计算机科学与探索

作者：王素琴，吴子锐

单位：华北电力大学 控制与计算机工程学院，北京 102206

关键词：智能推荐,课程序列,深度学习,长短时记忆（LSTM）网络,数据挖掘

在线学习课程数量庞大，存在明显的信息过载问题，个性化智能推荐是解决这一问题的有效方式。根据学习者所学习的课程往往具有时间序列性这一特点，提出了基于LSTM网络的在线课程推荐模型。从大量学习者所学习的课程序列中提取学习行为特点，进而预测学习者将要学习的课程。该算法是基于课程之间的时序性而提出的，因此按照课程之间关系的紧密程度将课程分类后推荐的准确率更高。由于在线课程不断更新，人工维护课程分类的工作量较大，同时分类也不够科学，利用GSP算法和谱聚类算法，挖掘出课程间隐藏的时序联系，提出了更合理的课程自动分类方法。实验结果证明，与传统的协同过滤算法以及基于RNN的课程推荐算法相比，该算法推荐准确度更高。

来源：2019年第8期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2019年第8期