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(xué)生行為數(shù)據(jù)進(jìn)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(xué)生學(xué)習(xí)表現(xiàn)的預(yù)測、以及學(xué)生個人或者群體特征的提取。學(xué)生行為模式的相關(guān)研究被廣泛地關(guān)注,教育學(xué)、社會學(xué)等多個領(lǐng)域的研究發(fā)現(xiàn)學(xué)生的行為模式對于其學(xué)習(xí)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(xué)生行為建模并對行為特征進(jìn)行準(zhǔn)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(xué)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(xué)生行為模式上的數(shù)據(jù)挖掘方法進(jìn)行探索,并將對行為模式的理解應(yīng)用于學(xué)習(xí)表現(xiàn)的相關(guān)預(yù)測問題中。具體的研究內(nèi)容總結(jié)如下。（1）學(xué)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(xué)生行為序列的解決算法與提取學(xué)生行為模式的一系列過程。馬爾科夫模型是目前應(yīng)用于行為建模最廣泛的模型之一,本文研究假設(shè)學(xué)生的日常行為符合馬爾科夫性,并構(gòu)造隱馬模型捕獲學(xué)生行為的規(guī)律性。對學(xué)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(xué)生畫像系統(tǒng)的重要前提。（2）基于校園行為模式的學(xué)習(xí)表現(xiàn)預(yù)測... 

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

【文章頁數(shù)】：79 頁

【學(xué)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(jìn)行合并。相較于單獨地學(xué)習(xí)每個任務(wù)，多任務(wù)學(xué)習(xí)（Ｍｕｌｔｉ－Ｔａｓｋ??Ｌｅａｒｎｉｎｇ，?ＭＴＬ）采用共享表示的方式并行學(xué)習(xí)多個相關(guān)的任務(wù)，提高單個學(xué)習(xí)??器以及整體的泛化性能。單任務(wù)與多任務(wù)對比如圖２．３。??簡單地，以線性模型Ｐ?＝?為例，對于ｍ個任務(wù)，多任務(wù)學(xué)習(xí)的通用??框架為：??ｍ??Ｌｏ．ｓ．ｓ（ｌ＾，?Ｘ＼?Ｙ１）?＋?ＸＲｃ．ｇ（Ｗ）?（２．５）??ｉ??任務(wù)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(wù)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(yù)測模型，Ｋ，＆表示基于歷史Ｕ－Ｉ矩陣訓(xùn)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(jìn)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(jī)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(yīng)矩陣的列向量，ｆ／＇??１５??


本文編號：3374137