一种分布式学生聚类集成方法及系统技术方案

本发明专利技术公开了一种分布式学生聚类集成方法及系统，涉及网络教育技术领域，解决了现有在线教育平台无法对用户进行精准推荐学习资源、数据计算量大易导致系统崩溃的问题，其技术方案要点是：获取用户的原始行为数据，并通过朴素贝叶斯模型对原始行为数据分析后提取行为特征；对用户行为进行精确聚类集成，群集对象间的相似度较小、聚类内的相似度较大，能够为在线教育平台向用户精确推荐学习资源提供技术支持，减小推荐误差，提高用户体验感；通过对所有的用户行为进行分布式计算，降低了在线平台运行负荷，保证在线平台正常运行；通过对用户行为分类聚集数据进行多次融合、标识，减少用户行为数据分类聚集计算量，提高了在线教育系统的反应速度。

【技术实现步骤摘要】
一种分布式学生聚类集成方法及系统
本专利技术涉及网络教育
，更具体地说，它涉及一种分布式学生聚类集成方法及系统。
技术介绍
随着互联网技术的飞速发展，智能手机、平板电脑等智能终端设备的大规模普及，4G等移动网络资源不再稀缺，数字化和移动在线学习已成为人们接受教育的新途径。在线教育，又称远程教育、在线学习，指的是通过应用信息科技和互联网技术进行内容传播和快速学习的方法。与传统的教育模式相比，网络教育具有学习时间分散、学习地点不限、内容目标性强、在线互动效率高、可重复学习等优点。近年来，在线教育越来越受到用户的青睐，其中，大部分在线教育平台根据用户行为直接推荐关联的学习资源，无需对用户行为进行分析，投入成本较低，然而随着用户行为的转变，其推荐的的学习资源也随之变化，无法对用户进行精准推荐，同时也容易引起用户反感情绪；少部分的在线教育平台对用户行为分析后进行分类，根据分类结果进行准确推荐，在一定程度上满足了用户需求，然而，现有的聚类集成方法中聚类间的相似度较大、聚类内的相似度较小，在精准推荐仍然存在较大的误差；同时，随着智能终端数量增多本文档来自技高网...

【技术保护点】
1.一种分布式学生聚类集成方法，其特征是，包括以下步骤：/nS1：获取用户的原始行为数据，并通过朴素贝叶斯模型对原始行为数据分析后提取行为特征；/nS2：通过下级服务器对所属服务区域内所有用户的行为特征以相同特定特征为标准进行第一次分类聚集后形成多个群集对象，相同特定特征以皮尔森相关系数为标准进行选取；以相同特定特征作为相应群集对象的聚类标识；同时去除群集对象内各个用户的相同特定特征后形成第一群集对象；/nS3：通过上级服务器对所属下级服务器内所有相同聚类标识的第一群集对象进行融合后形成新的第一群集对象；以相同特定特征为标准进行第二次分类聚集后形成多个新群集对象；将相同特定特征加入到相应新群集...

【技术特征摘要】
1.一种分布式学生聚类集成方法，其特征是，包括以下步骤：
S1：获取用户的原始行为数据，并通过朴素贝叶斯模型对原始行为数据分析后提取行为特征；
S2：通过下级服务器对所属服务区域内所有用户的行为特征以相同特定特征为标准进行第一次分类聚集后形成多个群集对象，相同特定特征以皮尔森相关系数为标准进行选取；以相同特定特征作为相应群集对象的聚类标识；同时去除群集对象内各个用户的相同特定特征后形成第一群集对象；
S3：通过上级服务器对所属下级服务器内所有相同聚类标识的第一群集对象进行融合后形成新的第一群集对象；以相同特定特征为标准进行第二次分类聚集后形成多个新群集对象；将相同特定特征加入到相应新群集对象的第一聚类标识后形成第二聚类标识；去除新群集对象内各个用户的相同特定特征后形成第二群集对象；
S4：以S3中的上级服务器作为下级服务器重复进行S3，直至群集对象形成聚类标识；
S5：对完成分类聚集的用户信息和相应的聚类标识进行统计储存。


2.根据权利要求1所述的一种分布式学生聚类集成方法，其特征是，在步骤S1中，所述原始行为数据通过PCA主成分分析法进行非关联数据消除降维后得到关联的原始行为数据。


3.根据权利要求1所述的一种分布式学生聚类集成方法，其特征是，在步骤S3中，所述上级服务器对所有相同第二聚类标识的第二群集对象进行二次融合后形成新的第二群集对象。


4.根据权利要求1所述的一种分布式学生聚类集成方法，其特征是，当所述用户的行为特征中同时含有两个以上群集对象的相同特定特征，则对群集对象的相同特定特征进行权重值计算，以权重值大的相同特定特征作为优先级进行分类聚集。


5.根据权利要求1所述的一种分布式学生聚类集成方法，其特征是，当所述群集对象完成形成聚类标识后，则停止对相应用户进行聚集分类。


6.一种分布式学生聚类集成系统，其特征是，包括用户终端、数据库以及至少两级服务器，...

【专利技术属性】
技术研发人员：谢涛，张春炯，龚朝花，
申请(专利权)人：西南大学，
类型：发明
国别省市：重庆;50