文摘
本研究结合智能资源优化技术来构建一个动态学生数据管理模型,提出基于同构的模糊层次网络表示模型和均匀性,以提高高校学生动态数据管理的有效性。网络中重要节点的语义也捕捉到在这项研究中使用模糊k-kernel分解作为multigranularity分区技术。基于SIR模型,FHNE比较序列的生产过程随机漫步的信息传输阶段,这就增加了节点序列的准确性。根据研究,动态学生数据管理系统是用于高等教育平台,建议在本研究中可显著提高管理学生数据的有效性。
1。介绍
学生模型(智能教学系统)的变化动态地根据学生和系统之间的交互和学习情况,提供确定的基础教学策略和教学资源为更多的教学要求的系统。学生模型是目前最困难的部分设计和研究的一个热点问题1]。相关的教学理论和学习理论的指导下,从学习者的个人学习情况和学习需要,基于影响因素的研究和分析学习,学生模型的智能教学系统设计(2]。有许多因素在学生的设计模型。例如,它必须能够准确地描述学生的学习情况,与课程信息的系统的表示,帮助系统设计新的教学策略,并帮助实现(3]。
覆盖模型表示领域知识,学生想学及其约束指导知识结构图表,学生的学习状态被认为是这个图的子图,和学习过程的近似过程被认为是原始图的子图。系统基于该模型可以获得学生的知识结构缺陷根据领域知识结构之间的对比图和学生的知识状态图,推荐的内容是学生学会4]。
偏差模型:该模型的偏差记录学生的解决问题的路径从专家的路径。这些偏差描述一定不足的学生在这方面的知识,能给具体的补救措施根据偏差的类型(5]。
认知模式差异反映了每个学习者的认知能力和认知结构。我们可以理解学生的初始学习能力和知识结构通过检查他们的认知特点。目的分析学生的认知能力和认知结构是为特定的教学任务制定有效的教学策略(6]。心智模型:它指的是一组相互关联的命题演讲或表示,这是深层知识库进行推断和预测。心理模型描述和记录学生学习的心理变化,以及他们对学习过程的影响(7]。
不同的学生模型代表不同的学习的理论基础。在教育领域,行为主义学习理论一直占据一个重要位置。在智能教学系统的基础上建立教学实践的教学理论,对应的学生模型是覆盖模型。在这个模型中,了解学生的学习基础或学生的学习掌握水平,学生可以进行测试,测试结果可以分析。一般来说,课程包含多个单元,每个单元有多个部分,每个小节包含多个知识分(8]。测试学生的掌握一门课程,它可以获得的权重每个知识的掌握。覆盖率模型的特点是,它只考虑学生的正确和错误的答案。正确的回答问题的速度低于一定比例时,学习一定的知识。因为没有分析由学生所犯的错误,是不可能给予有针对性的学习指导,学生简单的重复学习的后果往往是重复的错误。这种不断循环的结果往往是学生失去对学习的兴趣和对自己失去信心9]。可以看出覆盖率模型只适用于描述陈述性知识的学习情况和简单的过程性知识,它不方便来描述复杂的程序性知识的学习情况。介绍偏差模型解决了上述问题。为了识别各种错误类型和相关的故障,分析,总结,对比错误由学生适当的解决问题的技巧。通过这种方式,学生只需要学习相应的薄弱环节,学习将会更有针对性,学习效果自然会更好(10]。为了建立一个偏差模型,有必要对诊断学生的学习过程,和领域专家为每个知识点设定数量的可能的错误。每一次一个学生得到错误的问题,它必须对应一个或多个错误的设置。认知模型是不可或缺的一部分学生模型(11]。
为了确定学生的认知能力、认知能力是如何表示的问题必须首先解决。在实际应用程序中,一个相对简单的和实践认知学生模型建立。相信教育目标应该包括三个域的内容,即认知能力领域,运动技能领域和情感领域(12]。认知能力决定了学习内容的选择。那些高认知能力可以安排学习知识难度较大的内容。心理因素对学习有重要的影响。性格对学习效果有影响,根据学习者的个性之间的联系研究和学习效果:(1)学生tenacious-stable性格缺乏同情心和地点在感情上更注重事实而不是学习。受试者经常得到高分。相反,敏感性格的学习者往往在艺术学科。(2)学习者的内向和外向的性格特征也与学习效果:学习者与外向的个性特征倾向于忽视学术研究和社会活动,喜欢刺激,所以他们需要更强的刺激时学习。适用于加工提供快速信息;内向的特征的同时,学习者更适合学习慢的信息处理和反思学习(13]。研究表明,学习者与field-dependent学习风格适合结构化的学习方法是基于事实,结构良好的教材,明确教学目标。如果他们不是,他们应该开展一个个性化的学习方法基于学习者控制并鼓励他们最大化他们的学习等调查,发现,和讨论(14]。
“掌握程度”表示的知识的掌握程度。系统可以设置一个阈值。如果测试得分高于阈值,系统将不再安排学习;如果测试得分高于阈值,系统将不再安排学习。它将安排继续学习;如果是在阈值附近,学生将被提示是否需要继续加强,和学生们会选择15]。“错误”表示类型的错误点测试学生的知识。系统可以获得相应的错误描述信息和学习从错误类型表和提示信息提供给学生有针对性的学习。学习策略库记录每个知识的学习策略的下一轮的学习后获得的决定。下面的循环学习可能包括审查最近的一些材料的单位,或者它可能涉及学习全新的东西。技术包括选择主题教,如何传递信息,如何教,如何创建试题(16]。错误类型表的集合中所有可能的错误的学生的学习问题。这个集合是由专家提前。可以添加新类型根据实际学习过程(这将会增加系统的复杂性),或者他们可以保持不变。根据这个表,系统计算出学生的学习偏差并给出相关提示信息。学习评估表记录每个知识的学习结果的每个测试单元后,这是调整学生的基础知识表和错误类型表,计算认知能力,然后形成的教学策略。学生的心理状态表描述了心理因素在学习,和它的初始值可以通过输入学生注册时显示他们的偏好。在学习过程中,系统自动跟踪学生的学习行为和吸引的判断(17]。
本研究结合了智能资源优化技术来构建一个动态学生数据管理模式,提高管理有效性的学生数据管理数据模型。
2。模糊层次网络表示基于同构和同质性
提出了模糊k-kernel分解学习更健壮的节点表示和更多的语义编码。克服的局限性原k-kernel分解,FHNE提出模糊分解来替换原来的严格的分解,建立了一个模糊k-kernel分解模型。在模糊k-kernel分解方法,隶属函数的节点分配会员根据节点之间的相似度值k值。因此,节点非常接近k-kernel模糊k-kernel分解期间将被激活。这个成员函数是成员的核心价值应该积极与节点的语义的重要性。
其模型框架如图1。
基于k-core分解理论,网络可以分为子网与不同程度的聚合根据节点的重要性。更大的价值k,聚合节点越强。尽管k-core分解可以区分节点的重要性,它仍然存在缺点,其“递归修剪”的过程太严格了。如图2,如果我们想要获得双核子网H= (C,启德集团)条件 必须满足。图3(一个)显示第一个从1-core修剪到双核,人物3 (b)显示了最终的双核子网。在小网络如图2节点的程度4,这是相对重要的。然而,节点将被删除的过程中生成双核网络因为它不满足严格的定义的双核网络。更好地捕获节点的重要性,严格条件的k-kernel分解需要更改采用模糊地图。
(一)
(b)
模糊集作为一个可靠的定量表达内在的模糊性和不确定性信息的方式和打破的边界集描述的特征函数。任何元素都可以属于多个模糊子集同时,及其程度可以用会员价值区间[0,1],这是接近人类的感知。解决这个问题造成的确切k-kernel分解,提出了模糊k-core分解。
模糊系统的关键问题是隶属函数的使用。一般来说,模糊隶属度函数分为线性和非线性。FHNE模型中,只模糊k-core分解节点度的特点。希望的价值模型k增加,隶属度计算的节点度可以覆盖更多的语义。可以看出,非线性隶属函数的典型特征不匹配,这可能导致会员急剧上升或下降。因此,梯形隶属函数如图4采用,其相应的表达式如下公式所示:
其中,表示节点的程度 ,和代表了隶属度的节点属于k-core。如图4、节点属于k-core如果 ,在哪里是截止的隶属函数集。
定义1。(模糊k-core分解):在k-core分解过程中,如果一个节点的隶属度大于或等于割集,该节点属于k-core,否则,它不属于。当且仅当
与这个属性和跳频是最大的子图,
代表一个模糊k-core网络。
在本节中,模糊的原始网络分为multigranularity网络k-core分解,和最大k价值网络和max_k表示。如果模糊k-core分解的步长设置为1时,将会带来两个问题。首先,构造multigranularity子图将会很大,需要大量的计算。第二,节点的重要性在不同造粒层不是很不同,这将导致一个令人不满意的造粒效果。因此,本研究定义了步长控制层数l通过模糊k-core分解算法,并定义的关系如下:
其中,l表示层数。
细粒度的计算是一个从不同层次的思维方式,不同的角度,不同的粒度。最初的网络划分成多个子网基于模糊k-core分解,并且每个子网不同k-cores代表了颗粒层。更大的价值k,子网大小和越强越小聚合子网的节点。更好地捕捉同质性和同构网络的同时,本节重建每个颗粒的子网层通过引入节点的结构相似。首先,节点之间的结构相似u和j定义:
其中,k代表k颗粒层,表示节点的结构相似矩阵。见公式(3),如果节点的度我和j是相等的,那么
。值得注意的是,在建设的过程中multigranularity网络,节点的邻居信息也需要考虑。其中,邻接矩阵是用来捕获节点之间的关系在每一层融合网络的链接信息。因此,的邻接矩阵kth层可以定义如下:
结合上述两个方面,两个节点在同一层相邻,有类似的重要性;然后,他们将更有可能接近表示。最终的权重矩阵是由公元邻接矩阵和结构相似性矩阵Sim卡,和的重量kth层定义如下:
其中,hyperparameter管理矩阵Sim和调节,和矩阵W可以捕获同质同构的网络。后重建multigranularity图,目前还没有颗粒层之间的连接,和颗粒之间的相互映射层的核心是找到类似的节点。显然,类似的节点存在不仅在同一层,而且在其他层。更大的价值k更紧密的颗粒层中的节点,节点的相似性越强。在本节中,重量之间的转移概率矩阵W是用来计算颗粒层,它会让节点跳转到与一个更大的颗粒层k价值。层间映射函数表示如下:
地图(k,k+ 1)表示的映射函数kth层(k+ 1)层,和地图(k,k−1)的映射函数kth层(k−1)层,代表在k层节点的数目。模型建立映射关系的相邻的颗粒层,但只有第一层第二层的映射,最后一层只有前一层的映射。总之,层间映射函数地址multigranularity图的连通性问题。
SIR传染病模型的第一个感染用户对应的种子节点随机漫步,和感染过程对应的随机游走过程。当一个节点转换为删除状态,这意味着随机漫步终止。与传统爵士模式不同,感染的可能性在这个模型中不再是一个固定的0,但节点之间的相似性。同样,免疫概率不再是固定的β和免疫条件的节点显示在以下公式:
一般来说,选择后续节点只与当前节点。然而,实际情况是,其他尾节点已经走的顺序也会影响随后的行走。模型引入了多节点影响机制允许节点考虑更多的信息在行走的过程中,定义如下:
其中,ns代表现有的节点序列,ls代表序列中的最后几个节点ns。考虑随机漫步的时间复杂度和获得的序列效应,ls的值被设置为手套培训窗口的一半。
本研究模型的训练过程节点序列。首先,一些符号解释道。用同现矩阵的节点数量X,X我代表节点出现的次数j在节点序列我,
代表出现的次数任意节点的节点我,
代表节点的概率j中出现的上下文节点我。
这同样适用于网络中节点的训练,和节点可以比作的话。为节点我和j,这部分检查节点通过引入探测节点之间的关系k。一般的模型可以表示如下:
其中,
节点本身的向量,
向量是其他节点的上下文。函数F的可能性是多方面的,但通过执行一些操作,它可以诱导将它转化为一种可以理解的公式。首先,F比值编码信息
在节点向量空间。从向量空间本质上是线性结构,最自然的方法是使用向量的区别。与这一目标,该模型可以构造F函数体现了节点差异,所以公式(10)可以修改如下:
在公式(11),左边的参数F是一个向量,右边的参数是一个标量。虽然F可以被认为是一个复杂的函数参数化,如神经网络,这样混淆一个试图模型的线性结构。为了避免这个问题,左边的公式可先点积:
这是为了防止F在一个不正确的方式改变向量维数。值得注意的是,为节点同现矩阵,节点本身之间的角色和上下文节点是可以互换的。要做到这一点,该函数需要满足对称性,和公式(12)不满足对称性,但它可以满足多步转换,具体操作如下:
左边的公式代表减法和右边代表部门。我们可以执行指数操作左右转换成等价的表达式,也就是说,F=实验。
没有这个词在右边,(15)满足交换对称。尽管这一项是独立的k,它可以吸收偏差项的
。然后,增加了一个额外的偏见
,这个公式恢复对称。
公式(16)是一个简单的可视化公式(10)。由于对数函数是没有意义的,它的参数是零,解决这个问题的一个方法是添加一个对数项,如
,稀疏的担保吗X,避免了对数发散的问题。接下来,公式(16)转换为最小二乘问题,该模型可以学习节点序列。同时,权函数模型引入损失函数,定义如下:
其中,第四是网络节点的集合。如果使用同样的重量为每个共病的节点,节点不能反映之间的重要区别。因此,本节介绍了加权函数
,需要满足以下属性:(1)f(0)= 0。当共生的单词的数量是0,相应的权重应该是0。(2)F必须是一个不减少的功能,以确保重量不会减少数量增加节点的共生(3)对于大的值x的上升趋势,f (x)应相对较小,所以经常发生共病的节点的重量不是太大结合上面的三个点,权函数f (x)的定义如下:
模型的性能在一个小程度上取决于截断值。这个模型修复它
对所有实验。根据专家的经验和许多实验,该模型时在一定程度上改善了营销效果
。
3所示。动态数据管理学生
模型根据学习者的基本信息,并简化为三维模型如图5。
系统的流程和工作原理如图所示6。
Multilabel分类指的是将一个或多个标签分配给每个样本数据集。本节将验证的能力FHNE模型multilabel BlogCatalog和PPI数据集分类任务。在前面的章节中,我们定义了四个预测情况下(TP, FP、FN、TN)二进制分类。根据这四种情况下,这部分可以计算的分类精度和召回,在精度的计算公式如下:
回忆的计算公式如下:
当使用精度或召回评估分类的结果,如果精度或回忆的价值高,它是最理想的情况。很多时候,精度和召回的值通常不呈正相关。作为一个极端的例子,假设正负样本数据集的数量是50,预测结果表明,只有一个正样本,和预测是正确的。在这种情况下,精确的结果是100%,但召回率很低,只有1/50。的F1值结合上述两个指标,是一个公平的评价指标。计算方法如下:
本节以学生的教学过程为例来验证FHNE模型可视化教学的能力。因为这个数据集相对较小,我们直接使用基线法和FHNE学习的2 d向量表示节点。可视化结果如图7。
(一)
(b)
(c)
(d)
(e)
(f)
如数据所示7(一),7 (b),7 (e)、DeepWalk node2vec,竖琴(线)未能捕捉网络的同质性。如图7 (c),SDNE可以捕获节点的结构在一定程度上。几乎大部分的浅蓝色节点重合(左下角),但其他类型的节点分布。Struc2vec和FHNE捕获结构等价性很好。struc2vec算法,在图7 (d)相同类型的节点有一定程度的聚合,但不同类型的节点的歧视程度并不大。总的来说,比struc2vec FHNE执行。从图7 (f),可以看出,大部分的相同类型的节点明显聚集成一个类,和底层表示不同类型的节点之间有明显的差异。
FHNE模型的参数敏感性分析在执行这项工作。FHNE方法包括各种参数,证实了这一部分,如图8,不同的环境是如何影响学生动态数据的分类性能。除了要测试的参数,其他参数有默认值。
(一)
(b)
(c)
(d)
分类时效果最好l= 4,因为数据集用四个标记中的节点类型的标签(对应层的数量l= 4)根据活动水平。
上述研究的基础上,动态验证学生数据管理的影响,和资源优化的效果和学生数据管理研究,如表所示1和2,分别。
从上面的研究,我们可以看到,动态数据管理学生使用资源优化技术在高等教育平台提出了研究可以有效地提高大学生的数据管理的效率。
4所示。结论
学生模型是实现智能的核心组件之一,和它可以实现个性化教学对学习者根据学生模型。学生模型是一种数据结构代表了学习者的认知特点。一方面,它捕获的基本的数据,如学生的名字、性别、和学生ID。另一方面,它正确地反映了学习者的程度的知识,学习的能力,心理状态,和其他因素。学生基础知识描述和记录学生的学习进程和水平,以及学生的错误类型在每个点知识。本研究结合了智能资源优化技术来构建一个动态学生数据管理模式,提高管理有效性的学生数据管理数据模型。研究表明,动态学生数据管理使用资源优化技术在高等教育平台提出了研究可以有效地提高大学生的数据管理的效率。
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
作者宣称没有利益冲突。