基于多源数据处理技术的智能学习质量分析方法研究

朱琪

（西安航空职业技术学院，陕西西安 710089）

近年来，大数据理论与人工智能技术的兴起推动了教育领域的不断革新，教育信息化逐渐成为新的发展趋势。而大学慕课等在线学习平台的兴起与发展，也产生了海量的相关学习数据。如何对这类数据进行挖掘及处理，进而依据这些数据对学生的在线学习质量情况实现分析和研究，是一个需要深入研究的课题[1-3]。

现阶段常见的在线学习质量分析方法主要有三个研究方向：基于传统概率的分析、基于机器学习技术（Machine Learning，ML）的分析与基于深度学习技术（Deep Learning，DL）的分析[4-6]。文中基于深度学习框架，使用TextRank 对线上平台的多源数据集进行文本处理，再将得到的词向量输入至CNN-BiGRU模型中进行行为数据分析，最终实现对学习质量的预测。

1 算法设计

1.1 改进的TextRank文本处理模型

TextRank[7]由PageRank 算法[8]发展而来，是一种基于图排序的文本处理模型。该算法的核心思想是将文本和图进行转换，使文本与图论中的节点相对应。若对应的两个文本数据相似度较高，则认为这两个节点间有一条无向线段，且线段的权值即为句子的相似度。最终将所得到的句子相似度权重进行排序，从而得到关键词。

对于在线学习质量评估而言，学习者发表的评论、提出的问题等均为关键指标，而这些关键指标都是通过文本来实现的。因此使用TextRank 模型对文本进行关键字处理，能够更好地帮助后续模型完成特征学习。

但原始TextRank 算法并未考虑到文本之间的联系，而文段中的文本有其自身的逻辑。因此若将句子的特征与词语进行合理地融合，训练结果便会更加全面、准确。改进后的TextRank 算法流程如图1所示。

图1 改进的TextRank算法流程

TextRank 算法关键处理过程如下所示：

1）相似语句合并去重

首先对文本中的语句进行词向量整理，可将文本看做为词向量集合W={s1,s2,…,si,sj}，而si和sj表示文本中的语句。语句相似度可表示为：

式中，wk为语句中的词向量。当Sim(si,sj)＞1 时，表明si、sj的相似度高；而当Sim(si,sj)≤1 时，则表明si、sj的相似度较低。

根据上式可对相似语句进行合并，则相似度α的计算公式为：

2）文本语义处理

在中文文本中，词语或句子语义的不同可表现在词出现的位置、标题含义及特殊文本等。通常文本的首句词语更具有重要性，且总结性的话语也较为关键。因此，需赋予这类重点数据更高的权重。

3）文本权重值计算

使用图论（Graph Theory）方法计算句子权重值。假设图中的两顶点关系用w表示，顶点为Vi，指向该顶点的向量用Vi(in)表示，而该顶点指出的向量使用Vi(out)表示，则权重的计算如下所示：

其中，d为概率系数。

4）文本摘要向量获取

根据式（3）获取词向量的权重，作为后续模型的输入数据。

1.2 基于CNN-BiGRU的学习行为特征提取模型

门控循环单元结构（Gate Recurrent Unit，GRU）模型[9-10]是一种基于门结构的时间序列数据训练模型。在工作过程中其能够对参数进行持续递归，并将所有时刻隐藏状态的输出数据全部反馈至数据输入端，从而完成不断的学习。GRU 单元的结构如图2 所示。该单元由更新门zt、重置门rt、相关的记忆单元及隐藏层组成。

图2 GRU单元结构示意图

GRU单元结构相关运算过程如式（4）-（7）所示：

式（4）为重置门rt的输出函数。可见，重置门能对t-1 时刻的隐藏层输出进行控制。其中，Wr和br为函数系数。式（5）表示状态函数，可对记忆单元的状态进行描述。而式（6）为更新门zt的输出函数，且Wz和bz为函数系数。式（7）为最终隐藏层的输出状态。

原始GRU 模型和其他同类型RNN 模型[11-12]相同，均为单向模型。而在学习行为特征提取模型中，除了要了解当前的行为外，还需对过去与后期的行为加以分析。因此，文中使用了双向GRU（BiGRU）模型，其模型结构如图3 所示。

图3 双向GRU模型结构

由图3 可知，该模型是将两层GRU 模型进行结合，并分别处理前向与后向的时间数据。

BiGRU 模型可对行为数据加以分析，但学生的行为数据较为复杂，且受多种情况影响，因此需对各特征赋予权重，再进行关键特征分析，而注意力机制（ATT）能较好地复制特征权重。文中将TextRank模型处理完毕的节点特征数据使用fa与fb来表示，eab表示节点数据之间的关联性，βab表示注意力参数，W为权重系数，则节点数据间关联性的计算可表示为：

而βab的值可由分类器得到，具体计算公式如下：

上文中的TextRank 模型分析了关键性的短语，但GRU 模型的全局性较强，局部特性却较弱。因此，还需加入CNN[13-14]补齐模型的局部特征，同时也可减少注意力机制[15-16]所引入的全局噪音。

CNN 能够利用大小可选的卷积学习词向量的局部特征，而文中采用了临近策略的CNN 模型。其通过计算目标词周围关键词的位置，以增强模型学习的准确性。首先计算关键词的相关性ri，则有：

式中，m为词向量长度，M为预设阈值，i为词向量序号，l为词向量的索引值。最终的特征提取模型如图4 所示。

图4 特征提取模型

1.3 基于行为分析的学习质量预测模型

该文的整体系统架构如图5 所示。首先，对线上平台学习者的学习行为及发表的文本信息进行统计；然后，通过模型进行数据分析；最终，便可得到学习者的学习质量预测结果。

图5 整体系统架构

该模型共有三层结构：1）数据输入模型，在线学习平台获得的信息通过TextRank 模型分解为具有权重值的词向量，该向量值即可作为模型的输入部分；2）行为分析模块，数据输入至CNN 且带有注意力机制的BiGRU 模型中进行训练，以得到行为特征数据；3）学习质量预测模型，训练完毕的数据进入Softmax模型中完成评分，最终即可获得学习质量的评估值。

2 算法测试与结果分析

2.1 实验条件

该文选择某线上教育平台的学习者行为信息作为数据集，并分为理科、工科及文科数据，且在所有课程中均设有讨论区和作业回答区。通过将这些文本进行整理，得到的实验环境与数据集参数如表1所示。

表1 实验环境与数据集参数

2.2 分词性能测试

完成带有情感分析的TextRank 分词算法后，对分词效果进行性能评估。评估指标为双语评估替补（Bilingual Evaluation Understudy，BLEU），该指标可对分词的质量加以评估，且其值越接近1 越好。对比算法则使用词频-逆向文件频率（Term Frequency-Inverse Document Frequency，TF-IDF）、TextCNN 及TextRank 原始算法。各算法所得结果如表2 所示。

由表2 可知，原始TextRank 算法在分词性能上稍逊于其他对比算法。而该文算法由于增加了情感分析与上下文分析算法（Context Analysis），因此其性能有所提高，且相较TextRank 原始算法提升了约0.05，在对比算法中为最优。

2.3 算法性能测试

性能测试首先需进行消融实验，以验证算法改进后的效果。对比算法使用了GRU、BiGRU 和BiGRUATT，同时采用了与上文一致的数据集及运行环境，测试指标则选择了精确率及F1 值。实验结果如表3所示。

从表3 中可以看到，该文提出的CNN-BiGRU 模型在数据集的训练中取得了最佳的效果。其在BiGRU-ATT 算法的基础上精确率提升约0.024，F1值提升约0.03。这表明，该文算法使用CNN 进行文本情感分析能够提升算法的整体性能。

此外，还与其他同类型算法进行性能对比，对比算法选择了双向长短时记忆网络（Bi-directional Long Short-Term Memory，BiLSTM）、随机存取存储器（Random Access Memory，RAM）及SynATT（Syn-Attention）算法。各类算法的精确率及F1 值结果如表4 所示。

表4 同类算法对比实验结果

由表4 可知，该文算法的精确率与F1 值均较优。虽然精确率低于RAM 算法，但RAM 算法的网络层数较多且结构复杂，故其训练速度过慢，F1 值也相对较差。因此总体而言，该文算法具有较大优势。

3 结束语

相比线下教学，线上教学难以有效把握学生的学习质量。基于此，文中对线上教学平台的学习者行为数据加以分析，并建立深度学习模型对数据进行训练，最后实现对学习者学习质量的评估。实验结果表明，所提分词模型的性能良好，且特征提取模型的精确率及F1 值两项指标在对比算法中均为最优。