一种基于学习成效预测的学习方案推荐方法及系统技术方案

本发明专利技术涉及学习方案推荐技术领域，提供了一种基于学习成效预测的学习方案推荐方法及系统，包括：获取待预测用户的基本数据以及对某个课程的学习行为数据，并进行预处理后，构建并筛选出分类特征，得到待预测用户的特征向量，输入训练好的在线课程学生学习成效预测模型，预测得到待预测用户对该课程的学习成效，当学习成效为未通过考核时，发送预警信息给待预测用户，并获取参考用户的学习效率和学习方案，将学习效率最高的参考用户的学习方案发送给待预测用户；并通过集成多个机器学习模型提高了模型对不同样本的泛化能力，实现了对有失败风险的学生做到准确预警和对预警学生进行最优、最适合的学习方案推荐。最适合的学习方案推荐。最适合的学习方案推荐。

【技术实现步骤摘要】
一种基于学习成效预测的学习方案推荐方法及系统


[0001]本专利技术属于学习方案推荐
，尤其涉及一种基于学习成效预测的学习方案推荐方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]虚拟学习环境将远程交互和面对面的交互结合起来提供一种虚拟的学习环境，学习的氛围和现场感更加接近线下传统教学。虚拟学习环境产生大量的学生学习行为数据，可用于学生学习成效预测，实时跟踪学生学习效果，预测学生能否通过课程考核，也可用于学习方案的推荐。
[0004]但是，现有的学习成效预测与学习方案的推荐是独立进行的，现有的学习方案推荐方法是针对虚拟学习环境中所有的学生，缺乏针对性，而且是采用历史用户的学习方案，由于政策等的改变，并不适用于目标用户。现有学生学习成效预测方法从分类方法角度划分为以下几类：
[0005](1)基于时间序列数据的分类方法。该方法将学生学习行为的日志数据转换为时间序列数据，挖掘数据之间的时间规律进行预测。
[0006](2)基于机器学习的分类方法。该方法采集学生学习行为数据，用支持向量机、K近邻、朴素贝叶斯、随机森林、人工神经网络等模型或者基于上述模型的集成学习模型预测学习成效。
[0007](3)基于深度学习的分类方法。该方法使用评估流和点击流采集学生虚拟学习环境学习行为数据，采用数据补全机制来填充缺失的流数据，采用卷积神经网络、循环神经网络等深度学习模型预测学习成效，可同时处理静态数据和序列数据。<br/>[0008]上述学习成效预测方法无法在众多的影响因素中识别出关键因素，无法适用于不均衡数据集，无法使用于不用样本，不能准确的识别有失败风险的学生，无法做到准确预警，也就无法用于学习方案的准确推荐。

技术实现思路

[0009]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种基于学习成效预测的学习方案推荐方法及系统，集成多个机器学习模型，基分类器具有高多样性的特点，提高了模型对不同样本的泛化能力，实现了对有失败风险的学生做到准确预警和对预警学生进行最优、最适合的学习方案推荐。
[0010]为了实现上述目的，本专利技术采用如下技术方案：
[0011]本专利技术的第一个方面提供一种基于学习成效预测的学习方案推荐方法，其包括：
[0012]获取待预测用户的基本数据以及对某个课程的学习行为数据，并进行预处理；
[0013]基于预处理后的数据，构建并筛选出分类特征，得到待预测用户的特征向量；
[0014]将待预测用户的特征向量输入训练好的在线课程学生学习成效预测模型，预测得到待预测用户对该课程的学习成效；
[0015]当学习成效为未通过考核时，发送预警信息给待预测用户，并将预测得到的对该课程的学习成效为通过考核的用户作为参考用户，获取参考用户的学习效率和学习方案，将学习效率最高的参考用户的学习方案发送给待预测用户；
[0016]其中，学生学习成效预测模型包括预训练层、并行处理层和元学习层；所述预训练层用于生成特征向量的权重，并将权重增至特征向量；所述并行处理层分别采用多个并行的基学习器基于特征向量得到输出结果，并将所有基学习器的输出结果合并后输入所述元学习层。
[0017]进一步地，所述分类特征筛选的方法为：
[0018]将训练集的特征矩阵中任意两个不相同的特征组合作为一个特征对，并计算每个特征对的皮尔逊相关系数；
[0019]基于每个特征对的皮尔逊相关系数，进行特征的删除后，将特征矩阵输入随机森林模型中，学习得到所有特征的相关系数排序，将所有特征按相关系数从大到小排序。
[0020]进一步地，所述学生学习成效预测模型训练用的训练集在特征筛选后，通过均值法扩增数据量，平衡正负样本比例。
[0021]进一步地，还包括：使用标准分数对分类特征进行归一化处理，基于归一化处理后的分类特征进行特征筛选。
[0022]进一步地，所述预训练层的训练器的目标函数包括两部分：损失函数和正则化项。
[0023]进一步地，构建出的分类特征包括：平均点击量、课外平均点击量、每日点击量的标准差、总注册时间、过程化考核成绩的平均值和过程化考核成绩的标准差。
[0024]本专利技术的第二个方面提供一种基于学习成效预测的学习方案推荐系统，其包括：
[0025]数据预处理模块，其被配置为：获取待预测用户的基本数据以及对某个课程的学习行为数据，并进行预处理；
[0026]特征强化模块，其被配置为：基于预处理后的数据，构建并筛选出分类特征，得到待预测用户的特征向量；
[0027]成效评价模块，其被配置为：将待预测用户的特征向量输入训练好的在线课程学生学习成效预测模型，预测得到待预测用户对该课程的学习成效；
[0028]学习方案推荐模块，其被配置为：当学习成效为未通过考核时，发送预警信息给待预测用户，并将预测得到的对该课程的学习成效为通过考核的用户作为参考用户，获取参考用户的学习效率和学习方案，将学习效率最高的参考用户的学习方案发送给待预测用户；
[0029]其中，学生学习成效预测模型包括预训练层、并行处理层和元学习层；所述预训练层用于生成特征向量的权重，并将权重增至特征向量；所述并行处理层分别采用多个并行的基学习器基于特征向量得到输出结果，并将所有基学习器的输出结果合并后输入所述元学习层。
[0030]进一步地，构建出的分类特征包括：平均点击量、课外平均点击量、每日点击量的标准差、总注册时间、过程化考核成绩的平均值和过程化考核成绩的标准差。
[0031]本专利技术的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该
程序被处理器执行时实现如上述所述的一种基于学习成效预测的学习方案推荐方法中的步骤。
[0032]本专利技术的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种基于学习成效预测的学习方案推荐方法中的步骤。
[0033]与现有技术相比，本专利技术的有益效果是：
[0034]本专利技术提供了一种基于学习成效预测的学习方案推荐方法，其采用集成学习模型聚合传统机器学习模型，其集成多个机器学习模型，基分类器具有高多样性的特点，提高模型对不同样本的泛化能力，可以更准确的学习在线课程学生行为，能够有效识别有失败风险的学生，来对学生进行提醒，并对有失败风险的学生进行学习方案的推荐，且该方案是与其处于同一学习阶段的学生的学习方案，不会受到政策等环境因素的影响，实现了对预警学生进行最优、最适合的学习方案的推荐，以提高学生的表现，加强学生的学习能力。
[0035]本专利技术提供了一种基于学习成效预测的学习方案推荐方法，其使用均值法平衡正负样本数量，提高模型对不均衡数据集的学习能力。
[0036]本专利技术提供了一种基于学习成效预测的学习方案推荐方法，其根据学生在虚拟学习环境中的跟踪数据提取特征、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于学习成效预测的学习方案推荐方法，其特征在于，包括：获取待预测用户的基本数据以及对某个课程的学习行为数据，并进行预处理；基于预处理后的数据，构建并筛选出分类特征，得到待预测用户的特征向量；将待预测用户的特征向量输入训练好的在线课程学生学习成效预测模型，预测得到待预测用户对该课程的学习成效；当学习成效为未通过考核时，发送预警信息给待预测用户，并将预测得到的对该课程的学习成效为通过考核的用户作为参考用户，获取参考用户的学习效率和学习方案，将学习效率最高的参考用户的学习方案发送给待预测用户；其中，学生学习成效预测模型包括预训练层、并行处理层和元学习层；所述预训练层用于生成特征向量的权重，并将权重增至特征向量；所述并行处理层分别采用多个并行的基学习器基于特征向量得到输出结果，并将所有基学习器的输出结果合并后输入所述元学习层。2.如权利要求1所述的一种基于学习成效预测的学习方案推荐方法，其特征在于，所述分类特征筛选的方法为：将训练集的特征矩阵中任意两个不相同的特征组合作为一个特征对，并计算每个特征对的皮尔逊相关系数；基于每个特征对的皮尔逊相关系数，进行特征的删除后，将特征矩阵输入随机森林模型中，学习得到所有特征的相关系数排序，将所有特征按相关系数从大到小排序。3.如权利要求1所述的一种基于学习成效预测的学习方案推荐方法，其特征在于，所述学生学习成效预测模型训练用的训练集在特征筛选后，通过均值法扩增数据量，平衡正负样本比例。4.如权利要求1所述的一种基于学习成效预测的学习方案推荐方法，其特征在于，还包括：使用标准分数对分类特征进行归一化处理，基于归一化处理后的分类特征进行特征筛选。5.如权利要求1所述的一种基于学习成效预测的学习方案推荐方法，其特征在于，所述预训练层的训练器的目标函数包括两部分：损失函数和正则化项。6.如权利要求1所述的一种基于学习成效预测的学习方案推荐方法，其特征在于，构建出的分...

【专利技术属性】
技术研发人员：马坤，郑楠，张嘉轩，纪科，陈贞翔，杨波，
申请(专利权)人：济南大学，
类型：发明
国别省市：