Apuntando a los problemas existentes en la enseñanza práctica en la educación superior, construimos un modelo de recomendación de enseñanza inteligente para un curso de discusión práctica en educación superior basado en el aprendizaje automático de Bayes ingenuo y un algoritmo de minería de datos k-NN mejorado. En primer lugar, establecemos el algoritmo de aprendizaje automático de Bayes ingenuo para lograr una clasificación precisa de los estudiantes en la clase y luego implementamos la agrupación de estudiantes basada en esta clasificación precisa. Luego, basándonos en la agrupación de estudiantes, utilizamos las características de coincidencia entre el vector de interés de los estudiantes y el vector de tema práctico para construir un modelo de recomendación de enseñanza inteligente basado en un algoritmo de minería de datos k-NN mejorado, en el cual se modela el árbol de codificación binaria completo óptimo para el tema de discusión. Basado en el modelo de árbol de codificación, se establece un modelo de recomendación de algoritmo k-NN mejorado para hacer coincidir los intereses del grupo de estudiantes y recomendar temas de discusión. Los resultados experimentales demuestran que nuestro algoritmo de recomendación propuesto (PRA) puede recomendar con precisión temas de discusión para diferentes grupos de estudiantes, coincidir los intereses de cada grupo en la mayor medida posible y mejorar el entusiasmo de los estudiantes por participar en discusiones prácticas. En cuanto a los grupos de control del algoritmo de recomendación de filtrado colaborativo basado en usuarios (UCFA) y el algoritmo de recomendación de filtrado colaborativo basado en ítems (ICFA), bajo las condiciones experimentales del conjunto de datos único y múltiples conjuntos de datos, el PRA tiene una mayor precisión, tasa de recuperación, precisión y valor F1 que el UCFA y el ICFA, y tiene un mejor rendimiento de recomendación y robustez.