自20世纪90年代以来，经过30年的变化，具有在线教育功能的在线教育平台出现了，越来越多的人在互联网上学习各种课程。从那时起，网络学习就进入了人们的日常生活。在原有的旧系统中，所提供的搜索功能必须使用具体准确的关键词来完成搜索功能。科技的进步导致了更强大、更先进的在线教育功能的发展[gydF4y2Ba 19gydF4y2Ba].如今，学习用户可以浏览的课程数量和种类都呈现出巨大的增长。课程种类丰富多样，很难对其进行具体分类和查找。这种现象也会妨碍用户准确描述搜索关键词。因此，在庞大的数据集中搜索所需的资源变得很困难。鉴于这种情况和用户日益增长的需求，推荐功能正逐渐融入在线教育平台的开发中。此推荐功能的集成使用户能够根据其需求的特点在在线资源中选择和推荐所需的课程内容[gydF4y2Ba 20.gydF4y2Ba］．当需求不确定并且项目特征的描述尚不清楚时，推荐系统还可以挖掘用户的记录来分析最可能的需求并为用户提供最合适的需求推荐。以高精度和高效的推荐功能，个性化建议极大地改善了用户体验的舒适和用户粘性，占据了日常生活中的重要地位。gydF4y2Ba

基于内容的协同过滤推荐算法采用打分矩阵计算用户或商品之间的相似度，根据商品或用户之间的相似度关系进行推荐。在目前的研究中，基于内容的协同过滤推荐算法可以分为基于用户的协同过滤(UBCF)和基于条目的协同过滤(IBCF)。他们的混合技术基于UBCF推荐形成的基本思想，推荐具有相同或相似兴趣和偏好的项目。协同过滤是一个流行的建议，因为它可以处理非结构化和复杂的对象。目前的系统原型包括用于音乐专辑推荐的Rigor，用于Web消息推荐的PHALS，用于笑话推荐的Jester，以及用于书籍推荐的Amazon [gydF4y2Ba 21gydF4y2Ba］．基于内容的推荐首先对计算出的用户或项目进行相似性分析，找到相似的用户或项目，即相邻的用户;其次通过聚合相邻用户的分数进行评分预测。在通常的计算方法中，校正余弦相似度作为对余弦相似度的升级，主要目的是细化余弦相似度，只考虑向量维数方向上的相似度问题，而不考虑维数之间的维数差异。因此，将对每个维度进行减去均值的校正操作，以计算相似度。皮尔逊相关系数定义为两个向量之间协方差的商和标准差。gydF4y2Ba （1）gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba xgydF4y2Ba ，gydF4y2Ba ygydF4y2Ba ＝gydF4y2Ba ∫gydF4y2Ba 我gydF4y2Ba ygydF4y2Ba rgydF4y2Ba xgydF4y2Ba ，gydF4y2Ba ygydF4y2Ba −gydF4y2Ba rgydF4y2Ba xgydF4y2Ba ，gydF4y2Ba ygydF4y2Ba ¯gydF4y2Ba ⋅gydF4y2Ba rgydF4y2Ba ygydF4y2Ba ，gydF4y2Ba xgydF4y2Ba −gydF4y2Ba rgydF4y2Ba ygydF4y2Ba ，gydF4y2Ba xgydF4y2Ba ¯gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba egydF4y2Ba rgydF4y2Ba xgydF4y2Ba ，gydF4y2Ba ygydF4y2Ba −gydF4y2Ba rgydF4y2Ba xgydF4y2Ba ，gydF4y2Ba ygydF4y2Ba ¯gydF4y2Ba ⋅gydF4y2Ba rgydF4y2Ba ygydF4y2Ba ，gydF4y2Ba xgydF4y2Ba −gydF4y2Ba rgydF4y2Ba ygydF4y2Ba ，gydF4y2Ba xgydF4y2Ba ¯gydF4y2Ba 2gydF4y2Ba ，gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba xgydF4y2Ba ，gydF4y2Ba ygydF4y2Ba ＝gydF4y2Ba 罪gydF4y2Ba xgydF4y2Ba ⟶gydF4y2Ba ，gydF4y2Ba ygydF4y2Ba ⟶gydF4y2Ba ＝gydF4y2Ba ∫gydF4y2Ba 我gydF4y2Ba ygydF4y2Ba rgydF4y2Ba xgydF4y2Ba ，gydF4y2Ba ygydF4y2Ba −gydF4y2Ba rgydF4y2Ba xgydF4y2Ba ，gydF4y2Ba ygydF4y2Ba ¯gydF4y2Ba ⋅gydF4y2Ba rgydF4y2Ba ygydF4y2Ba ，gydF4y2Ba xgydF4y2Ba −gydF4y2Ba rgydF4y2Ba ygydF4y2Ba ，gydF4y2Ba xgydF4y2Ba ¯gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba egydF4y2Ba rgydF4y2Ba xgydF4y2Ba ，gydF4y2Ba ygydF4y2Ba −gydF4y2Ba rgydF4y2Ba xgydF4y2Ba ，gydF4y2Ba ygydF4y2Ba ¯gydF4y2Ba 2gydF4y2Ba ⋅gydF4y2Ba rgydF4y2Ba ygydF4y2Ba ，gydF4y2Ba xgydF4y2Ba −gydF4y2Ba rgydF4y2Ba ygydF4y2Ba ，gydF4y2Ba xgydF4y2Ba ¯gydF4y2Ba 2gydF4y2Ba ．gydF4y2Ba

完成相似性计算后，通过聚合若干邻居来预测未知评估，以及项目的评级gydF4y2Ba 年代gydF4y2Ba由用户gydF4y2Ba xgydF4y2Ba可以通过汇总用户最相似用户的评估来预测gydF4y2Ba xgydF4y2Ba［gydF4y2Ba 22gydF4y2Ba］．gydF4y2Ba （2）gydF4y2Ba xgydF4y2Ba cgydF4y2Ba ，gydF4y2Ba 年代gydF4y2Ba ⟶gydF4y2Ba ＝gydF4y2Ba 一个gydF4y2Ba ggydF4y2Ba ggydF4y2Ba rgydF4y2Ba xgydF4y2Ba cgydF4y2Ba ，gydF4y2Ba σ.gydF4y2Ba cgydF4y2Ba ′gydF4y2Ba ∈gydF4y2Ba UgydF4y2Ba ．gydF4y2Ba

第一个聚合函数选择简单平均数，第二个聚合函数不考虑用户评分风格的差异(评分范围不受具体标准的限制)，而第三种聚合函数则克服了上述缺点，在计算加权和时，利用了评分值与相应用户平均分数的偏差[gydF4y2Ba 23gydF4y2Ba］．gydF4y2Ba (3）gydF4y2Ba xgydF4y2Ba cgydF4y2Ba ，gydF4y2Ba 年代gydF4y2Ba ⟶gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ∫gydF4y2Ba 我gydF4y2Ba ygydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba xgydF4y2Ba ，gydF4y2Ba ygydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba egydF4y2Ba 一个gydF4y2Ba ggydF4y2Ba ggydF4y2Ba rgydF4y2Ba xgydF4y2Ba cgydF4y2Ba ，gydF4y2Ba 年代gydF4y2Ba cgydF4y2Ba ′gydF4y2Ba ∈gydF4y2Ba UgydF4y2Ba ，gydF4y2Ba xgydF4y2Ba cgydF4y2Ba ，gydF4y2Ba 年代gydF4y2Ba ⟶gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ∫gydF4y2Ba 我gydF4y2Ba ygydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba xgydF4y2Ba ，gydF4y2Ba ygydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba egydF4y2Ba 一个gydF4y2Ba ggydF4y2Ba ggydF4y2Ba rgydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba xgydF4y2Ba ，gydF4y2Ba ygydF4y2Ba ′gydF4y2Ba xgydF4y2Ba cgydF4y2Ba ，gydF4y2Ba 年代gydF4y2Ba cgydF4y2Ba ′gydF4y2Ba ∈gydF4y2Ba UgydF4y2Ba ，gydF4y2Ba xgydF4y2Ba cgydF4y2Ba ，gydF4y2Ba 年代gydF4y2Ba ⟶gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ∫gydF4y2Ba 我gydF4y2Ba ygydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba xgydF4y2Ba ，gydF4y2Ba ygydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba egydF4y2Ba 一个gydF4y2Ba ggydF4y2Ba ggydF4y2Ba rgydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba xgydF4y2Ba ，gydF4y2Ba ygydF4y2Ba ′gydF4y2Ba ⋅gydF4y2Ba rgydF4y2Ba ygydF4y2Ba ，gydF4y2Ba xgydF4y2Ba −gydF4y2Ba rgydF4y2Ba ygydF4y2Ba ，gydF4y2Ba xgydF4y2Ba ¯gydF4y2Ba xgydF4y2Ba cgydF4y2Ba ，gydF4y2Ba 年代gydF4y2Ba cgydF4y2Ba ′gydF4y2Ba ∈gydF4y2Ba UgydF4y2Ba ．gydF4y2Ba

要了解并弄清楚用户需要或想要什么，推荐功能挖掘和组织搜索记录，并进一步分析用户在网站上的行为，以获取有关用户偏好的一些信息，然后从众多数据源中选择满足用户需求和用户可能偏好的数据，并向用户推荐数据或产品[gydF4y2Ba 24gydF4y2Ba］．个性化推荐系统的算法结构如图所示gydF4y2Ba 1gydF4y2Ba．gydF4y2Ba

首先，用户访问前端Web服务器，其中包含用户在客户端中的操作，例如帐户注册，查看，评估，购买;服务器将此信息发送到事件处理服务器以进行处理;此问题处理服务器将信息转换为结构化信息，然后通过数据挖掘引擎进行进一步处理信息，挖掘信息以建立类似的用户模型。一方面，模型被放入用于在任何时候由个性化推荐引擎检索的模型库，另一方面，该信息被处理并存储在数据库中以通过数据处理服务器检索。最后，个性化推荐引擎将从数据处理服务中提取的数据与模型库中的模型组合，并根据算法公式执行算法计算，然后推荐用户需要达到个性化推荐目的的项目。总之，完美的推荐系统主要包括以下三个部分：作为推荐功能的基础，主要用于组织和收集相关信息。通常，推荐功能以两种方式从用户收集相关信息：显式和隐含地。主导的方法是通过购买课程，听音乐，看电影或读一本书来提供用户明确的反馈。作为与用户变化的动态行为，它是获得准确信息的最佳方法。获得准确信息的最佳方法是平衡明确和隐式信息采集，这是高度个性化推荐系统追求高效建议的最合适的方式。 The recommendation results are displayed in the recommendation interface, and the server returns the recommendation results to the user. As the main body of the recommendation system, one is to mine the user's records, that is, to mine the user's hidden data and information through the user's past behavior to realize the preprocessing of user information, which helps to reduce data sparsity and improve the real time and scalability of recommendations. It also generates and trains models to build multiple recommendation models that are valuable for improving the personalized recommendation system by mining the hidden information. Its design directly affects the final performance, and the soul of the recommendation function is accuracy and efficiency. The core part of the system is the personalized recommendation engine in Figure 1gydF4y2Ba，涵盖相关的个性化推荐技术和相关算法。这些相关技术和算法的全面应用对推荐结果的准确性和效率具有决定性的影响，并且通过改进该模块的相关算法，可以提高整个推荐系统的性能。gydF4y2Ba

针对平台的教学功能，分别设计了客户端和服务器端，系统大致分为课程管理、用户管理和评论管理。如图所示gydF4y2Ba 2gydF4y2Ba，该系统分为三个部分：课程管理，用户管理和评论管理。gydF4y2Ba

本文重点介绍基于协同过滤算法的个性化在线学习平台，主要是打破时间和空间局限性的主要目标，增加学习方式和方法，并利用新的学习用户热情和提高用户学习效率［gydF4y2Ba 25gydF4y2Ba］．在线学习是允许没有时间或条件参加面对面课程的学生理解和学习他们需要通过在线课程所需的学生来了解。基于用户的协作筛选方法用于揭示目标用户的过去行为。浏览和收集项目以获得用户喜欢的内容，挖掘偏好信息的内容，然后搜索系统对用户的相似偏好的用户，并且使用公式来计算用户之间的相似性。然后，通过相似性排序拦截指定数量的相邻用户，并基于项目的相邻用户的额定值对目标用户的额定值进行预测。列出了结构后，向用户建议使用具有更高预测分数的截取项目。由于没有繁重的约束，因此可以匹配许多情况，并且可以很好地处理许多抽象项目以发现用户偏好。基于用户的协同过滤方法使用用户评级信息是特定的显式值。将类似用户识别到目标用户是过程中最重要的部分和进一步预测和建议的先决条件。gydF4y2Ba

热点是吸引公众注意力的新闻或信息。在网络上，如果一条新闻消息长时间不被点击，那么该消息自然就不会是热门消息。相反，如果消息有多次单击，则表明消息是热的。热点推荐体现了视频网站内容的时效性。针对视频网站的热按摩推荐是一种常用的信息推荐方式，为用户提供最受欢迎的视频。受欢迎的视频被接受为“点击诱饵”，以确保视频受欢迎和被接受。热门视频通常设置为首页横幅或弹出窗口，由网站工作人员预设，并手动更新，推荐热门视频组合。热门推荐在视频网站上的成功应用启发了我们基于视频网站的热门推荐模式，即基于平台的热门课程为用户进行推荐。一方面，我们通过统计一定时间段内的点击次数和播放次数来推荐热门课程，并根据点击次数进行排序，然后在用户首页截取目标数量的热门课程。另一方面，平台会根据当前行业趋势筛选评价较高的课程，并在用户主页上推荐热门课程。 As a kind of indiscriminate overlay recommendation method, hotspot recommendation has the features of simple operation, high public acceptance, and large click flow.

学生可以点击老师的照片转到教师的信息页面，这将展示教师的风格，教学经验和教学方向。课程信息将输入数据库并显示在教师登录页面和学生登录页面上;学生可以看到课程信息将直观地看到课程名称，主要教师信息和主要内容，方便和直观。实时在线课程的所有信息将显示在此模块中;在此模块中，您可以搜索课程信息;我们可以查看在线课程描述，课程教师，课程时间和持续时间，以及课程费用;学生可以在线购买并加入课程。有两种类型的课程建议：基于协同过滤算法的热门课程建议和个性化课程建议。在此模块中，将通过计算课程播放和选择当前热门课程的次数，在主页上建议热门课程。它还将使用相关性算法来确定其邻近的用户，并根据每个用户的搜索内容推荐用户的合适课程。gydF4y2Ba

数据库是根据教师-学生一体化在线教育过程设计的;平台主要涉及的实体类别有用户数据(学生和教师)、课程数据、练习数据、笔记数据、学生问题数据、学习资源数据，其中，练习数据涉及学生用户回答行为，学习资源数据涉及热门学习资源可用的热门推荐，用户的学习资源。gydF4y2Ba

用于该平台的开发环境是MyEclipse，Tomcat Server作为Web应用程序服务器。所有数据都由MySQL管理并由框架集成。登录后，学生用户可以通过网页学习。该平台从后端到前端实现，并在进入平台后，存在平台各种功能的显示。gydF4y2Ba

数字库模块是排练平台中推荐的算法应用部分;在日常学习中，学习材料是必不可少的。数字图书馆资源主要基于分类和检索，缺乏个性化服务，并且未能专注于学生用户数据的收集和分析，以有效了解学生用户的学习习惯和内容趋势。基于上述问题，该模块使用混合推荐算法来弥补缺乏个性化，并为成千上万的学生用户提供了学习资源的个性化服务。基于他们的偏好以及具有相似熟练程度的学生的学习偏好，向学生用户建议书籍或讲义。新用户将推荐利用热排名的平台中具有最高普及的书籍和讲座，以及符合推荐算法标准的人，将利用混合建议进行合理化。数字库模块的搜索部分不仅提供了关键字模糊搜索，还提供高级搜索。除了模糊关键字搜索外，数字库模块的搜索部分还为用户提供了高级搜索方法，以准确搜索。这部分是平台的核心部分;首先，写入背景; after creating the entity class, the layer starts to establish the method of adding, modifying, deleting, and viewing, then writes the service interface and implementation class, uses Spring annotation when developing, and then injects the mapper interface class into the service implementation class to complete the operation of adding, deleting, and deleting and changing the search. The service interface is injected into the controller layer and the methods in the interface are called, and the page information of the final query is passed to the interface of JSP through the view parsing layer. The final query page information data is passed to the interface of JSP through the view parsing layer. The add, modify, and delete operation is the right of the teacher user; the favorite and reading information of the student user has corresponding storage management in the database, and the description information is completed directly through the pop-up box; the download function of the student user is completed through the input stream and output stream.

数据仿真过程如图所示gydF4y2Ba 3.gydF4y2Ba．首先，根据课程和遍历，用户信息被分成不同的组。在原始数据中，有四个过程结果，其中仅通过和不同被视为通过并且失败并退出被认为是失败的。然后，该集通过学生分为四组60-70,70-80,80-90和90-100，基于其分数。在四组中的每一个中都会随机选择10％，15％，20％和25％的用户，并且分配它们以称赞。在称赞的学生中，收到的赞美次数是根据正常分布模拟产生的，其中四个得分频带手段定义为gydF4y2Ba µgydF4y2Ba = 10, 15, 20, and 25, respectively, with the same standard deviation taking σ.gydF4y2Ba= 3。gydF4y2Ba

恭维话的数量仍然是均值正态分布gydF4y2Ba µgydF4y2Ba= 2，标准差gydF4y2Ba σ.gydF4y2Ba = 2.超过一半的学生每门课程都不及格。当分配所有恭维时，同一课程中的所有恭维都被遍历，并且，对于每一个恭维，产生兴趣的概率为20%。在遍历所有按课程划分然后按地区划分的集合后，同一地区的用户为他们选择1%对相互跟踪。最终获得的数据如图所示gydF4y2Ba 3.gydF4y2Ba．在这里，数据不会模拟单击或报告的人数，因为这在一般在线教育平台中很少，并且没有基本策略来生成这些类型的信任关系。gydF4y2Ba

具有相似性阈值的准确性和召回的曲线gydF4y2Ba σ.gydF4y2Ba对于基于用户的协作过滤建议使用（gydF4y2Ba 2gydF4y2Ba）如图所示gydF4y2Ba 4gydF4y2Ba在这种情况下，记忆力随着记忆力的增加而下降gydF4y2Ba σ.gydF4y2Ba但是总体上很高，仍然0.809何时gydF4y2Ba σ.gydF4y2Ba是0.9。总体上，准确性随时间的增加而增加gydF4y2Ba σ.gydF4y2Ba但始终处于较低水平，也只有0.809时gydF4y2Ba σ.gydF4y2Ba是0.9。什么时候gydF4y2Ba σ.gydF4y2Ba很小,几乎所有其他用户的选择的课程推荐给当前用户,从而导致推荐的课程包含所有课程的数据集,导致高召回率接近100%,精度接近的比率的平均数量用户所选的课程,课程的总数。gydF4y2Ba

使用精度和召回计算的F分曲线如图所示gydF4y2Ba 4gydF4y2Ba，这增加了gydF4y2Ba σ.gydF4y2Ba增加，甚至gydF4y2Ba σ.gydF4y2Ba = 1 is the best recommendation, but this also means that the learner-based collaborative filtering recommendation is unsuccessful. The main reason for such a curve is that there are too few users attributes to differentiate users individually and there are only 7 courses in the dataset, which results in a high intersection between the number of courses recommended to users and the number of courses selected by users, even if the similarity threshold σ.gydF4y2Ba高。此外，某些特征的值之间存在关系，例如区域和教育，这不能通过使用独特的热代码进行充分表征。当用户向量尺寸的数量增加时，使用基于内存的协同滤波来计算相似度可能无法充分利用特征信息。gydF4y2Ba

在匿名数据集上使用两两比率回归模型进行课程选择预测，七门课程的最终表现如图所示gydF4y2Ba 5gydF4y2Ba据揭示了准确性和召回率不是很高。观察培训套装表明，这种现象的原因是阳性和阴性实例的不平衡;线性和逻辑回归和其他模型对数据的正数和否定示例的数量非常敏感，以及在进行主控预测时，匿名数据集中每门课程的选择数量如图所示gydF4y2Ba 5gydF4y2Ba。CCC课程选择的最高数量仅占总记录的24.3%，而AAAs的最低数量仅占2.3%，因此您可以看到AAA课程选择预测的准确性和召回率明显低于其他课程预测。gydF4y2Ba

为了解决这个问题，在划分训练集和测试集之前，每个课程的所有正面示例（即选择门的所有记录）都被取出，然后随机选择等量的负面示例，在这个集合中，正反例数量相等，训练集和测试集通过四个三重交叉验证进行划分，用于LR分类模型的训练和验证。7个课程的最终预测结果如图所示gydF4y2Ba 6gydF4y2Ba．总体准确性和召回率大大改善，特别是对于课程AAA，最高的FYFFE达到81.3精度和79.2召回率。gydF4y2Ba

数字gydF4y2Ba 6gydF4y2Ba在删除用户习惯标签后，仅使用基本的用户属性进行LR模型的培训，并且可以看出，在所有七个课程上，预测性能比使用个性化标签的模型更糟糕，这可以证明包含个性化标签可以提高推荐模型的准确性。结合本节中的所有实验，可以证明使用逻辑速率回归的推荐模型优于匿名数据数据集的基于学习者的协作滤波，但最高的F-Score仅为80.24。有几个原因：Log-Rate回归只能模拟功能之间的线性组合关系，更复杂的功能可以更准确。组合关系可以提高推荐模型的有效性。数据集是小的，平均每门课程平均仅为4656课程选择记录，即使使用同样正面和否定示例的子集执行实验验证，也将对模型的准确性受到许多反例的影响。用户纵向信息不够丰富或足够准确，并且目前只使用学习习惯标签，并且学习习惯标签不会充分利用数据集中所有用户行为信息和学习记录。gydF4y2Ba

进行了实验gydF4y2Ba kgydF4y2Ba= 3,gydF4y2Ba kgydF4y2Ba= 4,gydF4y2Ba kgydF4y2Ba = 5, respectively. The accuracy line graph is shown in 7, and the recall line graph is shown in 3–11; we can see that the accuracy and recall do not increase with the increase of the feature embedding vector dimension, but the difference between kgydF4y2Ba = 4 and kgydF4y2Ba= 5在两个指标中并不大，甚至在许多课程中减少。在本文中，FM输入特征向量维数仅为28，且嵌入向量不需要太复杂。虽然增加了规则项以防止过拟合，但高维数仍然会导致预测性能下降。因此，嵌入向量的维数gydF4y2Ba kgydF4y2Ba在后续的实验比较和基于fm的推荐应用的开发中，将该特性设置为4。因子分解器精度变化曲线如图所示gydF4y2Ba 7gydF4y2Ba．gydF4y2Ba

两种模式在七门课程上的f分如图所示gydF4y2Ba 8gydF4y2Ba．FM的预测性能优于每个过程的Logistic回归，证明了特征的二阶组合与预测结果之间存在相关性。此外，可以发现，AAA的预测性能在这两个模型上都很差，这主要是因为课程相关数据较少，以区分采取和不接受课程的用户。当然，在两个模型中发现了最佳预测，尽管所带来的课程数量小于BBB的数量，这可能是由于课程FFF的用户特性的差异越明显。gydF4y2Ba

分析和解决了实验中存在的问题，如不同数据的特殊分布对分类结果的影响，以及高嵌入维数导致的过拟合。在数据集上评价了基于记忆的协同过滤、对数似然回归和因子分解器三种推荐模型的优缺点，并分析了限制其性能的因素。选择性能最佳的因子分解器作为推荐模型，为后续研究提供支持。gydF4y2Ba

教学概述模块旨在帮助教师跟踪他们的学生的学习，检查他们的学生的学习级别，并提供课堂和学生比较的等级视图，如图所示gydF4y2Ba 9gydF4y2Ba．gydF4y2Ba

在线答疑和选择好笔记模块是师生互动部分。对于学生的问题，老师会相应地回答问题；对于学生开放类笔记，将选择最好的笔记供更多学生学习。压力测试使用JMeter，其中HTTP请求是服务器请求超时；虽然访问量约为100000个数量级，但错误率非常低，满足了平台的日常访问需求。页面响应被选中，如图所示gydF4y2Ba 10gydF4y2Ba．gydF4y2Ba

使用mail carrier进行接口测试，使用关键字java的高级搜索检查第一本书，服务器响应成功，响应时间为322 介绍了排练平台的概要设计和数据库设计，并对排练平台在学生端和教师端的基本功能进行了演示和说明，对学生端的推荐算法模块进行了演示和说明最后，对平台的基本功能和推荐功能模块以及性能进行了测试。在教育平台上应用合适的推荐算法，可以加快高层次人才的培养过程，并在平台上增加个性化推荐教育平台将创造巨大的商业价值。gydF4y2Ba