基于数据挖掘技术的学习推送系统的设计与实现

2022-04-29 00:44杨振何安妮毛诗欣王利辉
计算机应用文摘 2022年16期
关键词:个性化学习卷积神经网络数据挖掘

杨振 何安妮 毛诗欣 王利辉

摘 要∶随着网络技术不断发展,网络学习成了知识获取的一种方式。在学习平台不断改进的情况下,学习者对网络学习有了更高的期望。现阶段,学习系统已不能完全满足学习者的需求。因此,文章介绍了一个基于数据挖掘技术的卷积神经网络学习推送系统。通过个性化的学习智能算法推送,学习者可利用该系统获取相关学习资料,极大地提高了学习效率。

关键词∶数据挖掘;卷积神经网络;个性化学习

中图法分类号∶TP311    文献标识码∶A

Design and implementation of learning push system based on data mining technology

YANG Zhen,HE Anni,MAO Shixin,WANG Lihui (Taizhou University,Taizhou,Zhejiang 318000,China)

Abstract:With the continuous development of network technology, network learning has become a way of knowledge acquisition. With the continuous iimprovement of learning platforms, learners have higher expectations for online learning. At this stage, the learning system can no longer fully meet the needs of learners. Therefore, this paper introduces a convolutional neural network learning push system based on data mining technology. Through personalized learning intelligent algorithm push, learners can use the system to obtain relevant materials, which greatly improves the learning efficiency.

Key words: data mining, convolutional neural network, personalized learning

1引言

信息技术变革带来的是对教育理念的巨大冲击与挑战[1],传统教学模式已不能满足学习者对知识的渴求,网络学习的趋势正慢慢改变学习者的学习习惯和学习依赖。现阶段,线上教育与线下教育相互融合,这无疑是一个可靠的、受欢迎的学习方式。由此,学习分析一步步融入人们的生活。美国数据科学家麦凯博士就曾强调“预测不是为了说明未来,而是为了改变未来”[2]。可见,合理的分析预测辅助学习是时代发展的必然趋势。

本文介绍了一个基于数据挖掘技术的卷积神经学习推送系统。其通过知识点建模,由浅入深地推送相关内容,向学习者提供了丰富、可靠的个性化以及自适应学习支持。分析相关学习行为及路径,依靠所学内容,建立符合学习者知识获取的数据库知识点推送体系,帮助学习者准确获取所需知识点以及制定高效的学习路线和计划,从而提高学习效率和水平。

2研究背景

随着科技的发展,当今社会的教育理念也在潜移默化的发生变化—由最初的课堂教学转变成线下与线上课程相结合的教学。网络学习正被人们一点点的接受,让学习者轻轻松松、足不出户、随时随地地进行学习,各式各样的在线学习平台应运而生,MOOC等[3]一系列新式教学理念也进入学习者的视野之中。这些学习平台提供了各种算法模型,给学习者提供了可靠的学习资料,让学习变得更加方便。但随着技术的不断提高,学习者对网络学习的期望也变得越来越高,这也催生出一系列技术变革。数据挖掘技术的逐渐成熟,让这些期望可能实现。

3学习推荐系统设计

3.1推荐系统框架

系统总体框架设计如图1所示。

学习推荐系统的流程设计如下:首次登录学习推荐系统的学习者需要登记、填写个人基本信息,系统将通过这些信息,采用基于数据挖掘技术的卷积神经网络分析、构建学习者信息档案,以此作为学习推荐系统的基本要素,并通过学习行为库,结合学习者信息档案,产生个性化的学习推荐路线,从知识库中寻找相关资源,并根据学习路线,按照知识集合之间的关系,形成具有关联或彼此之间相互独立的知识集合。

学习者可以选择具有选择关系、扩展关系、上下关系的知识集合体系进行相应学习,系统将记录学习者的学习情况以及做题数量、时间和正确率,实时调整学习路线,帮助学习者规划学习路线并提高学习效率。

3.2构建学习者信息档案及其学习行为库

学习推荐系统实现的前提:一是获取学习者的基本信息(年龄、年级、性格、知识基础、知识容量、学习方向、学习目标、兴趣爱好等),通过这些信息,分析学习者个人特征,构建学习者信息档案,以此作为学习推荐系统的基本要素;二是构建学习行为库,它是基于学习者在学习中的学习行为导出的数据而创建的。具体而言,它可以分析学习者在不同时间、不同学习模块下产生的不同学习行为以及其学习状态,推导学习者当前学习情况、学习侧重点、学习目标、学习效率与擅长科目。通过学习行为库,再结合学习者信息档案,就能够产生个性化的学习推荐系统[4]。

3.3构建知识库

知识库是类似于树状结构排列的知識集合。它包含了相关知识点的学习资料、视频、习题等。知识树上下紧密关联,左右关联,是具有层次性的知识集架构。每个知识集也相互关联,知识点具有层次关系。

知识集之间的关系主要有:(1)上下关系。它指具有阶梯关系的知识集必须先学习前一层知识集,在此基础上,学习下一层知识集,是从易到难的递进关系;(2)选择关系。它指处在相同阶次的知识集,学习者对其可先进行选择,并且其先后顺序不影响总体学习规划,是平行关系;(3)扩展关系。它指对一个知识集的升华、扩展,如果学习者要更进一步,精益求精,可以学习和当前知识集具有扩展关系的集合[5]。

知识库使信息和知识有序化,是知识库对学习推荐的主要贡献;知识库加快了知识和信息的流动,有利于知识共享与信息交流;知识库能帮助学习者实现对自身知识体系的有效管理。

4基于数据挖掘技术的学习推荐模型

4.1卷积神经网络的发展

1960年,Wiesel和Hubel[6]在针对猫的实验研究中,观察并提出感受野。1980年,Kunihiko设计了名为neocognitron的神经网络,是最早提出的神经系统网络技术之一。1998年,纽约大学的YannLeCun设计了卷积神经网络(ConvolutionalNeuralNetworks,CNN),它是针对图像领域任务提出的神经网络,带有卷积结构。2012年,CNN的处理能力更加强大,被更加广泛地应用到图像领域。CNN模型的不断演变,展现了需求的不断变化,即从最开始要求准确度,到希望速度与准确度并行提升,再到缩小体积,方便运行和移植,从卷积核、卷积层通道、卷积层连接等多个方面不断更新技术,形成了又快、又准确且体积又小的卷积神经网络,而卷积神经网络也是数据挖掘技术中一种常用算法。

4.2UMAC模型

(1)通过one-hot对学习者的各项基本信息、学习者答题的信息、知识库中的知识点等进行编码,作为输入和嵌入层。

(2)在知识点导向层,将获得的学习者各项信息和知识点进行向量计算,其目的是探索学习者的学习目的以及类型与知识点之间的匹配度。

(3)在立体卷积层,将从题目导向层取得的特征向量进行立体卷积操作,综合考虑学习者当前学习水平等额外信息,得到最终知识点的向量表示。

(4)在结合层,将从立体卷积层得到的最终知识点向量表示和知识点导向层得到的一般知识点导向结合起来,得到最终的学习者向量表示。

(5)将在结合层得到的学习者向量表示与知识库综合起来,在输出层输出学习者对于各种知识点的需求程度。

UMAC模型的程序流程图如图2所示。

4.3利用飞桨平台实现

飞桨是一个开源平台,由百度运行和维护,涉及自然语言处理、计算机视觉、推荐引擎等多个领域,提供了一系列用于深度学习和数据挖掘的工具组件,有多个应用于面向语义理解、图像分割、文字识别(OCR)、语音合成的开发套件,提供了包含AIStudio,EasyDL和EasyEdge的服务平台,为学习者提供了丰富的API,学习者可以在飞桨平台上按照自己需要实现的算法或者模型寻找现成的API,或者以API为基础自己设计程序。此外,上文提到的UMAC模型也可以在飞桨平台上实现。

5学习推送系统

系统根据学习者的基本信息、学习偏好、知识点以及其难易程度进行推荐,生成相应的学习路径。学习者可在多条候选的学习路径进行选择并学习该路径,系统在知识库中查询提供该路径的学习资源。系统将根据学习者的学习效果或学习者主动修改学习需求,实时调节当前路径或生成后续路径。

学习路径生成的方法:(1)根据学习者学习的方向、目标、知识点、选择的难度,在知识库中找到与学习者需求存在上下关系、层次关系、扩展关系等具有关联性的知识点,形成集合;(2)若某个集合相对独立,没有与之相关联的知识点,则系统直接为学习者提供相应知识点的学习资源;(3)若某个集合非独立,是与其他集合相关联的,则系统根据集合的层次关系,生成学习路径,之后系统将观察学习者的学习情况,调整并完善学习路径。

系统根据学习者的答题正确率以及答题时间,并根据系统设置的通过标准判断学习者是否能掌握某个知识点或知识集,如果系统判定学习者没有完全掌握该知识点或知识集,没有达到通过标准,系统将保留该知识点,该知识点仍会在后续路径中出现;如果学习者达到了通过标准,系统将判定学习者掌握了该知识点或知识集,系统将安排后续知识点进入学习路径。

6结论

目前,如何提高学习者的自我学习能力以及拥有符合其个性的学习方法已经是线上教学的发展重点和方向。学习推荐系统基于数据挖掘技术,应用卷积神经网络帮助学习者制定学习路径、指明学习方向,降低了学习者对于学习方向的盲目性,提高了学习者的学习效率。本文介绍了学习推荐系统的框架,对其各个模块的设计研究进行了相应的论述,有较强的实用性和可实现性。该系统通过学习者的学习习惯和个性特征,以推荐适合的学习路线的方式,帮助学习者能熟练地掌握知识点,查漏补缺,提高学习效率,有较大的价值,而如何通过云计算技术提高系统的效率以及抗干扰性也是我们完善系统的主要方向。参考文献:

[1]汤勃,孔建益,曾良才,等.“互联网+”混合式教学研究[J].高教发展与评估,2018,34(3):90-99+117-118.

[2]吴永和,李若晨,王浩楠.学习分析研究的现状与未来发展—2017年学习分析与知识国际会议评析[J].开放教育研究,2017,23(5):42-56.

[3]曲芷萱,王朋娇.基于学习分析的学生个性化学习资源推送[J].软件,2019,40(12):163-166.

[4]代巧玲,李振.学习行为数据仓库构建研究[J].软件导刊,2018,17(10):187-190.

[5]姜婷婷,吕汇新,王建华.ITS中基于知识点关系的领域知识库的建立[J].哈尔滨师范大学自然科学学报,2009,25(1):47-50.

[6]包俊,董亚超,刘宏哲.卷积神经网络的发展综述[C]∥中国计算机用户协会网络应用分会2020年第二十四屆网络新技术与应用年会论文集,2020:16-21.

作者简介:

杨振(2000—),本科,研究方向:数据挖掘。

猜你喜欢
个性化学习卷积神经网络数据挖掘
探讨人工智能与数据挖掘发展趋势
基于并行计算的大数据挖掘在电网中的应用
基于深度卷积神经网络的物体识别算法
教学资源支持下的Sakai个性化学习研究
信息化环境下基于“盒子鱼”App的高中英语个性化学习的模式和策略
微视频在初中英语听力教学中的应用探索
基于SOA的在线学习资源集成模式的研究
深度学习算法应用于岩石图像处理的可行性研究
基于深度卷积网络的人脸年龄分析算法与实现
基于卷积神经网络的树叶识别的算法的研究