瞿詩瑜 王 宇

（陜西開放大學(xué),陜西 西安 710119）

1 引言

隨著社會的需要與時代的發(fā)展，現(xiàn)今很多技術(shù)已經(jīng)能夠?qū)⒕€下的工作方式和數(shù)據(jù)資源等轉(zhuǎn)移到線上進行使用。雖然海量的網(wǎng)上數(shù)據(jù)有大數(shù)據(jù)技術(shù)作為支撐，但是對于線下的廣大用戶，特別是現(xiàn)代教育中的師生而言，日常調(diào)用的學(xué)習(xí)資源數(shù)據(jù)的范圍較小且頻繁，如果每次調(diào)用的數(shù)據(jù)不會在本地留下記錄，那么下一次的調(diào)用則需要重新進行數(shù)據(jù)的分布篩選、存儲和讀取，極大地浪費了師生獲取學(xué)習(xí)資源的時間。對于此類問題，提出以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的習(xí)慣搜索數(shù)據(jù)區(qū)塊鏈存儲技術(shù)，通過在本地或者云端建立習(xí)慣搜索資源數(shù)據(jù)存儲棧的方式，解決常用資源頻繁調(diào)用的延時與路徑問題。

2 神經(jīng)網(wǎng)絡(luò)下習(xí)慣搜索的區(qū)塊數(shù)據(jù)存儲模型

2.1 模型框架

在神經(jīng)網(wǎng)絡(luò)算法中，按照功能可以分為卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）以及生產(chǎn)對抗網(wǎng)絡(luò)（GAN），本文所提的神經(jīng)網(wǎng)絡(luò)處理對象的主體為學(xué)習(xí)資源，而現(xiàn)階段網(wǎng)上的學(xué)習(xí)資源多數(shù)以文本和圖片為主，因此本文將會使用處理文本能力更強的RNN算法理念作為學(xué)習(xí)資源數(shù)據(jù)區(qū)塊鏈存儲設(shè)計的參照流程[1]。本文中所設(shè)計的學(xué)習(xí)資源習(xí)慣搜索數(shù)據(jù)存儲框架中，系統(tǒng)從判定某學(xué)習(xí)資源為習(xí)慣搜索數(shù)據(jù)開始，到習(xí)慣搜索數(shù)據(jù)讀寫調(diào)用體系的建成共分為四步，即終端使用者自主設(shè)定或系統(tǒng)判斷階段、數(shù)據(jù)存儲階段、數(shù)據(jù)調(diào)用階段及驗證結(jié)果階段。

2.2 樣本模型

本文所提的數(shù)據(jù)存儲技術(shù)主要服務(wù)于現(xiàn)代教學(xué)的使用者，因此對于習(xí)慣數(shù)據(jù)樣本的獲取應(yīng)當(dāng)從教師和學(xué)生的角度進行分析。例如，在使用某學(xué)習(xí)軟件進行學(xué)習(xí)資源的獲取時，需要初步完成性別、年齡、教育水平、學(xué)習(xí)風(fēng)格及學(xué)習(xí)科目等基礎(chǔ)信息的填寫，為系統(tǒng)了解和收集習(xí)慣數(shù)據(jù)奠定基礎(chǔ)。其中，最為主要同時也是本研究最為關(guān)鍵的數(shù)據(jù)信息為學(xué)習(xí)者的學(xué)習(xí)風(fēng)格。在本文的模型驗證研究中，將會重點從學(xué)習(xí)者學(xué)習(xí)的方式、主動情況、視覺或語言及動態(tài)感知等方面出發(fā)，獲取學(xué)習(xí)者的習(xí)慣數(shù)據(jù)，并作為RNN區(qū)塊鏈數(shù)據(jù)存儲的依據(jù)。

3 神經(jīng)網(wǎng)絡(luò)下習(xí)慣搜索的學(xué)習(xí)資源區(qū)塊鏈存儲過程

3.1 RNN技術(shù)

本文將使用雙向RNN算法對學(xué)習(xí)資源的存儲路徑進行建模，并采用GRU作為驗證路徑的基本單元，在GRU組成的集成數(shù)據(jù)單元中，區(qū)塊鏈數(shù)據(jù)存儲能夠?qū)崿F(xiàn)較為精準(zhǔn)的數(shù)據(jù)辨識，進而為習(xí)慣搜索數(shù)據(jù)的定向存儲提供技術(shù)支持[2]。

GRU集成單元識別頻繁調(diào)用的學(xué)習(xí)資源命令時，多會考慮前一調(diào)度命令與后一調(diào)度命令的間隔時間來進行頻繁性的計算，計算函數(shù)公式為

3.2 習(xí)慣數(shù)據(jù)獲取

3.3 構(gòu)造習(xí)慣數(shù)據(jù)存儲模塊

在習(xí)慣數(shù)據(jù)區(qū)塊鏈存儲的模塊設(shè)計中，為方便系統(tǒng)在對短時間內(nèi)存儲大量學(xué)習(xí)資源，本次研究的存儲模塊數(shù)據(jù)大小計算參數(shù)將以哈希值為衡量標(biāo)準(zhǔn)。通過上述公式計算出的H點數(shù)據(jù)驗證每個習(xí)慣調(diào)度命令下的學(xué)習(xí)資源是否具有相同點，同時，依據(jù)硬件存儲設(shè)備的實際情況將存儲結(jié)構(gòu)劃分成V個數(shù)據(jù)區(qū)塊。將H個節(jié)點按照實際分類劃分到V個數(shù)據(jù)區(qū)塊中，并驗證數(shù)據(jù)存儲節(jié)點存儲數(shù)據(jù)的時效性。

本次研究中對習(xí)慣搜索的學(xué)習(xí)資源調(diào)度數(shù)據(jù)需要從以下幾點方式檢驗其正確性：第一，核算前一調(diào)度命令的學(xué)習(xí)資源數(shù)據(jù)存儲路徑與哈希值相關(guān)標(biāo)準(zhǔn)是否一致；第二，驗證同一學(xué)習(xí)資源數(shù)據(jù)存儲的區(qū)塊是否一致；第三，驗證目標(biāo)數(shù)據(jù)存儲區(qū)塊的結(jié)構(gòu)是否完整；第四，驗證當(dāng)RNN下K獲取n的數(shù)據(jù)時能夠精準(zhǔn)定位到該數(shù)據(jù)的存儲路徑與節(jié)點[3]。

3.4 學(xué)習(xí)數(shù)據(jù)的讀取路徑

在RNN下的區(qū)塊鏈學(xué)習(xí)資源數(shù)據(jù)存儲模式中，對于習(xí)慣數(shù)據(jù)的頻繁調(diào)用活動，會以上述分片數(shù)據(jù)存儲為基礎(chǔ)，模擬進行分片數(shù)據(jù)的提取與拼接。由于分片數(shù)據(jù)的拼接過于煩瑣，且實際內(nèi)容與本研究沒有太大關(guān)系，因此下文中不做過多解釋。在分片數(shù)據(jù)獲取階段，由于上述RNN算法已用指針的方式為每個分片數(shù)據(jù)存儲位置進行定義，因此在習(xí)慣數(shù)據(jù)的讀取調(diào)用階段系統(tǒng)只需獲取每個數(shù)據(jù)指針即可挑選出所有分片數(shù)據(jù)。由于學(xué)習(xí)資源在存儲時進行分片存儲，使得讀寫過程耗時更短，但是本文所提方法會與其他算法多出一項數(shù)據(jù)的驗證階段，此階段為數(shù)據(jù)讀取的結(jié)束與分片數(shù)據(jù)拼接的開始。在檢驗過程中系統(tǒng)需要通過獲取指針返回值的方式判斷提取數(shù)據(jù)的準(zhǔn)確性，如果數(shù)據(jù)準(zhǔn)確則執(zhí)行下一步，如果數(shù)據(jù)出現(xiàn)誤差則返回數(shù)據(jù)提取命令重新執(zhí)行，直到獲取完整的數(shù)據(jù)后1結(jié)束命令循環(huán)執(zhí)行下一步命令，數(shù)據(jù)獲取流程如圖1所示。

圖1 分片數(shù)據(jù)獲取流程

4 試驗結(jié)果分析

對文中所提神經(jīng)網(wǎng)絡(luò)下學(xué)習(xí)資源區(qū)塊鏈習(xí)慣搜索的存儲優(yōu)化技術(shù)進行分析，其分析的首要目的在于判斷本文所提優(yōu)化技術(shù)的驗證模型的精準(zhǔn)性和有效性，并利用比較的方式證明本文所提優(yōu)化技術(shù)具有實際意義。本文使用國際通用的搜索算法評價機制（MRR）進行性能評估[4]，則本文所提算法的準(zhǔn)確率可通過公式（6）進行驗證：

因為習(xí)慣列表的數(shù)量會對實際優(yōu)化性能產(chǎn)生影響，所以本文將使用precisionN和recallN作為評價指標(biāo)。上角標(biāo)N代表習(xí)慣列表的數(shù)量且N是變量。將得出的數(shù)據(jù)繪制成圖2所示的折線圖。

圖2 precision評價指標(biāo)下本文所提優(yōu)化技術(shù)與其他優(yōu)化技術(shù)的對比

由圖2數(shù)據(jù)能夠得出，優(yōu)化技術(shù)、協(xié)同過濾技術(shù)和本體加協(xié)同過濾的方法進行比較下，以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)習(xí)慣搜索數(shù)據(jù)區(qū)塊鏈存儲優(yōu)化技術(shù)預(yù)測準(zhǔn)確率最高。并且實際的精準(zhǔn)率會隨著習(xí)慣列表數(shù)據(jù)的逐漸增大而減小。從圖3中數(shù)據(jù)能夠得出，本文所提技術(shù)與協(xié)同過濾技術(shù)和本體加協(xié)同過濾的方法相比，具有較高的召回率，由此可以證明優(yōu)化技術(shù)能夠為現(xiàn)代教育的習(xí)慣搜索存儲與調(diào)用做出貢獻。

圖3 recall評價指標(biāo)下本文所提優(yōu)化技術(shù)與其他優(yōu)化技術(shù)的對比

5 結(jié)語

綜上所述，上文中提出的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)資源習(xí)慣搜索下的區(qū)塊鏈存儲技術(shù)可以有效縮短習(xí)慣數(shù)據(jù)存儲與調(diào)用的時間。本文采用的卷積神經(jīng)網(wǎng)絡(luò)（RNN）因具有較高的文本處理能力，因此十分適合習(xí)慣數(shù)據(jù)調(diào)度優(yōu)化技術(shù)，區(qū)塊鏈存儲算法通過RNN算法的加持下，在應(yīng)對大量線上學(xué)習(xí)資源數(shù)據(jù)搜索和習(xí)慣調(diào)度數(shù)據(jù)的定位中，展現(xiàn)出較為優(yōu)秀的反應(yīng)能力。希望本文提出的基于神經(jīng)網(wǎng)絡(luò)下學(xué)習(xí)資源習(xí)慣搜索的區(qū)塊鏈存儲技術(shù)，能夠為現(xiàn)代教學(xué)的學(xué)習(xí)資源搜索提供幫助。