【技术实现步骤摘要】
学习行为动态预测方法、装置、设备及存储介质
本专利技术涉及计算机数据分析领域，尤其涉及一种学习行为动态预测方法、装置、设备及存储介质。
技术介绍
MOOC：massiveopenonlinecourses的缩写，大规模开放式在线课程；LSTM：LongShort-TermMemory的缩写，长短时记忆；LSTM-RNN：LongShort-TermMemory-RecurrentNeuralNetworks的缩写，长短时记忆循环神经网络；Adam算法：Adam这个名字来源于adaptivemomentestimation，自适应矩估计，这是一种基于一阶梯度来优化随机目标函数的算法。LogisticSigmoid函数：取值范围为(0,1)，在深度学习中经常用作激活函数，函数表达式为AUC：AreaUnderCurve的缩写，ROC曲线下的面积；AUC值是一个概率值，当随机挑选一个正样本以及一个负样本，当前的分类算法根据计算得到的分值将这个正样本排在负样本前面的概率就是AUC值；TensorFlow：是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统；D...
【技术保护点】
1.一种学习行为动态预测方法，其特征在于，包括：基于用户在历史时间段的学习行为数据，采用长短时记忆循环神经网络作为预测模型进行训练，得到最优模型；获取所述用户在第一时间段的学习行为数据，基于所述最优模型，输出预测结果。
【技术特征摘要】
1.一种学习行为动态预测方法，其特征在于，包括：基于用户在历史时间段的学习行为数据，采用长短时记忆循环神经网络作为预测模型进行训练，得到最优模型；获取所述用户在第一时间段的学习行为数据，基于所述最优模型，输出预测结果。2.根据权利要求1所述的学习行为动态预测方法，其特征在于，所述基于用户在历史时间段的历史学习行为数据，采用长短时记忆循环神经网络作为预测模型进行训练，得到最优模型的步骤包括：获取用户在所述历史时间段的学习行为数据；基于所述学习行为数据提取学习特征向量[x1，x２，…，xK]和标签[y1，y２，…，yK]，其中，xi为用户在所述历史时间段中第i个单位时间的学习行为数据对应的学习特征向量，yi用于表示用户在第i+1个单位时间是否有学习行为，如有学习行为，则yi＝1，反之，则yi＝0；其中，i＝1、2、3……K，K≥1；以学习特征向量[x1，x2，…，xK]为输入，以[y1，y2，…，yK]为标签训练模型，得到所述最优模型。3.根据权利要求2所述的学习行为动态预测方法，其特征在于，所述以学习特征向量[x1，x2，…，xK]为输入，[y1，y2，…，yK]为标签训练模型，得到所述最优模型的步骤，具体包括：采用5折交叉验证法将多个用户按照4∶1的比例分为训练集和验证集，并利用网格搜索方法进行参数调优，得到所述最优模型。4.根据权利要求2或3所述的学习行为动态预测方法，其特征在于，对所述长短时记忆循环神经网络训练时，采用交叉熵函数作为损失函数。5.根据权利要求2或3所述的学习行为动态预测方法，其特征在于，对所述长短时记忆循环神经网络训练时，采用Adam方法进行参数优化。6.根据权利要求5所述的学习行为动态预测方法，其特征在于，所述参数包括权重向量和偏置向量，所述权重向量初始化值为[-0.1，0.1]均匀分布，所述偏置向量初始化值为零向量。7.根据权利要求2或3所述的学习行为动态预测方法，其特征在于，采用LogisticSigmoid函数作为所述长短时记忆循环神经网络的激活函数。8.根据权利要求1、2、3或6所述的学习行为动态预测方法，其特征在于，还包括AUC验证步骤：选择至少一组基线模型；分别采用所述基线模型和所述最优模型对所述验证集进行验证，获取各自的评价指标AUC值。9.根据权利要求1所述的学习行为动态预测方法，其特征在于，还包括：基于所述学习行为数据和预测结果统计分析，得到用户信息数据；采用可视化系统展示所述用户信息数据。10.根据权利要求9所述的学习行为动态...
【专利技术属性】
技术研发人员：李秀，刘志鑫，门畅，
申请(专利权)人：清华大学深圳研究生院，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。