基于模型驱动的终端在线教育数据挖掘技术研究

发布时间：2021-06-10 17:38

　　传统终端在线教育数据挖掘技术的挖掘速度慢,为了解决这一问题,提出基于模型驱动的终端在线教育数据挖掘技术研究。运用关联分析数据转换法转换数据,再利用模型驱动的人群行为建模方法,设计终端在线教育数据挖掘任务流程。完成上述工作后,通过筛选、选择数据子集、编码、设定阈值、进化步骤,优化模型驱动数据挖掘关键技术,实现终端在线教育高效数据挖掘。实验结果表明,所提技术使用数据集规模小的挖掘速度相近,在使用数据集规模大时,挖掘速度逐渐增加;而传统技术使用数据集规模小的挖掘速度与使用数据集规模大的挖掘速度基本相近。证明所提技术挖掘速度更快。 

【文章来源】：现代电子技术. 2020,43(16)北大核心

【文章页数】：4 页

【部分图文】：

传统技术挖掘速度统计结果

先构建模型驱动人群行为模块，包括数据驱动模块和模型驱动模块，模型驱动建模方法整体思路如图1所示。数据驱动模块包含视频采集和人群行为特征信息。模型驱动模块由属性模块、行为模块和路径算法模块组成[5]。为了过滤无效数据，运用爬虫技术获取文本流，再进行数据处理[6]。将转换后的文本作为计算机处理对象。处理过程步骤为：分词文本、取出停用词、统计词频、文本向量化。完成文本处理后，从数据中提取用户行为数据，即提取主题相关数据。不同的应用场景主体挖掘算法不同，要结合主题挖掘算法获取相似主题特征的数据集合[7]。若仍无法自动生成主题，模型驱动会保存底层关系，采用简洁的主题描述文档语料库。

1）筛选。经过筛选后得到最优特征子集，筛选流程如图2所示。2）选择数据子集。完成筛选任务后，要选择较好的数据子集，选择方式包括过滤式，先考察特征间的关系，再去除预测结果的一部分特征，采用优胜劣汰的机制删除无效的数据。每次递归都要按照主题特征的参数求解大小排序，排序靠前的为无噪声数据，排序靠后的为无效数据；也可以将数据看作一个最优搜索问题，通过搜索和遗传算法选择带有主题特征的数据集合。

【参考文献】：
期刊论文
[1]基于领域关联冗余的教务数据关联规则挖掘[J]. 陆鑫赟,王兴芬.  计算机科学. 2019(S1)
[2]不同教师群体对教育大数据的认知及影响因素——基于全国5434名教师的调查[J]. 王学男.  开放教育研究. 2019(03)
[3]美国在线教育:实践、影响与趋势——CHLOE3报告的要点与思考[J]. 钱玲,徐辉富,郭伟.  开放教育研究. 2019(03)
[4]基于数据挖掘技术的档案馆信息快速分析算法研究[J]. 甘璐.  现代电子技术. 2019(07)
[5]基于数据挖掘技术的航空客户流失与细分研究及R语言程序实现[J]. 张利利,马艳琴.  数学的实践与认识. 2019(06)
[6]基于t-SNE数据驱动模型的盾构装备刀盘健康评估[J]. 张康,黄亦翔,赵帅,刘成良,王吉云.  机械工程学报. 2019(07)
[7]基于数据挖掘技术探讨针灸治疗荨麻疹的选穴规律及理论依据[J]. 王坤,唐纯志,田小婷,李明珠,赖新生.  针刺研究. 2018(06)
[8]基于LMS数据的远程学习者学习投入评测模型[J]. 李爽,李荣芹,喻忱.  开放教育研究. 2018(01)
[9]大数据技术在智能电网中的应用现状及展望[J]. 陈敬德,盛戈皞,吴继健,徐友刚,王福菊.  高压电器. 2018(01)
[10]基于质量监测的初中学生数据分析发展状况的调查研究[J]. 张爱平,马敏.  数学教育学报. 2017(01)



本文编号：3222832