文摘

为了满足体育课程资源分配的优化需求,作者提出了一种深belief-based体育课程资源分配技术。有效特征提取和特征提取功能的深层信念技术完全探索的兴趣和偏好学习者对课程资源。因为深厚的信仰有很强的能力在特征检测和特征提取,它有独特的抽象能力和高效的特性不同的维度属性的输入数据;作者提出了DBN-MCPR模型优化方法基于深度信念分类蕴藏的环境。实验结果表明,当迭代次数达到大约80的RMSE DBN-MCPR训练与训练数据集没有学习者的特征向量是77.94%,而RMSE DBN-MCPR训练数据集与学习者的特征向量是77.01;DBN-MCPR全部特征向量在大约40个迭代收敛后,虽然DBN-MCPR没有学习者特征向量开始迭代收敛后大约15;这个结果符合DBN的内部网络结构的特征。结论。这个应用程序证明了技术研究基于深层信念可以有效地满足体育课程资源的优化分配。

1。介绍

与身体健康的中国学生逐年下降和新课程改革的不断深化,中学生的身体健康在中国已成为一个基本的政治任务,都显示了中国体育与健康课程的重要性1]。在中国基础教育改革的背景下,体育课程资源的研究和应用起着关键的作用在中国的体育教育工作;体育课程的改革,主要是反映在体育与健康课程的学校,和学生是学校体育类的参与者和教学对象,用来提高学生的身体健康。目前,运动是最好的方法是反映在学校体育课,这表明,中国体育教师应注重提高学生的身体健康体育类;这类方式不仅可以让学生锻炼,还培养学生热爱运动;如果坚持锻炼是会大大提高,它应该从体育类,以及学生是否可以坚持锻炼独立;这还取决于教师的过程中扮演的角色。目前,中小学学生的教室仍然需要依赖设备和场地资源在体育课程资源来完成教学目标;这不仅能达到锻炼的效果,还让学生充分参与课堂,然后锻炼学生的意志品质(2]。

因此,体育课程资源配置的问题已被越来越多的关注。课程资源的优化配置是一个挑战,教育从经济和学习社会,迫切需要创新人才的培养和成长。在课程改革的过程中,课程资源的分配已成为一个全新的研究领域在教育和科学研究。连续发展的新一轮的大学教育课程改革,体育课程资源的优化配置是吸引关注和讨论体育教育领域的理论和实践;体育课程资源的有效分配是一个重要的基础和实现体育课程目标的前提,它已成为越来越多的人的共识。

有限的体育课程资源的基础上,优化资源配置,有利于体育课程建设,全面探索体育课程资源的最佳效益的帮助下高校体育资源的优势,并提供一个强大和有利的保障提高人才的综合素质;这不仅是深化教育改革的重要任务,也提高的核心中国教育资源的利用率,具有特殊意义的促进中国高等教育的改革和发展。

2。文献综述

与互联网技术的蓬勃发展,大数据的时代已经悄然来临,新兴的概念,如人工智能,机器学习,和深度学习飙升,“互联网+教育”形成,和总趋势的信息时代之后3]。的深入结合网络技术和教育使得蕴藏(大规模网络公开课)平台由XuetangX表示,网易云课堂,Guoke, Coursera,等等,这些都是强烈影响的生态传统教育和快速重塑学习者学习的方式。数字化和网络教育资源的共享,蕴藏平台增加每天的课程资源,他们每天都在拍字节级别增加。面对无数的不同质量的教育资源,一方面,学习者总是可以发现他们真正需要的课程资源;另一方面,由于不同的学习者的认知能力和知识结构,对他们来说很难正确识别的内容资源本身;是不可能过滤掉那些你感兴趣的学习资源在很短的一段时间,所以你失去了方向或盲目选择,浪费更多宝贵的时间。这导致丰富的课程资源,但难以选择资源的困境,使学习者有信息迷航4]。信息迷航主要归咎于“信息过载”问题造成太多的课程。如何帮助学习者快速、准确地找到合适的学习资源中蕴藏的资源快速增长是一个紧急的问题需要解决在教育领域的大数据。因此,它是非常重要的研究基于课程资源的个性化推荐系统。

研究现状的基础上,作者提出了一个建议的方法构建一个基于深层信念DBN-MCPR个性化模型分类中蕴藏的环境。DBN-MCPR推荐过程主要包括以下步骤:(1)首先,根据定义的multifeatures学习者的兴趣模型,原始特征数据,可以完全代表收集学习者的兴趣偏好;(2)其次,通过一系列的数据预处理等操作功能映射,字符数据数字化,删除的数据严重偏离正常价值,和功能正常化,形成一个标准数据集分为训练集,验证集和测试集;(3)然后,DBN分类模型是用于执行功能学习训练集,和无监督贪婪算法用于pretrain每一层的遏制DBNs分层技术;最后,训练DBNs作为特征向量输入BP监督式学习;结合课程的类标签评级,BP误差反向传播的功能是用来调整整个网络;最后,一个训练有素的DBN个性化推荐模型形成;(4)模型预测的分数,与更高的预测分数和课程资源向学习者推荐在他们的分数从高到低的顺序。图1显示了数据预处理模块。


图1
数据预处理模块框架(高端)。

3所示。研究方法

3.1。深度信念网络的基本模型和概述

近年来,随着深度学习应用研究的不断成熟,深度学习资源推荐的使用已经逐渐成为主流趋势5]。深度信念网(DBN)是一种深度学习的主要实现方法。几层的DBN是一个生成模型潜在变量。潜变量通常是二进制,而可见的单位可以是二进制或真正的(6]。虽然可以构造DBNs相对稀疏的连接,一般模型,每个单元每层连接到每个单元在每个相邻层,和没有连接在一个层。顺序可以由DBN叠加数限制玻耳兹曼机(元);学习过程分为两个阶段,即遏制首先pretrained逐层无监督,然后整个网络监督的反向传播算法(7]。遏制和DBN的结构如图所示2,分别。


图2
遏制结构图。

考虑到模型参数 ,联合概率分布 可见层和隐层的能量函数的定义 如下:

其中, 归一化因子,边缘分布模型的呢 如下:

伯努利(层)可见distribution-Bernoulli(隐层)分布式元,能量函数定义如下:

其中, 是连接组织遏制的重量, 和 代表可见层节点的偏见和隐层节点,分别。然后,条件概率分布可以表示如下: 在哪里 是一个s形的函数。

由于可见层和隐层是伯努利二进制状态,判断的标准的二元概率通常是通过设置一个阈值。

通过计算对数似函数的梯度 ,疟疾可以获得重量更新公式如下:

的公式, 和 代表的迭代次数和遏制的学习速率,分别 和 代表了期望的观测数据训练集和期望由分布模型,分别。特别是,遏制有一个有趣的属性,当训练基于可能性最大学习规则,具体权重的更新连接两个神经元只取决于收集的统计这两个神经元在不同发行版: 和 。其余的网络参与塑造这些统计数据,但可以更新重量参数绝对没有其他的知识网络或这些统计数据是如何产生的。这意味着学习规则是“本地”,这使得遏制疟疾的学习似乎有些生物。

深层网络模型,DBN的双重属性生成模型和歧视模型。由于DBN pretraining过程主要是用来表达数据的高阶相关性或描述数据的联合统计分布,它生成模式的特点8]。优化过程的DBN监督通常是用于分类数据的固有模式或描述数据的后验分布,歧视模型的特点。同时,生成模型,生成对抗网络(GAN)近年来也获得了广泛的关注并得到了广泛的应用。

DBN学习模型的优点是,通过结合许多遏制,前一层的特性激发元作为下一层的训练数据,隐藏层能有效地学习。递归神经网络(RNN)的深度甚至可以达到相同的长度作为输入数据序列。在无监督学习模式,RNN根据以往的数据用于预测未来数据序列样本,和不使用类信息在学习过程9]。

卷积神经网络(CNN)是另一个深学习网络歧视的表现,并且每个模块由一个卷积层和一个池层。卷积层股票权重,和汇聚层downsamples卷积的输出层,下一层的数据量减少了。研究发现,CNN的应用领域主要集中在计算机视觉、图像识别和效果相对较好10]。DBN的应用是计算机视觉领域的广泛分布和数据建模和预测。

此外,DBN hyperparameters有很多,可分为以下两个类:一个是训练参数(如学习速率和动量项);另一种是定义网络结构的参数(如网络层的数量和每一层的神经元数量)。前者属于类别的自动调谐hyperparameter优化(HO),而后者通常被称为神经结构的自动调优搜索(NAS) [11]。

3.2。DBN-Based学习者兴趣模型建设
3.2.1之上。人口特征

目前,在线学习平台领域的教育、最个性化的资源推荐系统通常只考虑学习者的网络行为信息的一部分,当模型构建学习者的兴趣,不利于充分表达了学习者的兴趣。描述了一系列的自然属性和社会条件的人被称为人口特征,如性别、年龄和教育水平。此外,对于蕴藏平台用户,比如学校的年级学习者也可以归因于人口统计信息。人口统计信息的引入可以有效地解决冷启动问题的新用户;当一个学习者注册一个新的学习平台,系统没有任何行为信息的学习者;在这个时候,我可以和预测学习者的兴趣和爱好根据学习者的人口统计信息,和人口特征的合理使用可以帮助提高推荐效率(12]。

3.2.2。学习者行为特征

显式反馈信息是指信息,如成绩和评估后,学习者积极给学习资源浏览或使用资源。更客观和具体反映学习者的一些自然属性的平台。后蕴藏的平台,例如,一个学习者完成学习某些课程资源,显示课程的评级反映了学习者的直接对课程资源的偏好。学习者在该平台上注册时,手动输入一些基本信息表达用户的兴趣和爱好13]。

例如,学习者的搜索、点击、评论、分享、收藏的课程,和学习者的行为是学习者的形象描绘的内心感受,反映出学习者的兴趣偏好(14]。隐式反馈信息的提取是没有学习者的意识和没有任何额外负担的学习者,学习者的兴趣是通过分析学习者的行为中提取日志文件。

3.2.3。课程资源的内容属性和特征

这种现象会导致各种类型的课程资源蕴藏平台,如文档课件、视频、和练习。此外,还有结构化、半结构式和非结构化课程资源的区别,他们是异类。同时,不同学科的课程资源和等级也不同。课程资源的定义和编码规则分类系统如表所示1(15]。根据课程资源的内容特点,划分策略可以表达课程资源本身在一定程度上,这些课程资源内容特征可以补充学习者的兴趣和偏好的表达课程资源。

表1
课程资源的分类策略表的示例。
3.3。个性化的基于DBN模型推荐方法分类
3.3.1。DBN-MCPR组成

DBN-MCPR的关键是学习者的个性化推荐的研究;它主要由四个模块,即数据采集、数据预处理、特征学习和评级预测。DBN-MCPR的整体服务架构图如图3。


图3
DBN-MCPR整体服务架构图。
3.3.2。DBN-MCPR培训

推荐的质量性能取决于训练DBN的程度分类模型,和培训模式来优化其性能的关键是实现个性化推荐。训练模型的目的是使数据符合原始输入数据映射后尽可能深DBN的抽象特性。模型训练过程分为无监督pretraining和监督参数微调。DBN-MCPR训练过程如图4(16]。


图4
DBN-MCPR培训过程。

在模型训练过程中,最重要的工作是确定最终的参数集 = 每一层的遏制;自从pretraining DBN的过程可以被视为培训几个相对独立的遏制,首先使用训练集作为输入的第一个组织遏制;第一个遏制是训练有素使用CD-k算法节省重量和偏见的可见光和隐藏层的训练有素的遏制。然后,隐藏层的第一个元用作第二个元的输入;在第二次元是训练有素,可见光和隐藏层的重量和偏见保存;重复这个过程,直到所有模型中定义的参数训练,和遏制层完成无监督pretraining过程。最后,隐藏层最后一元训练作为BP的可见层的输入;结合课程评级类标签,整个网络的权重和偏见是调整使用BP反向误差传播算法以监督的方式。最后,当训练误差达到某个设定值,DBN输出层(即。,the output layer of BP) is classified by a logistic regression classifier, and the score prediction is finally completed [17]。

在DBN-MCPR训练过程中,训练样本来自学习行为产生的信息和课程评级学习者对所选的课程资源。“learner-course资源”课程的特征向量和学习者的评级一起构成样本的学习者;对于学习者学习任何课程资源,可以获得相应的学习样本;所有样本构成巨大的训练数据集和测试(18,19]。可见层中的神经元的数量设置为属性维度“Learner-Course资源的特征向量。“为了改善DBN-MCPR的推荐效果,每个参数需要有效地在模型运行;设置通常包括训练的初始化参数和影响因素的参数设置。


图5
DBN-MCPR推荐精度的变化与训练集的大小。

图6
比较完整的特征向量和的影响没有学习者特征向量DBN-MCPR的推荐精度。

4所示。结果分析

(我)训练数据集的推荐精度的影响DBN-MCPR:考虑到复杂的DBN分类模型本身的结构特点,由于其强大的功能表达能力,大量的数据需要避免过度拟合;如果overfitted模型,其泛化能力将大幅下降,这将是非常有害的训练。作者验证DBN-MCPR推荐精度的变化与训练数据集的大小通过调整训练数据集,如图5(20.]。从图可以看出4,训练集的数量直接影响DBN-MCPR的推荐精度。由于训练数据集越小,数据之间的相关性较弱,导致容易产生“碎片”的样本之间的关系21]。弱的样本之间的相关性信息,DBN-MCPR不能之间的复杂关系数据,导致低的推荐精度。作为训练数据集的样本数量的增加,样本之间的关系变得越来越丰富,哪个更有利于样品DBN-MCPR我隐藏的关系,所以推荐精度会更高。当使用整个训练集训练DBN-MCPR,其RMSE低至76.68% (22]。(2)学习者的影响特征向量的推荐精度DBN-MCPR:学习者人口和课程资源内容属性一起影响学习者的兴趣偏好;对比实验来验证设置的影响学习者的特征向量DBN-MCPR,进一步验证了学习者的兴趣模型的有效性和实用性23]。消除相关的人口特征维度和课程资源内容属性特征尺寸在每个数据集;这些属性维度包括年龄,性别,年级,level_of_education,学校,course_subject, course_grade, course_knowledge course_creator, course_school。进一步的实验表明,学习者特征向量的影响在DBN-MCPR如图的推荐精度6(24]。

5。结论

作者提出了一种DBN-MCPR模型优化方法基于深层信念蕴藏环境下分类,主要是基于有效深度信念技术的特征提取和特征提取能力,充分挖掘学习者的兴趣和偏好对课程资源,构建一个DBN-MCPR模型测试课程资源分配的优化效果。从测试结果可以看出,当迭代次数达到大约80的RMSE DBN-MCPR训练与训练数据集没有学习者的特征向量是77.94%,而RMSE DBN-MCPR训练数据集与学习者的特征向量是77.01,DBN-MCPR的RMSE全部特征向量是1.21%低于DBN-MCPR没有学习者特征向量;充分证明,学习者特征向量DBN-MCPR的预测精度有很大的影响。DBN-MCPR全部特征向量在大约40个迭代收敛后,虽然DBN-MCPR没有学习者特征向量迭代收敛后大约15;这个结果符合DBN的内部网络结构的特点,有效地验证模型在研究中具有很高的优化效果,进一步证明了技术模型基于深层信念可以有效地满足体育课程资源的优化分配。

数据可用性

使用的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。

确认

支持的研究是大学教育改革项目“1123教学模式研究n新综合健康教育在云南民族大学的课程“项目没有。2021詹- 077。