基于學(xué)習(xí)者求助行為的論壇回答者推薦研究

葉俊民，趙麗嫻，羅達(dá)雄，王志鋒， 陳 曙

1(華中師范大學(xué) 計(jì)算機(jī)學(xué)院，武漢 430079) 2(華中師范大學(xué) 教育信息技術(shù)學(xué)院，武漢 430079)

1 引 言

以MOOC為代表的在線學(xué)習(xí)社區(qū)應(yīng)用的普及，為在線學(xué)習(xí)者提供了越來(lái)越多的學(xué)習(xí)資源和學(xué)習(xí)機(jī)會(huì)，同時(shí)他們?cè)趯W(xué)習(xí)過(guò)程中也會(huì)產(chǎn)生各種各樣的問(wèn)題，這時(shí)如何有效地為這些學(xué)習(xí)者及時(shí)解決這些問(wèn)題，就是一個(gè)值得研究的課題.依據(jù)在線學(xué)習(xí)者的行為來(lái)推薦問(wèn)題回答者則是解決該問(wèn)題的一種有效途徑.為此，本文提出了基于學(xué)習(xí)者行為的論壇問(wèn)題回答者推薦算法.

國(guó)內(nèi)外相關(guān)研究現(xiàn)狀如下：Bhat 等人[1]揭示了Stack overflow學(xué)習(xí)社區(qū)中問(wèn)題得以解決的時(shí)長(zhǎng)現(xiàn)象，即大部分問(wèn)題在一小時(shí)內(nèi)得到解答，但有30%左右的問(wèn)題回答要在一天之后才能完成，還有許多問(wèn)題的回答時(shí)間超過(guò)一天；Greer 等人[2-4]研究了典型問(wèn)答社區(qū)中成功為少數(shù)學(xué)習(xí)者及時(shí)推薦問(wèn)題解答的回答者特征，這些人員通常在多個(gè)不同領(lǐng)域有著豐富的知識(shí)及興趣；Tian[5]使用主題模型方法來(lái)預(yù)測(cè)最合適的問(wèn)題回答者；Xia等人[6-8]從靜態(tài)特征挖掘角度，分析了開(kāi)發(fā)者和主題之間關(guān)聯(lián)，以實(shí)現(xiàn)為特定主題推薦開(kāi)發(fā)者；Mao[9]通過(guò)GitHub上開(kāi)發(fā)者對(duì)特定技術(shù)術(shù)語(yǔ)的使用頻度，分析了問(wèn)答社區(qū)上標(biāo)簽和技術(shù)術(shù)語(yǔ)之間的關(guān)聯(lián)關(guān)系，為Stack Overflow實(shí)現(xiàn)了問(wèn)答專家推薦.Tian[10]分析了Stack Overflow上開(kāi)發(fā)者的歷史數(shù)據(jù)，通過(guò)LDA主題模型分析，發(fā)現(xiàn)了開(kāi)發(fā)者潛在興趣，并基于這些興趣和協(xié)作投票機(jī)制來(lái)推薦問(wèn)題回答專家；Shola O M[11]等人基于個(gè)性化標(biāo)簽預(yù)測(cè)高質(zhì)量的問(wèn)題解決者；Elalfy D[12]等人使用問(wèn)題的內(nèi)容和內(nèi)容特征訓(xùn)練機(jī)器學(xué)習(xí)模型直接得到推薦的問(wèn)題答案.由上述研究現(xiàn)狀，本文認(rèn)為學(xué)習(xí)者在論壇提問(wèn)行為屬于求助行為，而發(fā)現(xiàn)問(wèn)題的解決速度會(huì)影響學(xué)習(xí)者對(duì)論壇的使用頻度，同時(shí)依據(jù)學(xué)習(xí)者的求助行為進(jìn)行論壇回答者推薦有待進(jìn)一步研究.

本研究研究意義表現(xiàn)在：

1)心理學(xué)研究者認(rèn)為[13]，好的求助體驗(yàn)將給學(xué)習(xí)者帶來(lái)信心和鼓舞，而不良的求助體驗(yàn)將最終使得學(xué)習(xí)者放棄在線學(xué)習(xí)，同時(shí)快速并恰當(dāng)?shù)臑閷W(xué)習(xí)者推薦具有合適在線學(xué)習(xí)求助行為的回答者，幫助其解決論壇問(wèn)題，可提高學(xué)習(xí)者的求助體驗(yàn)；

2)可促進(jìn)對(duì)學(xué)習(xí)者在線學(xué)習(xí)行為認(rèn)知研究，以更好地設(shè)計(jì)出滿足學(xué)習(xí)者要求的各種個(gè)性化服務(wù)；

3)本研究有助于在線學(xué)習(xí)環(huán)境設(shè)計(jì)者改進(jìn)設(shè)計(jì)并使得在線學(xué)習(xí)環(huán)境產(chǎn)生更大的社會(huì)價(jià)值.

2 研究框架

本研究由兩步組成：第一步，識(shí)別學(xué)習(xí)者求助行為類別，以獲得學(xué)習(xí)者的求助行為類別；第二步，訓(xùn)練論壇回答者推薦模型，將具有合適學(xué)習(xí)者求助行為類別的并與論壇問(wèn)題匹配度高的論壇回答者推薦給需要幫助的學(xué)習(xí)者.

2.1 自動(dòng)識(shí)別學(xué)習(xí)者求助行為類別

所謂基于學(xué)習(xí)者求助行為的論壇問(wèn)題回答者推薦，是根據(jù)給定的在線學(xué)習(xí)環(huán)境中的學(xué)習(xí)者在線學(xué)習(xí)行為數(shù)據(jù)(問(wèn)題輸入)，獲得該學(xué)習(xí)者的求助行為類別，并根據(jù)其類別為其推薦合適的論壇問(wèn)題回答者(問(wèn)題輸出).

為了自動(dòng)識(shí)別學(xué)習(xí)者求助行為類別，本文采用了聚類和分類相結(jié)合的方法，以識(shí)別出學(xué)習(xí)者求助行為類別，并依據(jù)學(xué)習(xí)者的求助行為類別為其推薦合適的論壇回答者.為此，首先采用Bik-Means算法對(duì)在線學(xué)習(xí)環(huán)境中的在線學(xué)習(xí)求助行為數(shù)據(jù)進(jìn)行聚類分析，獲得學(xué)習(xí)者求助行為類別標(biāo)簽；然后，使用部分學(xué)習(xí)者求助行為數(shù)據(jù)及其類別標(biāo)簽訓(xùn)練樸素貝葉斯分類器，并利用剩余的學(xué)習(xí)者求助行為數(shù)據(jù)來(lái)驗(yàn)證該分類器的準(zhǔn)確率，通過(guò)使用該分類器達(dá)到自動(dòng)識(shí)別學(xué)習(xí)者求助行為類別的目的.

2.2 論壇回答者推薦的研究框架

所謂在線學(xué)習(xí)環(huán)境下論壇回答者推薦，是根據(jù)給定的在線學(xué)習(xí)環(huán)境中的學(xué)習(xí)者在論壇中發(fā)布的問(wèn)題(問(wèn)題輸入)，對(duì)該在線學(xué)習(xí)環(huán)境中的學(xué)習(xí)者輸出最善于回答該問(wèn)題的回答者(問(wèn)題輸出).

識(shí)別學(xué)習(xí)者求助行為類別的研究是基于Linda Corrin相關(guān)工作[14]開(kāi)展.本文抽取了學(xué)習(xí)者行為數(shù)據(jù)的部分屬性表達(dá)學(xué)習(xí)者的求助行為.通過(guò)對(duì)該學(xué)習(xí)者求助行為數(shù)據(jù)采用聚類算法處理，可得到該學(xué)習(xí)者求助行為類別標(biāo)簽，用此學(xué)習(xí)者求助行為數(shù)據(jù)和求助行為類別標(biāo)簽作為訓(xùn)練數(shù)據(jù)來(lái)訓(xùn)練樸素貝葉斯模型，從而可自動(dòng)識(shí)別出新學(xué)習(xí)者求助行為的類別.在此基礎(chǔ)上，本文可為學(xué)習(xí)者推薦合適的論壇問(wèn)題回答者，具體處理流程參見(jiàn)圖1.

圖1 論壇回答者推薦處理流程Fig.1 Forum respondents recommend process

圖1的相關(guān)思路如下[15]：

1)對(duì)收集到的論壇文本數(shù)據(jù)進(jìn)行Embedding處理，轉(zhuǎn)換為CNN模型能夠處理的數(shù)據(jù)集；

2)使用卷積神經(jīng)網(wǎng)絡(luò)算法(CNN)訓(xùn)練論壇回答者推薦模型，在這個(gè)過(guò)程中，數(shù)據(jù)集被分為互不相交的兩個(gè)集合，一個(gè)用作訓(xùn)練集，一個(gè)用作驗(yàn)證集，以驗(yàn)證本模型的推薦有效性；

3)得到論壇回答者推薦模型之后，可根據(jù)新學(xué)習(xí)者未被解答的論壇數(shù)據(jù)，提取該數(shù)據(jù)的特征，基于該特征使用本模型為學(xué)習(xí)者推薦合適的回答者.

3 基于學(xué)習(xí)者求助行為的論壇回答者推薦

3.1 自動(dòng)識(shí)別學(xué)習(xí)者求助行為類別

識(shí)別學(xué)習(xí)者求助行為類別算法的流程可以描述如下：

1)根據(jù)學(xué)習(xí)者的論壇行為數(shù)據(jù)獲取學(xué)習(xí)者的求助行為特征向量，并使用Bik-Means聚類算法處理求助行為特征向量；

2)根據(jù)學(xué)習(xí)者所屬的類別獲取其類別標(biāo)簽，與求助行為特征向量一同作為貝葉斯分類算法的訓(xùn)練集；

3)根據(jù)訓(xùn)練數(shù)據(jù)集，計(jì)算每個(gè)求助行為類別出現(xiàn)的概率P(rj)；

4)對(duì)學(xué)習(xí)者求助行為特征向量的每個(gè)特征屬性計(jì)算所有劃分的條件概率；

5)根據(jù)待分類項(xiàng)X的特征屬性，對(duì)每個(gè)求助行為類別計(jì)算P(X|rj)P(rj)；

6)以具有最大P(X|rj)P(rj)值的類別作為待分類項(xiàng)X所屬類別.1)-2)階段執(zhí)行聚類算法，3)-6)階段執(zhí)行分類算法.

自動(dòng)識(shí)別學(xué)習(xí)者求助行為類別的算法首先對(duì)學(xué)習(xí)者求助行為數(shù)據(jù)進(jìn)行聚類分析，獲得K個(gè)聚類中心，即得到K個(gè)類別.而后依據(jù)類別標(biāo)簽，訓(xùn)練樸素貝葉斯模型，對(duì)待分類學(xué)習(xí)者進(jìn)行分類處理.該算法的時(shí)間復(fù)雜度為O(NK+NV+KV)，其中N是學(xué)習(xí)者求助行為數(shù)據(jù)集的規(guī)模，K是學(xué)習(xí)者求助行為類別數(shù)，V是學(xué)習(xí)者求助行為數(shù)據(jù)的特征屬性數(shù).

3.2 推薦論壇回答者

在經(jīng)過(guò)識(shí)別學(xué)習(xí)者求助行為類別之后，根據(jù)我們得到的類別結(jié)論，對(duì)學(xué)習(xí)者進(jìn)行論壇回答者推薦，為其推薦具有合適求助行為類別的論壇回答者.

3.2.1 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

論壇回答者推薦的目的根據(jù)學(xué)習(xí)者的發(fā)帖內(nèi)容，為其推薦合適的回答者.我們使用了卷積神經(jīng)網(wǎng)絡(luò)模型達(dá)到推薦論壇回答者的目的.一般的卷積神經(jīng)網(wǎng)絡(luò)由以下五個(gè)結(jié)構(gòu)[17]組成.

1)輸入層.輸入層是作為全部卷積神經(jīng)網(wǎng)絡(luò)的輸入.在本文中輸入層是學(xué)習(xí)者論壇文本數(shù)據(jù)經(jīng)過(guò)Embedding處理之后所得的數(shù)據(jù).

2)卷積層.卷積層是用于做特征提取的.在一個(gè)卷積層，上一層輸出的特征值被一個(gè)可學(xué)習(xí)的卷積核進(jìn)行卷積，然后經(jīng)由一個(gè)激勵(lì)函數(shù)，該卷積層的輸出特征就可以被獲得.卷積層試圖對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行更深入的剖析，從而獲得抽象水平更高的數(shù)據(jù)特征.

3)池化層.降低矩陣的規(guī)模依靠池化層實(shí)現(xiàn).對(duì)輸入的特征矩陣進(jìn)行壓縮，一方面使特征矩陣變小，簡(jiǎn)化網(wǎng)絡(luò)計(jì)算復(fù)雜度；一方面進(jìn)行特征壓縮，提取主要特征.

以便于OA學(xué)術(shù)資源的發(fā)現(xiàn)、獲取、利用為出發(fā)點(diǎn)，依托目前部分院校圖書(shū)館數(shù)字資源加工室，對(duì)資源進(jìn)行科學(xué)高效、規(guī)范統(tǒng)一的組織管理是提高OA學(xué)術(shù)資源利用效率的有效措施?？紤]到軍隊(duì)網(wǎng)絡(luò)安全的特殊性和軍隊(duì)院校圖書(shū)館OA學(xué)術(shù)資源管理實(shí)際，筆者從軍網(wǎng)和互聯(lián)網(wǎng)兩方面就軍隊(duì)院校圖書(shū)館OA學(xué)術(shù)資源的組織展開(kāi)論述。

4)全連接層.分類任務(wù)主要由全連接層完成.在經(jīng)過(guò)卷積層、池化層和激勵(lì)函數(shù)的作用之后，原始數(shù)據(jù)已經(jīng)被映射到隱層特征空間.全連接層就起到將隱層特征空間中的數(shù)據(jù)表示映射到樣本標(biāo)記空間的作用.全連接的核心操作就是矩陣向量乘積，本質(zhì)就是由一個(gè)特征空間線性變換到另一個(gè)特征空間.在CNN中，全連接(full-connected)通常出現(xiàn)在最后幾層.

5)Softmax層.Softmax函數(shù)主要處理多分類問(wèn)題.經(jīng)過(guò)Softmax層后，可得到樣本屬于不同類別的概率.模型的預(yù)測(cè)值ypred代表的是概率最大的類，具體如公式(1)及公式(2)所示.P(Y=i|x,W,b)表示在權(quán)重矩陣為W偏置向量為b的情況下，輸入向量x是第i類的概率.

ypred=argmaxiP(Y=i|x,W,b)

(1)

(2)

3.2.2 論壇回答者推薦模型

依據(jù)文獻(xiàn)[17]，本文首先將論壇文本經(jīng)過(guò)Embedding處理，將提問(wèn)者的問(wèn)題q轉(zhuǎn)化成詞向量q={w1,w2，…，wn}.卷積神經(jīng)網(wǎng)絡(luò)的輸入層就是該向量組成的矩陣，例如論壇發(fā)帖最大長(zhǎng)度為n，每個(gè)文字對(duì)應(yīng)的詞向量長(zhǎng)度為m，則輸入矩陣的規(guī)模為n*m.池化層采用Max-Pooling的方法，之后重復(fù)上述卷積和池化的過(guò)程，搭建多層網(wǎng)絡(luò).經(jīng)過(guò)特征學(xué)習(xí)，提取出論壇數(shù)據(jù)的特征，利用這些特征進(jìn)行論壇回答者推薦.在經(jīng)過(guò)卷積和池化處理之后，池化層輸出通過(guò)全連接的方式連接到一個(gè)Softmax分類層并且本文使用Adam optimizer優(yōu)化器來(lái)加速神經(jīng)網(wǎng)絡(luò).除此之外，為了防止訓(xùn)練過(guò)程中過(guò)擬合現(xiàn)象的發(fā)生看，本文使用了Dropout策略.依此設(shè)計(jì)的論壇回答者推薦方法所用的訓(xùn)練模型如圖2所示.

本模型使用 ReLU( Rectified Linear Units)函數(shù)作為神經(jīng)元的激勵(lì)函數(shù)，使用該激勵(lì)函數(shù)可以加快訓(xùn)練速度，有效的減少計(jì)算開(kāi)銷(xiāo).在訓(xùn)練結(jié)束之后，采用了saver函數(shù)來(lái)保存最優(yōu)損失參數(shù)，從而根據(jù)學(xué)習(xí)者的發(fā)帖內(nèi)容為其推薦合適的回答者，達(dá)到一次訓(xùn)練多次使用的目的.本文根據(jù)回答者歷來(lái)回答過(guò)的問(wèn)題數(shù)據(jù)，對(duì)回答者進(jìn)行向量表示，即將其表示為形如的二元組的形式，其中Rid表示回答者標(biāo)識(shí)，Question表示回答者歷來(lái)回答問(wèn)題的詞向量表示.在基礎(chǔ)上可選出與學(xué)習(xí)者發(fā)帖內(nèi)容具有最高匹配度的回答者作推薦.在獲得推薦的回答者之后，會(huì)判斷此回答者的求助行為類別.若其求助行為不合適，會(huì)縮小訓(xùn)練集的范圍，在具有合適求助行為類別的學(xué)習(xí)者論壇數(shù)據(jù)中使用論壇回答者推薦模型，可得到具有合適求助行為的回答者，并將上述得到兩個(gè)回答者均推薦給需要幫助的該學(xué)習(xí)者.論壇回答者推薦算法描述如圖3所示.單個(gè)卷積層的時(shí)間復(fù)雜度為θ(M2*K2*Cin*Cout).其中M為輸出特征圖的規(guī)模，K代表卷積核的尺寸，Cin代表卷積層輸入特征屬性數(shù)，Cout代表卷積層輸出特征屬性數(shù)[18].

圖2 論壇回答者推薦CNN訓(xùn)練模型Fig.2 CNN training model for forum respondents recommend

算法1.論壇回答者推薦算法

輸入：學(xué)習(xí)者論壇文本數(shù)據(jù)X；待解決論壇發(fā)帖d；學(xué)習(xí)者類別數(shù)據(jù)C.

輸出：被推薦的回答者u.

1.V←buildvocab(X) /*構(gòu)建詞匯表，將文本數(shù)據(jù)X中的詞匯提取出來(lái)*/

2.C←readrecommendation () /*將以往回答者用向量表示*/

3.W←readvocab(V) /*讀取上述得到的詞匯表，將詞匯用向量表示*/

4.X，Y←professfile(C，W) /*將每一條文本數(shù)據(jù)都轉(zhuǎn)換成固定長(zhǎng)度的向量*/

5.Repeat/*運(yùn)行CNN算法*/

6. loss，acc←run(cnnmodel.loss，cnnmodel.acc)

7. run(adam optimizer)

8. until acc==1||大于指定迭代次數(shù)

9. saver(cnnmodel) /*保存最優(yōu)CNN模型*/

10. data←word_to_id(d) /*將待解決論壇發(fā)帖內(nèi)容d轉(zhuǎn)換為向量表示*/

11. u← run(self.cnnmodel，data) /*運(yùn)行最優(yōu)CNN模型，得到最優(yōu)推薦回答者*/

12. if u not in c[0]/*若最優(yōu)推薦回答者求助行為類別不適合，在具有合適求助行為的學(xué)習(xí)者中獲取匹配度最高的回答者*/

13. u0← run(self.cnnmodel based on c[0]，data)

14. return u and u0/*返回被推薦的回答者*/

15. End

圖3 論壇回答者推薦算法
Fig.3 Forum replier recommendation algorithm

4 實(shí)證分析

4.1 自動(dòng)識(shí)別學(xué)習(xí)者求助行為類別實(shí)證分析

4.1.1 實(shí)驗(yàn)對(duì)象與設(shè)計(jì)

學(xué)習(xí)者求助行為的主要表現(xiàn)場(chǎng)景為：

1)學(xué)習(xí)者遇到問(wèn)題時(shí)，可以在論壇中搜索相關(guān)問(wèn)題或者發(fā)布帖子，以此獲取問(wèn)題答案；

2)在學(xué)習(xí)者遇到感興趣的帖子時(shí)，還可以在論壇中回帖，并通過(guò)討論來(lái)解決問(wèn)題；

3)學(xué)習(xí)者還可以通過(guò)多次參加測(cè)驗(yàn)，由測(cè)驗(yàn)的反饋來(lái)獲得問(wèn)題的解答等.

為了驗(yàn)證識(shí)別學(xué)習(xí)者求助行為類別方法的有效性，本文選用了《馬克思主義基本原理》在線課程中的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，在某次課程教學(xué)活動(dòng)中，學(xué)習(xí)者人數(shù)為342.我們從學(xué)習(xí)者在線學(xué)習(xí)行為數(shù)據(jù)中抽取了6個(gè)特征表征學(xué)習(xí)者的求助行為，包括學(xué)習(xí)者的發(fā)帖數(shù)量、學(xué)習(xí)者的回帖數(shù)量、學(xué)習(xí)者發(fā)帖被瀏覽次數(shù)、學(xué)習(xí)者發(fā)帖被回復(fù)次數(shù)、作業(yè)提交次數(shù)以及學(xué)習(xí)者成績(jī).

4.1.2 實(shí)驗(yàn)結(jié)果

1)聚類高維原始學(xué)習(xí)者求助行為數(shù)據(jù) 根據(jù)識(shí)別到的6維學(xué)習(xí)者求助行為數(shù)據(jù)，對(duì)其進(jìn)行BiK-Means聚類處理，得到了四種類別標(biāo)簽.分析這四種類別里面的學(xué)習(xí)者求助行為數(shù)據(jù)，本文將這四類類別定義為很少參與課程活動(dòng)、主動(dòng)參與課程活動(dòng)、被動(dòng)參與課程活動(dòng)、專注于課程測(cè)驗(yàn).

2)自動(dòng)識(shí)別學(xué)習(xí)者求助行為類別 經(jīng)過(guò)第一步處理，我們得到了學(xué)習(xí)者求助行為類別標(biāo)簽.我們將學(xué)習(xí)者求助行為數(shù)據(jù)及其類別標(biāo)簽分為互不相交的兩個(gè)集合：訓(xùn)練集和驗(yàn)證集.訓(xùn)練集中數(shù)據(jù)用于訓(xùn)練樸素貝葉斯分類模型，而后使用驗(yàn)證集中數(shù)據(jù)測(cè)試該分類模型的準(zhǔn)確率.測(cè)試結(jié)果用五元組來(lái)表示，其中StuID為學(xué)習(xí)者標(biāo)識(shí)，PA、PB、PC、PD分別表示學(xué)生屬于很少參與課程活動(dòng)、主動(dòng)參與課程活動(dòng)、被動(dòng)參與課程活動(dòng)以及專注于課程測(cè)驗(yàn)的概率.部分測(cè)試結(jié)果如表1所示，ACC表示驗(yàn)證集的平均準(zhǔn)確率.實(shí)驗(yàn)顯示本次分類有較高的準(zhǔn)確率達(dá)到85.34%，這說(shuō)明了本方法有效可行.

表1 部分測(cè)試結(jié)果Table 1 Part of the test results

4.2 論壇回答者推薦實(shí)證分析

經(jīng)過(guò)識(shí)別學(xué)習(xí)者求助行為類別，我們得到學(xué)習(xí)者的四種求助類別，研究發(fā)現(xiàn)這四種類別的主要區(qū)別在于論壇發(fā)帖量的不同，并且論壇發(fā)帖量和學(xué)習(xí)者績(jī)效有正相關(guān)性，即越主動(dòng)參與論壇活動(dòng)的學(xué)習(xí)者越容易獲得更好的學(xué)習(xí)績(jī)效.因此，為了提高學(xué)習(xí)者解決問(wèn)題的效率，使其對(duì)求助結(jié)果更為滿意，從而促進(jìn)其更加主動(dòng)的參與課程活動(dòng)，需進(jìn)行論壇回答者推薦.

4.2.1 實(shí)驗(yàn)對(duì)象與設(shè)計(jì)

針對(duì)該在線課程中的論壇數(shù)據(jù)，首先獲取學(xué)習(xí)者的發(fā)帖內(nèi)容；其次，獲取該貼中被贊次數(shù)最多的回答者信息.實(shí)際中我們共獲取了850 條實(shí)驗(yàn)數(shù)據(jù).本文的論文數(shù)據(jù)分為最佳回答者和回答者歷來(lái)回答過(guò)的問(wèn)題兩個(gè)部分.

由4.1節(jié)的研究可知，主動(dòng)參與課程活動(dòng)的學(xué)習(xí)者參與論壇發(fā)帖，回帖的可能性更大，并且普遍具有更高的學(xué)習(xí)績(jī)效.因此，為了保證學(xué)習(xí)者求助的有效性和求助結(jié)果的可靠性，若得到的被推薦回答者不屬于主動(dòng)參與課程活動(dòng)的學(xué)習(xí)者，可在主動(dòng)參與課程活動(dòng)的學(xué)習(xí)者中為其匹配到最適合回答該問(wèn)題的回答者，而后將以上得到的兩位被推薦的回答者推薦給該需要幫助的學(xué)習(xí)者.

4.2.2 實(shí)驗(yàn)操作

本部分所做研究主要是基于Tensorflow庫(kù)[19]，該庫(kù)中包含了基本的深度學(xué)習(xí)算法，包括卷積神經(jīng)網(wǎng)絡(luò)CNN和循環(huán)神經(jīng)網(wǎng)絡(luò)RNN等.此外，還需要用到數(shù)組處理numpy庫(kù)、機(jī)器學(xué)習(xí)算法庫(kù)sklearn以及用于繪制圖像的Matplotlib庫(kù)等內(nèi)容.

首先將論壇文本數(shù)據(jù)進(jìn)行一次劃分，將其分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，根據(jù)訓(xùn)練集可得到論壇回答者推薦模型：具體而言，本文中得到的詞向量維度為64，最大序列長(zhǎng)度為600，調(diào)用Tensorflow庫(kù)中的CNN算法，設(shè)置CNN模型中的dropout參數(shù)為0.5，學(xué)習(xí)率為0.001.在訓(xùn)練集的準(zhǔn)確率達(dá)到100%、驗(yàn)證集正確率長(zhǎng)期不提升或者迭代次數(shù)超過(guò)1000次的情況下結(jié)束訓(xùn)練，而后保存最佳推薦模型，繪制出誤差和準(zhǔn)確率的變化情況.在進(jìn)行模型有效性測(cè)試時(shí)，直接讀取該最佳推薦模型數(shù)據(jù)，避免重復(fù)計(jì)算.通過(guò)檢驗(yàn)測(cè)試集的準(zhǔn)確率、召回率、F1-score以及混淆矩陣來(lái)驗(yàn)證該推薦模型的有效性.最后，我們使用上述最佳論壇回答者推薦模型，為學(xué)習(xí)者推薦論壇問(wèn)題回答者.準(zhǔn)確率P、召回率R和F1-score三個(gè)指標(biāo)[20]相關(guān)的計(jì)算如公式(3)-公式(5)所示.

(3)

(4)

(5)

4.2.3 實(shí)驗(yàn)結(jié)果

1)訓(xùn)練并驗(yàn)證論壇回答者推薦模型表2表示論壇回答者推薦模型的訓(xùn)練及驗(yàn)證情況，由表2可以看出，本次訓(xùn)練經(jīng)過(guò)300次迭代終止，此時(shí)訓(xùn)練集的準(zhǔn)確率達(dá)到100%，訓(xùn)練集誤差為0.044，誤差很小.驗(yàn)證集準(zhǔn)確率達(dá)到了90%，驗(yàn)證集誤差為0.32.訓(xùn)練過(guò)程中訓(xùn)練集的準(zhǔn)確率以及誤差變化分別如圖4和圖5所示.

表2 訓(xùn)練并驗(yàn)證論壇回答者推薦模型準(zhǔn)確率情況Table 2 Training and verifying the accuracy of forum respondents′ recommendation models

圖4 訓(xùn)練集的準(zhǔn)確率變化Fig.4 Accuracy variation in Training set圖5 訓(xùn)練集的誤差變化Fig.5 Error variation in training set

2)測(cè)試論壇回答者推薦模型在測(cè)試論壇回答者推薦模型時(shí)，抽取了250條數(shù)據(jù)，其中合適的問(wèn)題回答者共有5人.在訓(xùn)練回答者推薦模型之后，采用了saver函數(shù)保存最優(yōu)損失參數(shù)，在測(cè)試回答者推薦模型時(shí)，可不必再次訓(xùn)練回答者推薦模型.測(cè)試回答者推薦模型的有效性如表3所示.根據(jù)表3，可知論壇回答者推薦模型的平均準(zhǔn)確率達(dá)到了90%，準(zhǔn)確率最低的D同學(xué)也達(dá)到了77%.召回率均在75%以上，F(xiàn)1-score均值達(dá)到了90%，其中F1-score最低的E同學(xué)也達(dá)到了81%.因此本回答者推薦模型具有較好的推薦效果，并由圖6所示的混淆矩陣(Confusion Matrix)也可以看出每位回答者的推薦準(zhǔn)確性普遍較高，這是因?yàn)榛煜仃囍械闹鲗?duì)角線上的數(shù)字越大，推薦的準(zhǔn)確性就越高.例如，矩陣中第一行數(shù)據(jù)代表A同學(xué)，在其50條測(cè)試數(shù)據(jù)中，48條數(shù)據(jù)被正確分析.因此，本方法用于推薦論壇問(wèn)題回答者是有效的.

圖6 混淆矩陣Fig.6 Confusion Matrix

3)推薦論壇問(wèn)題回答者在得到準(zhǔn)確率較高的論壇回答者推薦模型之后，使用該模型針對(duì)學(xué)習(xí)者新發(fā)布的帖子，推薦合適的回答者.例如，本實(shí)驗(yàn)中使用了一個(gè)學(xué)習(xí)者新發(fā)布的論壇問(wèn)題：“絕對(duì)真理和相對(duì)真理的關(guān)系”.使用論壇回答者推薦模型之后，所得到的推薦回答者如圖7所示.

圖7 問(wèn)題的推薦回答者實(shí)例Fig.7 An example of recommending responder

分析E同學(xué)的求助行為類別，我們發(fā)現(xiàn)其屬于被動(dòng)參與課程活動(dòng)者，不屬于主動(dòng)參與者.因此推薦模型同時(shí)推薦了C同學(xué)，該同學(xué)在具有較高匹配度的同時(shí)，具有主動(dòng)參與課程活動(dòng)的特征.分析C、E這兩位回答者歷來(lái)回答的論壇發(fā)帖情況，我們得出該推薦確實(shí)有效的結(jié)論.同時(shí)這也證明了使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)算法推薦論壇回答者的有效性.

5 相關(guān)工作對(duì)比

與文獻(xiàn)[19]開(kāi)展的研究相比，本文與該工作相同之處是：

1)在推薦研究問(wèn)題中使用了深度學(xué)習(xí)；

2)采用了卷積神經(jīng)網(wǎng)絡(luò)CNN算法構(gòu)建推薦模型.

與該文工作不同之處是：

1)本文做了識(shí)別學(xué)習(xí)者求助行為類別的研究.本文在推薦論壇回答者的同時(shí)，除了推薦與問(wèn)題具有最高匹配度的回答者，還會(huì)在主動(dòng)參與課程活動(dòng)的學(xué)習(xí)者中推薦一位具有最高問(wèn)題匹配度的回答者；

2)優(yōu)化算法不同.該文獻(xiàn)采用了SGD(Stochastic Gradient Descent，隨機(jī)梯度下降)[21]算法加速神經(jīng)網(wǎng)絡(luò)，調(diào)節(jié)其學(xué)習(xí)速度.在本文中采用了Adam Optimizer優(yōu)化器，該優(yōu)化器在一般情況下能夠使神經(jīng)網(wǎng)絡(luò)更快速地完成學(xué)習(xí).

6 結(jié)束語(yǔ)

通過(guò)分析在線學(xué)習(xí)課程中的學(xué)習(xí)者在線學(xué)習(xí)行為數(shù)據(jù)，發(fā)現(xiàn)了學(xué)習(xí)者求助行為的幾種不同的類別；研究了能夠?yàn)閷W(xué)習(xí)者推薦合適的論壇問(wèn)題回答者的方法，在推薦過(guò)程中，本文不僅考慮到了問(wèn)題匹配度問(wèn)題，還考慮到了被推薦回答者的求助行為類別情況，以使得學(xué)習(xí)者獲得幫助更加便捷，求助結(jié)果更為有效.進(jìn)一步的研究是根據(jù)學(xué)習(xí)者求助行為類別，結(jié)合學(xué)習(xí)者行為模型和領(lǐng)域知識(shí)模型等構(gòu)建更有針對(duì)性的推薦模型，從而能夠更有效的使用教學(xué)資源，最終共同達(dá)到提高學(xué)習(xí)者學(xué)習(xí)績(jī)效的目的.