發(fā)布時間：2024-11-02 00:31

　　 當(dāng)前學(xué)習(xí)者的在線學(xué)習(xí)行為預(yù)測研究未充分利用短文本中的語義數(shù)據(jù),導(dǎo)致對學(xué)習(xí)者的學(xué)習(xí)狀態(tài)刻畫不夠全面,嚴(yán)重影響了行為預(yù)測的準(zhǔn)確性.針對此問題,本文提出了語義增強的在線學(xué)習(xí)行為預(yù)測方法.首先,利用雙向長短時記憶網(wǎng)絡(luò)得到到短文本的語義向量表示;其次,基于學(xué)習(xí)者的統(tǒng)計、行為和短文本數(shù)據(jù)得到學(xué)習(xí)者的特征表征,并利用長短時記憶網(wǎng)絡(luò)模型構(gòu)建其學(xué)習(xí)狀態(tài)表征;最后,利用學(xué)習(xí)狀態(tài)表征預(yù)測學(xué)習(xí)者的學(xué)習(xí)行為.在11門真實在線課程數(shù)據(jù)集上的實驗表明,本文方法能過有效提升在線學(xué)習(xí)行為預(yù)測的精確度.

【文章頁數(shù)】：5 頁

【部分圖文】：

針對上述問題，本文基于深度學(xué)習(xí)理論設(shè)計了一種短文本語義增強的在線學(xué)習(xí)行為預(yù)測方法，具體方法的流程如圖1所示．此框架為三層結(jié)構(gòu)，第一層針對學(xué)習(xí)者特征建模，在線學(xué)習(xí)社區(qū)的短文本STt(i)通過BiLSTM模型[19]加工得到其語義向量，并將拼接成學(xué)習(xí)者特征向量Ft(i)．第二層針對學(xué)....

如圖2所示，BiLSTM每個時間步的隱藏語義向量由兩個方向的LSTM隱藏語義向量構(gòu)成，具體計算采用公式(2)．其中，hj是第j個時間步兩個方向的LSTM隱藏語義向量的拼接．對每個時間步的BiLSTM的隱藏語義向量取均值，并施加一個線性和非線性變換作為短文本的最終語義表示，具體過....

為了證明本文方法在實際使用時候的有效性，本文針對這11門課程數(shù)據(jù)進行了收斂性分析．首先選取每門課程80%的學(xué)習(xí)者數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，并設(shè)置學(xué)習(xí)狀態(tài)向量的維度m為24.圖3為收斂性分析的結(jié)果，每次迭代利用了50個學(xué)習(xí)者的數(shù)據(jù)作為輸入，結(jié)果顯示:在大約15000次迭代(大約300次ep....

本文編號：4008738