文摘
自闭症,发育障碍影响社会和沟通技巧,不同于大多数贫穷的精神障碍在显示特征模式,完整,甚至高级认知能力。本研究旨在解决教学内容的不匹配和自闭症儿童的心理健康教育。灵感来自人工智能,一种改进的神经网络矩阵分解(NeuMF)模型设计了基于协同过滤的理论,和时间数据添加到提高NeuMF使用k - means聚类算法。一些评价指标如均方根误差(RMSE)和平均绝对误差(MAE)选择评估模型的性能。结果表明,RMSE和改善NeuMF模型的美是1.251和0.625,分别,这比协同过滤和传统神经网络分解模型。此外,该模型用于体育(PE)的活动推荐给自闭症儿童的智能发展。这证明优化模型具有更好的性能,可以用来为自闭症用户推荐在线课程。这种动态个人课程推荐模型可以帮助自闭症儿童在短时间内恢复。
1。介绍
孤独症是一个发育障碍,症状出现在生命的头三年。其正式诊断名称是一个自闭症谱系障碍。“谱”一词表明自闭症出现在不同形式和不同程度的严重程度(1]。这意味着每个自闭症个体经历独特优势,症状,和挑战。最突出的赤字自闭症是社会沟通、社交互动和重复模式的活动或行为。此外,同现的具体学习问题也是很重要的在孤独症的问题获得学术技能明显低于年龄水平和体现在早期的学校。大多数自闭症患者有一些学习问题。因此,很难独立在临床诊断和自闭症和学习困难的表现(2]。
目前,由于不健康的家庭环境和家庭教育不当的影响,每年自闭症儿童数量的增加。这将导致不可磨灭的心理冲击和影响孩子的发展3]。因此,春天有许多特殊教育机构提供帮助这些孩子(4]。一些研究证实各种来源的积极作用的物理教育对自闭症儿童的性能,尤其是他们的心理发展,行为问题,运动和社交技巧,和肌肉力量的破坏性行为。研究表明,改善健康,包括自闭症儿童的一些心理指标,是一个结果的应用特定类型的体育发展体育项目(5]。如今,有几种方法为自闭症儿童组织体育。一些作者确信个人任务更显著改善心理物理自闭症儿童社会技能的发展和精化(6]。随着互联网时代的发展,这种教育是在线进行的,这使得教育方便和节省时间的。然而,也出现许多问题。例如,教师可能无法直接观察学习者的学习状态,和很难课后收集学习者的信息,这样他们不能带来相应的课程能够满足学习者的需求。教师收集了大量有用的数据在网络教学的过程中,以及如何使用这些数据来改革教育仍然是一个长期的热门话题。人工智能(AI)的出现提供了一个好主意来构建推荐系统(7]。
优化体育教育发展中自闭症儿童的智力,几个推荐算法集成。lampo et al。8)提出了一个基于AI的方法选择有效的老师沟通策略在自闭症教育和探索人工智能在自闭症教育的潜力来帮助教师无效的实践发展中社会对自闭症儿童的教育成果。协议旨在检测这样的交互和分析收集到的观测的基本模式。此外,机器学习技术被用来预测学生响应给定的形式沟通由教师在具体的课堂条件下使用。史蒂文斯et al。9)确定自闭症的子组利用机器学习算法如高斯混合模型和分层烧结的集群。据报道,机器学习可以识别自闭症的表型。Heinsfeld et al。10)检查的应用深度学习算法的识别自闭症儿童使用大脑激活模式。这种方法的预测精度达到70%,表明,机器学习方法是一个非常有前途的精神障碍的评估工具。Kosmicki et al。11)使用机器学习算法分类成自闭症和nonautistic病人的人,结果达到了98,81%的准确性。作者在12]研究机器学习利用群体智慧改善自闭症的精度和预测。Mirac et al。13)观察到的一些预测因素后3年临床观察和精神治疗的一群自闭症儿童,使用机器学习的方法来考察精神,发展,社会和人口因素影响自闭症患儿的预后。Crippa et al。14]研究人工智能的力量来诊断自闭症儿童使用运动学分析。实验涉及到一个简单的实现,掌握,将任务和一个球,和平均精度达到84人,占9%。最早的推荐算法的目标是给人们带来的个性化服务。之后,一些学者利用协同过滤(CF)方法构建推荐系统(15]。前的基础上,介绍了基于项目CF。不断发展,推荐系统分类,和它包含内容,CF,和混合智能推荐方法逐渐应用于课程教学,并提供多种可能性和在线教育的个性化推荐方法16]。然而,推荐精度减少由于数据缺失,导致数据稀疏17]。
降低数据稀疏,本研究综合深度学习与CF (DL),和一种改进的Neu矩阵分解(改善NeuMF)设计。传统的矩阵分解用于查找用户和项目之间的线性关系,和多层神经网络用于探索用户和项目之间的非线性关系。准确性也优化以减少丢失的数据的数量。时间数据应用于改善NeuMF利用k - means聚类算法(k - means)最大化的优化网络课程。实验后,相关评价指标选择完成模拟测试相关数据集。试验结果表明,模型的性能很好。模型设计的基于改进NeuMF可以提供适当的体育活动(PE)为自闭症儿童的智能发展,起着重要的作用,为自闭症学生的恢复具有重要意义。
其余的手稿命令如下:部分2概述所使用的材料和方法,描述了该算法。节3结果说明,部分4是结论。
2。材料和方法
2.1。问题在体育发展中自闭症儿童的智力
在现实生活中,聪明的体育教育(IPE)是指特殊教育由正式的教育机构,让自闭症学生接受高层次的教育。他们关注自闭症儿童的发展和恢复和为他们提供技能培训18]。培训通常由简单到困难,最终使孩子体育锻炼适合他们的发展。然而,只有当智障学生主动参与体育,可能导致发展不平衡。体育发展中存在的问题的智能自闭症儿童在图所示1。以下部分说明了不同的问题在体育发展中自闭症儿童的智力。(我)不匹配的教学内容。目前,许多教材在特殊学校适应基于通识教育。一些教材在这个阶段削弱高科技项目的简单性,使学习周期断开连接。虽然取得了相应的成就,改编教材仍然有很大的差距的需要这样的孩子(19]。(2)缺乏真实的应用程序中。因为自闭症儿童的发展状态限制身体的正常发展,高科技活动没有吸引他们,可能会对他们的心理产生负面影响。他们非常感兴趣的内容与现实生活密切相关。不幸的是,许多课程的内容和现实生活之间的联系是弱20.]。(3)老师和学生之间的交流。老师和学生之间的互动是在特殊学校的教学过程。当老师不注意学生,学生对学习的热情会大大降低,这将产生强烈的负面影响自闭症儿童的健康发展21]。人工智能的不断发展,促进网络教育提供了一个突破解决体育教学内容的不匹配和孩子。然而,仍然有缺陷的在线课程推荐算法,需要改进。
2.2。课程推荐中存在的问题
课程推荐算法被提出之前,仍有一些问题需要解决。这些问题是描绘在图2。
数据稀疏问题的存在是因为CF之前分析用户的信息,并使用它作为相关建议的基础(22]。然而,评级相关的物品可能是不够的,和用户可能不知道是否评级是准确的。用户完成课程的学习后,评级可能会成为一个额外的条目和不完整,导致数据稀疏。数据稀疏数据最重要的挑战之一,每个用户只率小的物品。在现实生活中,因为没有办法进行面对面的学习,可能会出现这种现象,评级可能随意执行导致数据稀疏。在学习过程中,应该不断更新学习资源,这样可以确认推荐算法的准确性。此外,时间是不同于其他辅助信息,如用户和课程信息。与其他数据的大量涌入,还需要更多的时间(23]。
因为上面的三个问题,这是发现,神经网络可以提取的高级功能和解决数据稀疏问题的非线性网络的用户和项目。以前课程的干预可以减少新建议添加时间NeuMF改善,并相应可以提高推荐精度。面对时间的特殊性,其他数据需要优化升级和改进模型。此外,综合分析的推荐模型的缺点。
2.3。人工神经网络
DL和在线课程的整合建议具有重要的现实意义。在线课程学习是目前许多培训机构所采用。因为它是方便和易于访问,学生可以学到很多的知识没有离开家。然而,大部分学生的学习能力和国家不能监督由于教师和学生之间缺乏面对面的交流。和教学内容和学生之间的差距变得越来越大,需要在线课程和学生将失去兴趣。使用课程推荐系统可以解决这个问题。深度学习和传统的推荐算法的集成可以提供学生的个人需求24]。
神经网络模型,可以分析复杂的问题根据他们的特点,以及相关的节点之间的关系应该继续调整。神经元是神经网络的基本组成部分。每个神经元都有多个输入,输入数据的影响对整个神经元可以调节重量。人工神经元的权重越高,乘以它的输入的强度。权重可以是负值,信号被负重量。基于权重,神经元的计算结果将会不同。通过调节人工神经元的权重,可以得到特定的输入输出。当有数百或数千个神经元在一安,这将是非常困难找到手工所有必要的重量。不过,我们可以发现算法的权重可以调整安从网络获取所需的输出。这种调节权重的过程称为学习或培训。 The continuous optimization of weights is to learn and train neural networks, and neurons can be expressed in image or text format. The neurons are mainly divided into input, output, and hidden units [25]。神经网络是由神经元组成的,如图3。
安接收外部信号的输入层、隐藏层通常是输入和输出之间的层和输出层产生网络的输出。使用数据分析处理、学习和训练,适当的解决方案是在输出层。权重不断根据实际情况调整,即自主学习(26]。
神经网络是由网络的结构以及使用不同的hyperparameters优化。例如,有激活函数、权重和连接方法,值得关注。三国,激活函数起着至关重要的作用在安的学习和培训。在相关的网络,每一层的节点将输入数据转换成输出。相关的激活函数需要一个好的对话最后输出和下一个输入。不难发现,所谓的激活函数是两者之间的功能关系。输入和映射到输出神经元的激活函数。一个激活函数神经网络状态如何输入转化为输出的加权和从网络中的一个节点。当激活函数,它的非线性可以改变网络层的输入-输出关系从线性到非线性探索更深层次的关系。激活函数的选择对神经网络的性能产生巨大的影响,和不同的激活函数可用于神经网络模型的不同部分。 The common activation functions are Sigmoid, Tanh, and ReLU, which are introduced in detail to pave the way for the later model design [27]。乙状结肠的范围在0和1之间,和输入函数的结果都是在0和1之间。当项目特点的差异不明显,效果更好,因为这个函数的计算是复杂的和梯度往往就消失了。函数之间的转换公式年代和输入x如下:
双曲正切解决发现的问题在乙状结肠和不对称的原点。它是一个双曲函数梯度饱和的缺点。双曲正切和输入之间的转换x计算如下:
相比之下,双曲正切和乙状结肠,ReLU没有饱和的价值,和梯度不下降28]。在计算上,函数是用来计算最大,没有索引,梯度有一些其他问题。ReLU函数和输入之间的转换公式x如下:
2.4。基于神经网络的CF
通过使用交互和协同过滤的过滤器信息收集的数据来自其他用户的系统。CF是基于用户同意的想法在他们的评估某些项目预计在未来再次同意。大多数协同过滤方法使用相似性基于索引技术。几个用户选择根据他们的相似性活跃用户,活跃用户和推理是由计算加权平均所选用户的评级。它的工作原理是通过分析以前的数据判断用户的偏好。根据这些参数,用户进行分类和分组。用户具有相似偏好推荐类似课程(28]。建议基于CF的优化研究,希望改善其性能。以前,在CF许多矩阵分解(MF)方法被用来构造隐藏功能用户和项目之间的相关性。然而,一个简单的内积不能估计复杂的相关性,和推荐的准确性受到影响29日]。因此,一种改进的神经网络矩阵分解(NeuMF)提出的神经网络取代了在前面的内积矩阵,从而有助于揭示了线性和非线性用户和项目之间的关系。改进的框架NeuMF图所示4。
图4表明改进NeuMF有四个层次,即输入层、嵌入层,NeuMF层和输出层。输入层输入用户的信息和商品。它还将每个用户和条目转换为一个向量(30.]。如果有n用户,它将被转换成一个向量1×n用户,将转化为稀疏的向量。输入到达嵌入层后,输入向量乘以嵌入矩阵。如果有n用户和嵌入维数米嵌入矩阵的大小米×n。线是指嵌入向量相关的用户。在用户和项目嵌入矩阵是通过NeuMF层,输出层输出最终结果。
2.4.1。广义矩阵分解模型
矩阵分解推翻一个矩阵1或产品n数据稀疏矩阵来克服的缺点在传统的协同过滤算法(31日]。左侧神经协同过滤模型的广义矩阵分解模型(GMF),它使用向量的乘积进行计算,最终结果也是一个向量。GMF的方程如下: 在哪里和是用户和项目的潜在特征向量输入到嵌入层。用户和产品之间的关系是通过内积,最后预测结果通过输出层的输出。同样,一个,u,t乙状结肠的激活功能,h()是输出层(32]。
2.4.2。安与结构
多层感知器(MLP)是一个安与结构。它由多个层,包括输入层、隐藏层和输出层。所有这些层都是完全连接和数据传输向前。每个输出计算的算法后,反向传播(BP)算法用于寻找最优参数。如果输入的数据在输入层(a, b)和隐层和输出层的权值是w1和w2,方程的函数,u,t从隐层获得
改进NeuMF旁边的中长期规划框架。延时的网络结构可以找到用户和项目之间的相关性越深,如图5。
图5显示用户和商品的特性向量Pu和气用作输入延时找到最后的得分,这是不同于GMF在处理用户和项目的嵌入向量嵌入层。
2.5。改善随着时间的推移NeuMF融合建设
在实践中,时间在在线课程资源有较大的影响。一般来说,相信用户的偏好是固定的,不会改变。但在实际教学过程中,用户的偏好随时间变化。因此,除了DL,相关辅助信息可以使推荐效果更好(32]。时间是融合的推荐算法,以更好地探索动态偏好的用户。相比现有的推荐模型,推荐效果影响最大的因素是时间。随着学习的不断改进,课程资源的学习方向应该再次因为每个用户不同阶段的变化。在这项研究中,课程的受欢迎程度也随着时间呈现。此外,时间由k - means,融合成MLP分类和GMF时间特征向量,为用户提供一个更精确的动态的建议。
k - means划分聚类算法。在k - means,几个数据集随机选择的初始值。接下来,他们所获得的值进行比较,比较计算,每个数据中心之间的距离值。然后,计算结果揭示了数据之间的相关性和中心,和每个数据赋给最近的簇中心。最后,旁边的集群中心和每个数据形成一个集群。如果集群中心改变,重复的过程;否则,流程终止。通过这种方法,这些数据可以分为几类。距离y表示为 习上的数据集,μ的聚类中心值,K是初始簇的数量。k - means发现数据之间的关系和分类在杂乱的数据。时间可以无限大,这证明了时间可以单方面在模型中作为辅助信息。在这种情况下,模型的复杂性大大增加。因此,k - means用于解决问题和地图的时间间隔。通过这种方式,改善NeuMF设计,及其框架如图6。
提出了模型的学习和训练,训练的收敛速度可能会受到影响和减缓网络层的数量的增加。在这方面,批处理执行标准化根据相关标准,每一层的输入值的分布调整加快训练速度。批处理标准化中长期规划层添加到提高训练速度和缓解过度拟合。线性和非线性学习学习后,获得特征向量连接,和乙状结肠激活函数是用来输出结果。改进NeuMF计算 在哪里和是用户的输入延时和GMF,由用户在项目所花费的时间吗我GMF,观看时间分类在延时输入为一维向量。
3所示。结果
有许多在线课程平台,如蕴藏和网易云课堂。在这项研究中,使用python中的Scrapy爬蕴藏的数据,和289333数据收集,超过13的用户记录随机选择和6689个用户和478门课程数据集。根意味着平方误差(RMSE)和手段绝对误差(MAE)的CF, Neu矩阵分解(NeuMF)和改进的NeuMF相比,结果进行了分析。
3.1。性能比较
我们比较不同的方法对课程的建议。在6689个用户和544门课程,这门课程,用户选择了作为测试集,其余课程被用作训练集。共有100门课程,用户被添加到测试集。比较NeuMF的性能,改善NeuMF, CF,我们计算RMSE和梅所有三个数据的算法。比较结果如表所示1。
可以看出,RMSE和梅NeuMF改善的是1.251和0.625,分别。同样,RMSE NeuMF美是1.372和0.825,分别。协同过滤报告为RMSE值最高的3.362和2.953为美。很明显,相比其他两个算法,产生的误差提出了改进NeuMF明显较小,其准确性较高。这些算法的值放入虚线图强调结果之间的差距,如图7。
比较表明,RMSE和改善NeuMF梅约1%低于NeuMF CF,及其精度较高。
3.2。比较不同算法的准确性和序贯实验
各种评价指标用于评价推荐系统的有效性。评估不同的推荐系统的效率,我们采用定量(人力资源)和归一化累积折扣获得(NDCG)。人力资源可以反映推荐的准确性和只是的一部分用户正确的答案是包含在推荐列表和NDCG可以推荐项目的顺序。三种算法在人力资源方面和NDCG相比,结果如表所示2。
表2表明,NDCG和人力资源改善NeuMF 0.42和0.51,分别而NeuMF和协同过滤的0.32,0.37,0.06,0.11,分别。的时间为用户可以帮助找到更合适的课程。上述算法的差异显示在图中8。
在图中,NDCG和人力资源改善NeuMF高于其他人。可以得出结论,NDCG和改善NeuMF人力资源约为0.4高于CF。因此,设计算法的性能更优良的时间补充道。
4所示。结论
有越来越多的自闭症儿童由于不健康的家庭环境的影响和不恰当的家庭教育。进行这项研究,帮助他们恢复PE的推荐更适合这些孩子的在线课程。在这个过程中,DL和CF的优点是设计一种改进的NeuMF集成。矩阵分解是用于用户和项目之间的线性关系,并采用延时捕捉它们之间的非线性关系。随着教学的进步以来,课程资源相应地改变,时间被添加到CF k - means最大化网络课程资源的优化。相关评价指标选择操作模拟测试相关数据集。提出的测试结果表明,该模型具有最优性能与他人相比。基于DL,模型可以为自闭症儿童提供更好的课程建议,设计中扮演着很重要的角色在他们的复苏。在这项研究中,只有个人学习平台在数据中选择选择,这可能会对实验结果有一定的影响。在随后的研究中,样本数据的规模将扩大,使实验结果更令人信服。
数据可用性
使用的实验数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者声明,关于这项工作他们没有利益冲突。
确认
这项工作得到了人文社会科学一般项目2019年安徽大学“学习适应性的发展道路在安徽大学体育课程从包容性教育”的角度(项目no.2019SK22),教学质量和教学改革工程淮北师范大学2020年“课程与教学改革研究的自闭症儿童教育的角度体现认知”(项目no.2020xjxyj036)。