实习推荐信范文1
您好，得知我公司优秀实习生XX想要进贵公司发展，我感到非常高兴和无比欣慰。在我看来，这样一个上进的有志青年应该拥有更辉煌的未来。因此，我很荣幸地向贵公司强烈推荐这位优秀青年。
XX，于XX年XX月来我公司实习。她是这批实习生中的佼佼者。我将从人品德行、工作热情、沟通能力与团队精神四方面对她做出客观真实适当的评价，以期您能对她有更全面、更深入的认识。
首先，她是一名忠诚，可信任，谦虚随和，认真踏实的好员工。XX在暑期实习过程中，几乎每天都是早上第一个到公司，晚上最后一个离开公司的人。她勤奋，实干，一心为公，在做好分内工作的同时又能主动热情帮助其他同事。她有头脑，具有敏锐的洞察力和判断力，遇到事情有自己独到的见解，给很多老员工留下比较好的深刻印象，公认她是一匹有发展潜力的“千里马”。
其次，她乐观积极，富有朝气和工作热情，干劲十足。在实习的第一天，她在实习生民主选举中获胜，成为这批实习生中的主要负责人之一。之后的每一天，她都能用自己的朝气和激情影响周围的同事，做起事来总是能够信心十足，从容冷静。在团队气氛压抑时能很好地化解僵局，调节气氛。更加难能可贵的是，她带动了一群人对学习新知识、新技能的兴趣与热情！
再次，她是一位乐于沟通且善于沟通的年轻人。XX善于自我反思，总结经验，尽管曾经在工作中因为沟通不足导致工作失误的发生，但她能够直面自己的不足，而主动改善沟通方式，加强与上级领导，同事以及客户等各方面的沟通，这种改变产生了巨大的粘合力，把销售与推广紧密结合起来，增强了团队凝聚力。
最后，她具有较强的协作意识和团队精神，并且勇于承担责任。XX组织能力和管理能力很强，能够和同事们做到共进退。在这次暑期实习中，她勇于开拓创新，成功地策划组织了三次促销活动，增强了公司的和谐气氛，提升了团队业绩，得到老员工的一致好评！
虽然从某种程度上来说，如此优秀的实习生即将进入新的企业是我公司的损失，但是考虑到她的前途，我依然毫不犹豫支持她赴贵公司发展。真诚期望贵公司能同样支持她，信任她，给她一个提升自己，实现梦想的机会。谢谢。
实习推荐信范文2
关键词：优秀企业推荐；就业信息匹配；分布式技术；推荐与反馈系统
1 现有的网络推荐网站
随着成千上万的工作信息到互联网上，由于就业匹配系统因受到区域、教育、技能、工资等因素的影响，仅利用基于关键字的搜索引擎将会有很大的限制性，找到适合的工作仍然是非常困难的。从现有的网络推荐网站，可以分析出以下缺点：形式单一、交流低效、服务广泛、实用性差、盲目被动、缺少亲和力。
基于以上分析，开发出一款适用于应届毕业生的就业推荐与反馈系统是非常必要的。就业推荐与实习反馈共有3个子模块，分别是学生模块、管理员模块、合作企业模块。其中涉及学生就业意向的，并且查阅相关的就业信息。管理员可以审核相关企业的资质，并且匹配企业和学生之间的就业和实习信息，有效管理系统的后台数据。合作企业能够有效准确自己的招聘信息，同时，可以在线和学生完成互动。
2 基于分布式系统的就业实习推荐和反馈系统
现如今分布式系统已经兴起，就业实习推荐和反馈基于分布式系统基础上是一个非常好的选择，优点也显而易见，优点主要表现为以下几点：
（1）可以将分布在各处的资源综合利用。而这种利用对用户而言是透明的。
（2）可以将负载由单个节点转移到多个，从而提高效率。
（3）可以避免由于单个节点失效而使整个系统崩溃的危险。
如图1所示，毕业生利用该系统求职基本操作流程如下：
（1）用户登录之后可以填写自己的个人信息，修改自己的求意向等信息。
（2）查看系统向用户推荐的实习工作，选择合适的推荐去联系相关的公司进行面试。
（3）用户还可以对实习填写反馈意见，系统管理员会统计反馈意见，以及向合作提供统计的反馈信息进行系统优化，更好地服务用户。
合作企业招聘信息需要向系统开发方提供企业营业执照副本等相关资料，再由系统管理员进行审核，审核通过才能进行招聘信息，保证招聘信息的真实性，让用户更放心。
就业推荐系统将用户的个人信息作为输入并与合作企业的招聘信息进行匹配，然后根据匹配计算得到的结果给予求职者相应的工作推荐，个人信息通常包括求职者的教育背景、特长、职位意向以及通过分析得出的用户特征，通过对这些数据进行分析后进行有效的匹配工作。
如表1所示，实习企业信息表共有6个字段，储存了实习企业的基本信息，企业编号是主键，可以根据编号获取企业的其他信息和权限。
企业招聘信息储存表共6个字段，信息编号是主键，可以根据信息编号获取企业的招聘详细信息。学生毕业学院信息表，可以查看学生毕业院校。
实习就业信息匹配记录如表3所示，学生编号和企业编号是联合主键，可以查看成功匹配的实习就业信息。
3 结语
实习推荐信范文3
[关键词] 网络教育服务； QoS偏好； 服务推荐； 偏好相似度
[中图分类号] G434 [文献标志码] A
[作者简介] 刘迎春（1974—），女，安徽肥西人。副教授，硕士生导师，主要从事网络教育应用、服务信任与信誉等方面的研究。E-mail：。
一 、引 言
随着网络技术的发展和网络教育的不断普及，互联网上的教育信息日益丰富，网络逐渐成为人们获取知识信息的主要途径之一。通过搜索引擎，网络学习者可以搜索学习材料、学习工具、教学平台用于某一学习目标或任务的学习，并在使用后参与评价或评论，记录对这些学习材料、工具、平台的功能和质量的印象，供其他学习者参考。然而，网络教育信息种类繁多、功能各异，质量更是千差万别。通过搜索引擎往往得到大量具有相同或相似功能的教育信息，学习者难以辨别它们的质量优劣，造成“选择恐慌”；不同学习者具有不同的学习特点和偏好需求，搜索获得的相同内容、相同排序的教育信息，无法帮助不同学习者找到适合自己的教育信息，造成学习者满意度的降低，最终造成海量教育信息难以利用和低效利用，阻碍网络教育、教学的深入发展。
网络学习材料、学习工具、教学平台等教育信息存在的目的是为学习者的学习服务，为突出研究对象的本质特征，简化表述方式，把以此为目的的所有网络教育信息或行为统称为网络教育服务。网络教育服务的内容、形式、功能、质量千差万别，为了便于理解和实现，网络教育服务的定义由功能性属性和非功能性属性来描述。功能性属性是网络教育服务的教育目标和功能的描述属性，非功能性属性是网络教育服务的服务质量属性（简称QoS属性），是学习者在接受网络教育服务的过程中感受到的或不断体验的一些属性，例如网络教育服务的响应时间、可靠性、性价比、网络教育服务提供者的信誉等。一些网络教育服务的功能属性是相同的，但其QoS属性可能存在很大差异。网络教育服务QoS的高低是决定学习者学习体验满意与否的最重要因素之一。[1]
学习者在请求网络教育服务时，除了有功能性需求之外，还有一定的QoS需求或偏好。例如，有的学习者希望网络教育服务具有较高的响应速度；有的学习者希望网络教育服务不仅要安全可靠，还要有低廉的价格。学习者的QoS需求满足与否直接关系到学习者是否选择教育服务以及对教育服务体验的满意度。因此，如何从满足学习者功能需求的大量教育服务中进一步准确找出满足学习者QoS偏好的教育服务，在网络教育管理中显得越来越重要。
为了满足学习者对网络教育服务质量的个性化需求，提高网络教育服务的利用率和学习者的满意度，本文提出一种基于学习者QoS需求偏好的网络教育服务推荐模型。在具有相同功能属性的网络教育服务中，利用学习者对网络教育服务的QoS评价数据以及学习者的QoS需求偏好信息，通过对不同学习者之间的偏好相似度的计算，提高相似度高的学习者服务评价的权威性以及偏好相关评价数据的聚合权重，以获得针对不同偏好学习者的网络教育服务QoS排名，并把最合适的网络教育服务推荐给学习者。
二、相关研究
（一）网络教育服务及其QoS
近些年，很多学者关注了教育的服务性，认为教育具有服务业的典型特点，是现代服务业的一个重要组成部分。[2][3]相对于传统教育，网络教育的服务性更明显，董向东[4]认为网络教育本身既是一种个性化教育过程，又是一种个性化服务过程。[5]武丽志从服务的视角对远程教育进行研究，给出远程教育服务的特征、服务质量的相关定义。作为服务，教育具有固有的特性，其服务质量的定义和属性也与普通服务业不同。[6]张屹等认为网络教育服务的服务质量是网络教育的提供者满足学习者明确和隐含需要的能力的特性之总和，网络教育服务质量包括可靠性、关怀性、学习资源的有效性等。[7]Godwin J. Udo等提出一种E-learning服务质量评价模型，认为服务质量包括保证性、移情性、响应性、可靠性等。[8]彭博等将一种基于QoS 的算法应用到学习对象的评分中，把事务处理、响应时间、赔偿率反馈评分等作为QoS属性。[9]通过对QoS数据的分析，可以在功能发现的基础上，从满足功能需求的服务内查找最适合用户非功能需求的服务。[10]
从以上学者的研究可以看出，将网络教育信息、资源、行为抽象为网络教育服务可以更好地从教育的过程和结果对教育服务进行评估；网络教育服务的QoS是用户在体验教育服务过程中感受到的一些非功能属性，这些非功能属性的值由使用者评价或系统监控获得，通过分析和挖掘这些非功能属性数据，可以获得真实的教育服务的服务质量信息以及使用者的使用感受和行为信息。
（二）教育服务推荐研究
服务推荐是根据用户个人的喜好、反馈等来推荐用户可能感兴趣的有用服务信息和推荐合适的服务。[11]该方法可以解决当前网络中服务过载的问题，广泛应用于Web服务、电子商务等领域。在教育领域，也有很多教育服务推荐的研究，比较有代表性的有：任宇提出一种虚拟学习社区个性化推荐策略，将协同过滤和关联规则有机结合实施推荐；[12]刘敏根据学习者兴趣构建了一种最近邻居评价协同过滤算法；[13]李高敏结合教学资源的项目特征，提出了一种基于用户和基于项目的混合协同过滤个性化推荐算法；[14]杨丽娜等提出面向虚拟社区的学习资源个性化推荐；[15]逄华等对基于移动Agent技术的教学资源推荐系统进行了研究；[16]黄昌勤从服务的视角进行了网络课程资源支持下基于语义Web的个性化主动学习研究；[17]王永固等提出一个基于协同过滤技术的学习资源的个性化推荐系统的理论模型。[18]
以上研究从理论模型到实际应用，取得的成果证明了推荐技术在教育领域具有广阔的应用前景。但上述推荐系统的研究更多关注的是教育服务的功能性属性相对应的规则和特征，较少涉及教育服务的非功能性属性以及学习者对这些非功能性属性的偏好需求，由此获得的推荐力度较大，不能区分推荐服务在非功能性属性上的差别以及与学习者偏好的关联。本研究缘起于网络上相同或相似功能的教育服务众多，而其QoS各不相同，不同的QoS与学习者对服务的需求紧密相连。为实现更精准化的推荐，本文区分了教育服务的功能性和非功能性属性，重点针对教育服务的QoS以及学习者QoS偏好需求，实施精确、按需的推荐，实现了在以学习者为中心的网络教育服务系统中，通过学习者的QoS评价反馈，推荐符合其个性需求的网络教育服务。该方法能提高优质网络教育服务的利用率，满足学习者的个性化需求。
三、推荐模型
在以学习者为中心的网络教育环境的学习社区中，任何社区成员都可以上传教育服务供他人使用以合作建构知识或赢利。通过审查而注册到教育服务库中的教育服务是具有功能性和非功能性属性描述的“黑匣子”，接受社区中所有学习者的访问和调用。学习者带着对网络教育服务的不同需求访问教育服务库。学习者的需求有些是显性的（如对教育服务的教学内容、功能、类型、价格等的需求），有些是隐性的（如对教学服务的下载速度、安全性等的需求），显性的需求可以通过系统提供的搜索工具检索获取，而隐性的需求很难用检索条件描述。大部分显性需求是对教育服务功能性属性的需求，QoS属性一部分可以显示表达，一部分只能在接受服务的过程中不断感知。
学习者通过检索获得需要的教育服务后，在使用过程中体验其服务质量，并在使用后对其服务质量进行评价。汇总大量用户的诚实评价以及系统对教育服务过程的监控数据，可以获得教育服务QoS的相关信息，记录在反馈QoS库中，它是计算每个教育服务的服务质量的数据基础。
学习者在搜索、使用、评价教育服务的过程中，系统通过一定的感知技术获得学习者对教育服务QoS的需求偏好，与学习者的基本信息一起保存在用户信息库中。
搜索工具只能提供显性的功能性属性的查询，在满足功能性属性查询条件后，推荐系统根据学习者的QoS偏好信息，对反馈QoS库中教育服务的QoS属性数据进行相似度和加权计算，与当前学习者QoS偏好相似度高的学习者的评价数据以及与当前学习者QoS偏好相关的教育服务QoS属性数据，在教育服务QoS汇总值聚合计算中将有相对更高的权重，依据教育服务QoS汇总值动态生成符合当前学习者QoS偏好的教育服务排序序列。
图1展示了学习者向网络教育服务推荐系统请求教育服务、网络教育服务推荐系统通过一系列操作反馈推荐列表给学习者、学习者使用教学服务后对教育服务的QoS进行评价反馈的模式和过程。由该模型可以看出，基于学习者QoS偏好的教育服务推荐系统具有很好的自治性和自适应性，随着数据量的增加，学习者的个体需求能够不断得到更好的满足，教育服务能够得到均衡、有效的利用，形成良好的优胜劣汰的教育服务生态系统。
四、推荐方法
（一）教育服务的QoS及其量化处理
设ES 是网络教育服务，它由功能性属性和非功能性属性来描述，记为ES（F，Q），其中，F是功能性属性，Q是以QoS为代表的非功能性属性。教育服务的QoS一般有若干属性组成，表示成Q（q1，q2，……，qn），qi为教育服务QoS的第i个属性。对于不同类型的教育服务，其QoS属性的个数和表示也不相同，关于教育资源、教学系统等教育服务的QoS属性，众多文献[19][20][21]已经做过相应的研究。
教育服务库中m个教育服务的n维QoS属性经过不断的服务请求与交易，获得了k个学习者的评价，这些评价数据如图2（a）所示。采用一定的方法（如平均法）对k个学习者的评价数据进行汇总，得到如图2（b）所示的矩阵FQ，矩阵中的行表示第i个教育服务ESi 的各个QoS属性的汇总值，列表示所有教育服务的第j个QoS属性的汇总值，即Qij（i
由推荐模型和上述QoS属性值的量化处理可以看出，先前的学习者对教育服务的QoS评价数据是推荐的基础。在实际应用中，我们采用李克特表的方法，来设计学习者的评价，每个QoS的属性值取值范围是[1，5]。但是，每个QoS属性的语义不同，值的含义也不同，如响应时间是越小越好，可靠性是越大越好，因此，需要对QoS数据进行归一化处理。利用现有方法，[22]由公式（1）处理负属性（取值越大，QoS越低，如响应时间、服务价格），由公式（2）处理正属性（取值越大，QoS越高，如可靠性）。其中， qij和uij分别为某个QoS属性数据标准化之前和之后的值，qmax和qmin分别为该QoS属性在所有用户反馈中的最大和最小值。
（二）学习者的QoS偏好模型及偏好相似度
1. 学习者的QoS偏好模型
在自适应的个性化学习系统中，每个学习者都有独特的学习风格和特点，具有不同的学习偏好或需求。学习者在教育服务请求中对教育服务QoS的偏好也不同，例如，有的学习者更偏爱交互性强的教育服务，对响应时间要求较高，对教育服务的适应性没有特别要求；而有的学习者看重教育服务的可靠性和适应性，不能容忍教育服务的失效和不兼容性，对交互性没有特别要求等。在系统冷启动状态下，学习者的QoS偏好由调查表静态获取，随着学习者参与教育服务的请求和反馈，其偏好信息将动态更新。
用EQ（EQ1，EQ2，……，EQn）表示学习者的QoS偏好模型，某个学习者的QoS偏好表示为：EQi（eqi1，eqi2，…，eqin），其中eqij是学习者i对教育服务QoS的第j个属性的偏好值，偏好值的取值范围是[0，5]，值越大，对该QoS属性越偏好。所有学习者的QoS偏好信息以矩阵EQ保存在用户信息库中。
2. 学习者偏好相似度
具有相似偏好的学习者在进行教育服务QoS评价时往往具有相似的评价偏好，因此，偏好相似度高的学习者的评价在所有评价中具有更高的参考价值。
把偏好矩阵EQ中每个学习者的QoS偏好看作是n 维向量，通过向量间的余弦夹角度量的方法，[23]计算学习者之间的偏好相似度。
学习者ui和学习者uj的QoS偏好向量ui和uj分别为：ui=（eqi1，eqi2，……，eqin）和uj=（eqj1，eqj2，……，eqjn），则学习者ui和学习者uj的QoS偏好相似度rsij定义为：
利用公式（3）对学习者QoS偏好矩阵EQ进行学习者的偏好相似度的计算，得到学习者偏好相似度矩阵RS，RS是一个对角线为1的对称矩阵。
（三）基于QoS偏好相似度的QoS汇总值计算与推荐
设当前学习者提出教育服务的请求初步得到满足，其功能属性需求的教育服务集合ES=（ES1，ES2，…，ESm），每个教育服务都有若干个学习者对其进行了评价反馈，第d个学习者对第i个教育服务的第j个QoS属性的评价记为。
已知学习者的QoS偏好为：EQt（eq1，eqt2，……，eqtn），利用公式（3）可以算出当前学习者的QoS偏好与k个学习评价者QoS偏好的相似度RSt（rst1，rst2，……，rstk）。记：
则教育服务集合中第i个教育服务的QoS汇总值为：
公式（4）中，首先按当前学习者的QoS偏好对评价数据进行处理，偏好高的QoS属性具有更高的权值；接着，对不同学习者的评价按其与当前学习者的相似度进行加权，相似度高的学习者的评价具有更高的权值。由公式（4）可以获得所有教育服务的QoS汇总值，记为 ，这些教育服务的QoS汇总值是体现当前学习者偏好的个性化数值，对F中教育服务QoS汇总值进行排序，可以获得针对当前学习者的教育服务推荐列表，向当前学习者ut进行个性化教育服务的推荐。
五、模拟实验与验证
为了验证本文推荐方法的可行性和准确度，在局域网中搭建测试系统，共有一台服务器和四台PC机。服务器作为教育服务注册存储服务器，四台PC机作为学习者请求的系统终端机。
在系统中注册60个教育服务，以数据库、数据结构、操作系统、C语言等四门课程作为不同功能的服务，可表示为（DB，DS，OS，C），每门课程注册15个相同功能不同质量的教育服务，选择可靠性、交互性、关怀性等三个属性作为教育服务的QoS评价属性参数，三个属性均为正属性，用qi表示。
由50名本科生作为体验者，他们有不同的QoS偏好，记录在用户的QoS偏好库中。首先，其中40名学生根据自身的QoS偏好请求教育服务，然后分别对请求的四门课程中的教育服务进行QoS评价，使每个教育服务都有8～12个评价，由此构成教育服务推荐的基本数据集。剩余的10个学习者在此数据基础上，对四门课程分别进行一次教育服务请求，使用本推荐方法和平均值推荐法进行两次推荐，学习者根据推荐结果进行评价，包括QoS评价，满意度评价（SAT）等，最后根据学习者的满意度对两种推荐方法的结果进行对比。
具体实验过程如下。
1. 用户偏好数据。首先由调查问卷得出每个学习者的QoS偏好，见表1。其中，属性qi（1≤i≤3）取值范围是[0，5]。表中的值越大，代表该用户越偏重该属性，即qi值为0时，用户最不在乎此属性，qi为5时，用户最重视该属性。
2. 教育服务评价数据。通过40位同学对60个教育服务的评价获得教育服务的评价数据，见表2。其中不为空的qi分量表示评价者U对服务ES的某个QoS属性的评价值，qi越大，表示评价者对相应服务的这个QoS属性表现越满意，反之则不满意。如此获得每个教育服务ES大约有10个左右用户的评价数据。
3. 服务请求与推荐。有10个学习者（U41～U50），他们的请求偏好模型见表1，对教育服务进行请求。通过公式（3）、（4）对他们请求的服务的服务质量进行计算，获得每个教育服务的QoS汇总值，按QoS汇总值进行服务的推荐。
例如，U41请求数据库教育服务，返回15个数据库教育服务，系统需要根据U41的偏好以及这15个服务的服务质量信息给U41推荐一个最合适的教育服务。
EQ41=（0，5，3）是U41的用户偏好，表示他对可靠性没有要求，对交互性要求很高。15个候选服务都有8～12个用户评价数据，由公式（3）计算U41和每个候选服务的每个评价者的用户相似度，得到表3的数据。
再由公式（4）计算针对U41用户偏好的这15个教育服务的不同QoS汇总值，按QoS汇总值降序进行个性化的教育服务推荐。
4. 推荐满意度。学习者的满意度是鉴定推荐结果是否满足需求的重要参数。分别使用本文的推荐方法与平均值推荐法为用户进行教育服务推荐，根据请求者对推荐结果满意度的评价，从两个角度进行对比：①每个教育服务请求者对请求过的四门课程的教育服务满意度的平均值，如图3（a）所示；②每门课程教育服务的所有使用者满意度平均值，结果如图3（b）所示。
由实验对比可见，无论是学习者请求过的所有教育服务的满意度均值，还是每门课程教育服务的满意度均值，使用QoS偏好推荐法的学习者满意度均高于平均值推荐法。
六、总 结
本文针对现有教育服务推荐方法中缺少关注服务质量信息带来的一些问题，在深入研究网络教育服务的特点及其QoS属性的基础上，提出了一种基于QoS偏好的教育服务推荐模型和方法，为学习者推荐符合其QoS偏好的个性化教育服务。在后续的工作中，计划在网络教育服务管理系统中实现和应用本推荐方法，积累用户数据和推荐反馈，提高对学习者QoS偏好信息的动态感知，优化QoS评价数据的挖掘，进一步提高学习者的满意度，构造更加智能的学习环境，用技术促进教育、改进教育。
[参考文献]
[1] Hishamuddin Fitri Abu Hasan，Azleen Ilias. Service Quality and Student Satisfaction[A]. Case Study at Private Higher Education Institutions[J]. International Business Research，2008，1 （3）：163～175.
[2] 刘俊学. 服务性：高等教育质量的基本特征[J]. 江苏高教，2011，（4）： 40～42.
[3] 陈德人，张尧学. 数字化学习巷：构建面向终身学习的学习型社会[M].杭州：浙江大学出版社，2009.
[4] 董向东.网络教育服务初探[J].电化教育研究，2002，（11）：34～37.
[5] 张屹.网络教育服务质量管理体系规范研究[D].上海：华东师范大学，2003.
[6] 武丽志.远程教育服务论纲[D].广州：华南师范大学，2007.
[7] 张屹，胡小勇，祝智庭. 网络教育服务质量框架研究[J]. 中国电化教育，2003，（2）：68～72.
[8] Godwin J. Udo ， Kallol K. Bagchi ， Peeter J. Kirs. Using SERVQUAL to Assess the Quality of E-Learning Experience[J]. Computers in Human Behavior ，2011，（27）： 1272～1283.
[9] 彭博，杨贯中.基于QoS 的学习对象推荐[J]. 微计算机信息， 2009， （9）：145～146.
[10] 夏雷. 基于反馈QoS的Web服务发现模型[D]. 青岛：中国石油大学，2007.
[11] 曾春，邢春晓，周立柱. 个性化服务技术综述[J]. 软件学报，2002，（10）：1952～1961.
[12] 任宇. E-Learning个性化系统的推荐策略研究 [D].长春：东北师范大学，2010.
[13] 刘敏. 基于协同过滤技术的E-Learning个性化推荐系统研究[D]. 天津：天津师范大学，2010.
[14] 李高敏.基于协同过滤的教学资源个性化推荐技术的研究及应用[D]. 北京：北京交通大学，2011.
[15] 杨丽娜，刘科成，颜志军.面向虚拟学习社区的学习资源个性化推荐研究[J].电化教育研究，2010，（4）：67～71.
[16] 逄华，荆永君，王龙.基于移动Agent技术的教学资源推荐系统研究[J].电化教育研究，2011，（9）：79～83.
[17] 黄昌勤.网络课程资源支持下基于语义Web的个性化主动学习服务研究与实现[J].电化教育研究，2012，（3）：49～55.
[18] 王永固，邱飞岳，赵建龙，刘晖.基于协同过滤技术的学习资源个性化推荐研究[J].远程教育杂志，2011，（3）：66～71.
[19] Afzaal Ali，Israr Ahmad.Key Factors for Determining Students’ Satisfaction in Distance Learning Courses： A Study of Allama Iqbal Open University[J].Contemporary Educational Technology， 2011，2（2）：118～134.
[20] Ismail SAHIN. Predicting Student Satisfaction in Distance Educaiton and Learning Environments[J].Turkish Online Journal of Distance Education， 2007，8（2）：113～119.
[21] 方宇通. 基于学生满意的远程教育服务质量影响因素研究[J].电化教育研究， 2012，（4）：58～62.
实习推荐信范文4
关键词:个性化推荐;Web使用挖掘;协同过滤;用户兴趣度量
中图分类号:TP301文献标识码:A文章编号:1009-3044(2009)34-9785-02
1 引言
在目前的国内外学术研究领域中,如何充分有效地对于Web数据进行存储和查询,分析提取用户特性并向用户提供个性化学习的网络学习平台已经成为Web技术的一个研究热点。其本质就是基于Web使用挖掘技术,通过收集和分析用户注册信息、用户浏览信息(即Web日志)等信息,获得用户的浏览兴趣和行为习惯,将用户感兴趣的内容在浏览页面中以超链接的方式推荐给用户,从而制定适应每个学生个性化需求的学习系统,提供个性化的服务决策。个性化学习系统的基本实现构架如图1所示。
2 个性化推荐技术
在系统实现的一个核心技术就在于个性化推荐。目前个性化的推荐技术可以分为两种:基于规则的推荐系统和基于信息过滤的推荐系统[1]。
在个性化的学习系统设计中,使用较多的是基于信息过滤的推荐技术。基于信息过滤的推荐技术是指根据信息过滤算法和用户需求模型,对信息或资源的相关度进行度量,过滤其中相关度小于某个阈值的信息,而将相关度阈值大于信息按照一定的序列进行推荐。
3 协同过滤算法及改进
目前,信息过滤的方法主要有两种:基于内容的协同过滤和基于用户的协同过滤。
3.1 基于内容的协同过滤
基于内容的过滤是指假定用户的兴趣不变,根据用户以往的数据来构造出用户喜欢项目的特征,然后根据用户兴趣特征与内容特征的拟合,产生用户推荐列表。操作过程中主要是通过相似度系数、相似余弦公式、欧式公式等度量方式计算出信息内容的特征性和用户兴趣特征二者的相似度,若相似度小于某阈值则信息内容被过滤,若相似度大于某个阈值,则按照相似度的大小对待推荐的内容信息进行排列,得到基于内容的协同过滤推荐集合。基于内容的过滤算法中涉及了四个基本问题:用户兴趣度的度量及表示、文本特征如何选择、计算文本与用户兴趣的相似程度、根据用户的反馈信息自动更新用户兴趣度量及调整过滤阈值[2]。
个性化学习系统中,一般情况下内容特征值的提取比较直接,导航页面和综合页面中一般可能会包含一个或者若干个关键字,往往代表了一个章节的内容,内容页面中一般只包含一个关键字,代表本页的教学内容。导航页面和内容页面、综合页面之间存在这明显的层次关系,这种层次关系是对教学内容的安排策略的体现,通常导航页面为相关教学内容页面和综合页面的父节点,内容页面和综合页面是对应导航页面的子节点,并且具有从左到右按序排列的关系,在同一个导航页面下所包含的页面通常包含有相同的关键字,可以认为用户的兴趣相似度较高。
因此,一般情况下基于内容的推荐就可以以Web站点的拓扑结构为依据,假设导航页面为每个章节的入口,章节中的知识点(或者说每个小节)以教学进度的安排为依据从左向右依次排列为导航页面的子页面(也即内容页面)以及各小节内容对应的测试页面和测试页面(二者为综合页面),那么基于内容的过滤可以将当前页面节点的父节点、当前节点的邻近左右兄弟节点以及父节点的父节点选择组织起来形成当前的推荐序列,以引导用户进行学习内容的进度调整,如果学习作业和测试反馈信息较好的话则进行本章节的深入学习优先推荐其右兄弟节点,否则则进入当前页面知识点的基础页面进行学习,推荐所欠缺知识所关联的左兄弟节点。基于内容的过滤推荐技术算法比较简单,易于实现,但是这种过滤推荐技术是基于用户的已知兴趣特征与Web页面的特征相似度来形成推荐列表,推荐的只是用户感兴趣的Web页面,而无法有效拓宽用户的浏览兴趣面。
3.2 基于用户的协同过滤
传统的基于用户的协同过滤又称为合作过滤或者社会过滤,它是基于如下假设:
1) 用户是独立可分的[3];
2) 用户对页面的浏览时间等信息隐含着用户的浏览兴趣所在;
3) 如果一些用户对一些项目的评分较相似,则他们对其它项目的评分也比较相似。
协作过滤分析的是“用户―用户”的关系,根据用户―资源评分矩阵进行用户相似性的比较,找出目标用户的若干最近邻居(也即与目标用户对资源兴趣度相似的用户),查找出最近邻居兴趣度量数据为实数、数据较大并且目标用户近期没有浏览过的项目作为目标项目,然后根据最近邻居对目标项目的评分还预测目标用户对目标项目的评分,从而将评分较高的若干项组成推荐序列,对目标用户产生推荐。
目标用户的最近邻居可以用过计算用户之间的相似性、选择其中相似度最高的若干项作为目标用户的最近邻居。目前比较常用的有两种相似性的计算方法:余弦相似性和相关相似性。
1) 余弦相似性
用户评分看作是N为项目空间上的向量。假设用户a和用户b在N维项目空间上的兴趣度分别表示为向量a和b,则用户a和b之间的相似性计算方法为:
(1)
式中分子为两个两个向量的内积,分母为两个向量模的乘积,以此计算出两个向量的余弦,夹角越小则相似度越高。
这种算法存在一个问题,就是用户之间存在着的平均兴趣度的整体数值以及智能水平的差别,而只能差别通常不只表现于用户对某一个页面的阅读速度,而是影响到所有的页面的阅读速度,因此,这种计算方法得到的相似度是有着一些偏差的。
2) 相关相似性
为了避免余弦相似性计算中由于用户的兴趣度量值的平均水平或者智能水平的不一致而造成的将用户对页面的平均兴趣度作为一个参考值,在计算过程中通过减去用户的平均兴趣度来改善余弦相似性计算中所涉及的问题。假设用户a和用户b共同评分的项目集合为Iab表示,Ra和Rb分别表示用户a和用户b所共同评分页面的平均评分,Ia和Ib分别表示用户a和b的评分向量,则两个用户的相关相似性计算(也即两个向量之间的相似性计算)公式表达如下:
(2)
传统的协同过滤技术面临着一些缺点,主要表现在一下三个方面:
1) 数据的高稀疏性。随着系统规模的不断扩大使得用户和项目的数目急剧增加,用户的评分数据也就相对比较少,譬如一些大型的电子商务系统中,用户的评分项目一般不会超过资源项目总数的1%[4]。这些就容易导致用户评分数据的极端稀疏。用户评分数据的极端稀疏会导致用户之间交叉评分的的项目会很少,这样用传统的相关相似性计算方法很难成功地计算出最近邻居集,从而直接影响信息推荐的推荐质量。
2) 算法的可扩展性。随着系统规模的扩大以及运行,用户和项目数据不断增加,导致系统地计算量不断增加,使得算法无法满足推荐适时性的要求;
3) ”冷启动”问题。这实际是数据稀疏性得一种形式,是在系统运行初期或者一个项目首次出现时,因为没有用户对它做评价,所以单纯的基于用户的协同过滤无法对它进行预测评分和推荐。
结合个性化学习系统的应用以及数据环境特征对传统的协同过滤算法可以作出以下改进:
首先,为了系统的“冷启动”问题,个性化学习系统中要求用户进行注册,同时要求用户在系统使用初期以及新项目出现初期要求用户首先注册成为站点的用户,系统为每一个注册用户分配一个标识号userID,并且要求用户在注册时或者新的项目出现时要求用户进行资源兴趣度的选择,一般可以将兴趣度界定一定的阈值,用户可以在阈值数据范围内选择一个可选数据,如果用户选择的兴趣度初始值比较高,则用户越对这些项目兴趣度比较高,反之,则比较低,这个方法在第四章中用户的兴趣度量中已经说明,并且以此建立初始的以整数标注的用户―资源评分矩阵R(M×N)。
其次,为了解决数据的高稀疏性问题,在个性化学习系统中考虑到每个课程的教学内容在网站的组织中所有的页面并不是独立的,首先是遵循于各章节的,为了解决用户―资源评分矩阵中数据的高稀疏性,我们将不再以页面为单位进行兴趣度量,而是以章节为独立的项目对用户进行兴趣度量,以此建立用户―章节兴趣度矩阵,从而提高用户之间的共同评分项目数量,使得用户的相关相似度计算结果相对合适。
最后,为了解决算法的可扩展性问题,个性化学习系统中提出了首先通过离线处理对基于用户―章节兴趣度矩阵对用户进行聚类,聚类处理时在本系统中采用K-means算法进行用户聚类,将用户分为若干个簇,在同一簇内用户的浏览兴趣尽可能相似,在不同簇之间用户的浏览兴趣尽可能不一致;然后通过在线实时处理在各个簇内进行用户相关相似性的计算,选择若干相似度最高的用户作为目标用户的最近邻居,这样可以缩小目标用户最近邻居的查找范围,从而在一定程度上有效提高算法的可扩展性。
3.3 推荐集合并
个性化信息推荐内容包括基于内容的过滤算法形成的推荐序列和基于用户的协同过滤算法形成的推荐序列,前者有利于引导用户遵循知识结构进行深入学习,后者有利于用户学习兴趣空间的拓展,因此学习系统中应该对两方面的推荐结果进行合并。合并的过程中应该遵循以下原则:
1) 首先寻找两个推荐序列的交叉项,对于这些交叉项进行优先推荐;
2) 对于两个序列中没有交叉出现的项目,遵循知识点结构编排优先原则进行推荐序列的组织,也即基于内容的过滤推荐序列优先原则进行非交叉项目的推荐。
3) 两个推荐序列的结合既互相补充又能发挥各自的优点,在项目推荐中既强调了教学环节的连贯性,同时也有利于用户教学兴趣的及时拓展,大大增加了推荐效果。
4 小结
本文主要介绍了立足于个性化网络学习系统的运行环境,介绍了传统的协同过滤算法,分析了算法局限性及主要解决方法。以此为依据,结合个性化学习系统的在用户以及内容结构等各方面特征对协同过滤算法进行改进,分析了传统的协同过滤算法的局限性,结合系统应用实际对用户―资源矩阵数据稀疏性和算法可扩展性两方面的问题进行改进,提高信息的推荐质量。
参考文献:
[1] 纪良浩,王国胤.基于协作过滤的个性化服务技术研究[J].计算机工程与设计,2008,29(4):983-986.
[2] 于满泉,许洪波,赵章界,等.基于内容的个性化信息过滤系统的研究与设计[J].计算机工程,2005,31(12):78-80.
实习推荐信范文5
【推荐信格式】
推荐信一般由标题、称呼、正文和落款四部分组成。
(一)标题
推荐信的标题一般由文种名构成，即在第一行正中写上“推荐信”三个字。有的推荐信由于写推荐信同收推荐信双方关系较熟则可以不要标题。
(二)称呼
推荐信要在第二行顶格写上收信方领导的姓名和称呼或只写对方领导的职务，如“尊敬的××局局长：”。
如果推荐人同收推荐信的人是熟人朋友，则也可以用常见的私人信件一样的称呼，如“英华兄：”
(三)正文
推荐信的正文可以概括为开头、中段和结尾三部分构成。
1.开头
推荐信的开头既可以先问候一下对方，略叙思念之情，也可以开门见山直说其事，这要视你和对方的关系而定。假如你和对方见面较多，关系也较为密切，就无须太多的客套话了。要在开头介绍自己(或推荐人)的身份，以及自己同被推荐人之间的关系。同时说明写此信的意图。
2.中段
中段是推荐信的展开部分，要针对用人单位的情况需要，介绍被推荐人的一些情况，如学历学位、专业特长、外语水平、业务能力以及其他能力;以使对方能通过引荐信对被引荐人产生好感，从而达到推荐人才的目的。
如果是自荐信，更要写明自己在原来岗位未能发挥或没有机会发挥的潜能和特长。
3.结尾
再次表达自己希望能办成此事的愿望，恳请领导给予被推荐人工作或晋升机会，并向对方致以感激祝福之情。结尾处也可附上一些被推荐人业绩的有关材料。
(四)落款
推荐信的落款要在正文右下方署上推荐者的姓名，以及成文日期的年月日。
有些推荐信还可以注明自己的详细通讯地址，以备以后必要时的联系之用。
【范文一】
XXX先生/女士：
我谨作为**先生在集团工作四年间的直接领导写此推荐信。 今天的**与四年前的他相比，已经产生了非常显著的变化。而作为一位独立负责一个公司所有工程事务的管理者来讲，这些变化亦是他个人在管理与领导能力上日趋成熟的真实体现。
对于他这四年来在公司所作出的实际贡献，如完善公司具体行政管理制度、全面提升行政服务品质、连续三年被评为集团6S优异奖等，我不作赘述，因为这些只能代表他的过去。我将从沟通、学习与传播三方面对他作出适当评价，以期您能对他有更全面、更深入的认识。 他首先是一位乐于沟通且善于沟通的管理人员。尽管曾经在工作中因为沟通不足导致工作失误的发生，但他能够直面自己的不足，而主动改善沟通方式，加强与服务对象、与工程部的沟通，从而改变并形成了一种较为民主的工程事务管理模式。这种改变产生了巨大的粘合力，把生产与行政管理紧密结合起来，以行政管理来支持生产，并在生产促进中发挥更大的作用。
他还是一位乐于学习且善于学习的管理者。作为一名基础管理者，他这四年来的学习实践集中在三个方面，一是从失误中学习，一是从同事的成功经验中学习，一是从外界培训及自我学习中学习。他把所学在实践中加以运用，从他所取得的成就直接且充分显示了他在学习上谦虚与勤奋，充分显示了他在管理实践过程中对学习的不断检验与总结，充分显示了他在为丰富其职业生涯而进行的拓展性学习、关联性学习中所表现出来的追求心!更为难能可贵的是，他带动了一群人对学习新知识、新技能的兴趣与尝试!
他更是一位乐于传授并不断升华管理理念的职业人士。耐心传授并不断升华管理理念，是一项真正的管理者必须做到且永无止境的工作。他已经在实践中，且有所成效，比如教育同事调整工作态度、培养沟通意识、主动研究可行性方案、加强执行力、鼓励创新等等。虽然我仍希望他在这方面持续加强，但我依然欣赏他正表现出来的在管理研究与工程实践上的专注与专业。
作为蒋龙先生曾经的领导、永远共勉的朋友，我期望蒋龙先生在将来通过全面提升其管理智慧、领导能力及人格魅力来攀登其职业生涯的新高峰!
顺颂
商祺!
【范文二】
XXX同志系XXXXX分公司管线部员工，能吃苦耐劳，任劳任怨，紧紧地围绕在公司四周，团结公司全体员工，思想积极上进，工作主动热情，默默地在自己的岗位上无私地奉献个人青春和力量。
XXX同志在管线部的工作是协助部门经理做好公司的内勤日常治理工作，主抓移动及XX电信分局工程进度上报、工程结算、工程竣工资料编制，并完成部门经理交给的其他事务。由于分公司承揽建设项目较多，施工班组竣工草图往往接二连三地送回来，在兼顾公司内务及资料治理等工作同时，为了抓紧工程结算的进度，他能经常利用晚上或双休日加班加点进行竣工资料的编制工作。工程结算工作并不是一门简单的学问，但他刻苦钻研，深入领会邮电部颁发的《通信建设工程预算定额》，并能熟练套用定额进行工程结算，使工程结算井然有条，结算条项有章可循、有据可跟。此外，XXX同志能坚持每日、每周、每月按时按建设单位或监理单位要求上报工程建设进度报表，为本公司的运营和发展提供基本的数据依据，并能及时获取工程建设过程中的信息及存在的问题，使工程能如期进行，各项工程进展顺利。公司OA系统项目治理流程比较繁琐，每收到一份新的施工任务单，都要在OA系统立项报备，施工合同同样要走流程。XXX同志承担起X年大部分的工程立项工作：填写项目基本情况、月报、通过系统办理外出施工证实，协助综合部填写每月收入申报等等。另外，他能贯彻落实各级领导部门的文件、通知精神和要求，并根据公司的实际情况，协助制定出了较为完善的班组治理制度，使公司治理有章可循，切实协助抓好企业的治理建设工作。
由于分公司工程施工点多面广，治理人员相对不足，在做好工程结算及公司内务工作的同时，他还经常协助部门经理对工程建设进行安全、质量、成本等各方面治理，并参与工程建设的规划勘测工作。20**年通过投标获得的“移动本地传输网四期工程”，在我分公司收到移动施工任务的时候，还没有设计文件。XXX同志承担起移动四期工程第一阶段68个发射基站的勘点、定路由工作。在那个时候，他总是白天联同建设单位、监理单位外出勘点，协助移动公司到自然村了解信号覆盖情况，定发射铁塔安装地点，晚上加班加点完成施工提交的竣工草图上机及竣工文件的编制整理工作，接着协助部门经理安排施工队进场勘测、描图、提交初步设计图纸建设单位审核、计算工程所需材料、备料交综合部采购材料、编制工程进度计划表、预制光缆牌等等。通过勘点现场交流沟通学习，一方面祢补公司治理人员不足，另一方面也提高了其本人的治理能力和综合素质。除了做好本职工作，他还积极利用休息时间学习招投标技巧，多次协助综合部编写投标文件，且取得一定的成绩，为分公司市场的开拓付出了他的努力和汗水。紧张而忙碌的工作节奏填满了他的生活，使他过得非凡的充实，但他毫无怨言，全力以赴地做好本职工作，努力提高服务质量，深得业主的信赖和支持，并逐步转变观念，树立正确的金钱观、苦乐观和价值观，净化心态环境，摆正位置，与企业血脉相连，具有强烈的事业心和责任感。本着吃苦耐劳，无私奉献的精神，爱岗敬业，尽职尽责，有条不紊地开展各项工作。在各项工作中，他都能按时按要求去完成，得到分公司领导的肯定及表扬。
科学的发展推动了电信市场的改革，信息飞速发展造就了通信发展不断更新换代。XXX同志能深刻熟悉到：认清形势是必要的，学习新形势，把握和利用新的技术知识成为企业的改革者和开拓者，以适应“发展才是硬道理”的理念;与此同时，集团公司正面临激烈的竞争，市场化分得越来越细，对手越来越多，简直就是危机四伏。他能深刻理解公司作为“服务商”定位的含义，通过分公司多次投标的成功与失败，他深刻熟悉到“弱肉强食、适者生存”的道理，故此他牢固了企业的忧患意识、服务意识和竞争意识，有力地促进了分公司服务质量的提高，而且他深信活到老，学到老，并把握好公司每一次培训学习的机会，努力提升自己的综合能力。此外，他还能利用空余时间，刻苦钻研学习，提高自己的学历和修养。
在社交方面，无论在本单位、主业公司或相关单位的协调工作，XXX同志都能正确处理好各种关系，顺利完成分公司领导交办的各项任务，同时，在公关场合，他时刻注重严格要求自己，顾及公司声誉和形象。
以上就是关于公司优秀员工推荐信范文的介绍，希望对您有所帮助!
【范文三】
你好：
我是技术学院的一名老师，得知能够推荐我的学生同学到贵公司工作，我感到非常高兴和无比欣慰。这样一个上进的年轻人应该去好的企事业单位发展，打拼自己的未来。因此，我很荣幸向贵公司强烈推荐这位优秀的学生。
同学于20**就读与xx轻工业技术学院，该学生是一个活泼、开朗、 可爱 、 热情 、 积极、上进、 善良 、 有责任感的女孩，在学校学习认真、安分守纪、懂事听话深受任课老师的喜欢。
实习推荐信范文6
关键词：协同过滤算法；高校选课推荐系统；数据挖掘
中图分类号：TP391.3 文献标识码：A 文章编号：1007-9599 （2012） 20-0000-02
随着教育改革的推进选课制度已在高校普及多年，为了满足学生的个性化需求，根据上课时间、学习兴趣、任课老师以及学习进程等各方面的需求选择适合自己的课程，课程的自选使得学生的自由空间更大且学习效率明显提升。选课制度作为高校教学管理制度改革内容的一部分同时也是学分制的重要内容，选课制度的设计及实施过程都需结合大学生教育理念。改革开放的到来更是为教育吹来了春风，教育体制也突破了传统模式，开始实行选课制和学分制。
1 我国高校选课制度的现状
随着选课制在高校的普及，教育也逐渐走向网络化和信息化，在这样一个计算机网络普及的时代自然选课过程也趋于网络化。受到传统观念及学年制的影响，选课制度在运行过程中还存在一定的缺陷，另外在新教学观念的实施和高素质人才的培养中选课制也没有体现其优势，具体原因有下几个方面：
1.1 目前实施的选课制不利于学生的个性发展
随着社会对人才专业需求的多样化，传统的人才培养模式已无法满足社会发展需求，同时也抑制了学生的个性化发展。选课制的实行使得学生可根据自身的兴趣爱好选择合适的课程、任课教师以及学习时间，各种自由的选择使得的个性特征得到满足，从而提高了学生的学习积极性。
1.2 没有实现真正的选课
尽管有部分学校允许学生选择跨专业、跨年级的课程，但在教师资源、上课时间以及场地资源等影响下，学生仍无法选择自己喜欢的课程，时间及资源上的冲突使得学生在自主选课上受到了一定的限制，对于比较热门的课程，当选课人数较多资源有限时，课程就会被删除，自主选课无法充分发挥其作用。随着高校不断扩招，教师资源越来越匮乏，学生的选择范围有限。
1.3 选课工作实施不到位
选课指导也是一个很重要的环节，特别是新生由于对课程了解不深，因此很容易出现盲目选课现象。部分学生了为了选择简单易学的知识而不顾自身发展，随意性的选课对教学质量造成了很大的影响，同时也脱离了选课制实行的初衷。针对这个问题本文提出了利用数据挖掘技术筛选历史选课数据中隐藏的、有用的知识，作为指导学生选课的依据，该课题的提出对高校教学管理改革有着重要的现实意义。
2 相关技术
2.1 数据挖掘技术
数据挖掘技术是一种从大量的、无规律的、模糊且随机的数据中提取有用信息和知识的一种方法，数据挖掘技术作为一门交叉学科，其中包含了许多运用技术和挖掘工具，其中运用到的技术有数据库技术、统计学、模型识别、机器学习和人工智能等。由于数据挖掘技术具有独特的优势，因而它在多个领域都有应用，特别是在银行、销售、保险、电信和交通等领域的运用已趋于成熟。
2.2 个性化推荐技术
个性化推荐技术是数据挖掘技术中一类，该技术直到20世纪末期才被单独提出来，随着计算机技术的不断发展，直到Web2.0技术成熟后该技术才被运用到实际当中。个性化推荐技术的运用使得用户对信息的获取从被动变为主动。个性化推荐技术在商业领域中的成功运用，使得推荐系统的产品种类大幅度增加，较具代表性的推荐系统有eBay、Amazon和You tube等，这些系统的用户数量相当可观。
2.3 协同过滤系统
在所有个性化推荐系统中协同过滤系统的运用效果和运用情况都是最好的，协同过滤推荐作为一项很受欢迎的信息过滤技术，它可以对过滤内容进行过滤和分析，从而分析出用户的兴趣爱好，提高信息服务质量。根据对象的不同协同过滤推荐算法可分为基于用户和基于项目的两种协同过滤推荐算法。
3 学生个性化选课推荐系统的研究
本文采用的是基于用户的协同过滤算法，在高校选课系统中融入该算法可帮助学生根据自身的兴趣爱好选择与自身发展最为贴近的课程、学习量及任课教师，个性化选课推荐系统的运用使得高校选课机制更为完善。
在推荐系统内建立评价矩阵，对学生在选课过程中的主要因素进行描述，如兴趣爱好、专业、学习程度、选课记录和老师评价等，算法根据学生这些信息对其行为进行分析，并建立相应的学生项，通过与评价矩阵中的项进行对比找出相似度最高的选课记录，并向该学生进行课程推荐。由此可见，个性化高校选课推荐系统模型主要分为评价矩阵、搜索最近邻居和课程推荐三个部分。
3.1 建立评价矩阵
根据专业、爱好、选课记录、学习程度等信息收集历史选课数据，若直接从教务系统中选取，则需对数据进行清洗和转化，从而形成协同过滤算法学生选课评价矩阵。如表1所示为协同过滤算法学生选课评价矩阵：
表1协同过滤算法学生选课评价矩阵
Item1 Item2 … Item′
Student1 3 5 … 4
Student2 5 4 4
… … … Rij …
Student″ 5 4 … 2
Student′ 2 5 … 3
在上述矩阵中Rij中的i代表的是学生，j代表的是项目，R代表的是评价。Rij的取值范围通常在[0，5]这个区间范围内，分值的大小与评价的高低成正比。
3.2 搜索最近邻居
将目标学生与评价举证中所有学生的相似度进行对比，找出相似度最高的一组并建立相应的最近邻居集合，在基于用户的写通过率算法中这步是很难关键的，相似度的具体算法如下所示：
在上述公式中 代表目标学生与矩阵学生的相似度，y代表两者共同评价过的项目， 和 表示a学生和i学生对y项目的评价， 和 表示项目评价平均值。
3.3 产生推荐
根据评价结果和推荐算法产生推荐，具体推荐算法如下所示：
表示相似度， 表示项目评分， 和 表示项目评价平均值。该算法主要是针对用户评价项目较多的情况，对于个别评价，结果可能就没那么准确。
4 结束语
基于协同过滤算法的个性化高校选课推荐系统是根据学生的兴趣爱好、学习程度和专业等信息进行相似度计算，然后再根据相似度的高低推荐相应的课程。高校个性化选课推荐系统的使用可有效提高学生的学习兴趣以及学校的教学质量，帮助学生科学合理的选择合适的课程，为学生的个性化发展提供有效的学习方式。
参考文献：
[1]王博，刘庆刚，张琴.数据挖掘在选课系统中的应用[J].计算机与数字工程，2011，39（5）.
[2]陶小红.Web数据挖掘在智能选课系统中的应用研究[J].办公自动化，2010（2）.
