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
- data
- 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
- alg
- migrate
数据库迁移文件
- app
- 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
- api
- 其他的是一些配置
- public
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
-
用pycharm打开目录
Flask-BackEnd -
修改mysql数据库配置项
-
执行
er_gikt.sql文件, 生成数据库结构 -
运行
data_process.py，生成预训练数据 -
运行pre_train.py，生成预训练问题向量 -
运行
train.py，训练并保存一次模型（以便后端调用） -
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
-
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 -
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