随着高等教育的快速发展以及社会对人才需求的不断增加,创新创业教育已经逐渐成为当前高等教育的一项研究热点。随着创新创业教育的不断发展,个性化推荐在创新创业教育中越来越受到重视;与此同时,学科竞赛作为创新创业教育的一种重要表现形式,其规模日益壮大,且大多数竞赛都要求多个学生组成团队,团队组建的需求日益渐增。因此,在推行创新创业教育的过程中,如何通过各项数据对学生进行画像,进而更好地服务学生,开展更深入的学习推荐和学科竞赛团队匹配等相关研究成为当前亟需解决的一个问题。本文主要通过搭建校园大数据平台,采集和分析学生的理论学习和实践学习等多项数据来构建学生画像,并在此基础上进行个性化试题推荐和学科竞赛团队匹配,具体研究内容如下:首先,研究和构建基于校园大数据平台的学生画像。通过对校园内现有系统的分析,结合创新创业环境下学生的行为特性,开发一系列基于IPv6(Internet Protocol Version 6)的软件系统以丰富学生数据,从而建立校园大数据平台。通过对校园大数据平台所收集的数据进行处理、分析和建模,建立学生画像。然后,研究和实现基于学生画像的个性化试题推荐。针对学生学习状态难以评判的问题,本文基于学生画像提出了一种模糊认知诊断模型从而对学生的学习状态属性做出合理判断;通过学生的学习状态,结合试题对学生学习状态的要求情况,对学生的试题作答情况做出预测;同时基于效用理论,设计基于效用的试题推荐方法,向学生推荐其作答效用高的试题。实验结果表明,本文所提出的F-DINA(Fuzzy-Deterministic-Input,Noise-And)方法相较于传统的DINA(Deterministic-Input,Noise-And)方法和DINO(Deterministic-Input,Noise-Or)方法在试题作答情况的预测结果上拥有更低的均方根误差和平均绝对误差;在推荐系统方面,F-DINA方法相较于DINA方法和DINO方法拥有更高的精确度、召回率和F1值,同时F-DINA方法推荐试题的平均效用也高于DINA方法和DINO方法,能够有效提高学生作答试题的收益。最后,研究和实现基于学生画像的学科竞赛团队匹配。针对当前学科竞赛学生组队难、不合理的现状,本文基于学生画像提出了一种学科竞赛的团队匹配模型。该模型通过对学生和竞赛进行建模,运用效用理论将竞赛团队的效用作为整体收益,通过智能算法实现对学生团队的效用最大化,从而能使得团队和学生获得更高的收益。实验结果表明,本文所提出的CTB(Competition team build)方法相较于传统情况下的团队匹配方法无论是在仿真环境中还是真实环境下都拥有着更好的性能表现,在提高学生和团队整体效用和能力水平的同时,还能缩小学生和团队间的个体差异,避免传统方法中的两极分化的情况。