语义增强的在线学习行为预测研究

发布时间：2024-11-02 00:31

　　 当前学习者的在线学习行为预测研究未充分利用短文本中的语义数据,导致对学习者的学习状态刻画不够全面,严重影响了行为预测的准确性.针对此问题,本文提出了语义增强的在线学习行为预测方法.首先,利用双向长短时记忆网络得到到短文本的语义向量表示;其次,基于学习者的统计、行为和短文本数据得到学习者的特征表征,并利用长短时记忆网络模型构建其学习状态表征;最后,利用学习状态表征预测学习者的学习行为.在11门真实在线课程数据集上的实验表明,本文方法能过有效提升在线学习行为预测的精确度.

【文章页数】：5 页

【部分图文】：

针对上述问题，本文基于深度学习理论设计了一种短文本语义增强的在线学习行为预测方法，具体方法的流程如图1所示．此框架为三层结构，第一层针对学习者特征建模，在线学习社区的短文本STt(i)通过BiLSTM模型[19]加工得到其语义向量，并将拼接成学习者特征向量Ft(i)．第二层针对学....

如图2所示，BiLSTM每个时间步的隐藏语义向量由两个方向的LSTM隐藏语义向量构成，具体计算采用公式(2)．其中，hj是第j个时间步两个方向的LSTM隐藏语义向量的拼接．对每个时间步的BiLSTM的隐藏语义向量取均值，并施加一个线性和非线性变换作为短文本的最终语义表示，具体过....

为了证明本文方法在实际使用时候的有效性，本文针对这11门课程数据进行了收敛性分析．首先选取每门课程80%的学习者数据作为训练数据，并设置学习状态向量的维度m为24.图3为收敛性分析的结果，每次迭代利用了50个学习者的数据作为输入，结果显示:在大约15000次迭代(大约300次ep....

本文编号：4008738