面向学生行为理解的数据挖掘方法研究

发布时间：2021-08-31 03:54

　　近几年来,随着教育数据挖掘领域的快速兴起,结合数据挖掘方法对学生行为数据进行分析成为一种流行趋势,主要致力于对未来行为与兴趣的发现、对学生学习表现的预测、以及学生个人或者群体特征的提取。学生行为模式的相关研究被广泛地关注,教育学、社会学等多个领域的研究发现学生的行为模式对于其学习表现、情感状态以及心理健康等各方面均有着客观的反映,如何对学生行为建模并对行为特征进行准确、全面的描述,均是需要考虑的重要问题。随着一卡通系统的完善与云存储技术的升级,大量的行为记录被采集,这也为我们刻画学生的个体行为模式提供了有力的数据支持。本文工作主要对学生行为模式上的数据挖掘方法进行探索,并将对行为模式的理解应用于学习表现的相关预测问题中。具体的研究内容总结如下。（1）学生行为识别与行为建模。我们规范化从校园记录中识别学生行为序列的解决算法与提取学生行为模式的一系列过程。马尔科夫模型是目前应用于行为建模最广泛的模型之一,本文研究假设学生的日常行为符合马尔科夫性,并构造隐马模型捕获学生行为的规律性。对学生行为模式的构建是行为特征描述的基础,也是建立学生画像系统的重要前提。（2）基于校园行为模式的学习表现预测... 

【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

图２．２隐马尔科夫模型示意图??

然后再进行合并。相较于单独地学习每个任务，多任务学习（Ｍｕｌｔｉ－Ｔａｓｋ??Ｌｅａｒｎｉｎｇ，?ＭＴＬ）采用共享表示的方式并行学习多个相关的任务，提高单个学习??器以及整体的泛化性能。单任务与多任务对比如图２．３。??简单地，以线性模型Ｐ?＝?为例，对于ｍ个任务，多任务学习的通用??框架为：??ｍ??Ｌｏ．ｓ．ｓ（ｌ＾，?Ｘ＼?Ｙ１）?＋?ＸＲｃ．ｇ（Ｗ）?（２．５）??ｉ??任务间的相关性的类型主要包括以下几个方面。??？假设所有任务的模型参数均相似［４４】，即惩罚模型参数与均值之间的偏差：??ｍ?－?ｍ?＾??ｍｉｎ?Ｌｏｓｓ（Ｗ）?＋?丨丨?（２．６）??ｉ?ｓ＝ｌ?２??１１??

?（２．１６）??其中／为预测模型，Ｋ，＆表示基于历史Ｕ－Ｉ矩阵训练而得的模型参数。??矩阵分解（ＭＦ）。矩阵分解其概率表示（ＰＭＦ）［５３１如图２．４，对用户、项目??在潜在因子上的偏好进行建模，以低维的用户－潜在因子矩阵［／与项目－潜在因子??矩阵Ｋ近似Ｕ－Ｉ矩阵且满足对于这类模型的基本求解公式为公??式２．１７，可以采用随机梯度下降（ＳＧＤ）或最小二乘法（ＡＬＳ）。??？?Ｏ??Ｖ?Ｖ??？?？??Ｗ??Ｍ??Ｎ??０??图２．４矩阵分解示意图??ｕ＇，?Ｖ?＝?ａｒｇｍｉｎｕｙ?ｊ?＾?５３?－?１??（ｉ＝ｌ?ｊ＝ｌ?Ｊ??（２．１７）??其中，／ｙ？是指示函数，ｆ／与Ｆ为潜在因子矩阵，Ｒ、％是对应矩阵的列向量，ｆ／＇??１５??


本文编号：3374137