买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：青岛酒店管理职业技术学院

摘要：本发明公开了基于校园大数据的可视化分析评价方法，涉及数据可视化分析技术领域。本发明通过散点图、柱状图和热力图能够直观地展示学生成绩与兴趣程度之间的关系以及学生在选课过程中对不同课程组合的偏好，有助于学校了解选课倾向和潜在的趋势；通过分析学生兴趣程度的数值，确定热门课程和冷门课程，有助于学校优化课程设计；通过分析学生与学生之间的关联性、课程与课程之间的关联性以及学生与课程之间的关联性，能够生成高度个性化的课程推荐；学生从首选课程推荐列表中选择自己感兴趣的课程，提高了选课效率；对于无选课历史记录的新学生和新课程，通过推荐热门课程作为备选课程，可以确保他们也能获得合适的课程推荐。

主权项：1.基于校园大数据的可视化分析评价方法，其特征在于，流程如下：步骤一、学生成绩与课程偏好分析：S101、获取学生各科目成绩与学生对课程的兴趣程度；S102、使用散点图展示学生各科目成绩以及对课程的兴趣程度，在绘图工具中创建散点图，将科目成绩作为X轴，兴趣程度作为Y轴，对于不同的课程，使用不同的颜色和大小来区分；S103、使用柱状图展示学生对不同课程的兴趣程度，在绘图工具中创建柱状图，将课程名称作为X轴，兴趣程度的数值作为Y轴，根据数据值排序结果，将课程按照兴趣程度从高到低排列在X轴上；将兴趣程度值大于设定阈值的课程标记为热门课程，将兴趣程度值小于设定阈值的课程标记为冷门课程；S104、使用热力图展示学生在选课过程中对不同课程组合的偏好，以便学校理解学生的选课倾向；不同课程组合的偏好获取过程如下：收集学生的选课历史数据，统计哪些课程被一起选择的频率大于设定阈值，获得学生对不同课程组合的偏好；步骤二、基于学生与学生之间的关联性生成第一备选课程，进行课程推荐；步骤三、基于课程与课程之间的关联性生成第二备选课程，进行课程推荐；步骤四、基于学生与课程之间的关联性生成第三备选课程，进行课程推荐；步骤五、针对无选课历史记录的新学生和新课程，将步骤一中获得的热门课程作为第四备选课程，进行课程推荐；步骤六、基于第一备选课程、第二备选课程、第三备选课程、第四备选课程，生成首选课程推荐列表；步骤七、根据学生的反馈数据和实际选课情况，重复步骤一至步骤六，更新课程推荐列表；步骤八、对首选课程推荐列表进行评价；所述生成第一备选课程具体过程如下：具体地，收集学生的选课历史数据，对每个学生的选课历史向量进行归一化处理，以确保每个向量的长度都为1；基于U个学生和V门课程，构建一个U×V的学生-课程矩阵A，其中行代表学生，列代表课程，如果学生选择了某课程，则对应位置为1，否则为0；学生1：[1,0,1,0]，表示学生1选择了课程1和课程3；学生2：[1,1,0,0]，表示学生2选择了课程1和课程2；学生3：[0,1,1,1]，表示学生3选择了课程2、课程3和课程4；学生4：[1,0,1,1]，表示学生4选择了课程1、课程3和课程4；对于两个学生向量p和q，通过公式计算获得学生-学生关联度SS，公式如下： ；其中，表示学生向量p和学生向量q的点积，表示学生向量p和学生向量q的模；通过计算学生-学生关联度SS，得到一个n×n的关联度矩阵，其中每个元素表示对应学生与学生之间的关联度；通过以上步骤，获得当前学生的关联度得分列表，按关联度降序排序，获得每个学生的最相似的邻居，选择关联度大于设定阈值的学生作为邻居；对于每个学生，提取其邻居学生选择而本人没有选择的课程，为每个学生推荐最受欢迎的或评分最高的课程；所述生成第二备选课程具体过程如下：具体地，将学生的选课历史数据转化为事务数据库的形式，其中每个事务代表一个学生的选课记录，事务中的项表示学生选择的课程；计算项集的支持度，对于每一对课程A和B，计算同时包含A课程和B课程的事务数量；计算项集{A，B}的支持度，即选择A课程和B课程的事务数占总事务数的比例；选择A课程和B课程的事务数是指同时包含课程A和课程B的事务数量，即同时选择这两门课程的学生数量；总事务数是指所有学生的选课记录总数；设定支持度阈值min_support，用于筛选出频繁出现的项集，生成频繁项集；使用Apriori算法从单个课程项开始，逐步组合生成更大的项集，并计算项集支持度；保留支持度大于等于min_support的项集作为频繁项集；计算关联规则，对于每个频繁项集{A，B}，生成两个关联规则：A=B和B=A；A=B：表示当出现项集A时，很有可能会出现项集B；B=A：表示当出现项集B时，很有可能会出现项集A；计算每个关联规则的置信度，即包含A的事务中也包含B的比例P，置信度用于衡量关联规则的强度，即如果学习了A课程，有多大可能性也会学习B课程，设定置信度阈值并筛选出置信度大于等于设定阈值的关联规则；根据关联规则，为学生推荐课程，如果学生学习了A课程并且筛选出A=B的关联规则，那么向该学生推荐B课程；如果学生学习了B课程并且筛选出B=A的关联规则，那么向该学生推荐A课程；所述同时包含A课程和B课程的事务数量表示同时选择这两门课程的学生数量；所述生成第三备选课程具体过程如下：定义学生画像和课程特征向量，其中，学生画像包括学科兴趣、学习风格、学习能力三个主要的特征维度，课程特征包括学科领域、教学方式、难度级别三个主要的特征维度；学生画像{学科兴趣，学习风格，学习能力}；学科兴趣为具体学科；学习风格包括视觉型、听觉型、动手型；学习能力包括初级、中级、高级；课程特征{学科领域，教学方式，难度级别}；学科领域包括自然科学领域、社会科学领域、人文科学领域、工程与技术领域、医学与健康领域、艺术与设计领域、环境与可持续发展领域；教学方式包括讲座、实验、讨论；难度级别包括初级、中级、高级；匹配度包括学科兴趣与学科领域的匹配度、学习风格与教学方式的匹配度、学习能力与难度级别的匹配度；学科兴趣与学科领域的匹配度：如果学生的学科兴趣与学科领域完全对应，则得分为1；如果学生的学科兴趣之一与学科领域对应，即学科兴趣不完全对应于同一领域，则得分为x1~x2；如果学生的学科兴趣与学科领域完全不对应，则得分为0；其中，；学习风格与教学方式的匹配度：如果学生的学习风格中包含了视觉型，并且课程的教学方式中包含了讲座，那么认为学习风格与教学方式完全匹配，则得分为1；如果学生的学科风格中包含了听觉型、动手型，课程的教学方式中包含了讲座、讨论，没有实验，那么学生的学科风格与教学方式有交集，但不完全重合，则得分为x3~x4；如果学生的学科风格为动手型，课程的教学方式为讨论，那么认为学习风格与教学方式完全不匹配，则得分为0；其中，；学习能力与难度级别的匹配度：如果学生的学习能力大于课程难度，则得分为1；如果两者相等，则得分为x5；如果学生的学习能力小于课程难度，则得分为x6~x7；其中，；计算学生K与课程B之间的匹配度得分：学科兴趣与学科领域的匹配度为a、学习风格与教学方式的匹配度为b、学习能力与难度级别的匹配度为c，计算学生K与课程B的匹配度得分SC：SC=a*x+b*y]+c*z；其中，x为学科兴趣与学科领域的匹配度权重，y为学习风格与教学方式的匹配度的匹配度权重，z为学习能力与难度级别的匹配度的权重；根据学生-课程的匹配度得分SC，从高到低进行排序，将匹配度高的课程排在前面，以便向学生推荐最符合其个性化需求的课程；所述对首选课程推荐列表进行评价，具体如下：定义评语集；设置首选课程推荐列表评价指标，包括一级评价指标和二级评价指标；一级评价指标：课程质量、推荐准确性；二级评价指标：课程完成率、课程评分平均值、课程的点击率；确定课程质量隶属度、推荐准确性隶属度、课程完成率隶属度、课程评分平均值的隶属度、课程点击率的隶属度；构建模糊评价矩阵，包括课程质量模糊评价矩阵、推荐准确性模糊评价矩阵、课程完成率模糊评价矩阵、课程评分平均值模糊评价矩阵、课程的点击率模糊评价矩阵；将一级评价指标和二级评价指标具体数据输入模糊评价矩阵中，获得最终评价。

全文数据：

权利要求：

百度查询： 青岛酒店管理职业技术学院 基于校园大数据的可视化分析评价方法