王金權(quán)

摘要：高校大學(xué)生重復(fù)做大量習(xí)題，但知識依然掌握不扎實，一直困擾著教師和學(xué)生。為解決這一問題，文章擬采用大數(shù)據(jù)、人工智能等技術(shù)，分析學(xué)生知識掌握水平，并在針對薄弱知識點上，推薦適合的知識，加強練習(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)，研究并開發(fā)個性化的知識智能推薦系統(tǒng)，滿足不同大學(xué)生對知識點的認知水平，達到個性化地推薦適合的知識給學(xué)生的目的。

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

中圖分類號：TP391

文獻標志碼：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)時代的來臨，我國經(jīng)濟、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)時代背景、個性特點進行變革。在眾多的教學(xué)改革創(chuàng)新模式中，基于大數(shù)據(jù)背景下的個性化知識智能推送成為教學(xué)改革的主流創(chuàng)新方向之一。

在學(xué)校信息化教學(xué)過程中，利用信息技術(shù)輔助教學(xué)，學(xué)生的考試開始通過計算機或平板等設(shè)備，實現(xiàn)無紙化考試，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)做大量知識點題目，導(dǎo)致已掌握的題目花大量時間，掌握不深的題目卻得不到更多時間學(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)效率低的問題。針對該問題，將學(xué)生做習(xí)題及學(xué)習(xí)的歷史數(shù)據(jù)進行建模，得出學(xué)生認知水平模式，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，研究并開發(fā)一個能通過做題歷史數(shù)據(jù)分析后，結(jié)合學(xué)生的個人學(xué)習(xí)領(lǐng)域，得出習(xí)題推薦的系統(tǒng)，實現(xiàn)對學(xué)生的學(xué)習(xí)情況分析，提供個性化地教學(xué)，提高教學(xué)質(zhì)量，有效推動教學(xué)改革創(chuàng)新^［1］。

1.2 國內(nèi)外研究現(xiàn)狀、水平和發(fā)展趨勢分析

個性化智能學(xué)習(xí)是教學(xué)領(lǐng)域中的熱點問題，也是對傳統(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問題。

國內(nèi)學(xué)者和專家也對個性化的智能推薦系統(tǒng)進行了研究，得到比較專業(yè)和可行的理論和算法，主要理論和算法有：協(xié)同過濾算法理論，它是通過對學(xué)習(xí)者偏好的挖掘，基于不同的偏好對學(xué)習(xí)者進行分組劃分，并推薦相似的學(xué)習(xí)資源給各組，協(xié)同過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。

通過以上分析可以看出，國內(nèi)學(xué)者對個性化知識的推薦技術(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)生掌握知識點的程度概率化，綜合學(xué)生做題的得分情況，題目與知識點對應(yīng)情況，構(gòu)造知識點水平模型，并且基于知識認知水平模型，構(gòu)建基于神經(jīng)網(wǎng)絡(luò)協(xié)同過濾推薦算法，從而實現(xiàn)學(xué)生獲取學(xué)習(xí)資源的方式從“學(xué)習(xí)者主動搜索”轉(zhuǎn)變?yōu)椤皩W(xué)習(xí)系統(tǒng)自動為學(xué)習(xí)者提供個性化學(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^［2］。

2 系統(tǒng)的研究方案

2.1 主要研究目標與研究內(nèi)容

本研究的目標是針對不同學(xué)生對知識理解能力和已有知識掌握程度的差異，通過對他們的做題數(shù)據(jù)進行分析，建立數(shù)據(jù)模型和設(shè)計推薦算法，把真正適合學(xué)生的個性化習(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］。

本課題主要研究內(nèi)容包括認識水平模型建立、設(shè)計推薦算法、設(shè)計接口系統(tǒng)3個部分。

（1）從學(xué)生對知識點的理解程度入手，針對學(xué)生的做題數(shù)據(jù)進行特征提取，結(jié)合習(xí)題對應(yīng)知識點結(jié)構(gòu)的特征，通過參考一種典型的離散型認知診斷模型DINA（Deterministic Inputs，Noisy “And” gate model）模型，建立起學(xué)生做對或做過的每個知識點的認知水平特征向量，即認識水平模型。

（2）在研究了各類推薦算法基礎(chǔ)上，基于神經(jīng)網(wǎng)絡(luò)協(xié)同過濾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能刻畫每維度之間關(guān)系的矩陣，然后就在這個特征交互的矩陣上采用CNN，從局部和全局，對每個維度進行高階的交互，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）完成上述兩個核心內(nèi)容后，就開始開發(fā)一個基于深度學(xué)習(xí)的知識推送系統(tǒng)。該系統(tǒng)包含3個核心模塊：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)處理模塊實現(xiàn)對在線網(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；功能模塊實現(xiàn)建立認知水平模型、習(xí)題推薦功能等；接口模塊提供用戶統(tǒng)一接口，方便開發(fā)人員進行二次開發(fā)^［4］。除了以上3個核心模塊之外，使用圖形界面接口開發(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)新點與技術(shù)難點

2.2.1 研究創(chuàng)新點

本研究的系統(tǒng)具有以下創(chuàng)新點。

（1）基于學(xué)生對知識點理解程度的認識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。針對該問題，本文嘗試通過對學(xué)生做題數(shù)據(jù)提取特征，構(gòu)建學(xué)生對知識點認知水平模型，將其應(yīng)用到推薦系統(tǒng)中，實現(xiàn)在學(xué)生對知識點認識水平上的習(xí)題推薦，可以更好地針對學(xué)生的學(xué)習(xí)情況，推薦適合學(xué)生加強練習(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、語音分析等領(lǐng)域表現(xiàn)出的巨大優(yōu)勢，使得個性化推薦算法與深度學(xué)習(xí)的結(jié)合成為可能。本文試圖通過使用神經(jīng)網(wǎng)絡(luò)協(xié)同過濾算法，解決傳統(tǒng)推薦算法存在的數(shù)據(jù)稀疏和冷啟動問題。

（3）開發(fā)并應(yīng)用基于深度學(xué)習(xí)的知識推送系統(tǒng)。

該系統(tǒng)包含數(shù)據(jù)采集、數(shù)據(jù)庫鏈接、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)對接，有良好的用戶界面，方便用戶使用。

2.2.2 研究技術(shù)難點

本研究系統(tǒng)的技術(shù)難點如下。

（1）學(xué)習(xí)的知識水平模型構(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、性別、學(xué)習(xí)過的科目等特征，忽略了學(xué)生對知識點的認知程度。需要對學(xué)生掌握的知識點進行合理的電子化建模，并根據(jù)學(xué)生的認知水平建立模型，是擬解決的關(guān)鍵問題之一。

（2）推薦習(xí)題算法的設(shè)計。

根據(jù)學(xué)生的認知水平模型和習(xí)題知識點對應(yīng)模型，兩個模型之間如何進行設(shè)計，得到習(xí)題推薦列表，是本文重點解決的問題。

（3）開發(fā)知識推送系統(tǒng)。

需要實現(xiàn)對數(shù)據(jù)的采集、預(yù)處理；數(shù)據(jù)建模、推薦功能；接口開發(fā)、界面開發(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

2.3.1 研究方法

（1）學(xué)生知識水平模型建立的研究方法，首先對數(shù)據(jù)預(yù)處理，其次針對學(xué)生的做題數(shù)據(jù)和題目與知識點對應(yīng)關(guān)系的特征提取，通過參考學(xué)生認知建模中的離散型認知診斷模型DINA，進行數(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)過濾算法，為此采用在大數(shù)據(jù)環(huán)境下，進行模擬驗證，再進行比較，確定算法的優(yōu)化性能。

（3）知識推送系統(tǒng)的構(gòu)建方法，主要從學(xué)生做題的特性、題目與知識點對應(yīng)的特征到深度學(xué)習(xí)的推薦算法進行論證分析，然后設(shè)計模型，最后技術(shù)實現(xiàn)。

2.3.2 系統(tǒng)技術(shù)路線

結(jié)合國內(nèi)外的研究成果，本系統(tǒng)擬采用以下技術(shù)路線開展研究及開發(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)，以及計算機人工智能技術(shù)對本系統(tǒng)研究的數(shù)據(jù)及方案進行充分調(diào)查和分析，在制定方案后，對系統(tǒng)采用的算法及技術(shù)進行優(yōu)化和測試，從而得到適合本研究的技術(shù)方案及設(shè)計方案。

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)和題庫數(shù)據(jù)，存在許多無用字段，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。對收集到的數(shù)據(jù)進行數(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，不準確的無效數(shù)據(jù)進行清理。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，對于本系統(tǒng)的設(shè)計，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，以透明的方式訪問這些數(shù)據(jù)源。數(shù)據(jù)集成的方法有聯(lián)邦數(shù)據(jù)庫、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)集合中獲得一個精簡的數(shù)據(jù)集合，并使這一精簡數(shù)據(jù)集保持原有數(shù)據(jù)集的完整性，這樣在精簡數(shù)據(jù)集上進行數(shù)據(jù)挖掘顯然效率更高，并且挖掘出來的結(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)一成易于進行數(shù)據(jù)挖掘的數(shù)據(jù)存儲形式，使得挖掘過程更有效。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)處理的實驗步驟如圖3所示。

2.4.2 構(gòu)建學(xué)生的認知水平建模

假設(shè)習(xí)題k相關(guān)的知識點有N個，那么綜合以往的研究結(jié)果，我們設(shè)學(xué)生j在習(xí)題k上根據(jù)知識點掌握情況的預(yù)計正確的情況為：

其中，B_kn表示習(xí)題k對知識點n的考查情況，B_kn=1表示習(xí)題k對知識點n進行了考查，B_kn=0表示習(xí)題k沒有對知識點n進行考查；

C_jn表示學(xué)生j對知識點n的掌握情況，C_jn=1表示學(xué)生j掌握了知識點n，C_jn=0表示學(xué)生j沒有掌握知識點n；

δ_jk表示學(xué)生j在習(xí)題k上根據(jù)知識點掌握情況的預(yù)計正確情況，δ_jk=1表示預(yù)計學(xué)生i可以做對習(xí)題j，δ_jk=1表示預(yù)計學(xué)生j做不對習(xí)題k。

以上是假設(shè)學(xué)生只要掌握了所有相關(guān)知識點，才能做對題目，但在答題過程中，還存在粗心和猜對的情況，故在模型中加入兩個參數(shù)，粗心因子β和猜對因子γ。粗心因子β表示本來能做對（已經(jīng)掌握了所有知識點），但實際做錯了，猜對因子γ表示本身不應(yīng)該做對（知識點沒掌握），但是卻做對了。加入兩個因子后，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)是個條件概率，是在假設(shè)一直學(xué)生j對某個知識點認識水平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上粗心做錯的概率，γ_k表示學(xué)生j在習(xí)題k上猜對的概率。

上述模型中，β_k，γ_k，C_jn是未知的參數(shù)，需要進行求解。求解完畢后，C_jn就是學(xué)生j對知識點n的認知水平。C_j向量就是學(xué)生j的某個知識點認識水平。

對某個知識點水平C_j，有2U中可能，U表示知識點的數(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)知識點掌握情況的預(yù)計正確情況δ_jk。這里擬采用EM算法來解決這個問題。

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

對于J個學(xué)生的答題結(jié)果條件分布為

邊緣分布處理為

兩邊去對數(shù)得

對β_k，γ_k求導(dǎo)

此過程計算，記為過程A。

兩邊取對數(shù)后得：

此過程計算，記為過程B。

在計算過程中，給出參數(shù)，γ_k的初值。執(zhí)行過程A，得到Cj，把Cj帶入過程B，重復(fù)執(zhí)行過程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)是通過神經(jīng)網(wǎng)絡(luò)協(xié)同過濾（NNC）架構(gòu)，得出預(yù)測待推薦習(xí)題的指標，結(jié)合智能推薦系統(tǒng)的算法進行智能數(shù)據(jù)分析。

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

在這項工作中，我們通過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)作過濾（NNC）的架構(gòu)。具體來說，我們在嵌入層上方使用外部乘積運算，以明確捕獲嵌入尺寸之間的成對相關(guān)性^［1］。具體算法步驟如下。

Step1：學(xué)生的認知水平矩陣、題目對應(yīng)知識點矩陣作為輸入信息，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P_u和q_i使用外積運算來獲得交互作用圖；

Step4：從交叉映射中提取有用的信號；

Step5：接收Step4得到的信號，輸出預(yù)測分值。

本系統(tǒng)選取神經(jīng)協(xié)同過濾算法來實現(xiàn)本系統(tǒng)的智能知識推薦系統(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)測層5部分組成，圖4是本系統(tǒng)的神經(jīng)協(xié)同過濾算法NNC的架構(gòu)^［5］。

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

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

輸入和嵌入層：給定認知水平矩陣V_u^U和習(xí)題矩陣V_i^I，我們可以通過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，用戶功能數(shù)量和項目功能數(shù)量。

交叉映射：在嵌入層上方，建議對P_u和q_i使用外積運算來獲得交互作用圖：

E=P_u?q_i=P_uq_i^T

其中，E是一個K×K矩陣，其中每個元素都被評估為 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。它經(jīng)過設(shè)計，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)測的輸出矢量。從技術(shù)上講，fΘ可設(shè)計為將矩陣作為輸入并輸出矢量的任何函數(shù)。

預(yù)測層：預(yù)測層接受向量g，并將預(yù)測分數(shù)輸出為：y^-_ui=W^Tg，其中向量w以g加權(quán)交互信號。

2.4.4 系統(tǒng)功能模塊設(shè)計與實現(xiàn)技術(shù)

本系統(tǒng)設(shè)計主要分為數(shù)據(jù)導(dǎo)入模塊、數(shù)據(jù)預(yù)處理模塊、認識水平建模模塊、預(yù)測推薦習(xí)題模塊、題庫管理模塊、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)的特點進行劃分的，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)；認識水平建模模塊、預(yù)測推薦習(xí)題模塊為核心分析模塊，負責(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、題庫管理模塊、題目展示模塊設(shè)計為上層界面模塊，負責(zé)對用戶提供良好的交互性和體驗性^［5］。模塊的劃分如圖6所示。

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

2.4.5 系統(tǒng)的技術(shù)指標

本系統(tǒng)要達到以下的指標及要求。

（1）達到能夠搭建學(xué)生知識水平模型。首先是對數(shù)據(jù)進行預(yù)處理，其次針對學(xué)生的做題數(shù)據(jù)和題目與知識點對應(yīng)關(guān)系的特征提取，通過參考學(xué)生認知建模中的離散型認知診斷模型DINA，進行數(shù)據(jù)建模。

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

（3）知識推送系統(tǒng)，實現(xiàn)人機交互界面。

3 結(jié)語

本文采用的方法和技術(shù)路線是充分借鑒了大數(shù)據(jù)處理技術(shù)和個性化推薦系統(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。

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

（2）本研究項目涉及的技術(shù)領(lǐng)域，大數(shù)據(jù)技術(shù)、人工智能都是我國重點發(fā)展的技術(shù)，因此具有廣闊的市場應(yīng)用前景。相關(guān)技術(shù)應(yīng)用的現(xiàn)實市場需求旺盛，同時系統(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)研究機構(gòu)的數(shù)據(jù)表明未來隨著國家教育的發(fā)展，市場規(guī)模將進一步擴大。

參考文獻

［1］陳慧.基于深度學(xué)習(xí)算法的高校人才個性化智能推薦系統(tǒng)［J］.電子設(shè)計工程，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，2018（3）：82-92.

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

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

［6］李梅珍.大數(shù)據(jù)環(huán)境下高校圖書館建立科研數(shù)據(jù)知識庫智能推薦系統(tǒng)的思考［J］.圖書館學(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