[0001] 本发明涉及教育管理技术领域，具体为一种智慧教育管理系统。

[0002] 智慧教育管理系统是指运用现代信息技术，特别是互联网、人工智能、大数据分析等智能化技术，实现教育过程管理自动化、智能化的系统。

[0003] 现有技术中公开了一种教育管理系统，属于数据处理技术领域，申请号为202311175721.1中国专利，包括图像采集单元、动作提取单元、动作姿态对比单元和信息上传单元；图像采集单元用于对用户实时图像进行裁剪，生成用户标准图像；动作提取单元用于识别动作姿态；动作姿态对比单元用于识别异常姿态；信息上传单元用于将异常姿态的用户信息上传至数据库。该教育管理系统可以实时监测学生用户的行为姿态，减少人工成本。

[0004] 结合以上申请及现有技术中的内容：

[0005] 目前大学校园课程量较少，学生有充足时间自我安排学习，但专业课程种类繁多，对于刚步入大学校园的新生而言，并不容易理解每个专业具体可以获取哪些知识，因此即使学生在闲暇之余去旁听其他专业的课程实现自我提升也难以找对感兴趣的专业方向，从而在多次尝试失败后慢慢弱化了自我提升的想法，为此本发明提供了一种智慧教育管理系统。

[0049] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0050] 请参阅图1‑图2，本发明提供一种智慧教育管理系统，包括，

[0051] 数据采集单元，数据采集单元用于采集用户学生的个人信息，将采集到的数据上传至云端，构建学生偏好数据库；

[0052] 项目矩阵单元，项目矩阵单元用于对采集的数据构建项目矩阵A，获取用户学生偏好评分R，将偏好评分R填入到项目矩阵A对应的元素中；

[0053] 相似近邻评分单元，相似近邻评分单元用于预测目标用户学生对空白专业类别的偏好评分，通过目标用户学生已评分的专业类别定位到目标用户学生的近邻用户学生，根据近邻用户学生对目标空白专业类别的评分预测目标用户学生空白专业类别评分，具体为：

[0054] 步骤一：获取目标用户学生已评分的全部专业类别，获取目标用户学生对每个已评分专业类别的偏好评分Rs，获取目标用户学生对已评分专业类别中其他用户学生的偏好评分Rq，分别计算得到目标用户学生与其他用户学生的相似度系数X；

[0055] 步骤二：将获取的相似度系数X由大到小排列，选取前M个相似度系数X并将这M位用户学生标记为近邻用户学生；

[0056] 步骤三：获取这M位近邻用户学生的全部偏好评分Rj，分别计算目标用户学生每个空白专业类别的预测分Yc；

[0057] 偏好推送单元，偏好推送单元用于向目标用户学生推送推荐专业类别，将预测分Yc由大到小排列，选取分值最高的三个预测分，获取这三个预测分对应的专业类别，标记为意向专业，对目标用户学生推送意向专业信息；

[0058] 项目矩阵A具体为：

[0059]

[0060] 其中，amn表示学生n对专业类别m的偏好评分R，m为项目矩阵A的行数，代表用户学生姓名，n为项目矩阵B的列数，代表学校的专业类别；

[0061] 相似度系数X的计算方式为：

[0062]

[0063] 其中，P是目标用户学生和其他用户学生都评分过的专业类别个数，P＝1、2、3、…、V；

[0064] 预测分Yc的计算方式为：

[0065]

[0066] 其中，M表示选取相似度系数X的个数，M＝1、2、3、…、U。

[0067] 本实施例中，通过数据采集单元采集数据构建偏好数据库，再通过项目矩阵单元对采集的数据构建项目矩阵A，将采集的数据填入到项目矩阵A中，通过相似近邻评分单元对项目矩阵A中的目标用户学生空白专业类别偏好进行预测评分，预测评分方式为先通过目标用户学生已评分的专业类别定位近邻用户学生，再根据近邻用户学生对目标用户学生空白专业类别的评分预测目标用户学生的评分，从而得到目标学生对全部科目类别的评分，通过偏好推送单元选取目标用户学生分数最高的三个意向专业，并将预测的三个意向专业推荐给目标用户学生，从而便于目标用户学生选择适合自己兴趣方向的专业作为课外空闲时间的学习对象，进而方便学生在闲暇之余根据个人喜好充分的获取知识实现自我提升；

[0068] 已评分专业类别的偏好评分Rs是指目标用户学生对尝试过的专业类别达评过的分数，其他用户学生的偏好评分Rq是指除目标用户学生外的用户学生对目标用户学生已评分专业类别的评价分数，通过目标用户学生已评分专业类别的偏好评分R和其他用户学生的偏好评分Rq进行计算从而得到，每个除目标用户学生外的用户学生与目标用户学生在专业类别上的相似程度，即为相似度系数X，通过多个相似度系数X可以得知每个用户学生和目标用户学生在偏好专业上的相似程度，从而可以在众多用户学生中定位找到与目标用户学生在偏好专业类别上最相近的M个用户学生，即为目标用户学生的M个近邻用户学生，通过M个近邻用户学生对目标用户学生空白专业类别的偏好评分Rj，计算预测目标学生所有空白专业类别的评分，即预测分Yc，最终得到目标用户学生对所有专业类别的评分，最后对所有预测分进行排序，选取分值最高的三个作为意向专业，这三个分值最高的意向专业就是预测目标学生最有可能感兴趣的专业类别。

[0069] 数据采集单元具体为：

[0070] 步骤一：组建用户学生试听课，获取专业类别旁听评分Pf；

[0071] 步骤二：调研获取用户学生旁听课后的重复听课次数C，获取用户学生历史偏好评分Ls，得到用户学生偏好评分R，构建偏好数据库；

[0072] 用户学生偏好评分R的计算方式为：

[0073]

[0074] 其中，0≤R≤10，C≥0，0≤Pf≤10。

[0075] 本实施例中，通过对用户学生组建试听课，并在试听结束后对试听的专业类别评分，从而收集用户学生对专业类别的旁听评分，再通过调研获取用户学生旁听课后重复听该专业类别的次数，从而便于了解用户学生对该专业的偏好程度，最终根据用户学生的旁听评分和重复听课次数计算得出用户学生的偏好评分，将收集的偏好评分收录到偏好数据库内，从而便于建立项目矩阵A，也便于预测用户学生对其他专业类别的偏好程度；

[0076] 专业类别旁听评分Pf即为用户学生试听课后对该专业类别试听感受的评分，重复听课次数C即为试听结束后该用户学生再次去该专业类别学习旁听的次数，偏好评分R即为该用户学生对该专业类别的兴趣程度。

[0077] 数据采集单元的步骤一中还包括：

[0078] 步骤101：获取用户学生姓名，获取用户学生学号，获取用户学生的主修专业，获取试听课的专业类别；

[0079] 步骤102：选择用户学生将用户学生的主修专业从试听课专业类别中删除得到筛选专业类别，为每名用户学生抽取三个专业作为试听课；

[0080] 数据采集单元步骤102中分别对每名用户学生采用不放回的随机抽样方式选取三个不同的专业作为试听课。

[0081] 本实施例中，通过获取学生的学号姓名和主修专业，从而便于将主修专业从试听课专业类别中筛除，进而避免学生旁听主修专业影响评分结果，通过数据清洗的方式有益于提高偏好评分R的准确性，为每名学生用户通过不放回的随机抽样方式抽取三个专业作为试听课，有益于避免学生试听课程过多耽误用户学生时间，也便于根据三个专业试听课的评分预测其他专业的评分。

[0082] 偏好推送单元具体为：

[0083] 步骤一：以专业班级为单位获取每个专业班级全部用户学生的三个意向专业，建立同好矩阵B：

[0084]

[0085] 其中，bβα表示用户学生α的意向专业类别β，β为同好矩阵B中的行数，代表用户学生姓名，α为同好矩阵B中的列数，代表意向专业类别；

[0086] 步骤二：在同好矩阵B中对每一行意向专业内的人数叠加求和得到同好人数，选取同好人数最大值的意向专业标记为同班专业；

[0087] 步骤三：分别向每个用户学生推荐对应的三个意向专业和一个同班专业。

[0088] 本实施例中，通过以班级为单位，将对同班中每名用户学生预测的三个意向专业建立同好矩阵B，再选取同班中意向专业个数最多的专业类别，将这个专业标记为同班专业，向目标用户学生推送三个意向专业的同时推送同班专业，从而便于相同班级的学生在相互交流后一起尝试同班专业，进而有益于提高目标用户学生尝试的积极性，进而进一步便于学生在闲暇之余根据个人喜好充分的获取知识实现自我提升。

[0089] 偏好推送单元的步骤三中还包括：

[0090] 步骤301：获取用户学生主修专业信息，获取用户学生的学号信息，删减用户学生三个意向专业中的主修专业得到推送专业；

[0091] 步骤302：获取校园网登录页面管理权限，用户学生通过学号登录校园网后通过弹窗向用户学生推荐推送专业和同班专业。

[0092] 本实施例中，通过将目标用户学生的主修专业从三个意向专业中筛除，从而通过数据清洗的方式避免向目标用户学生推荐主修专业，进而便于目标用户学生选择主修专业以外的专业培养学习兴趣，同时也有益于提高用户学生对本系统的信任度，有益于提高用户的使用体验，用户学生每次通过手机输入学号登录校园网后，根据学生的登录信息可以实现定向推送，从而便于向用户学生反复推荐专业类别的同时避免用户学生产生反感。

[0093] 值得一提的是，本方案中使用的协同过滤算法框架可以通过训练生成，具体包括如下步骤：

[0094] 一、数据预处理，收集数据：从用户‑物品交互中获取数据，如评分、点击或购买，清洗数据：处理缺失值和异常值，分割数据：将数据分为训练集和测试集，用于模型训练及评估；二、相似度计算，对于基于用户的协同过滤，计算用户间的相似度，对于基于物品的协同过滤，计算物品间的相似度，选择合适的相似度度量标准，如余弦相似度、皮尔森相关系数；三、邻居选择，选择与目标用户(或物品)相似度最高的K个邻居；四、评分预测基于用户的协同过滤：用相似用户对物品的评分预测目标用户对同一物品的评分，基于物品的协同过滤：
用目标用户对相似物品的评分预测对未知物品的评分；五、模型训练，使用训练数据来训练算法模型，可选择实现矩阵分解方法如奇异值分解(SVD)或使用深度学习方法；六、模型评估，通过测试集评估模型的推荐效果，使用准确度指标，如均方根误差(RMSE)、平均绝对误差(MAE)等；七、参数调优，基于评估结果对模型参数进行调整，如用户相似度阈值、邻居的数量K等；八、生成推荐列表，根据预测评分生成排序列表，为每个用户推荐评分最高的N个物品；九、后处理，过滤掉用户已经交互过的物品，应用多样性、新颖性等其他推荐指标，优化推荐列表；十、模型部署，将训练好的模型部署到生产环境，定期使用新数据更新模型以保持其时效性。

[0095] 上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。

[0096] 作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0097] 以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。