基于數(shù)據(jù)挖掘技術(shù)的學(xué)習(xí)推送系統(tǒng)的設(shè)計與實現(xiàn)

楊振 何安妮 毛詩欣 王利輝

摘 要∶隨著網(wǎng)絡(luò)技術(shù)不斷發(fā)展，網(wǎng)絡(luò)學(xué)習(xí)成了知識獲取的一種方式。在學(xué)習(xí)平臺不斷改進(jìn)的情況下，學(xué)習(xí)者對網(wǎng)絡(luò)學(xué)習(xí)有了更高的期望?，F(xiàn)階段，學(xué)習(xí)系統(tǒng)已不能完全滿足學(xué)習(xí)者的需求。因此，文章介紹了一個基于數(shù)據(jù)挖掘技術(shù)的卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)推送系統(tǒng)。通過個性化的學(xué)習(xí)智能算法推送，學(xué)習(xí)者可利用該系統(tǒng)獲取相關(guān)學(xué)習(xí)資料，極大地提高了學(xué)習(xí)效率。

關(guān)鍵詞∶數(shù)據(jù)挖掘;卷積神經(jīng)網(wǎng)絡(luò);個性化學(xué)習(xí)

中圖法分類號∶TP311??? 文獻(xiàn)標(biāo)識碼∶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

信息技術(shù)變革帶來的是對教育理念的巨大沖擊與挑戰(zhàn)[1]，傳統(tǒng)教學(xué)模式已不能滿足學(xué)習(xí)者對知識的渴求，網(wǎng)絡(luò)學(xué)習(xí)的趨勢正慢慢改變學(xué)習(xí)者的學(xué)習(xí)習(xí)慣和學(xué)習(xí)依賴?，F(xiàn)階段，線上教育與線下教育相互融合，這無疑是一個可靠的、受歡迎的學(xué)習(xí)方式。由此，學(xué)習(xí)分析一步步融入人們的生活。美國數(shù)據(jù)科學(xué)家麥凱博士就曾強調(diào)“預(yù)測不是為了說明未來，而是為了改變未來”[2]?？梢姡侠淼姆治鲱A(yù)測輔助學(xué)習(xí)是時代發(fā)展的必然趨勢。

本文介紹了一個基于數(shù)據(jù)挖掘技術(shù)的卷積神經(jīng)學(xué)習(xí)推送系統(tǒng)。其通過知識點建模，由淺入深地推送相關(guān)內(nèi)容，向?qū)W習(xí)者提供了豐富、可靠的個性化以及自適應(yīng)學(xué)習(xí)支持。分析相關(guān)學(xué)習(xí)行為及路徑，依靠所學(xué)內(nèi)容，建立符合學(xué)習(xí)者知識獲取的數(shù)據(jù)庫知識點推送體系，幫助學(xué)習(xí)者準(zhǔn)確獲取所需知識點以及制定高效的學(xué)習(xí)路線和計劃，從而提高學(xué)習(xí)效率和水平。

2研究背景

隨著科技的發(fā)展，當(dāng)今社會的教育理念也在潛移默化的發(fā)生變化—由最初的課堂教學(xué)轉(zhuǎn)變成線下與線上課程相結(jié)合的教學(xué)。網(wǎng)絡(luò)學(xué)習(xí)正被人們一點點的接受，讓學(xué)習(xí)者輕輕松松、足不出戶、隨時隨地地進(jìn)行學(xué)習(xí)，各式各樣的在線學(xué)習(xí)平臺應(yīng)運而生，MOOC等[3]一系列新式教學(xué)理念也進(jìn)入學(xué)習(xí)者的視野之中。這些學(xué)習(xí)平臺提供了各種算法模型，給學(xué)習(xí)者提供了可靠的學(xué)習(xí)資料，讓學(xué)習(xí)變得更加方便。但隨著技術(shù)的不斷提高，學(xué)習(xí)者對網(wǎng)絡(luò)學(xué)習(xí)的期望也變得越來越高，這也催生出一系列技術(shù)變革。數(shù)據(jù)挖掘技術(shù)的逐漸成熟，讓這些期望可能實現(xiàn)。

3學(xué)習(xí)推薦系統(tǒng)設(shè)計

3.1推薦系統(tǒng)框架

系統(tǒng)總體框架設(shè)計如圖1所示。

學(xué)習(xí)推薦系統(tǒng)的流程設(shè)計如下：首次登錄學(xué)習(xí)推薦系統(tǒng)的學(xué)習(xí)者需要登記、填寫個人基本信息，系統(tǒng)將通過這些信息，采用基于數(shù)據(jù)挖掘技術(shù)的卷積神經(jīng)網(wǎng)絡(luò)分析、構(gòu)建學(xué)習(xí)者信息檔案，以此作為學(xué)習(xí)推薦系統(tǒng)的基本要素，并通過學(xué)習(xí)行為庫，結(jié)合學(xué)習(xí)者信息檔案，產(chǎn)生個性化的學(xué)習(xí)推薦路線，從知識庫中尋找相關(guān)資源，并根據(jù)學(xué)習(xí)路線，按照知識集合之間的關(guān)系，形成具有關(guān)聯(lián)或彼此之間相互獨立的知識集合。

學(xué)習(xí)者可以選擇具有選擇關(guān)系、擴展關(guān)系、上下關(guān)系的知識集合體系進(jìn)行相應(yīng)學(xué)習(xí)，系統(tǒng)將記錄學(xué)習(xí)者的學(xué)習(xí)情況以及做題數(shù)量、時間和正確率，實時調(diào)整學(xué)習(xí)路線，幫助學(xué)習(xí)者規(guī)劃學(xué)習(xí)路線并提高學(xué)習(xí)效率。

3.2構(gòu)建學(xué)習(xí)者信息檔案及其學(xué)習(xí)行為庫

學(xué)習(xí)推薦系統(tǒng)實現(xiàn)的前提：一是獲取學(xué)習(xí)者的基本信息（年齡、年級、性格、知識基礎(chǔ)、知識容量、學(xué)習(xí)方向、學(xué)習(xí)目標(biāo)、興趣愛好等），通過這些信息，分析學(xué)習(xí)者個人特征，構(gòu)建學(xué)習(xí)者信息檔案，以此作為學(xué)習(xí)推薦系統(tǒng)的基本要素;二是構(gòu)建學(xué)習(xí)行為庫，它是基于學(xué)習(xí)者在學(xué)習(xí)中的學(xué)習(xí)行為導(dǎo)出的數(shù)據(jù)而創(chuàng)建的。具體而言，它可以分析學(xué)習(xí)者在不同時間、不同學(xué)習(xí)模塊下產(chǎn)生的不同學(xué)習(xí)行為以及其學(xué)習(xí)狀態(tài)，推導(dǎo)學(xué)習(xí)者當(dāng)前學(xué)習(xí)情況、學(xué)習(xí)側(cè)重點、學(xué)習(xí)目標(biāo)、學(xué)習(xí)效率與擅長科目。通過學(xué)習(xí)行為庫，再結(jié)合學(xué)習(xí)者信息檔案，就能夠產(chǎn)生個性化的學(xué)習(xí)推薦系統(tǒng)[4]。

3.3構(gòu)建知識庫

知識庫是類似于樹狀結(jié)構(gòu)排列的知識集合。它包含了相關(guān)知識點的學(xué)習(xí)資料、視頻、習(xí)題等。知識樹上下緊密關(guān)聯(lián)，左右關(guān)聯(lián)，是具有層次性的知識集架構(gòu)。每個知識集也相互關(guān)聯(lián)，知識點具有層次關(guān)系。

知識集之間的關(guān)系主要有：（1）上下關(guān)系。它指具有階梯關(guān)系的知識集必須先學(xué)習(xí)前一層知識集，在此基礎(chǔ)上，學(xué)習(xí)下一層知識集，是從易到難的遞進(jìn)關(guān)系;（2）選擇關(guān)系。它指處在相同階次的知識集，學(xué)習(xí)者對其可先進(jìn)行選擇，并且其先后順序不影響總體學(xué)習(xí)規(guī)劃，是平行關(guān)系;（3）擴展關(guān)系。它指對一個知識集的升華、擴展，如果學(xué)習(xí)者要更進(jìn)一步，精益求精，可以學(xué)習(xí)和當(dāng)前知識集具有擴展關(guān)系的集合[5]。

知識庫使信息和知識有序化，是知識庫對學(xué)習(xí)推薦的主要貢獻(xiàn);知識庫加快了知識和信息的流動，有利于知識共享與信息交流;知識庫能幫助學(xué)習(xí)者實現(xiàn)對自身知識體系的有效管理。

4基于數(shù)據(jù)挖掘技術(shù)的學(xué)習(xí)推薦模型

4.1卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展

1960年，Wiesel和Hubel[6]在針對貓的實驗研究中，觀察并提出感受野。1980年，Kunihiko設(shè)計了名為neocognitron的神經(jīng)網(wǎng)絡(luò)，是最早提出的神經(jīng)系統(tǒng)網(wǎng)絡(luò)技術(shù)之一。1998年，紐約大學(xué)的YannLeCun設(shè)計了卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN），它是針對圖像領(lǐng)域任務(wù)提出的神經(jīng)網(wǎng)絡(luò)，帶有卷積結(jié)構(gòu)。2012年，CNN的處理能力更加強大，被更加廣泛地應(yīng)用到圖像領(lǐng)域。CNN模型的不斷演變，展現(xiàn)了需求的不斷變化，即從最開始要求準(zhǔn)確度，到希望速度與準(zhǔn)確度并行提升，再到縮小體積，方便運行和移植，從卷積核、卷積層通道、卷積層連接等多個方面不斷更新技術(shù)，形成了又快、又準(zhǔn)確且體積又小的卷積神經(jīng)網(wǎng)絡(luò)，而卷積神經(jīng)網(wǎng)絡(luò)也是數(shù)據(jù)挖掘技術(shù)中一種常用算法。

4.2UMAC模型

（1）通過one-hot對學(xué)習(xí)者的各項基本信息、學(xué)習(xí)者答題的信息、知識庫中的知識點等進(jìn)行編碼，作為輸入和嵌入層。

（2）在知識點導(dǎo)向?qū)?，將獲得的學(xué)習(xí)者各項信息和知識點進(jìn)行向量計算，其目的是探索學(xué)習(xí)者的學(xué)習(xí)目的以及類型與知識點之間的匹配度。

（3）在立體卷積層，將從題目導(dǎo)向?qū)尤〉玫奶卣飨蛄窟M(jìn)行立體卷積操作，綜合考慮學(xué)習(xí)者當(dāng)前學(xué)習(xí)水平等額外信息，得到最終知識點的向量表示。

（4）在結(jié)合層，將從立體卷積層得到的最終知識點向量表示和知識點導(dǎo)向?qū)拥玫降囊话阒R點導(dǎo)向結(jié)合起來，得到最終的學(xué)習(xí)者向量表示。

（5）將在結(jié)合層得到的學(xué)習(xí)者向量表示與知識庫綜合起來，在輸出層輸出學(xué)習(xí)者對于各種知識點的需求程度。

UMAC模型的程序流程圖如圖2所示。

4.3利用飛槳平臺實現(xiàn)

飛槳是一個開源平臺，由百度運行和維護(hù)，涉及自然語言處理、計算機視覺、推薦引擎等多個領(lǐng)域，提供了一系列用于深度學(xué)習(xí)和數(shù)據(jù)挖掘的工具組件，有多個應(yīng)用于面向語義理解、圖像分割、文字識別（OCR）、語音合成的開發(fā)套件，提供了包含AIStudio，EasyDL和EasyEdge的服務(wù)平臺，為學(xué)習(xí)者提供了豐富的API，學(xué)習(xí)者可以在飛槳平臺上按照自己需要實現(xiàn)的算法或者模型尋找現(xiàn)成的API，或者以API為基礎(chǔ)自己設(shè)計程序。此外，上文提到的UMAC模型也可以在飛槳平臺上實現(xiàn)。

5學(xué)習(xí)推送系統(tǒng)

系統(tǒng)根據(jù)學(xué)習(xí)者的基本信息、學(xué)習(xí)偏好、知識點以及其難易程度進(jìn)行推薦，生成相應(yīng)的學(xué)習(xí)路徑。學(xué)習(xí)者可在多條候選的學(xué)習(xí)路徑進(jìn)行選擇并學(xué)習(xí)該路徑，系統(tǒng)在知識庫中查詢提供該路徑的學(xué)習(xí)資源。系統(tǒng)將根據(jù)學(xué)習(xí)者的學(xué)習(xí)效果或?qū)W習(xí)者主動修改學(xué)習(xí)需求，實時調(diào)節(jié)當(dāng)前路徑或生成后續(xù)路徑。

學(xué)習(xí)路徑生成的方法：（1）根據(jù)學(xué)習(xí)者學(xué)習(xí)的方向、目標(biāo)、知識點、選擇的難度，在知識庫中找到與學(xué)習(xí)者需求存在上下關(guān)系、層次關(guān)系、擴展關(guān)系等具有關(guān)聯(lián)性的知識點，形成集合;（2）若某個集合相對獨立，沒有與之相關(guān)聯(lián)的知識點，則系統(tǒng)直接為學(xué)習(xí)者提供相應(yīng)知識點的學(xué)習(xí)資源;（3）若某個集合非獨立，是與其他集合相關(guān)聯(lián)的，則系統(tǒng)根據(jù)集合的層次關(guān)系，生成學(xué)習(xí)路徑，之后系統(tǒng)將觀察學(xué)習(xí)者的學(xué)習(xí)情況，調(diào)整并完善學(xué)習(xí)路徑。

系統(tǒng)根據(jù)學(xué)習(xí)者的答題正確率以及答題時間，并根據(jù)系統(tǒng)設(shè)置的通過標(biāo)準(zhǔn)判斷學(xué)習(xí)者是否能掌握某個知識點或知識集，如果系統(tǒng)判定學(xué)習(xí)者沒有完全掌握該知識點或知識集，沒有達(dá)到通過標(biāo)準(zhǔn)，系統(tǒng)將保留該知識點，該知識點仍會在后續(xù)路徑中出現(xiàn);如果學(xué)習(xí)者達(dá)到了通過標(biāo)準(zhǔn)，系統(tǒng)將判定學(xué)習(xí)者掌握了該知識點或知識集，系統(tǒng)將安排后續(xù)知識點進(jìn)入學(xué)習(xí)路徑。

6結(jié)論

目前，如何提高學(xué)習(xí)者的自我學(xué)習(xí)能力以及擁有符合其個性的學(xué)習(xí)方法已經(jīng)是線上教學(xué)的發(fā)展重點和方向。學(xué)習(xí)推薦系統(tǒng)基于數(shù)據(jù)挖掘技術(shù)，應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)幫助學(xué)習(xí)者制定學(xué)習(xí)路徑、指明學(xué)習(xí)方向，降低了學(xué)習(xí)者對于學(xué)習(xí)方向的盲目性，提高了學(xué)習(xí)者的學(xué)習(xí)效率。本文介紹了學(xué)習(xí)推薦系統(tǒng)的框架，對其各個模塊的設(shè)計研究進(jìn)行了相應(yīng)的論述，有較強的實用性和可實現(xiàn)性。該系統(tǒng)通過學(xué)習(xí)者的學(xué)習(xí)習(xí)慣和個性特征，以推薦適合的學(xué)習(xí)路線的方式，幫助學(xué)習(xí)者能熟練地掌握知識點，查漏補缺，提高學(xué)習(xí)效率，有較大的價值，而如何通過云計算技術(shù)提高系統(tǒng)的效率以及抗干擾性也是我們完善系統(tǒng)的主要方向。參考文獻(xiàn)：

[1]湯勃，孔建益，曾良才，等.“互聯(lián)網(wǎng)+”混合式教學(xué)研究[J].高教發(fā)展與評估，2018，34（3）：90-99+117-118.

[2]吳永和，李若晨，王浩楠.學(xué)習(xí)分析研究的現(xiàn)狀與未來發(fā)展—2017年學(xué)習(xí)分析與知識國際會議評析[J].開放教育研究，2017，23（5）：42-56.

[3]曲芷萱，王朋嬌.基于學(xué)習(xí)分析的學(xué)生個性化學(xué)習(xí)資源推送[J].軟件，2019，40（12）：163-166.

[4]代巧玲，李振.學(xué)習(xí)行為數(shù)據(jù)倉庫構(gòu)建研究[J].軟件導(dǎo)刊，2018，17（10）：187-190.

[5]姜婷婷，呂匯新，王建華.ITS中基于知識點關(guān)系的領(lǐng)域知識庫的建立[J].哈爾濱師范大學(xué)自然科學(xué)學(xué)報，2009，25（1）：47-50.

[6]包俊，董亞超，劉宏哲.卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展綜述[C]∥中國計算機用戶協(xié)會網(wǎng)絡(luò)應(yīng)用分會2020年第二十四屆網(wǎng)絡(luò)新技術(shù)與應(yīng)用年會論文集，2020：16-21.

作者簡介：

楊振（2000—），本科，研究方向：數(shù)據(jù)挖掘。