基于數(shù)據(jù)挖掘技術的學習推送系統(tǒng)的設計與實現(xiàn)

楊振 何安妮 毛詩欣 王利輝

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

關鍵詞∶數(shù)據(jù)挖掘;卷積神經(jīng)網(wǎng)絡;個性化學習

中圖法分類號∶TP311??? 文獻標識碼∶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)教學模式已不能滿足學習者對知識的渴求，網(wǎng)絡學習的趨勢正慢慢改變學習者的學習習慣和學習依賴?，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、受歡迎的學習方式。由此，學習分析一步步融入人們的生活。美國數(shù)據(jù)科學家麥凱博士就曾強調“預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測輔助學習是時代發(fā)展的必然趨勢。

本文介紹了一個基于數(shù)據(jù)挖掘技術的卷積神經(jīng)學習推送系統(tǒng)。其通過知識點建模，由淺入深地推送相關內容，向學習者提供了豐富、可靠的個性化以及自適應學習支持。分析相關學習行為及路徑，依靠所學內容，建立符合學習者知識獲取的數(shù)據(jù)庫知識點推送體系，幫助學習者準確獲取所需知識點以及制定高效的學習路線和計劃，從而提高學習效率和水平。

2研究背景

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

3學習推薦系統(tǒng)設計

3.1推薦系統(tǒng)框架

系統(tǒng)總體框架設計如圖1所示。

學習推薦系統(tǒng)的流程設計如下：首次登錄學習推薦系統(tǒng)的學習者需要登記、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)挖掘技術的卷積神經(jīng)網(wǎng)絡分析、構建學習者信息檔案，以此作為學習推薦系統(tǒng)的基本要素，并通過學習行為庫，結合學習者信息檔案，產(chǎn)生個性化的學習推薦路線，從知識庫中尋找相關資源，并根據(jù)學習路線，按照知識集合之間的關系，形成具有關聯(lián)或彼此之間相互獨立的知識集合。

學習者可以選擇具有選擇關系、擴展關系、上下關系的知識集合體系進行相應學習，系統(tǒng)將記錄學習者的學習情況以及做題數(shù)量、時間和正確率，實時調整學習路線，幫助學習者規(guī)劃學習路線并提高學習效率。

3.2構建學習者信息檔案及其學習行為庫

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

3.3構建知識庫

知識庫是類似于樹狀結構排列的知識集合。它包含了相關知識點的學習資料、視頻、習題等。知識樹上下緊密關聯(lián)，左右關聯(lián)，是具有層次性的知識集架構。每個知識集也相互關聯(lián)，知識點具有層次關系。

知識集之間的關系主要有：（1）上下關系。它指具有階梯關系的知識集必須先學習前一層知識集，在此基礎上，學習下一層知識集，是從易到難的遞進關系;（2）選擇關系。它指處在相同階次的知識集，學習者對其可先進行選擇，并且其先后順序不影響總體學習規(guī)劃，是平行關系;（3）擴展關系。它指對一個知識集的升華、擴展，如果學習者要更進一步，精益求精，可以學習和當前知識集具有擴展關系的集合[5]。

知識庫使信息和知識有序化，是知識庫對學習推薦的主要貢獻;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;知識庫能幫助學習者實現(xiàn)對自身知識體系的有效管理。

4基于數(shù)據(jù)挖掘技術的學習推薦模型

4.1卷積神經(jīng)網(wǎng)絡的發(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設計了名為neocognitron的神經(jīng)網(wǎng)絡，是最早提出的神經(jīng)系統(tǒng)網(wǎng)絡技術之一。1998年，紐約大學的YannLeCun設計了卷積神經(jīng)網(wǎng)絡（ConvolutionalNeuralNetworks，CNN），它是針對圖像領域任務提出的神經(jīng)網(wǎng)絡，帶有卷積結構。2012年，CNN的處理能力更加強大，被更加廣泛地應用到圖像領域。CNN模型的不斷演變，展現(xiàn)了需求的不斷變化，即從最開始要求準確度，到希望速度與準確度并行提升，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，形成了又快、又準確且體積又小的卷積神經(jīng)網(wǎng)絡，而卷積神經(jīng)網(wǎng)絡也是數(shù)據(jù)挖掘技術中一種常用算法。

4.2UMAC模型

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

（2）在知識點導向層，將獲得的學習者各項信息和知識點進行向量計算，其目的是探索學習者的學習目的以及類型與知識點之間的匹配度。

（3）在立體卷積層，將從題目導向層取得的特征向量進行立體卷積操作，綜合考慮學習者當前學習水平等額外信息，得到最終知識點的向量表示。

（4）在結合層，將從立體卷積層得到的最終知識點向量表示和知識點導向層得到的一般知識點導向結合起來，得到最終的學習者向量表示。

（5）將在結合層得到的學習者向量表示與知識庫綜合起來，在輸出層輸出學習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，涉及自然語言處理、計算機視覺、推薦引擎等多個領域，提供了一系列用于深度學習和數(shù)據(jù)挖掘的工具組件，有多個應用于面向語義理解、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的服務平臺，為學習者提供了豐富的API，學習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為基礎自己設計程序。此外，上文提到的UMAC模型也可以在飛槳平臺上實現(xiàn)。

5學習推送系統(tǒng)

系統(tǒng)根據(jù)學習者的基本信息、學習偏好、知識點以及其難易程度進行推薦，生成相應的學習路徑。學習者可在多條候選的學習路徑進行選擇并學習該路徑，系統(tǒng)在知識庫中查詢提供該路徑的學習資源。系統(tǒng)將根據(jù)學習者的學習效果或學習者主動修改學習需求，實時調節(jié)當前路徑或生成后續(xù)路徑。

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

系統(tǒng)根據(jù)學習者的答題正確率以及答題時間，并根據(jù)系統(tǒng)設置的通過標準判斷學習者是否能掌握某個知識點或知識集，如果系統(tǒng)判定學習者沒有完全掌握該知識點或知識集，沒有達到通過標準，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);如果學習者達到了通過標準，系統(tǒng)將判定學習者掌握了該知識點或知識集，系統(tǒng)將安排后續(xù)知識點進入學習路徑。

6結論

目前，如何提高學習者的自我學習能力以及擁有符合其個性的學習方法已經(jīng)是線上教學的發(fā)展重點和方向。學習推薦系統(tǒng)基于數(shù)據(jù)挖掘技術，應用卷積神經(jīng)網(wǎng)絡幫助學習者制定學習路徑、指明學習方向，降低了學習者對于學習方向的盲目性，提高了學習者的學習效率。本文介紹了學習推薦系統(tǒng)的框架，對其各個模塊的設計研究進行了相應的論述，有較強的實用性和可實現(xiàn)性。該系統(tǒng)通過學習者的學習習慣和個性特征，以推薦適合的學習路線的方式，幫助學習者能熟練地掌握知識點，查漏補缺，提高學習效率，有較大的價值，而如何通過云計算技術提高系統(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：

[1]湯勃，孔建益，曾良才，等.“互聯(lián)網(wǎng)+”混合式教學研究[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.學習分析研究的現(xiàn)狀與未來發(fā)展—2017年學習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.基于學習分析的學生個性化學習資源推送[J].軟件，2019，40（12）：163-166.

[4]代巧玲，李振.學習行為數(shù)據(jù)倉庫構建研究[J].軟件導刊，2018，17（10）：187-190.

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

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

作者簡介：

楊振（2000—），本科，研究方向：數(shù)據(jù)挖掘。