基于GIKT深度知识追踪模型的习题推荐系统源代码+数据库+使用说明，后端采用flask，前端采用vue

基于GIKT深度知识追踪模型的习题推荐系统

目录结构

• Flask-BackEnd flask后端- app 后端主体文件- alg 深度学习模块- data 数据集- data_process.py 数据预处理- gikt.py GIKT模型- pebg.py PEBG模型- params.py 一些参数- train.py 仅模型训练- train_test.py 模型训练和测试-五折交叉验证- train_test2.py 模型训练和测试-4:1训练测试- utils.py 工具函数- view flask蓝图- init.py 初始化- create_data.py 创建初始数据- entity.py 实体类- setup.py 启动- migrate 数据库迁移文件

• Vue-FrontEnd vue前端- public 共用文件- src 源代码- api 全局请求设置- assets 静态组件- components 自定义vue组件- layout 页面布局- router 路由- store 信息储存- views 页面- App.vue 开始文件- main.js js包引入- 其他的是一些配置

启动

上面未提及的一些目录都在

.gitignore

，请手动添加后再启动

前端

进入目录

Vue-FrontEnd

cd Vue-FrontEnd

安装需要的包

cnpm install

启动

npm run serve

后端

1. 用pycharm打开目录Flask-BackEnd
2. 修改mysql数据库配置项
3. 执行er_gikt.sql文件, 生成数据库结构
4. 运行data_process.py，生成预训练数据
5. 运行pre_train.py，生成预训练问题向量
6. 运行train.py，训练并保存一次模型（以便后端调用）
7. 用pycharm或者终端启动setup.py，根据报错安装需要的包，其中：- pytorch==1.10.1- flask==2.2.5
8. 解决报错后，运行一次create_data.py（或者在__init__.py的app_context中调用一次create_data函数），在数据库中添加初始数据
9. 重新启动，访问本机5001端口，测试系统

项目存在的一些问题

算法

• PEBG模型未按论文实现，实际上忽略了pnn网络（实现中出现了问题，故将其忽略）
• 参数仍可调优，最终结果可以继续优化

前端

• 前端使用的是vue2+vue-cli，最好可以用vue3+vite重构一遍
• 重复组件较多，Table，Chart等图都直接写在页面中，而未在assests中单独实现
• 习题、知识的CRUD没有实现（个人感觉没有必要）

后端

• 包引用（尤其是对算法包alg的引用）存在问题，使用了粗暴的解决方式 sys.path.append() ，且无法使用相对路径导入
• flask数据库迁移会报错，只能自己手动通过DBMS修改

项目界面展示

完整代码下载地址：基于GIKT深度知识追踪模型的习题推荐系统