基于协同过滤算法的智慧教学考试系统

前言介绍

选题背景及意义

随着移动互联网和网络技术的不断发展，越来越多的人通过互联网在线管理。为了满足用户的需求，越来越多的线上管理系统涌现出来。然而，由于各行业的工作大部分为高重复度的手工查找，这些工作耗费了大量人力资源又很容易出现细小的差错，如此可见都存在一定的缺点。因此，同时结合Python语言，设计并实现一个基于协同过滤算法的智慧教学考试系统，就具有重要的背景和意义。一方面，通过采用VUE框架技术，可以获取更加全面和高质量的在线课程学习平台，并根据用户需求进行分类和整理，便于用户快速浏览和选择。另一方面，通过在线课程学习平台的设计和实现，可以让用户通过简单方便的操作方式找到合适的课程信息，并保证信息的及时更新和可靠性，提升用户的满意度。此外，该项目还能够为Python技术的实践提供机会。Python是目前最为流行的编程语言之一，具有易学易入门、功能强大、高效等优点，引起了越来越多年轻人的兴趣。通过实现一个在线课程学习平台，可以让初学者更深入地理解Python编程的特点和运用方法，综上所述，基于协同过滤算法的智慧教学考试系统，具有实际应用和教育意义，有助于提升用户的体验和趣味性，同时也能够为Python技术的学习者提供有益的实践平台。

随着教育信息化的深入，传统的在线教学与考试平台积累了海量数据，却普遍缺乏从数据中挖掘深层价值、为学生提供个性化引导的能力。本研究将协同过滤算法引入智慧教学考试系统，其核心研究意义在于**实现从“千人一面”到“因材施教”的智能化跃迁。

为实现真正的个性化学习路径推荐提供了关键技术支撑。系统将每位学生视为一个“用户”，将其在试题、知识点上的表现（如答题记录、错误类型、用时）视为“评分”，通过协同过滤算法，可以精准发现具有相似知识薄弱点和学习行为的学生群体。当一个学生在该群体中其他成员已掌握、而自己尚未接触的习题或学习资源上取得成效时，系统便能主动为其推荐这些内容。这种方法能够动态地为学生定位最适合其当前能力的“最近发展区”，变盲目的“题海战术”为精准的“靶向练习”，极大提升了学习效率。破解教学资源过载、提升教学决策科学性的有效途径。面对庞大的试题库和丰富的学习材料，学生容易迷失方向，教师也难以手动为每个学生定制方案。本系统通过算法充当“智能学伴”与“教学顾问”，自动为学生筛选最具价值的练习资源，同时为教师揭示班级内隐性的学习群体与共性薄弱环节，从而实现精准的群体干预与个性化的学习指导，推动教学模式从经验驱动向数据驱动转变。

因此，本研究不仅拓展了协同过滤算法在教育领域的应用边界，更是构建以学生为中心、数据智能驱动的下一代智慧教育核心竞争力的重要探索。

01开发环境

1.1 Python技术

1.2 Django框架

1.3 MySQL数据库

1.4 B/S 结构

1.5 Vue.js 技术

1.6 协同过滤算法（余弦相似性）

1.7 百度智能AI

1.8 Echarts可视化

02系统功能模块

亮点（协同过滤算法推荐、百度智能AI、Echarts可视化）

具体运用基于用户的协同过滤方法，借助解析用户收藏行为数据，辨别出和目标用户有着相似兴趣偏好的用户群体，再依照这些相似用户的浏览历史记录为目标用户生成个性化的教学资源推荐列表。

  协同过滤算法的核心机制是依靠量化用户之间的相似性程度达成个性化推荐，在这个过程中，余弦相似度作为经典的相似性度量办法，在该领域得到了广泛运用。

余弦相似度计算公式：

04图片展示

后台管理系统

05系统文档、代码展示

5.1 系统文档
5.2 代码展示

#协同过滤算法代码（学习交流+VX: S20231025S ）
#查找相似用户
def cosine_similarity(a, b):
    numerator = sum([a[key] * b[key] for key in a if key in b])
    denominator = math.sqrt(sum([a[key]**2 for key in a])) * math.sqrt(sum([b[key]**2 for key in b]))
    return numerator / denominator
#收藏协同算法
def evaluationdata_autoSort2(request):
    if request.method in ["POST", "GET"]:
        req_dict = request.session.get("req_dict")
        cursor = connection.cursor()
        sorted_recommended_goods=[]
        user_ratings={}
        token = request.META.get('HTTP_TOKEN')
        decode_str = eval(base64.b64decode(token).decode("utf8"))
        user_id = decode_str['params']["id"]
        try:
            cursor.execute("select * from storeup where type = 1 and tablename = 'evaluationdata' order by addtime desc")
            desc = cursor.description
            data_dict = [dict(zip([col[0] for col in desc], row)) for row in cursor.fetchall()]
            #用户-订单矩阵
            for item in data_dict:
                if user_ratings.__contains__(item["userid"]):
                    ratings_dict = user_ratings[item["userid"]]
                    if ratings_dict.__contains__(item["refid"]):
                        ratings_dict[str(item["refid"])]+=1
                    else:
                        ratings_dict[str(item["refid"])] =1
                else:
                    user_ratings[item["userid"]] = {
                        str(item["refid"]):1
                    }
            try:
                # 计算目标用户与其他用户的相似度
                similarities = {other_user: cosine_similarity(user_ratings[user_id], user_ratings[other_user])
                                for other_user in user_ratings if other_user != user_id}
                # 找到与目标用户最相似的用户
                most_similar_user = sorted(similarities, key=similarities.get, reverse=True)[0]
                # 找到最相似但目标用户未购买过的商品
                recommended_goods = {goods: rating for goods, rating in user_ratings[most_similar_user].items() if
                                     goods not in user_ratings[user_id]}
                # 按评分降序排列推荐
                sorted_recommended_goods = sorted(recommended_goods, key=recommended_goods.get, reverse=True)
            except:
                pass
        except:
            sorted_recommended_goods=[]
        L = []
        where = " AND ".join([f"{key} = '{value}'" for key, value in req_dict.items() if key!="page" and key!="limit" and key!="order"and key!="sort"])
        if where:
            sql = f'''SELECT * FROM (SELECT * FROM evaluationdata WHERE {where}) AS table1 WHERE id IN ('{"','".join(sorted_recommended_goods)}') union all SELECT * FROM (SELECT * FROM evaluationdata WHERE {where}) AS table1 WHERE id NOT IN ('{"','".join(sorted_recommended_goods)}')'''
        else: