一、文献综述

（一）国内外研究现状

在当前互联网教学资源丰富，以学生为主体进行教学的大背景下，如何有效地利用线上丰富的教学资源，并结合线下课堂教学激发学生自主创新学习，最终实现个性化教学就显得尤为重要[1] Online Judge系统（简称OJ）是一个在线的判题系统,用户可以在线提交程序源代码，系统对源代码进行编译和执行，并通过预先设计的测试数据来检验程序源代码的正确性。国内外也纷纷涌现了大量OJ平台，如NEUQ、PTA 和 vjudge等。其中NEUQ包含有C语言的基础题，以及谭浩强所编著的《C语言 程序设计》课后习题，是本文作者选择该平台作为C语言程序设计辅助教学的重要原因。PTA平台主要针对教学，含有多门课程的题目，且题型丰富，其中C语言程序设计的题目尤为丰富。该平台判题反馈中可以看到通过了多少测试点，可以部分得分，比较合适初级接触编程的同学。教师用户可以在该PTA建立班级用户组，并为用户组指定题目集，每个题目集下可以看到学做题情况，排名等，更适合于教学。vjudge 是一个集合了多个OJ的平台，该平台通过爬取获得其他OJ台的题目，因此可以在vjudge提交多个OJ平台题目[2]。

与此同时，如何在OJ系统上评价学生态度，量化学生学习水平，给予学生合适的推荐成为了现实的问题，协同过滤算法成为一个不错的解决办法，最早的自动化协同过滤系统是一个新闻推荐系统，早期的推荐系统重点在于显式的反馈学习，但其实大部分情况下都是隐式反馈，于是大家继续进行创新，研究出排序学习算法等技术得到了广泛使用。 在国外，在工业界，推荐系统已被证明是能够解决信息过载问题的非常有价值的方法。该方法主要依据用户的历史行为数据来构建用户偏好模型，为用户主动发现并推送与个人兴趣相关的产品，如GoogleNews,Amazon.com,Netflix等公司都有使用，在学术界，众多研究人员和研究机构均致力于推荐系统领域的创新发展和深入研究。目前，推荐系统已发展成为一门独立的热门研究学科，2007年ACM开始主办推荐系统领域的国际学术会议RECSYS[12]。

相比于国外，国内对于推荐技术的研究较晚，但是随着国内对于科技的重视，很多技术人员投入到算法的研究中，目前国内在推荐算法中比较优秀的公司有新浪、腾讯、百度以及 字节跳动等[3]。

（二）研究主要成果

现在推荐算法一般分四个方面，1.基于内容的推荐算法,2. 基于用户的协同过滤，3.基于物品的协同过滤，4.混合推荐算法[4], 1992 年，Xerox PARC 研究中心开发了实验系统 Tapestry，该系统首次利用协同过滤技术，帮助用户过滤邮件，解决垃圾 邮件问题，此后协同过滤技术开始被广泛应用。 2001 年，路海明、卢增祥等人将协同过滤技术与内容相结合，通过网络 Bookmark 服务，给出了该算法的一个实际应用系 统，得到很好的反响。黄光球等人结合了用户兴趣度和协同过滤技术对客户的个人兴趣进行评价，提出了客户兴趣度的商品 推荐参考模型，并将此模型应用于电子商务网站的商品推荐，得到了很好的反响。周珊丹等人利用基于用户的协同过滤算法，为用户推荐个性化文物，提高用户在博物馆中的游览体验。王冠楠等人使用多维兴趣向量刻画用户的兴趣，利用协同过滤技术，提高了系统中新闻推荐的专业度。吴国芳通过对用户行为进行分析建立个性化 Profile，在图书馆资源个性化推荐中得到 了很好的应用。[6]

基于内容的推荐算法是通过抽取物品本身的特征信息，形成关键词向量，然后与用户喜好特征向量进行相似度计算，将物品推荐给用户，通常用于文本推荐, 把一个物品看作一个文档，定义所有的文档集合为D＝｛d1,d2,hellip;,dt｝，文档中的关键词集合定义为T=｛t1,t2,hellip;,ts｝， 最终需要用一个向量表示一个文档，定义 为物品 i 的关 键词向量，其中 omega;_n,i表示第 n 个词在文档 i中的权重，数值越大表示越重要。定义好之后通常用词频－逆文档频率（TF-IDF） 来表示文档，其定义如式:

上述方法通常运用于基于内容的文本推荐算法，但是随着时代发展多元化，个性化成为了推荐算法需要满足的需求。