發(fā)布時(shí)間：2024-11-02 00:31

　　 當(dāng)前學(xué)習(xí)者的在線(xiàn)學(xué)習(xí)行為預(yù)測(cè)研究未充分利用短文本中的語(yǔ)義數(shù)據(jù),導(dǎo)致對(duì)學(xué)習(xí)者的學(xué)習(xí)狀態(tài)刻畫(huà)不夠全面,嚴(yán)重影響了行為預(yù)測(cè)的準(zhǔn)確性.針對(duì)此問(wèn)題,本文提出了語(yǔ)義增強(qiáng)的在線(xiàn)學(xué)習(xí)行為預(yù)測(cè)方法.首先,利用雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)得到到短文本的語(yǔ)義向量表示;其次,基于學(xué)習(xí)者的統(tǒng)計(jì)、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(zhǎng)短時(shí)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(cè)學(xué)習(xí)者的學(xué)習(xí)行為.在11門(mén)真實(shí)在線(xiàn)課程數(shù)據(jù)集上的實(shí)驗(yàn)表明,本文方法能過(guò)有效提升在線(xiàn)學(xué)習(xí)行為預(yù)測(cè)的精確度.

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

針對(duì)上述問(wèn)題，本文基于深度學(xué)習(xí)理論設(shè)計(jì)了一種短文本語(yǔ)義增強(qiáng)的在線(xiàn)學(xué)習(xí)行為預(yù)測(cè)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(duì)學(xué)習(xí)者特征建模，在線(xiàn)學(xué)習(xí)社區(qū)的短文本STt(i)通過(guò)BiLSTM模型[19]加工得到其語(yǔ)義向量，并將拼接成學(xué)習(xí)者特征向量Ft(i)．第二層針對(duì)學(xué)....

如圖2所示，BiLSTM每個(gè)時(shí)間步的隱藏語(yǔ)義向量由兩個(gè)方向的LSTM隱藏語(yǔ)義向量構(gòu)成，具體計(jì)算采用公式(2)．其中，hj是第j個(gè)時(shí)間步兩個(gè)方向的LSTM隱藏語(yǔ)義向量的拼接．對(duì)每個(gè)時(shí)間步的BiLSTM的隱藏語(yǔ)義向量取均值，并施加一個(gè)線(xiàn)性和非線(xiàn)性變換作為短文本的最終語(yǔ)義表示，具體過(guò)....

為了證明本文方法在實(shí)際使用時(shí)候的有效性，本文針對(duì)這11門(mén)課程數(shù)據(jù)進(jìn)行了收斂性分析．首先選取每門(mén)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(gè)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(hào)：4008738