摘要：常規(guī)推薦方法推薦形式較為單一，導(dǎo)致其推薦效果不佳。為解決這一問(wèn)題，文章基于深度學(xué)習(xí)理論，設(shè)計(jì)計(jì)算機(jī)專業(yè)個(gè)性化教學(xué)資源推薦方法。該方法首先深入了解高校學(xué)生學(xué)習(xí)習(xí)慣、興趣偏好、學(xué)習(xí)目標(biāo)與教學(xué)進(jìn)度，完成推薦需求分析與教學(xué)資源推薦標(biāo)簽的生成；然后，以此為基礎(chǔ)，基于深度學(xué)習(xí)理論，構(gòu)建教學(xué)資源推薦模型，基于梯度下降算法完成模型訓(xùn)練，實(shí)現(xiàn)教學(xué)資源的精準(zhǔn)推薦；最后，應(yīng)用對(duì)比實(shí)驗(yàn)驗(yàn)證所提方法的先進(jìn)性。測(cè)試結(jié)果表明：該設(shè)計(jì)方法最終得出的推薦頻次均值較高，高于20次，優(yōu)于對(duì)比方法，推薦效果更能滿足實(shí)際需求。

關(guān)鍵詞：深度學(xué)習(xí)；計(jì)算機(jī)專業(yè)；教學(xué)資源；推薦方法

中圖分類號(hào)：TP391""文獻(xiàn)標(biāo)志碼：A

0"引言

在信息爆炸時(shí)代，高校計(jì)算機(jī)教學(xué)資源日益豐富。然而，如何從海量資源中精準(zhǔn)地篩選出適合每個(gè)學(xué)生的學(xué)習(xí)材料，實(shí)現(xiàn)個(gè)性化推薦已成為一個(gè)亟待解決的難題。近年來(lái)，眾多學(xué)者開展相關(guān)研究，如張嬋^［1］提出的基于數(shù)據(jù)挖掘的課程思政教學(xué)資源個(gè)性化推薦方法深入挖掘并分析學(xué)生的歷史學(xué)習(xí)行為和興趣偏好，通過(guò)對(duì)比和構(gòu)建用戶畫像與資源標(biāo)簽，實(shí)現(xiàn)精準(zhǔn)的資源匹配與推薦；李黨恩^［2］提出的免疫進(jìn)化算法的計(jì)算機(jī)課程線上教學(xué)資源推薦方法則是借鑒了生物的免疫機(jī)制，通過(guò)模擬免疫細(xì)胞的識(shí)別、學(xué)習(xí)和進(jìn)化，實(shí)現(xiàn)高校計(jì)算機(jī)教學(xué)資源個(gè)性化推薦。盡管這些方法在一定程度上實(shí)現(xiàn)了個(gè)性化推薦的預(yù)期目標(biāo)，但其針對(duì)性仍然較為單一，無(wú)法全面滿足學(xué)生個(gè)性化學(xué)習(xí)的多元需求。在該背景下，文章提出了一種基于深度學(xué)習(xí)的計(jì)算機(jī)專業(yè)個(gè)性化教學(xué)資源推薦方法，以期能夠更有效地解決這一問(wèn)題。

1"設(shè)計(jì)高校計(jì)算機(jī)教學(xué)資源深度學(xué)習(xí)個(gè)性化推薦方法

1.1"需求分析與推薦標(biāo)簽設(shè)定

在完成個(gè)性化教學(xué)資源推薦時(shí)，需要先深入了解高校學(xué)生的學(xué)習(xí)習(xí)慣、興趣偏好、學(xué)習(xí)目標(biāo)與教學(xué)進(jìn)度^［3］。這包括但不限于學(xué)生在計(jì)算機(jī)課程中的歷史學(xué)習(xí)數(shù)據(jù)，如瀏覽記錄、學(xué)習(xí)時(shí)長(zhǎng)、互動(dòng)反饋等，這些數(shù)據(jù)能夠幫助人們更精準(zhǔn)地捕捉學(xué)生的學(xué)習(xí)行為和模式。以上述數(shù)據(jù)為基礎(chǔ)，本次從多個(gè)維度進(jìn)行學(xué)生學(xué)習(xí)的個(gè)性化需求解析，具體內(nèi)容如表1所示。

基于上述需求，本次先對(duì)海量數(shù)據(jù)進(jìn)行處理與歸類，以為后續(xù)的精準(zhǔn)推薦提供有力支撐^［4］。在推薦標(biāo)簽的設(shè)定上，本文結(jié)合深度學(xué)習(xí)原理，利用學(xué)生的學(xué)習(xí)數(shù)據(jù)自動(dòng)生成推薦標(biāo)簽，具體設(shè)計(jì)如下：

假設(shè)學(xué)生的學(xué)習(xí)數(shù)據(jù)集合為D=｛d1，d2，…，dn｝，其中di表示第i個(gè)學(xué)生的學(xué)習(xí)數(shù)據(jù)。推薦標(biāo)簽的集合為T=｛t1，t2，…，tm｝，其中tj表示第j個(gè)推薦標(biāo)簽。本次預(yù)測(cè)學(xué)習(xí)數(shù)據(jù)di下每個(gè)標(biāo)簽tj的概率分布，對(duì)于每個(gè)學(xué)習(xí)數(shù)據(jù)di，得到一個(gè)概率向量Pi，其映射函數(shù)可表示為：

Pi=f（di）（1）

其中，f代表映射函數(shù)，其將學(xué)習(xí)數(shù)據(jù)di映射到標(biāo)簽的概率分布上^［5］。為得到整個(gè)數(shù)據(jù)集合D的推薦標(biāo)簽，對(duì)每個(gè)學(xué)習(xí)數(shù)據(jù)di均應(yīng)用上述函數(shù)，以此來(lái)確定最終的推薦標(biāo)簽集合。

1.2"構(gòu)建計(jì)算機(jī)個(gè)性化教學(xué)資源推薦模型

結(jié)合上述，完成教學(xué)資源與推薦標(biāo)簽的對(duì)應(yīng)后，進(jìn)行初始數(shù)據(jù)采集，將其匯總整合為當(dāng)前計(jì)算機(jī)教學(xué)資源的元數(shù)據(jù)，以為后續(xù)個(gè)性化推薦提供堅(jiān)實(shí)的數(shù)據(jù)支撐。將上述提取的資源推薦標(biāo)簽導(dǎo)入測(cè)試模型之中，進(jìn)行全局假設(shè)，此時(shí)設(shè)定初始的推薦向量為XA，具體表現(xiàn)如公式（2）所示。

XA=（XA¹，XA²，XA³，…，XAⁿ），A=1，2，3，…，n（2）

式（2）中：XA代表計(jì)算機(jī)教學(xué)資源推薦向量，n代表資源推薦節(jié)點(diǎn)。以計(jì)算得出的推薦向量為輸入，基于深度學(xué)習(xí)原理，完成個(gè)性化教學(xué)資源推薦模型構(gòu)建，其執(zhí)行結(jié)構(gòu)如圖1所示。

圖1"計(jì)算機(jī)教學(xué)資源個(gè)性化推薦模型執(zhí)行

如圖1所示，應(yīng)用深度學(xué)習(xí)技術(shù)，可從原始數(shù)據(jù)中自動(dòng)提取教學(xué)資源推薦的復(fù)雜特征表示以及推薦結(jié)果。為獲得更為精準(zhǔn)的推薦結(jié)果，本次采用梯度下降優(yōu)化算法對(duì)其進(jìn)行高效訓(xùn)練，構(gòu)建對(duì)應(yīng)的梯度結(jié)構(gòu)如圖2所示。

如圖2所示，在該訓(xùn)練模式下，個(gè)性化教學(xué)資源推薦收斂速度計(jì)算如公式（3）所示。

P=π－²×∑B=1B-1（3）

在式（3）中：P代表資源推薦收斂速度，π代表最小化預(yù)測(cè)誤差，代表學(xué)習(xí)頻次，代表正則化差，B代表梯度收斂差。結(jié)合得出的資源推薦收斂速度，進(jìn)行資源推薦量與推薦方向的調(diào)整，以確保推薦過(guò)程中的穩(wěn)定和平衡。此時(shí)，需要構(gòu)建模型的表達(dá)式，如公式（4）所示。

V=1s-²+f（4）

在式（4）中：V代表資源推薦結(jié)果，s代表推薦迭代次數(shù)，代表迭代平衡值，f代表實(shí)際推薦范圍。依據(jù)上述，完成模型構(gòu)建與訓(xùn)練，得出高校計(jì)算機(jī)教學(xué)資源個(gè)性化推薦結(jié)果。

2"方法測(cè)試

此次結(jié)合實(shí)際測(cè)定需求，對(duì)基于深度學(xué)習(xí)的高校計(jì)算機(jī)教學(xué)資源個(gè)性化推薦方法的實(shí)際應(yīng)用效果進(jìn)行驗(yàn)證?？紤]到最終測(cè)試結(jié)果的真實(shí)與穩(wěn)定，本次選定G高校的計(jì)算機(jī)專業(yè)教學(xué)作為測(cè)試對(duì)象，以校園中350名學(xué)生組為此次資源推薦的目標(biāo)對(duì)象，將上述學(xué)生劃分為5個(gè)獨(dú)立的測(cè)試小組，每一個(gè)小組預(yù)設(shè)對(duì)應(yīng)的推薦方向和獨(dú)立的教學(xué)推薦目標(biāo)。選取張嬋^［1］提出的數(shù)據(jù)挖掘的課程思政教學(xué)資源個(gè)性化推薦方法、李黨恩^［2］提出的免疫進(jìn)化算法的計(jì)算機(jī)課程線上教學(xué)資源推薦方法以及本次設(shè)計(jì)的深度學(xué)習(xí)高校計(jì)算機(jī)教學(xué)資源個(gè)性化推薦方法設(shè)置對(duì)比實(shí)驗(yàn)，以推薦頻次均值為性能評(píng)估指標(biāo)開展實(shí)驗(yàn)。推薦頻次均值計(jì)算公式如式（5）所示。

L=+K-（+ι）²S（5）

式（5）中：L代表推薦頻次均值，代表推薦范圍，K代表單元重復(fù)推薦區(qū)域，和ι分別表示基礎(chǔ)推薦量和實(shí)際推薦量，S代表推薦頻率。根據(jù)測(cè)定數(shù)值，繪制3種方法對(duì)比結(jié)果如圖3所示。

根據(jù)圖2實(shí)現(xiàn)對(duì)測(cè)試結(jié)果的驗(yàn)證：對(duì)比于張嬋^［1］提出的數(shù)據(jù)挖掘的課程思政教學(xué)資源個(gè)性化推薦方法、李黨恩^［2］提出的免疫進(jìn)化算法的計(jì)算機(jī)課程線上教學(xué)資源推薦方法，本次設(shè)計(jì)的深度學(xué)習(xí)高校計(jì)算機(jī)教學(xué)資源個(gè)性化推薦方法最終得出的推薦頻次均值較高，均高于20次。由此可證明，應(yīng)用設(shè)計(jì)的推薦方法更為高效、具體，推薦效果更能滿足實(shí)際需求。

3"結(jié)語(yǔ)

為提高教學(xué)資源個(gè)性化推薦效果，本次提出了一種基于深度學(xué)習(xí)的計(jì)算機(jī)專業(yè)個(gè)性化教學(xué)資源推薦方法?；谏疃葘W(xué)習(xí)理論，此次設(shè)計(jì)的教學(xué)資源個(gè)性化推薦方法更加靈活、多變，自身具有較強(qiáng)的穩(wěn)定性和針對(duì)性，在實(shí)際應(yīng)用時(shí)，可為人們提供更加精準(zhǔn)、個(gè)性化的教學(xué)資源。通過(guò)執(zhí)行模型的不斷優(yōu)化與學(xué)習(xí)反饋，其資源推薦也越來(lái)越貼近學(xué)生的實(shí)際需求，適用于教學(xué)。所提方法應(yīng)用效果更優(yōu)，可為推動(dòng)教育信息化的深入發(fā)展貢獻(xiàn)力量。

參考文獻(xiàn)

［1］張嬋.基于數(shù)據(jù)挖掘的課程思政教學(xué)資源個(gè)性化推薦方法：以計(jì)算機(jī)類課程為例［J］.廣東輕工職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2024（2）：65-68.

［2］李黨恩.基于免疫進(jìn)化算法的計(jì)算機(jī)課程線上教學(xué)資源推薦方法［J］.信息與電腦（理論版），2024（1）：49-51.

［3］李松，袁登科，張麗平，等.基于多維不完全分類樹的教學(xué)資源推薦方法［J］.廊坊師范學(xué)院學(xué)報(bào)（自然科學(xué)版），2023（4）：39-42，65.

［4］虞鳳娟.基于數(shù)據(jù)挖掘算法的思政教學(xué)資源推薦方法設(shè)計(jì)［J］.信息與電腦（理論版），2023（23）：248-250.

［5］孫成霞.基于知識(shí)圖譜的工商管理線上教學(xué)資源個(gè)性化推薦方法［J］.信息與電腦（理論版），2023（22）：217-219.

（編輯"王永超）

Recommended method of personalized teaching resources for computer majors based on deep learning

XIE "Zechang¹， LIU "Zongyuan²

（1.Department of Electrical Engineering， Henan Mechanical and Electrical Vocational College， Zhengzhou 450000， China;

2.Information Center， Henan Mechanical and Electrical Vocational College， Zhengzhou 450000， China）

Abstract： "The conventional recommendation method is relatively simple， which leads to its poor recommendation effect. In order to solve this problem， based on the deep learning theory， the recommendation method of personalized teaching resources for computer major. This method first understands the learning habits， interest preferences， learning objectives and teaching progress， completes the recommendation requirement analysis and the generation of teaching resource recommendation labels. Then， based on deep learning theory， it constructs the teaching resource recommendation model， and completes the model training based on gradient descent algorithm to realize the accurate recommendation of teaching resource. Finally， it applies comparative experiment to verify the advanced nature of the proposed method. The test results show that the average recommendation frequency of the design method is higher， higher than 20 times， which is better than the comparison method， and the recommendation effect can better meet the actual needs.

Key words： deep learning; computer major; teaching resources; recommendation methods