習(xí)效率低的問(wèn)題。針對(duì)該問(wèn)題，將學(xué)生做習(xí)題及學(xué)習(xí)的歷史數(shù)據(jù)進(jìn)行建模，得出學(xué)生認(rèn)知水平模式，在模型基礎(chǔ)上提出基于深度學(xué)習(xí)的習(xí)題推薦算法，研究并開(kāi)發(fā)一個(gè)能通過(guò)做題歷史數(shù)據(jù)分析后，結(jié)合學(xué)生的個(gè)人學(xué)習(xí)領(lǐng)域，得出習(xí)題推薦的系統(tǒng)，實(shí)現(xiàn)對(duì)學(xué)生的學(xué)習(xí)情況分析，提供個(gè)性化地教學(xué)，提高教學(xué)質(zhì)量，有效推動(dòng)教學(xué)改革創(chuàng)新^［1］。

1.2 國(guó)內(nèi)外研究現(xiàn)狀、水平和發(fā)展趨勢(shì)分析

個(gè)性化智能學(xué)習(xí)是教學(xué)領(lǐng)域中的熱點(diǎn)問(wèn)題，也是對(duì)傳統(tǒng)教學(xué)方式的重大挑戰(zhàn)。傳統(tǒng)的教學(xué)方法未考慮學(xué)生的學(xué)習(xí)情況差異，導(dǎo)致學(xué)生學(xué)習(xí)效率低，教師教學(xué)質(zhì)量不高。目前應(yīng)用機(jī)器學(xué)習(xí)、大數(shù)據(jù)技術(shù)等手段，有很多行之有效的方法處理該類(lèi)問(wèn)題。

國(guó)內(nèi)學(xué)者和專(zhuān)家也對(duì)個(gè)性化的智能推薦系統(tǒng)進(jìn)行了研究，得到比較專(zhuān)業(yè)和可行的理論和算法，主要理論和算法有：協(xié)同過(guò)濾算法理論，它是通過(guò)對(duì)學(xué)習(xí)者偏好的挖掘，基于不同的偏好對(duì)學(xué)習(xí)者進(jìn)行分組劃分，并推薦相似的學(xué)習(xí)資源給各組，協(xié)同過(guò)濾算法能有效降低模型構(gòu)建復(fù)雜性；二部圖的學(xué)習(xí)資源混合推薦理論，此理論將資源內(nèi)容特征與學(xué)習(xí)者特征聯(lián)合考慮，根據(jù)學(xué)習(xí)者的學(xué)習(xí)風(fēng)格和習(xí)慣為學(xué)習(xí)者推薦學(xué)習(xí)資源。

通過(guò)以上分析可以看出，國(guó)內(nèi)學(xué)者對(duì)個(gè)性化知識(shí)的推薦技術(shù)有較為廣泛的研究。在大數(shù)據(jù)背景下，隨著信息化教學(xué)平臺(tái)的普及和智能化教學(xué)的常態(tài)化，學(xué)生學(xué)習(xí)的數(shù)據(jù)不斷地積累，改變了以往傳統(tǒng)的學(xué)習(xí)模式和教學(xué)模式，通過(guò)大數(shù)據(jù)技術(shù)采集與處理學(xué)生學(xué)習(xí)數(shù)據(jù)，把學(xué)生掌握知識(shí)點(diǎn)的程度概率化，綜合學(xué)生做題的得分情況，題目與知識(shí)點(diǎn)對(duì)應(yīng)情況，構(gòu)造知識(shí)點(diǎn)水平模型，并且基于知識(shí)認(rèn)知水平模型，構(gòu)建基于神經(jīng)網(wǎng)絡(luò)協(xié)同過(guò)濾推薦算法，從而實(shí)現(xiàn)學(xué)生獲取學(xué)習(xí)資源的方式從“學(xué)習(xí)者主動(dòng)搜索”轉(zhuǎn)變?yōu)椤皩W(xué)習(xí)系統(tǒng)自動(dòng)為學(xué)習(xí)者提供個(gè)性化學(xué)習(xí)資源服務(wù)”，這正成為大數(shù)據(jù)背景下高校的教學(xué)創(chuàng)新的趨勢(shì)^［2］。

2 系統(tǒng)的研究方案

2.1 主要研究目標(biāo)與研究?jī)?nèi)容

本研究的目標(biāo)是針對(duì)不同學(xué)生對(duì)知識(shí)理解能力和已有知識(shí)掌握程度的差異，通過(guò)對(duì)他們的做題數(shù)據(jù)進(jìn)行分析，建立數(shù)據(jù)模型和設(shè)計(jì)推薦算法，把真正適合學(xué)生的個(gè)性化習(xí)題推薦給他們，提高學(xué)生的學(xué)習(xí)效率和教師的教學(xué)質(zhì)量^［3］。

本課題主要研究?jī)?nèi)容包括認(rèn)識(shí)水平模型建立、設(shè)計(jì)推薦算法、設(shè)計(jì)接口系統(tǒng)3個(gè)部分。

（1）從學(xué)生對(duì)知識(shí)點(diǎn)的理解程度入手，針對(duì)學(xué)生的做題數(shù)據(jù)進(jìn)行特征提取，結(jié)合習(xí)題對(duì)應(yīng)知識(shí)點(diǎn)結(jié)構(gòu)的特征，通過(guò)參考一種典型的離散型認(rèn)知診斷模型DINA（Deterministic Inputs，Noisy “And” gate model）模型，建立起學(xué)生做對(duì)或做過(guò)的每個(gè)知識(shí)點(diǎn)的認(rèn)知水平特征向量，即認(rèn)識(shí)水平模型。

（2）在研究了各類(lèi)推薦算法基礎(chǔ)上，基于神經(jīng)網(wǎng)絡(luò)協(xié)同過(guò)濾NNCFRA算法，使用一種基于外積的特征交互，外積后的向量變成了一個(gè)能刻畫(huà)每維度之間關(guān)系的矩陣，然后就在這個(gè)特征交互的矩陣上采用CNN，從局部和全局，對(duì)每個(gè)維度進(jìn)行高階的交互，交叉映射后的矩陣形式使學(xué)習(xí)有效的卷積神經(jīng)網(wǎng)絡(luò)（CNN）的交互作用函數(shù)變得可行，已知該方法比通用的MLP具有更好的泛化能力，并且更容易深入。

（3）完成上述兩個(gè)核心內(nèi)容后，就開(kāi)始開(kāi)發(fā)一個(gè)基于深度學(xué)習(xí)的知識(shí)推送系統(tǒng)。該系統(tǒng)包含3個(gè)核心模塊：數(shù)據(jù)預(yù)處理模塊、功能模塊以及接口模塊。數(shù)據(jù)預(yù)處理模塊實(shí)現(xiàn)對(duì)在線(xiàn)網(wǎng)絡(luò)教學(xué)系統(tǒng)的學(xué)生做題數(shù)據(jù)搜集、遷移、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)平滑、缺失值填充、PCA處理等；功能模塊實(shí)現(xiàn)建立認(rèn)知水平模型、習(xí)題推薦功能等；接口模塊提供用戶(hù)統(tǒng)一接口，方便開(kāi)發(fā)人員進(jìn)行二次開(kāi)發(fā)^［4］。除了以上3個(gè)核心模塊之外，使用圖形界面接口開(kāi)發(fā)系統(tǒng)的圖形界面。該系統(tǒng)結(jié)構(gòu)如圖1所示。

2.2 研究的創(chuàng)新點(diǎn)與技術(shù)難點(diǎn)

2.2.1 研究創(chuàng)新點(diǎn)

本研究的系統(tǒng)具有以下創(chuàng)新點(diǎn)。

（1）基于學(xué)生對(duì)知識(shí)點(diǎn)理解程度的認(rèn)識(shí)水平模型在推薦系統(tǒng)的創(chuàng)新應(yīng)用。

學(xué)生做大量習(xí)題，但學(xué)習(xí)效率低，學(xué)習(xí)效果提升幅度不大。針對(duì)該問(wèn)題，本文嘗試通過(guò)對(duì)學(xué)生做題數(shù)據(jù)提取特征，構(gòu)建學(xué)生對(duì)知識(shí)點(diǎn)認(rèn)知水平模型，將其應(yīng)用到推薦系統(tǒng)中，實(shí)現(xiàn)在學(xué)生對(duì)知識(shí)點(diǎn)認(rèn)識(shí)水平上的習(xí)題推薦，可以更好地針對(duì)學(xué)生的學(xué)習(xí)情況，推薦適合學(xué)生加強(qiáng)練習(xí)的習(xí)題，提高學(xué)習(xí)效率^［1］。

（2）深度學(xué)習(xí)技術(shù)在推薦系統(tǒng)中的創(chuàng)新應(yīng)用。

目前深度學(xué)習(xí)在圖像處理、語(yǔ)音分析等領(lǐng)域表現(xiàn)出的巨大優(yōu)勢(shì)，使得個(gè)性化推薦算法與深度學(xué)習(xí)的結(jié)合成為可能。本文試圖通過(guò)使用神經(jīng)網(wǎng)絡(luò)協(xié)同過(guò)濾算法，解決傳統(tǒng)推薦算法存在的數(shù)據(jù)稀疏和冷啟動(dòng)問(wèn)題。

（3）開(kāi)發(fā)并應(yīng)用基于深度學(xué)習(xí)的知識(shí)推送系統(tǒng)。

該系統(tǒng)包含數(shù)據(jù)采集、數(shù)據(jù)庫(kù)鏈接、數(shù)據(jù)清理等基本的數(shù)據(jù)預(yù)處理模塊，還包含認(rèn)知水平建模、推薦算法等為基礎(chǔ)的核心功能模塊。除此之外，系統(tǒng)提供包含豐富接口的接口模塊，方便與不同系統(tǒng)對(duì)接，有良好的用戶(hù)界面，方便用戶(hù)使用。

2.2.2 研究技術(shù)難點(diǎn)

本研究系統(tǒng)的技術(shù)難點(diǎn)如下。

（1）學(xué)習(xí)的知識(shí)水平模型構(gòu)建。

現(xiàn)有的學(xué)習(xí)資源推薦系統(tǒng)，大多采用學(xué)生的學(xué)習(xí)方向、年齡、年級(jí)、性別、學(xué)習(xí)過(guò)的科目等特征，忽略了學(xué)生對(duì)知識(shí)點(diǎn)的認(rèn)知程度。需要對(duì)學(xué)生掌握的知識(shí)點(diǎn)進(jìn)行合理的電子化建模，并根據(jù)學(xué)生的認(rèn)知水平建立模型，是擬解決的關(guān)鍵問(wèn)題之一。

（2）推薦習(xí)題算法的設(shè)計(jì)。

根據(jù)學(xué)生的認(rèn)知水平模型和習(xí)題知識(shí)點(diǎn)對(duì)應(yīng)模型，兩個(gè)模型之間如何進(jìn)行設(shè)計(jì)，得到習(xí)題推薦列表，是本文重點(diǎn)解決的問(wèn)題。

（3）開(kāi)發(fā)知識(shí)推送系統(tǒng)。

需要實(shí)現(xiàn)對(duì)數(shù)據(jù)的采集、預(yù)處理；數(shù)據(jù)建模、推薦功能；接口開(kāi)發(fā)、界面開(kāi)發(fā)，為學(xué)生使用系統(tǒng)提供良好的操作界面。

2.3 采取的研究方法、技術(shù)路線(xiàn)

2.3.1 研究方法

（1）學(xué)生知識(shí)水平模型建立的研究方法，首先對(duì)數(shù)據(jù)預(yù)處理，其次針對(duì)學(xué)生的做題數(shù)據(jù)和題目與知識(shí)點(diǎn)對(duì)應(yīng)關(guān)系的特征提取，通過(guò)參考學(xué)生認(rèn)知建模中的離散型認(rèn)知診斷模型DINA，進(jìn)行數(shù)據(jù)建模。

（2）習(xí)題推薦算法研究方法，主要使用了新方法，基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)過(guò)濾算法，為此采用在大數(shù)據(jù)環(huán)境下，進(jìn)行模擬驗(yàn)證，再進(jìn)行比較，確定算法的優(yōu)化性能。

（3）知識(shí)推送系統(tǒng)的構(gòu)建方法，主要從學(xué)生做題的特性、題目與知識(shí)點(diǎn)對(duì)應(yīng)的特征到深度學(xué)習(xí)的推薦算法進(jìn)行論證分析，然后設(shè)計(jì)模型，最后技術(shù)實(shí)現(xiàn)。

2.3.2 系統(tǒng)技術(shù)路線(xiàn)

結(jié)合國(guó)內(nèi)外的研究成果，本系統(tǒng)擬采用以下技術(shù)路線(xiàn)開(kāi)展研究及開(kāi)發(fā)，如圖2所示。在大數(shù)據(jù)環(huán)境下，要充分利用現(xiàn)有的大數(shù)據(jù)技術(shù)，以及計(jì)算機(jī)人工智能技術(shù)對(duì)本系統(tǒng)研究的數(shù)據(jù)及方案進(jìn)行充分調(diào)查和分析，在制定方案后，對(duì)系統(tǒng)采用的算法及技術(shù)進(jìn)行優(yōu)化和測(cè)試，從而得到適合本研究的技術(shù)方案及設(shè)計(jì)方案。

2.4 系統(tǒng)研究技術(shù)方案及算法研究

2.4.1 數(shù)據(jù)預(yù)處理方案

從在線(xiàn)學(xué)習(xí)系統(tǒng)收集到的學(xué)習(xí)數(shù)據(jù)、答題數(shù)據(jù)和題庫(kù)數(shù)據(jù)，存在許多無(wú)用字段，多余數(shù)據(jù)，是否有缺失值等，這些數(shù)據(jù)表現(xiàn)出很大的異構(gòu)性。對(duì)收集到的數(shù)據(jù)進(jìn)行數(shù)據(jù)清理、數(shù)據(jù)集成與融合、數(shù)據(jù)變換、數(shù)據(jù)規(guī)約。

（1）數(shù)據(jù)清理，主要對(duì)由于重復(fù)錄入，并發(fā)處理等不規(guī)范的操作，導(dǎo)致產(chǎn)生不完整，不準(zhǔn)確的無(wú)效數(shù)據(jù)進(jìn)行清理。數(shù)據(jù)清理處理有缺失值處理、噪聲處理。

（2）數(shù)據(jù)集成，對(duì)于本系統(tǒng)的設(shè)計(jì)，由于不同表中互相關(guān)聯(lián)的異構(gòu)數(shù)據(jù)源需要集成到一起，以透明的方式訪(fǎng)問(wèn)這些數(shù)據(jù)源。數(shù)據(jù)集成的方法有聯(lián)邦數(shù)據(jù)庫(kù)、中間件集成、數(shù)據(jù)復(fù)制。

（3）數(shù)據(jù)規(guī)約，從龐大的學(xué)習(xí)數(shù)據(jù)集合中獲得一個(gè)精簡(jiǎn)的數(shù)據(jù)集合，并使這一精簡(jiǎn)數(shù)據(jù)集保持原有數(shù)據(jù)集的完整性，這樣在精簡(jiǎn)數(shù)據(jù)集上進(jìn)行數(shù)據(jù)挖掘顯然效率更高，并且挖掘出來(lái)的結(jié)果與使用原有數(shù)據(jù)集所獲得結(jié)果基本相同。數(shù)據(jù)規(guī)約主要包含維規(guī)約、數(shù)量規(guī)約、數(shù)據(jù)壓縮。

（4）數(shù)據(jù)變換，將數(shù)據(jù)轉(zhuǎn)換或統(tǒng)一成易于進(jìn)行數(shù)據(jù)挖掘的數(shù)據(jù)存儲(chǔ)形式，使得挖掘過(guò)程更有效。所使用的方法策略有光滑、屬性構(gòu)造、聚集、規(guī)范化、概念分層。

數(shù)據(jù)的預(yù)處理的實(shí)驗(yàn)步驟如圖3所示。

2.4.2 構(gòu)建學(xué)生的認(rèn)知水平建模

假設(shè)習(xí)題k相關(guān)的知識(shí)點(diǎn)有N個(gè)，那么綜合以往的研究結(jié)果，我們?cè)O(shè)學(xué)生j在習(xí)題k上根據(jù)知識(shí)點(diǎn)掌握情況的預(yù)計(jì)正確的情況為：

其中，B_kn表示習(xí)題k對(duì)知識(shí)點(diǎn)n的考查情況，B_kn=1表示習(xí)題k對(duì)知識(shí)點(diǎn)n進(jìn)行了考查，B_kn=0表示習(xí)題k沒(méi)有對(duì)知識(shí)點(diǎn)n進(jìn)行考查；

C_jn表示學(xué)生j對(duì)知識(shí)點(diǎn)n的掌握情況，C_jn=1表示學(xué)生j掌握了知識(shí)點(diǎn)n，C_jn=0表示學(xué)生j沒(méi)有掌握知識(shí)點(diǎn)n；

δ_jk表示學(xué)生j在習(xí)題k上根據(jù)知識(shí)點(diǎn)掌握情況的預(yù)計(jì)正確情況，δ_jk=1表示預(yù)計(jì)學(xué)生i可以做對(duì)習(xí)題j，δ_jk=1表示預(yù)計(jì)學(xué)生j做不對(duì)習(xí)題k。

以上是假設(shè)學(xué)生只要掌握了所有相關(guān)知識(shí)點(diǎn)，才能做對(duì)題目，但在答題過(guò)程中，還存在粗心和猜對(duì)的情況，故在模型中加入兩個(gè)參數(shù)，粗心因子β和猜對(duì)因子γ。粗心因子β表示本來(lái)能做對(duì)（已經(jīng)掌握了所有知識(shí)點(diǎn)），但實(shí)際做錯(cuò)了，猜對(duì)因子γ表示本身不應(yīng)該做對(duì)（知識(shí)點(diǎn)沒(méi)掌握），但是卻做對(duì)了。加入兩個(gè)因子后，模型變?yōu)椋?/p>

P_jk表示修正后的學(xué)生j在習(xí)題k上正確的概率，注意此處本質(zhì)是個(gè)條件概率，是在假設(shè)一直學(xué)生j對(duì)某個(gè)知識(shí)點(diǎn)認(rèn)識(shí)水平C_j的基礎(chǔ)上，得出學(xué)生j在習(xí)題k的正確概率；β_k表示學(xué)生j在習(xí)題k上粗心做錯(cuò)的概率，γ_k表示學(xué)生j在習(xí)題k上猜對(duì)的概率。

上述模型中，β_k，γ_k，C_jn是未知的參數(shù)，需要進(jìn)行求解。求解完畢后，C_jn就是學(xué)生j對(duì)知識(shí)點(diǎn)n的認(rèn)知水平。C_j向量就是學(xué)生j的某個(gè)知識(shí)點(diǎn)認(rèn)識(shí)水平。

對(duì)某個(gè)知識(shí)點(diǎn)水平C_j，有2U中可能，U表示知識(shí)點(diǎn)的數(shù)量。C_j的取值將直接影響到學(xué)生j在習(xí)題k上根據(jù)知識(shí)點(diǎn)掌握情況的預(yù)計(jì)正確情況δ_jk。這里擬采用EM算法來(lái)解決這個(gè)問(wèn)題。

假設(shè)每個(gè)學(xué)生對(duì)習(xí)題的回答都是獨(dú)立的，學(xué)生i的m道習(xí)題答題結(jié)果條件分布為

對(duì)于J個(gè)學(xué)生的答題結(jié)果條件分布為

邊緣分布處理為

兩邊去對(duì)數(shù)得

對(duì)β_k，γ_k求導(dǎo)

此過(guò)程計(jì)算，記為過(guò)程A。

兩邊取對(duì)數(shù)后得：

此過(guò)程計(jì)算，記為過(guò)程B。

在計(jì)算過(guò)程中，給出參數(shù)，γ_k的初值。執(zhí)行過(guò)程A，得到Cj，把Cj帶入過(guò)程B，重復(fù)執(zhí)行過(guò)程A和B，直到算法收斂^［1］。

2.4.3 神經(jīng)網(wǎng)絡(luò)協(xié)同過(guò)濾（NNC）架構(gòu)分析

智能推薦系統(tǒng)中最重要的數(shù)據(jù)處理功能和環(huán)節(jié)是通過(guò)神經(jīng)網(wǎng)絡(luò)協(xié)同過(guò)濾（NNC）架構(gòu)，得出預(yù)測(cè)待推薦習(xí)題的指標(biāo)，結(jié)合智能推薦系統(tǒng)的算法進(jìn)行智能數(shù)據(jù)分析。

（1）神經(jīng)網(wǎng)絡(luò)協(xié)同過(guò)濾設(shè)計(jì)。

在這項(xiàng)工作中，我們通過(guò)將嵌入維度之間的相關(guān)性集成到建模中，提出了一種用于神經(jīng)協(xié)作過(guò)濾（NNC）的架構(gòu)。具體來(lái)說(shuō)，我們?cè)谇度雽由戏绞褂猛獠砍朔e運(yùn)算，以明確捕獲嵌入尺寸之間的成對(duì)相關(guān)性^［1］。具體算法步驟如下。

Step1：學(xué)生的認(rèn)知水平矩陣、題目對(duì)應(yīng)知識(shí)點(diǎn)矩陣作為輸入信息，放置在輸入層；

Step2：把輸入層的數(shù)據(jù)轉(zhuǎn)換為嵌入矩陣，即嵌入層；

Step3：在嵌入層上方，對(duì)P_u和q_i使用外積運(yùn)算來(lái)獲得交互作用圖；

Step4：從交叉映射中提取有用的信號(hào)；

Step5：接收Step4得到的信號(hào)，輸出預(yù)測(cè)分值。

本系統(tǒng)選取神經(jīng)協(xié)同過(guò)濾算法來(lái)實(shí)現(xiàn)本系統(tǒng)的智能知識(shí)推薦系統(tǒng)的算法，該算法包括輸入層、嵌入層、交叉映射、隱藏層和預(yù)測(cè)層5部分組成，圖4是本系統(tǒng)的神經(jīng)協(xié)同過(guò)濾算法NNC的架構(gòu)^［5］。

（2）基于神經(jīng)網(wǎng)絡(luò)協(xié)同過(guò)濾架構(gòu)的使用過(guò)程^［1］。

建模的目的是估計(jì)學(xué)生認(rèn)知水平K（u）與題目E（i）之間的匹配分?jǐn)?shù)；然后我們可以根據(jù)得分為學(xué)生生成個(gè)性化的學(xué)習(xí)推薦列表，數(shù)據(jù)過(guò)濾架構(gòu)可以分為以下幾層。

輸入和嵌入層：給定認(rèn)知水平矩陣V_u^U和習(xí)題矩陣V_i^I，我們可以通過(guò)以下方式獲得它們的嵌入模型P_u和q_i：

P_u=P^TV_u^U，q_i=Q^TV_i^I

其中P∈R^M×N和Q∈R^N×K分別是知識(shí)水平矩陣和題目特征矩陣的嵌入矩陣；K，M和N分別表示嵌入大小，用戶(hù)功能數(shù)量和項(xiàng)目功能數(shù)量。

交叉映射：在嵌入層上方，建議對(duì)P_u和q_i使用外積運(yùn)算來(lái)獲得交互作用圖：

E=P_u?q_i=P_uq_i^T

其中，E是一個(gè)K×K矩陣，其中每個(gè)元素都被評(píng)估為 如：e_k1，k2=p_u，k1q_i，k2。

隱藏層：交互圖上方是一疊隱藏層，目的是從交互圖中提取有用的信號(hào)。它經(jīng)過(guò)設(shè)計(jì)，可以抽象為g=f_Θ（E），其中 fΘ表示具有參數(shù)Θ的隱藏層模型，而g是要用于最終預(yù)測(cè)的輸出矢量。從技術(shù)上講，fΘ可設(shè)計(jì)為將矩陣作為輸入并輸出矢量的任何函數(shù)。

預(yù)測(cè)層：預(yù)測(cè)層接受向量g，并將預(yù)測(cè)分?jǐn)?shù)輸出為：y^-_ui=W^Tg，其中向量w以g加權(quán)交互信號(hào)。

2.4.4 系統(tǒng)功能模塊設(shè)計(jì)與實(shí)現(xiàn)技術(shù)

本系統(tǒng)設(shè)計(jì)主要分為數(shù)據(jù)導(dǎo)入模塊、數(shù)據(jù)預(yù)處理模塊、認(rèn)識(shí)水平建模模塊、預(yù)測(cè)推薦習(xí)題模塊、題庫(kù)管理模塊、題目展示界面模塊、登錄模塊。主要系統(tǒng)模塊結(jié)構(gòu)如圖5所示。

模塊的劃分是按照信息系統(tǒng)的劃分原則結(jié)合智能推薦系統(tǒng)的特點(diǎn)進(jìn)行劃分的，各模塊的功能完全是根據(jù)智能推薦系統(tǒng)的處理，數(shù)據(jù)的預(yù)處理模塊為基礎(chǔ)模塊，主要負(fù)責(zé)數(shù)據(jù)導(dǎo)入、數(shù)據(jù)清理、數(shù)據(jù)集成與融合、數(shù)據(jù)變換、數(shù)據(jù)規(guī)約，給上層提供數(shù)據(jù)基礎(chǔ)；認(rèn)識(shí)水平建模模塊、預(yù)測(cè)推薦習(xí)題模塊為核心分析模塊，負(fù)責(zé)建模、智能決策分析，把分析得到的結(jié)果提供給上層界面層；登錄模塊、題庫(kù)管理模塊、題目展示模塊設(shè)計(jì)為上層界面模塊，負(fù)責(zé)對(duì)用戶(hù)提供良好的交互性和體驗(yàn)性^［5］。模塊的劃分如圖6所示。

技術(shù)實(shí)現(xiàn)方面采用的實(shí)現(xiàn)技術(shù)為：數(shù)據(jù)的預(yù)處理模塊，將使用kettle工具，實(shí)現(xiàn)數(shù)據(jù)的抽取、轉(zhuǎn)換、裝載。認(rèn)識(shí)水平建模模塊、預(yù)測(cè)推薦習(xí)題模塊，采用Python編程實(shí)現(xiàn)模型，導(dǎo)入數(shù)據(jù)進(jìn)行測(cè)試模擬，與真實(shí)值進(jìn)行對(duì)比，再修正參數(shù)，以上步驟迭代進(jìn)行。登錄模塊、題庫(kù)管理模塊、題目展示模塊，屬于界面功能接口，將采用C#編程技術(shù)實(shí)現(xiàn)可視化的操作界面^［6］。

2.4.5 系統(tǒng)的技術(shù)指標(biāo)

本系統(tǒng)要達(dá)到以下的指標(biāo)及要求。

（1）達(dá)到能夠搭建學(xué)生知識(shí)水平模型。首先是對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，其次針對(duì)學(xué)生的做題數(shù)據(jù)和題目與知識(shí)點(diǎn)對(duì)應(yīng)關(guān)系的特征提取，通過(guò)參考學(xué)生認(rèn)知建模中的離散型認(rèn)知診斷模型DINA，進(jìn)行數(shù)據(jù)建模。

（2）習(xí)題推薦算法，要達(dá)到基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)過(guò)濾算法，采用在大數(shù)據(jù)環(huán)境下，進(jìn)行模擬驗(yàn)證，再進(jìn)行比較，最終確定算法的優(yōu)化性能。

（3）知識(shí)推送系統(tǒng)，實(shí)現(xiàn)人機(jī)交互界面。

3 結(jié)語(yǔ)

本文采用的方法和技術(shù)路線(xiàn)是充分借鑒了大數(shù)據(jù)處理技術(shù)和個(gè)性化推薦系統(tǒng)的最新研究成果，并且已經(jīng)在前期工作中得到驗(yàn)證，研究方案在理論和技術(shù)上均是可行的，研究的系統(tǒng)具有以下的特點(diǎn)。

（1）目前個(gè)性化推薦系統(tǒng)技術(shù)已經(jīng)逐漸成熟，但高校大學(xué)生的個(gè)性化知識(shí)推薦的應(yīng)用研究還在發(fā)展中，未來(lái)研究工作將在國(guó)內(nèi)外相關(guān)研究成果的基礎(chǔ)上展開(kāi)，依托大數(shù)據(jù)和深度學(xué)習(xí)現(xiàn)有理論和開(kāi)源工具，結(jié)合高校大學(xué)生的個(gè)性化學(xué)習(xí)特點(diǎn)進(jìn)行創(chuàng)新。

（2）本研究項(xiàng)目涉及的技術(shù)領(lǐng)域，大數(shù)據(jù)技術(shù)、人工智能都是我國(guó)重點(diǎn)發(fā)展的技術(shù)，因此具有廣闊的市場(chǎng)應(yīng)用前景。相關(guān)技術(shù)應(yīng)用的現(xiàn)實(shí)市場(chǎng)需求旺盛，同時(shí)系統(tǒng)涉及的主要領(lǐng)域是教育產(chǎn)業(yè)，受眾群體廣泛，服務(wù)人數(shù)眾多，具有可持續(xù)發(fā)展性。相關(guān)研究機(jī)構(gòu)的數(shù)據(jù)表明未來(lái)隨著國(guó)家教育的發(fā)展，市場(chǎng)規(guī)模將進(jìn)一步擴(kuò)大。

參考文獻(xiàn)

［1］陳慧.基于深度學(xué)習(xí)算法的高校人才個(gè)性化智能推薦系統(tǒng)［J］.電子設(shè)計(jì)工程，2021（11）：39-42.

［2］趙泉.大數(shù)據(jù)背景下的智能課程推薦系統(tǒng)研究［J］.信息與電腦2019（11）：101-104.

［3］陳彬，張榮梅.智能推薦系統(tǒng)研究綜述［J］.河北省科學(xué)院學(xué)報(bào)，2018（3）：82-92.

［4］姚凱，涂平，陳宇新，等.基于多源大數(shù)據(jù)的個(gè)性化推薦系統(tǒng)效果研究［J］.管理科學(xué)，2018（5）：3-15.

［5］張耀，王丹丹，梁志遠(yuǎn)，崔曉萌.智能運(yùn)維平臺(tái)協(xié)同過(guò)濾信息推薦系統(tǒng)設(shè)計(jì)［J］.電子設(shè)計(jì)工程，2022（3）：52-54.

［6］李梅珍.大數(shù)據(jù)環(huán)境下高校圖書(shū)館建立科研數(shù)據(jù)知識(shí)庫(kù)智能推薦系統(tǒng)的思考［J］.圖書(shū)館學(xué)刊，2019（3）：102-105.

（編輯 李春燕）

Research on knowledge intelligence recommendation system for college students under the background of big data

Wang Jinquan

（Guangzhou Modern Information Engineering Vocational and Technical College， Guangzhou 510663， China）

Abstract： In order to solve the problem that university students repeat and do a lot of exercises， but their knowledge is still not solid， which has been plagued by teachers and students， it is proposed to use big data， artificial intelligence and other technologies to analyze the level of studentsknowledge， and to recommend appropriate knowledge， strengthen exercises and improve learning efficiency in the light of weak points of knowledge. Based on the combination of big data technology and in-depth learning， this study studies and develops a personalized knowledge and intelligence recommendation system to meet the cognitive level of different college students on knowledge points， so as to personalize the recommendation of appropriate knowledge to students.

Key words： big data; intelligent recommendation; collaborative filtering algorithm; data processing