近幾年來,隨著教育數(shù)據(jù)挖掘領(lǐng)域的快速興起,結(jié)合數(shù)據(jù)挖掘方法對學生行為數(shù)據(jù)進行分析成為一種流行趨勢,主要致力于對未來行為與興趣的發(fā)現(xiàn)、對學生學習表現(xiàn)的預測、以及學生個人或者群體特征的提取。學生行為模式的相關(guān)研究被廣泛地關(guān)注,教育學、社會學等多個領(lǐng)域的研究發(fā)現(xiàn)學生的行為模式對于其學習表現(xiàn)、情感狀態(tài)以及心理健康等各方面均有著客觀的反映,如何對學生行為建模并對行為特征進行準確、全面的描述,均是需要考慮的重要問題。隨著一卡通系統(tǒng)的完善與云存儲技術(shù)的升級,大量的行為記錄被采集,這也為我們刻畫學生的個體行為模式提供了有力的數(shù)據(jù)支持。本文工作主要對學生行為模式上的數(shù)據(jù)挖掘方法進行探索,并將對行為模式的理解應用于學習表現(xiàn)的相關(guān)預測問題中。具體的研究內(nèi)容總結(jié)如下。（1）學生行為識別與行為建模。我們規(guī)范化從校園記錄中識別學生行為序列的解決算法與提取學生行為模式的一系列過程。馬爾科夫模型是目前應用于行為建模最廣泛的模型之一,本文研究假設(shè)學生的日常行為符合馬爾科夫性,并構(gòu)造隱馬模型捕獲學生行為的規(guī)律性。對學生行為模式的構(gòu)建是行為特征描述的基礎(chǔ),也是建立學生畫像系統(tǒng)的重要前提。（2）基于校園行為模式的學習表現(xiàn)預測... 

【文章來源】：中國科學技術(shù)大學安徽省 211工程院校 985工程院校

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【部分圖文】：

圖２．２隱馬爾科夫模型示意圖??

然后再進行合并。相較于單獨地學習每個任務，多任務學習（Ｍｕｌｔｉ－Ｔａｓｋ??Ｌｅａｒｎｉｎｇ，?ＭＴＬ）采用共享表示的方式并行學習多個相關(guān)的任務，提高單個學習??器以及整體的泛化性能。單任務與多任務對比如圖２．３。??簡單地，以線性模型Ｐ?＝?為例，對于ｍ個任務，多任務學習的通用??框架為：??ｍ??Ｌｏ．ｓ．ｓ（ｌ＾，?Ｘ＼?Ｙ１）?＋?ＸＲｃ．ｇ（Ｗ）?（２．５）??ｉ??任務間的相關(guān)性的類型主要包括以下幾個方面。??？假設(shè)所有任務的模型參數(shù)均相似［４４】，即懲罰模型參數(shù)與均值之間的偏差：??ｍ?－?ｍ?＾??ｍｉｎ?Ｌｏｓｓ（Ｗ）?＋?丨丨?（２．６）??ｉ?ｓ＝ｌ?２??１１??

?（２．１６）??其中／為預測模型，Ｋ，＆表示基于歷史Ｕ－Ｉ矩陣訓練而得的模型參數(shù)。??矩陣分解（ＭＦ）。矩陣分解其概率表示（ＰＭＦ）［５３１如圖２．４，對用戶、項目??在潛在因子上的偏好進行建模，以低維的用戶－潛在因子矩陣［／與項目－潛在因子??矩陣Ｋ近似Ｕ－Ｉ矩陣且滿足對于這類模型的基本求解公式為公??式２．１７，可以采用隨機梯度下降（ＳＧＤ）或最小二乘法（ＡＬＳ）。??？?Ｏ??Ｖ?Ｖ??？?？??Ｗ??Ｍ??Ｎ??０??圖２．４矩陣分解示意圖??ｕ＇，?Ｖ?＝?ａｒｇｍｉｎｕｙ?ｊ?＾?５３?－?１??（ｉ＝ｌ?ｊ＝ｌ?Ｊ??（２．１７）??其中，／ｙ？是指示函數(shù)，ｆ／與Ｆ為潛在因子矩陣，Ｒ、％是對應矩陣的列向量，ｆ／＇??１５??


本文編號：3374137