OJ习题个性化推荐系统毕业设计论文
OJ 题库的数据+个性化算法结合起来，做推荐系统真的还蛮实用的，尤其是搞毕业设计的时候。这份《基于 OJ 数据的习题个性化推荐系统》论文讲得挺清楚的，不光把协同过滤那一套都过了一遍，还加了点规则过滤的思路，算是把老方法和新思路揉到一块了。
推荐算法里常见的协同过滤，像是基于用户或者基于内容的那种，用过都知道，场景一复杂推荐就容易歪，是用户数据不多或者习题内容跨度大的时候，推荐结果就不太靠谱。这篇就挺聪明的，直接搞了个记忆+规则双驱动的推荐策略。
记忆过滤这块，核心就是用户过去刷题记录，比如你刷算法题多，那后面算法题就会更多推给你，属于典型的“投其所好”。而规则过滤就更硬核一点，它的是题目的知识点标签、难度系数、涉及的知识模块这些，靠一套设定好的规则来对用户画像进行匹配，推荐逻辑上更稳定。
整个架构里推荐系统算是重点，逻辑不难，但要调出效果还是得花点心思。论文里没用太花哨的东西，多方法都能用Python、MySQL搞出来，和Django搭配也蛮顺的。你如果自己想复现或者拓展一下，用Mahout或者搞个ssm框架加持，体验也不错。
如果你正准备搞一个教育类推荐系统项目，是偏 OJ 题库那种，可以把这个作为思路参考，算法清晰、结构也比较好拓展。顺手还整理了几个不错的项目例子，像Python 电影推荐系统、SSM 图书推荐系统这种，适合拿来练手或者做个 demo。
哦对了，别忘了调一下推荐效果的评估指标，比如Precision、Recall这种，模型准不准主要就靠它们来验证了。如果你对推荐算法刚上手，这些例子和论文真的挺值一读。
文件大小：3.22MB
评论区