A. Motivation

過往的推薦系統，大多是根據使用者過往點擊過、使用過的紀錄，去做相關的推薦，比方說有課程（產品）與使用者之前修過的某課程屬性相同，它就會推薦給使用者；或是找到與使用者有相同屬性的其它使用者，其它使用者喜歡怎麼樣的課程，也會相對應認為該使用者同樣的課程，而做出推薦，像是近幾年較熱門的推薦系統-協同式過濾推薦系統，即是採用兩種面向的結合，使用者的屬性、課程的屬性，去協同猜測使用者喜歡的東西，進而做出推薦的功能。 這其實面臨到一項問題，該使用者被推薦的課程會被侷限在同一個圈圈裡，在某些領域來說，這不一定會是一件好事，以論文的資料-“課程推薦”來說，當一位成績較差的同學，以相同屬性的學生、課程去做推薦，就會一直在低層成績表現徘徊，雖然學生在選課考量無非就是兩種想法，一種是想要好成績、求過的課程，另一種是依據興趣來做選擇，但我們或許可以不僅僅以學生相關性、興趣來做純粹的推薦，而是以下限制式的推薦系統，或極大化學生的某項選擇，來導入機器學習或深度學習模型中讓學生達到某項目標。

B. Purpose

在此課程推薦系統中，我將以學生極大化在專業領域的知識，來做專業選修的課程推薦，期盼學生在此推薦系統中可以提升自己在該科系的專業領域知識。

學生在每個學期初選擇課程時，系統會推薦幾項根據過往表現，極大化專業領域為目的、興趣上的可能，來推薦學生幾項選擇。相信學生在看過課程推薦後，會對選課有更多考量，增加學生對課程的興趣及信心，也能減少學生期中退選的機率，降低選課成本。

A. Data describe

資料來源是台北大學涵蓋100年到106年的學生資料，其中的rows為每一位學生曾經修過的課程，而columns則是該位學生各個課程的表現以及課程的資訊。但我們目前只討論100學年度到103學年度這四個學年度進來的同學，資料中學生都是擁有完整學年度體驗（四個學年含以上），截至他們到106年度末修課的狀況。而其他後來進來的同學將會先予以剔除，在之後推薦課程中可以做測試。

B. Feature Construction

為了提升專業領域的知識，首先需要一項變數來表示一位同學的在專業領域的表現，而這項專業領域也只能與同系的（同領域的）同學比較，才能代表一位同學在臺北大學的專業領域表現好壞。所以我們需要先建立的即是每一位同學在該系的必修課程表現，而且這表現會隨著每一年的成長做累積，來藉此表示一位同學在專業必修上累積了多少知識能力。

接著再討論什麼樣的變數會影響一個人在他專業知識領域的表現，瞭解了這些專業知識領域影響變數，再去由他們過往修過的專業選修修課狀況、修課結構去做推薦。

target \(\rightarrow\) 累積專業科目PR

• 一些課程與專業課程的選擇有互補性質，可能可以強化專業知識吸收。

• 課程的學習順序，course path的不同，專業知識的學習好壞也會有所不同。

  • 前幾年累積專業科目PR

    • 前幾年的累積專業科目PR相關程度

  • 科目安排結構

    • \(\frac{過去必修科目數}{過去總修課數目}\)

    • \(\frac{該學期必修科目數}{該學期總修課數目}\)

  • 課程修課路徑

    • 課程彼此間由學生選課路線影響出的相互關聯

    • 學生在選擇課程路徑所得出的路徑分數來表示學生的屬性