自組織競(jìng)爭(zhēng)人工神經(jīng)網(wǎng)絡(luò)在移動(dòng)學(xué)習(xí)資源元數(shù)據(jù)萃取中的應(yīng)用

吳俊爽 韓琴琴 劉誠(chéng)偉

【摘 要】 本論文針對(duì)海量移動(dòng)學(xué)習(xí)資源元數(shù)據(jù)的分散，難以檢索的難題，提出基于自組織特征映射網(wǎng)絡(luò) （）SOM的移動(dòng)學(xué)習(xí)資源元數(shù)據(jù)聚類萃取算法，該算法將傳統(tǒng)的數(shù)據(jù)庫(kù)元數(shù)據(jù)進(jìn)行合理的量化處理，形成表征移動(dòng)學(xué)習(xí)元數(shù)據(jù)的四元組（資源編號(hào)，科目等級(jí)，學(xué)科等級(jí)，資源相似度），并且根據(jù)用戶需求，通過(guò)調(diào)整權(quán)值四元組后三個(gè)個(gè)關(guān)鍵字所占比例，實(shí)現(xiàn)擴(kuò)大或者縮小范圍。最終利用 Matlab以高中物理的移動(dòng)學(xué)習(xí)元數(shù)據(jù)為例實(shí)現(xiàn)該算法的仿真，進(jìn)行多賦值聚類，其聚類萃取資源的準(zhǔn)確度較高，能夠滿足一般用戶對(duì)該移動(dòng)學(xué)習(xí)資源的需求。

【關(guān)鍵詞】移動(dòng)學(xué)習(xí) 元數(shù)據(jù)萃取 神經(jīng)網(wǎng)絡(luò) 自組織特征映射網(wǎng)絡(luò) （）SOM

【中圖分類號(hào)】 O453【文獻(xiàn)標(biāo)識(shí)碼】 A【文章編號(hào)】1672-5158（2013）07-0024-02

1 研究背景介紹

移動(dòng)學(xué)習(xí)是指依托目前比較成熟的無(wú)線移動(dòng)網(wǎng)絡(luò)、因特網(wǎng)以及多媒體技術(shù)，學(xué)生和教師通過(guò)利用目前較為普遍使用的無(wú)線設(shè)備（如手機(jī)、PDA、筆記本電腦等）來(lái)更為方便靈活地實(shí)現(xiàn)交互式碎片式教學(xué)活動(dòng)，以及教育、科技方面的信息交流。 [1]隨著移動(dòng)互聯(lián)網(wǎng)設(shè)施基礎(chǔ)逐步完善和移動(dòng)互聯(lián)網(wǎng)產(chǎn)品的層出不窮，移動(dòng)學(xué)習(xí)的優(yōu)點(diǎn)越來(lái)越被人們關(guān)注。目前國(guó)內(nèi)很多家高校和公司都加入了移動(dòng)學(xué)習(xí)的研究，并且取得了比較好的成果。[2][3]本論文提出的自組織神經(jīng)網(wǎng)絡(luò)算法來(lái)對(duì)移動(dòng)學(xué)習(xí)元數(shù)據(jù)數(shù)據(jù)庫(kù)進(jìn)行高效的聚類萃取，從而使得資源更加結(jié)構(gòu)化，相關(guān)性更強(qiáng)，方便用戶檢索。

2 基于自組織特征映射網(wǎng)絡(luò) （）SOM的元數(shù)據(jù)挖掘模型

2.1 自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的知識(shí)介紹

由于移動(dòng)學(xué)習(xí)資源的數(shù)據(jù)量比較大，每個(gè)數(shù)據(jù)量包含的信息較多，并且存在學(xué)科交叉問(wèn)題，故在進(jìn)行移動(dòng)學(xué)習(xí)資源元數(shù)據(jù)萃取分類時(shí)，必須通過(guò)對(duì)這一客觀事件的反復(fù)觀察、分析和比較，自形查找出其內(nèi)在的規(guī)律，并且對(duì)具有內(nèi)在聯(lián)系特征的事物進(jìn)行正確的歸類。

2.2 移動(dòng)學(xué)習(xí)資源元數(shù)據(jù)量化

即是建立移動(dòng)學(xué)習(xí)資源元數(shù)據(jù)語(yǔ)義關(guān)系（同義）的知識(shí)庫(kù)。移動(dòng)學(xué)習(xí)資源元數(shù)據(jù)語(yǔ)義關(guān)系知識(shí)庫(kù)，采用 WordNet的基本思想，利用關(guān)系表示詞匯語(yǔ)義，使用同義詞集代表概念，并且在概念間建立不同的關(guān)系指針，表達(dá)不同的語(yǔ)義關(guān)系。[4]本文提出語(yǔ)義知識(shí)庫(kù)的結(jié)構(gòu)，包含：科目編號(hào)，學(xué)科等級(jí)，<章節(jié)號(hào)——章節(jié)主要內(nèi)容關(guān)鍵詞四個(gè)部分。

2.3利用自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)進(jìn)行移動(dòng)學(xué)習(xí)資源的元數(shù)據(jù)聚類萃取

⑴數(shù)據(jù)預(yù)處理及網(wǎng)絡(luò)初始化

1. 數(shù)據(jù)預(yù)處理

由于進(jìn)行資源聚類時(shí)，用戶可能會(huì)關(guān)注與關(guān)鍵字密切的資源，或者更可能像搜索與該關(guān)鍵詞相關(guān)章節(jié)內(nèi)容的介紹，故該論文又設(shè)定一個(gè)元數(shù)據(jù)量化資源組的權(quán)值函數(shù)：

（0.75，0.15，0.1）1（0.5，0.45，0.15）2（0.45，0.45，0.1）3

式中 （ ， ）w i j表示輸入層的 i神經(jīng)元和映射層的 j神經(jīng)元之間的權(quán)值

⑷選擇和權(quán)值向量的距離最小的神經(jīng)元

計(jì)算并選擇是輸入向量和權(quán)值向量的距離最小的神經(jīng)元，如： （ ）d j為最小，稱其為勝出神經(jīng)元，記為 *j，并給出其鄰接神經(jīng)元集合。

⑸權(quán)值的學(xué)習(xí)

勝出神經(jīng)元和位于其鄰接神經(jīng)元的權(quán)值，按下式更新：

⑹是否達(dá)到預(yù)先設(shè)定的要求

如達(dá)到要求則算法結(jié)束；否則，返回到步驟（2）。進(jìn)行下一輪的學(xué)習(xí)。

3 仿真結(jié)果及算法評(píng)價(jià)

由上表可以清晰的看出：組1為 （1， 2，3），組4為 （4），組10為（5），組30為 （6），組36組 （7，8， 9，10），40組 （11）。其分組的正確率高達(dá)：85.1%。

由上述的仿真結(jié)果，該論文得出結(jié)論改進(jìn)后的自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)算法能夠進(jìn)行有效的自適應(yīng)分類，從而高效的進(jìn)行關(guān)鍵字元數(shù)據(jù)萃取的功能。但它仍存在一些問(wèn)題，第一，學(xué)習(xí)速度的選擇使其不得不在學(xué)習(xí)速度和最終權(quán)值向量的穩(wěn)定性之間進(jìn)行折中；第二，有，一個(gè)神經(jīng)元的初始值向量離輸入向量太遠(yuǎn)以至于它從未在競(jìng)爭(zhēng)中獲勝，也從未得到學(xué)習(xí)，這將形成毫無(wú)用處的“死”神經(jīng)元。

4 結(jié)束語(yǔ)

目前，很多高校和公司開發(fā)出了移動(dòng)學(xué)習(xí)（尤其是智能手機(jī)）的應(yīng)用軟件，并且提出較好的處理移動(dòng)學(xué)習(xí)資源的處理方法[6]，為用戶的碎片式學(xué)習(xí)和隨時(shí)隨地學(xué)習(xí)提供了一個(gè)良好的環(huán)境。本論文提出的算法，很適合應(yīng)用在這些碎片資源和微型學(xué)習(xí)資源的萃取，并且可以為這些應(yīng)用系統(tǒng)或軟件提供大量的聚類資源，從而使得用戶能夠獲得更好的用戶體驗(yàn)。

參考文獻(xiàn)

[1] http：//baike.baidu.com/view/3003454.htm百度百科 移動(dòng)學(xué)習(xí)2012-12-7

[2] 葉成林 徐福蔭 許駿 移動(dòng)學(xué)習(xí)研究綜述 電化教育研究 2004 No.3

[3] 陳偉超 國(guó)內(nèi)移動(dòng)學(xué)習(xí)研究現(xiàn)狀及發(fā)展建議[J].中國(guó)電力教育，2009 No.9

[4] 詞匯語(yǔ)義知識(shí)庫(kù)淺述 劉興林 福建電腦 2009 No.9

[5] MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì) 張德豐 機(jī)械工業(yè)出版社 2009-01-01

[6]趙剛，楊宗凱Learning Resource Adaptation and Delivery Framework for Mobile Learning. 35th ASEE/IEEE Frontiers in Education Conference. October（10）19-22，2005