选课系统的个性化推荐，老实说，以前总是被忽略，但这篇《数据挖掘在选课推荐中的研究(2016 年)》还挺有意思的。用数据挖掘帮学生选课，思路蛮接地气，结合算法模型推荐课程，效率也高了不少。

学生选课的盲目性一向是老问题，尤其大一刚进来的小伙伴更是无从下手。这篇文章就用数据挖掘技术搞了个选课推荐模型，讲白了，就是你的兴趣和历史选课记录，再推荐课程，思路和平时做个性化推荐类似。

做推荐自然绕不开协同过滤、相似度计算这些老朋友，里面提到的东西挺基础，适合刚入门数据挖掘和推荐系统的前端看一看。哦对了，作者还提到了使用皮尔逊相关系数来判断学生之间的选课相似性，跟你在视频网站上看“别人也喜欢”是一个套路。

你要是做教育类产品，或者最近刚好在折腾推荐算法，这文章可以给你点启发。前端用法也不复杂，数据好后前面展示逻辑其实还蛮清晰的。配合 axios 或 fetch 搞个异步求，响应也快。

如果你还想深入，下面这些相关文章也挺值得一看，像MMGCN、社交推荐、可解释推荐，都挺热门的。尤其推荐那个基于图卷积网络的视频推荐项目，Pytorch写的，代码质量还不错：

如果你在做个性化推荐，或者刚好要优化教育平台的选课逻辑，这篇 2016 年的文章虽然不新，但思路清晰，值得看看。可以搭配上面那几个链接一起啃，收获还挺多。