李金鵬，徐興榮，張冬梅，王雷，鄭凱，劉聰

(山東理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山東 淄博 255049)

教育過(guò)程挖掘[1](education process mining, EPM)是教育數(shù)據(jù)挖掘(education data mining, EDM)的一個(gè)新興課題，旨在發(fā)現(xiàn)教育數(shù)據(jù)集中隱含的過(guò)程性信息。隨著各種教學(xué)支持環(huán)境的普及，使得捕捉不同粒度的在線事件成為可能，例如從鼠標(biāo)、鍵盤(pán)的敲擊動(dòng)作到高級(jí)學(xué)習(xí)活動(dòng)的獲取，同時(shí)這些系統(tǒng)具有跟蹤和記錄各種不同實(shí)時(shí)數(shù)據(jù)的能力，如連續(xù)的敲擊數(shù)據(jù)流、文本編輯的歷史數(shù)據(jù)、動(dòng)作追蹤、學(xué)習(xí)資源使用記錄等，過(guò)程挖掘[2]能夠憑借這些記錄發(fā)現(xiàn)并檢測(cè)整個(gè)教育過(guò)程。教育過(guò)程的剩余時(shí)間預(yù)測(cè)可以作為EPM在時(shí)間維度上的應(yīng)用。當(dāng)前EMP已有的工作僅討論模型能否準(zhǔn)確還原教育過(guò)程，并在挖掘的基礎(chǔ)上驗(yàn)證模型的契合程度，僅強(qiáng)調(diào)在線學(xué)習(xí)過(guò)程的挖掘與學(xué)生案例分析，鮮有研究在挖掘教育過(guò)程模型的基礎(chǔ)上拓展其在時(shí)間維度上的應(yīng)用。

為彌補(bǔ)這一空缺，本文引入長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(long short-term memory, LSTM)、門控制單元網(wǎng)絡(luò)(gated recurrent unit, GRU)、雙向(bi-direction)、注意力機(jī)制(attention mechanism)預(yù)測(cè)學(xué)生學(xué)習(xí)過(guò)程的剩余時(shí)間，采用MAE(mean absolute error)做為預(yù)測(cè)模型的評(píng)判標(biāo)準(zhǔn)，并設(shè)計(jì)一個(gè)應(yīng)用架構(gòu)論證學(xué)生學(xué)習(xí)過(guò)程的剩余時(shí)間預(yù)測(cè)在教學(xué)規(guī)劃中的作用。本文應(yīng)用架構(gòu)以學(xué)生實(shí)時(shí)軌跡為輸入，并預(yù)測(cè)實(shí)時(shí)軌跡的剩余時(shí)間，當(dāng)監(jiān)聽(tīng)到實(shí)時(shí)軌跡與優(yōu)秀學(xué)生的過(guò)程模型發(fā)生偏移時(shí)，搜索前綴與實(shí)時(shí)軌跡一致且剩余時(shí)長(zhǎng)與預(yù)測(cè)剩余時(shí)間誤差最小的優(yōu)秀學(xué)生軌跡并推薦；當(dāng)再次監(jiān)聽(tīng)到實(shí)時(shí)軌跡發(fā)生偏移時(shí)再次推薦。該機(jī)制保證在優(yōu)秀學(xué)生日志中能夠搜索到與實(shí)時(shí)軌跡前綴匹配的優(yōu)秀學(xué)生軌跡。

1 相關(guān)工作

過(guò)程挖掘技術(shù)面向教育領(lǐng)域的研究尚處在初級(jí)階段,過(guò)程挖掘之父Van Der Aalst院士在文獻(xiàn)[2]首次提出將過(guò)程挖掘技術(shù)引入教育領(lǐng)域，同時(shí)期，在文獻(xiàn)[3]描述了處理學(xué)習(xí)軌跡的方法，并用軌跡對(duì)齊策略研究學(xué)生的學(xué)習(xí)模式，在文獻(xiàn)[4]擴(kuò)展散點(diǎn)圖的維度，嘗試借助過(guò)程立方體建立可比較過(guò)程模型，分析荷蘭學(xué)生和他國(guó)學(xué)生在學(xué)習(xí)過(guò)程上的區(qū)別。為了延伸教育過(guò)程挖掘的應(yīng)用范圍，文獻(xiàn)[5]根據(jù)觀看時(shí)長(zhǎng)、評(píng)論字?jǐn)?shù)等參數(shù)將表現(xiàn)相近的學(xué)生分為同一組，挖掘不同類別學(xué)生的學(xué)習(xí)過(guò)程；文獻(xiàn)[6]用模糊挖掘(fuzzy miner)算法發(fā)現(xiàn)學(xué)生的認(rèn)知過(guò)程，同時(shí)借助建模工具構(gòu)建理論上的認(rèn)知模型用以重演真實(shí)的學(xué)生在線行為事件日志，提出了一種驗(yàn)證心理學(xué)理論模型的手段，使得過(guò)程挖掘技術(shù)的應(yīng)用范圍擴(kuò)展到認(rèn)知心理學(xué)研究。為了與傳統(tǒng)機(jī)器學(xué)習(xí)模型結(jié)合，文獻(xiàn)[7]將決策樹(shù)與過(guò)程挖掘算法相結(jié)合，發(fā)現(xiàn)學(xué)生在Moodle平臺(tái)上需要遵守的隱含行為規(guī)則；文獻(xiàn)[8]用支持向量機(jī)、過(guò)程相似度相結(jié)合的方式預(yù)測(cè)學(xué)生在OJ系統(tǒng)的表現(xiàn)。

運(yùn)營(yíng)和支持是過(guò)程挖掘的目的所在，在對(duì)現(xiàn)實(shí)場(chǎng)景的運(yùn)營(yíng)支持中，要考慮事前數(shù)據(jù)對(duì)案例下一步運(yùn)行的影響，過(guò)程挖掘非僅局限于分析事后數(shù)據(jù)，同時(shí)可以為運(yùn)行中的案例提供支持。第一類運(yùn)作支持是檢測(cè)運(yùn)行時(shí)的偏差，即當(dāng)偏差發(fā)生時(shí)及時(shí)反饋，文獻(xiàn)[9]介紹如何用現(xiàn)有過(guò)程挖掘技術(shù)檢測(cè)業(yè)務(wù)執(zhí)行過(guò)程中發(fā)生的偏移(deviation)，文獻(xiàn)[10]引入多維度的declarative模型檢測(cè)案例執(zhí)行的一致性；第二類運(yùn)作支持是預(yù)測(cè)，即將軌跡的部分特征或相關(guān)屬性映射到預(yù)測(cè)變量并做出響應(yīng)，文獻(xiàn)[11]用現(xiàn)有過(guò)程挖掘技術(shù)分析并預(yù)測(cè)制造過(guò)程的開(kāi)銷，文獻(xiàn)[12]結(jié)合隊(duì)列挖掘(queue mining)預(yù)測(cè)服務(wù)過(guò)程的延遲；第三類運(yùn)作支持是推薦，需要從事后數(shù)據(jù)中學(xué)習(xí)到一個(gè)模型，同時(shí)運(yùn)作系統(tǒng)需要收斂一個(gè)決策空間，從而能夠選擇其中一個(gè)置信度最高的決策作為未來(lái)執(zhí)行狀態(tài)。 整合本文所提供的第二類運(yùn)作支持教育過(guò)程控掘架構(gòu)如圖1所示。

圖1 教育過(guò)程挖掘架構(gòu)

2 基本概念

定義1事件(event)：事件是組成日志數(shù)據(jù)的最小元素，可以是學(xué)習(xí)活動(dòng)發(fā)生的一次實(shí)例，e=(act，id，studentId，resource，start，end，other)，令A(yù)為活動(dòng)名的集合，則act∈A，代表事件執(zhí)行活動(dòng);id表示活動(dòng)實(shí)例的唯一標(biāo)識(shí);studentId表示活動(dòng)的執(zhí)行者，即學(xué)生的標(biāo)識(shí); resource表示實(shí)例運(yùn)行所需的資源;start、end分別表示該事件運(yùn)行的開(kāi)始和結(jié)束，當(dāng)然，同一事件可以用更詳細(xì)的屬性類別描述；other代指額外屬性。設(shè)ε為事件集合，N為事件包含屬性集合，若存在n∈N，對(duì)于其中任意一個(gè)事件e∈ε，#n(e)表示其屬性n的值，令UC為案例集，UA為任務(wù)集合，UL為生命周期集合，UT為時(shí)間集合，假設(shè)對(duì)于任意一個(gè)事件e∈ε都包含屬性：#case(e)∈UC為事件e所屬的案例，即每個(gè)事件只能屬于同一個(gè)案例；#act(e)∈UA為事件e活動(dòng)名；#trans(e)∈UL為事件e的生命周期相關(guān)信息；#time(e)∈UT表示事件e發(fā)生的時(shí)間戳。在本文所示課程案例中，鼠標(biāo)的一次敲擊，每個(gè)章節(jié)的一次觀看，或者一次評(píng)論均可記錄為一個(gè)事件，其中#section(e)表示學(xué)生發(fā)生事件e的章節(jié)名稱。

定義2分類器(classifier)：分類器的作用是根據(jù)事件的具體特征標(biāo)識(shí)事件，定義為C:ε→UA×UL，即對(duì)于任意e∈ε，存在活動(dòng)名#act(e)∈UA，#act(e)∈UL，若存在分類器C(e)= (#act(e), #trans(e))，設(shè)其生命周期取值范圍是#trans(e)∈{start, suspend, reassign, complete}，則該分類器將C(ei)=(act, start)標(biāo)為acts，C(ej)= (act, complete)標(biāo)為actc。在學(xué)生在線事件日志中，C(e)= (#section(e), #time.start(e), #time.end(e) )表示事件在軌跡中由章節(jié)名稱、章節(jié)開(kāi)始時(shí)間、章節(jié)結(jié)束時(shí)間組成。

定義3軌跡(trace)：軌跡是事件的有限序列，令ε*是定義在集合ε上任意長(zhǎng)度有限事件序列組成的集合，案例(case)是有限的事件發(fā)生序列σ∈ε*，σ=滿足：每個(gè)事件僅可能出現(xiàn)一次，即對(duì)于1≤j

定義4軌跡前綴(prefix)形式化為σ(k)=，1≤k< |σ|，根據(jù)軌跡前綴的定義，軌跡σ在執(zhí)行第k個(gè)事件后σ(k)的剩余時(shí)間記為remain(σ,k)=e|σ |.complete.end -ek.complete.end。

定義5Petri網(wǎng)(Petri net)：Petri網(wǎng)[2]用于表示事物的演化過(guò)程，同時(shí)可以表示事物之間交互的控制流關(guān)系，在教學(xué)場(chǎng)景中，可以表示學(xué)習(xí)活動(dòng)發(fā)生的順序關(guān)系，Petri網(wǎng)由三元組N=(P, T, F)組成，T表示有限變遷(Transition)集合，P表示有限庫(kù)所(Place)集合，其中F?((P×T)∪(T×P))，P∩T=?為Petri網(wǎng)中表示控制流的弧集合，如圖2所示，該P(yáng)etri網(wǎng)表示為：F={ (start,a), (p1,b), (p2,c), (a, p1), (a, p2),(b, p3), (p3,d), (p4,d), (c, p4), (d, end) }；T={a,c,d,b}；P={start, p1, p3, p4, p2, end }。

圖2 Petri網(wǎng)

3 基于RNN的時(shí)間預(yù)測(cè)

3.1 獲取訓(xùn)練集、測(cè)試集

訓(xùn)練集的獲取思路是將教育事件日志L中的任意軌跡σi(1≤i≤|L|)截取為軌跡前綴σi(k)，并標(biāo)記σi(k)的剩余完成時(shí)間構(gòu)建(σi(k), remain(σi,k))∈Dk，其中Dk是長(zhǎng)度為k的軌跡前綴與其剩余時(shí)間組成的(σ(k), remain(σ,k))的集合，再整合∪Dk(1≤k< |σ|max)為輸入模型的數(shù)據(jù)集合。詳細(xì)描述如算法1所示。

算法1 GetTrainSet輸入:前綴σ(k)的最小長(zhǎng)度lmin(lmin >0),最大長(zhǎng)度lmax(lmax< |σ|),事件日志L ;輸出:∪Dk ;1.k = lmin ; D= ?2. FOR k ≤ lmax DO:3. Dk = ?4. FOR σ IN L DO:5. IF k ≤ |σ | THEN:6. Dk =Dk∪( σ (k), remain_time(σ, k) )7. END IF END FOR8. D =D∪Dk k++9. END FOR10.RETURN D;

最后，將∪Dk按照78∶22的比例分割為訓(xùn)練集與測(cè)試集，其中訓(xùn)練集用于擬合模型，測(cè)試集用以檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)教育過(guò)程剩余時(shí)間的誤差。

3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)[13](recurrent neural network, RNN)是一類處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，具有多種具體的實(shí)現(xiàn)方式，其中最具代表性的是LSTM和GRU。RNN支持可變長(zhǎng)的輸入序列，其基本特征是假設(shè)在較早的時(shí)間序列可以決定下一步的前提下，每個(gè)神經(jīng)元t時(shí)刻的輸出轉(zhuǎn)化為t+1時(shí)刻輸入的一部分，如圖3所示，設(shè)RNN神經(jīng)元接受當(dāng)前時(shí)刻向量表示的信息xt∈Rk，上一時(shí)刻的輸入為ht-1∈Rk，運(yùn)算后得到輸出ht∈Rk，傳統(tǒng)RNN是一種單向神經(jīng)網(wǎng)絡(luò)，但當(dāng)前事件同時(shí)與以后的事件存在密切聯(lián)系，雙向循環(huán)神經(jīng)網(wǎng)絡(luò)通過(guò)增加由后向前傳的隱藏層來(lái)處理此類情況。隨著輸入序列增長(zhǎng)，普遍存在與預(yù)測(cè)剩余時(shí)間無(wú)明顯因果關(guān)系的序列片段，嚴(yán)重影響RNN的預(yù)測(cè)精度。為解決這一問(wèn)題引入注意力機(jī)制[14]，技術(shù)原理是把注意力放到關(guān)鍵部分，而不是序列的全部，其最核心的技術(shù)是實(shí)現(xiàn)記錄元素權(quán)重的參數(shù)矩陣及權(quán)重向量，同時(shí)擬合每一個(gè)元素在序列中的重要程度，然后按照權(quán)重參數(shù)將序列重新組合，權(quán)重參數(shù)是注意力分配系數(shù)。本文嘗試引入不同類型RNN預(yù)測(cè)教育過(guò)程剩余時(shí)間，其中添加注意力機(jī)制的雙向循環(huán)神經(jīng)網(wǎng)絡(luò)(BiRNNAtt)結(jié)構(gòu)如圖4所示，將該模型刪除或替換其中機(jī)制可以轉(zhuǎn)化為其他結(jié)構(gòu)的RNN預(yù)測(cè)模型。

圖3 RNN神經(jīng)元

圖4 添加注意力機(jī)制的雙向RNN結(jié)構(gòu)

3.2.1 事件在BiRNNAtt中的表示方式

本文所用循環(huán)神經(jīng)網(wǎng)絡(luò)以任意軌跡前綴標(biāo)記其剩余時(shí)間組成的∪Dk做為輸入，其中(σ(k), remain_time(σ,k))∈∪Dk，σ(k)=，且ei在神經(jīng)網(wǎng)絡(luò)中映射為向量xi?？紤]到事件e包含活動(dòng)名、運(yùn)行起止時(shí)刻及其他屬性，對(duì)于活動(dòng)名這種離散屬性值，采用One-Hot編碼，對(duì)于時(shí)間這種連續(xù)屬性，首先采用離散化處理，進(jìn)而借助與離散屬性相同的編碼方式進(jìn)行轉(zhuǎn)化，最后將兩種不同類型的屬性拼接到一起。

3.2.2BiRNNAtt的上下文表示

3.2.3 注意力機(jī)制在BiRNNAtt中的軌跡表示

得到軌跡前綴每個(gè)t時(shí)刻發(fā)生事件的上下文表示后，進(jìn)而計(jì)算完整軌跡的表示，具體方法為

(1)

式中：at表示t時(shí)刻發(fā)生事件的上下文權(quán)重值，其含義是軌跡中第t個(gè)事件對(duì)預(yù)測(cè)剩余時(shí)間的影響程度，引用雙層感知機(jī)網(wǎng)絡(luò)計(jì)算上下文的權(quán)重，即

(2)

式中：gatt為注意力機(jī)制權(quán)重向量；batt為偏置參數(shù)；Watt為權(quán)重矩陣；gatt、batt、Watt參數(shù)值對(duì)任意輸入共享；tanh是單調(diào)遞增且值域?yàn)?-1,1)的雙曲正切函數(shù)。

3.3 剩余在線學(xué)習(xí)時(shí)間預(yù)測(cè)

根據(jù)循環(huán)神經(jīng)網(wǎng)絡(luò)中學(xué)生在線學(xué)習(xí)軌跡的表示方式，使用全連接網(wǎng)絡(luò)搭建預(yù)測(cè)模型，并且為了避免梯度消失、梯度爆炸，減小運(yùn)算復(fù)雜程度，引入RELU線性整流函數(shù)。綜合式(1)、式(2)所述，學(xué)生在線剩余學(xué)習(xí)時(shí)間的計(jì)算方法為

remain_time(σ,k)=gT·RELU(W·v+b)。

(3)

4 實(shí)驗(yàn)分析

本實(shí)驗(yàn)引用在線學(xué)習(xí)微處理器系統(tǒng)設(shè)計(jì)課程的數(shù)據(jù)集[15],對(duì)學(xué)生學(xué)習(xí)該課程的在線剩余時(shí)間進(jìn)行預(yù)測(cè)。該課程包含6個(gè)章節(jié)(Session1—Session6)，每章包含4～6個(gè)小節(jié)，其中包含學(xué)生觀看教學(xué)視頻、建模、實(shí)時(shí)測(cè)試、翻閱資料、點(diǎn)擊網(wǎng)頁(yè)的事件記錄，學(xué)生在線學(xué)習(xí)時(shí)常最大不超過(guò)5 h，原始數(shù)據(jù)集轉(zhuǎn)化為事件日志之后的概況見(jiàn)表1。事件數(shù)和事件類型數(shù)偏多且軌跡過(guò)長(zhǎng)，平均每條學(xué)生軌跡有1 000個(gè)事件且包含28個(gè)以上的事件類型，因此需要將事件粒度提升，減少軌跡的事件數(shù)量，并將事件類型數(shù)減少到7～10。

表1 在線學(xué)習(xí)事件日志規(guī)模

4.1 學(xué)生事件日志粒度的提升

為了提升預(yù)測(cè)效果，在連續(xù)且活動(dòng)名重復(fù)的多個(gè)事件轉(zhuǎn)化為一個(gè)事件的前提下，將事件粒度放大到每一節(jié)課為一個(gè)事件，并且設(shè)每一節(jié)(section)第一個(gè)事件的開(kāi)始時(shí)間作為該節(jié)開(kāi)始時(shí)間，最后一個(gè)事件的結(jié)束時(shí)間為該節(jié)結(jié)束時(shí)間。處理后的軌跡長(zhǎng)度由1 000到1 200不等縮小至30到100個(gè)事件之間，獲取輸入事件日志的具體算法如算法2所示。

算法2 GetInputLog輸入:事件日志 L;寄存事件的棧Stack;輸出:粒度提升后的LNew;1.C(e)= ( #section(e), #time.start (e), #time.end (e) );2.FOR σ IN L DO: 3.NewTrace=?; Stack=?4.FOR e IN σ DO:5. IF Stack!=? && Stack.top().section!= e.section THEN:6.Stack.top().start_time=Stack.bottom().Start.time 7.END IF8.NewTrace=NewTrace∪C( Stack.top( ) )9. Stack.PopAll( ) END FOR10. Stack.push(e)11.LNew=LNew∪NewTrace12. END FOR13.RETURN LNew;

4.2 評(píng)估標(biāo)準(zhǔn)

本實(shí)驗(yàn)使用平均絕對(duì)誤差MAE作為預(yù)測(cè)結(jié)果的評(píng)價(jià)方式，其值越低說(shuō)明預(yù)測(cè)結(jié)果的誤差越小，若σ表示數(shù)據(jù)集中已完成的學(xué)生軌跡，則MAE計(jì)算方法為

(4)

式中f(σk)表示RNN對(duì)學(xué)生軌跡前綴σk的預(yù)測(cè)結(jié)果。

4.3 實(shí)驗(yàn)設(shè)置

本實(shí)驗(yàn)剩余時(shí)間的單位為min，設(shè)置訓(xùn)練集比率0.78，測(cè)試集比率0.22，學(xué)習(xí)率控制在(0.000 1, 0.01)。在本實(shí)驗(yàn)中模型隱藏層的維度為5，最大epoch數(shù)為500，batch_size為20，dropout為1。全部預(yù)測(cè)結(jié)果如圖5所示，所用方法對(duì)Session4數(shù)據(jù)集中學(xué)生剩余學(xué)習(xí)時(shí)間的預(yù)測(cè)最為準(zhǔn)確，所有模型在該章的MAE值均小于18 min，且最優(yōu)模型的MAE值小于12 min，表明預(yù)測(cè)結(jié)果十分接近真實(shí)情況，體現(xiàn)了本文所提供策略的有效性。由于時(shí)間預(yù)測(cè)的最終目的是對(duì)學(xué)生整個(gè)學(xué)習(xí)過(guò)程進(jìn)行早期推薦與規(guī)劃，因此將前綴長(zhǎng)度設(shè)置為[3,30]，可能是訓(xùn)練集中軌跡前綴長(zhǎng)度設(shè)置較短，遠(yuǎn)小于某些軌跡的真實(shí)長(zhǎng)度，導(dǎo)致某些模型的觀測(cè)結(jié)果較差。實(shí)驗(yàn)結(jié)果表明，不同模型在不同數(shù)據(jù)集中的表現(xiàn)存在差異，BiLSTM預(yù)測(cè)Session1、Session2、Session3數(shù)據(jù)集的剩余時(shí)間比較精確；GRU在Session4、Session6數(shù)據(jù)集的預(yù)測(cè)表現(xiàn)較好；LSTM在 Session5數(shù)據(jù)集的表現(xiàn)較好。在一定程度上反應(yīng)不同的數(shù)據(jù)集適合不同的RNN。

(a)Session1的預(yù)測(cè)誤差 (b)Session2的預(yù)測(cè)誤差

5 應(yīng)用架構(gòu)設(shè)計(jì)

本節(jié)解析當(dāng)學(xué)生行為發(fā)生偏移時(shí)，利用過(guò)程模型推薦與該學(xué)生軌跡前綴吻合且剩余時(shí)間誤差最小的優(yōu)秀學(xué)生學(xué)習(xí)軌跡，推薦架構(gòu)如圖6所示，因果關(guān)系用黑色箭頭表示，漸近色箭頭表示兩者之間存在協(xié)同。

圖6 教育過(guò)程推薦架構(gòu)

5.1 設(shè)計(jì)思路

第一步，訓(xùn)練預(yù)測(cè)剩余時(shí)間的RNN模型，從日志中選取優(yōu)秀學(xué)生的學(xué)習(xí)軌跡并調(diào)用Inductive Miner[16]挖掘Petri網(wǎng)；第二步，接收教育信息系統(tǒng)傳來(lái)的實(shí)時(shí)事件，并檢測(cè)Petri網(wǎng)內(nèi)是否能夠找到契合該事件的下一個(gè)變遷，如果是，則當(dāng)前庫(kù)所指向該下一個(gè)變遷的輸出庫(kù)所，如果否，則進(jìn)行下一步；第三步，檢測(cè)當(dāng)前軌跡前綴是否用時(shí)過(guò)短，若學(xué)生實(shí)時(shí)軌跡比任何前綴相同的優(yōu)秀學(xué)生都短則提醒，由于算法從學(xué)生發(fā)生的第一個(gè)事件開(kāi)始監(jiān)聽(tīng)，因此只檢測(cè)最后兩個(gè)事件就可以判斷學(xué)習(xí)時(shí)間是否過(guò)短,如果監(jiān)聽(tīng)的實(shí)時(shí)軌跡與Petri網(wǎng)不契合時(shí)，調(diào)用RNN模型預(yù)測(cè)該軌跡從開(kāi)始事件到當(dāng)前實(shí)時(shí)事件的上一個(gè)事件組成前綴的剩余完成時(shí)間，并搜索在剩余用時(shí)誤差最小的優(yōu)秀學(xué)生軌跡并推薦。與工業(yè)生產(chǎn)過(guò)程、企業(yè)辦公過(guò)程不同的是，當(dāng)學(xué)生行為與過(guò)程模型發(fā)生偏移時(shí)，學(xué)生可以立刻調(diào)整，糾錯(cuò)代價(jià)接近于無(wú)，因此推薦較優(yōu)學(xué)習(xí)路徑的時(shí)延不影響學(xué)生的全局學(xué)習(xí)效果，由于算法設(shè)定，學(xué)生必須按照模型給定的行為參與學(xué)習(xí)，且由于過(guò)程模型出自優(yōu)秀學(xué)生的在線學(xué)習(xí)事件日志，必然可以在優(yōu)秀學(xué)生事件日志中找到與實(shí)時(shí)軌跡相吻合的推薦軌跡，且這種推薦策略省略了大量計(jì)算，因此推薦速度明顯快于智能計(jì)算方法，更適合教學(xué)這種實(shí)時(shí)場(chǎng)景。

5.2 架構(gòu)實(shí)現(xiàn)

假設(shè)實(shí)時(shí)軌跡定義為CurrentTrace，優(yōu)秀學(xué)生軌跡定義為L(zhǎng)o，預(yù)測(cè)模型定義為Rnn，推薦軌跡定義為BetterTrace，則推薦策略如算法3所示，具體實(shí)現(xiàn)步驟如算法4所示。

算法3 Recommend輸入:靜態(tài)變量CurrentTrace , Lo , Rnn;輸出:BetterTrace;1.PredicatedTime=Rnn.remain_time(CurrentTrace,Current-Trace.length)2.C(e)= ( #section(e), #time.end (e))3.FOR σj IN LoDO:4. i=0 ;flag=0;5.FOR e IN σjDO:6.IF C(CurrentTrace.GetEvent(i++))!= C(e) THEN:7.flag=1 BREAK 8.END IF9.END FOR10.IF flag==1&& PredicatedTime-remaintime(σj,k)|=|min(PredicatedTime -remain_time(σ,k))| THEN://更新實(shí)時(shí)軌跡11. CurrentTrace= CurrentTrace - CurrentTrace.get(Current-Trace.Length)//返回推薦結(jié)果12.Return BetterTrace=σj13.END IF 14.END FOR

算法4 Recommend Trace By Remain Time輸入:事后事件日志L,間歇且持續(xù)的實(shí)時(shí)事件CurrentEvent, CurrentTrace表示CurrentEvent發(fā)生前的軌跡前綴;輸出:推薦學(xué)習(xí)軌跡BeterTrace;1.Rnn=TrainedRemainPredicationRNNModel();2.Lo=GetBetterStudentLog();3.PetriNet=InductiveMinner(Lo);4.P= PetriNet.StartPlace();5.C(e)=( #section(e), #time.start(e))//檢查實(shí)時(shí)軌跡是否符合與模型一致6.FOR e IN CurrentTrace DO:7.FOR t IN P.OutTransitions () DO:8. IF t.Label== C(e) THEN:9. P=t.OutPlace()10.ElSE IF RETURN “ error !”11.END IF END FOR 12.END FOR //檢查實(shí)時(shí)事件執(zhí)行時(shí)間是否過(guò)短,是則提示13.ei=CurrentTrace.get(CurrentTrace.Length)14.ej=CurrentTrace.get(CurrentTrace.Length-1)15.Time= ei.start.time - ej.start.time

續(xù)表

6 結(jié)束語(yǔ)

本文系統(tǒng)介紹了教育過(guò)程挖掘的發(fā)展現(xiàn)狀與研究成果，同時(shí)構(gòu)想過(guò)程挖掘技術(shù)對(duì)在線教學(xué)場(chǎng)景提供支持，將學(xué)生在線學(xué)習(xí)事件日志的粒度提升，并引入不同類型的循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)學(xué)習(xí)過(guò)程的剩余時(shí)間，預(yù)測(cè)結(jié)果總體上表現(xiàn)較好，最后設(shè)計(jì)教育過(guò)程挖掘與剩余時(shí)間預(yù)測(cè)相結(jié)合的應(yīng)用架構(gòu)。本文不足之處：其一，僅考慮單一軌跡維度，并未引入資源等其他維度使得預(yù)測(cè)結(jié)果更為準(zhǔn)確，整合在線學(xué)習(xí)軌跡和其他屬性應(yīng)更具有說(shuō)服力；其二，如何預(yù)先對(duì)數(shù)據(jù)集進(jìn)行評(píng)估用以選擇最合適的預(yù)測(cè)模型；其三，如何構(gòu)造更合適的教學(xué)模擬環(huán)境，從而對(duì)教育過(guò)程挖掘方法進(jìn)行更充分的驗(yàn)證，以及如何通過(guò)教學(xué)環(huán)境搭建更標(biāo)準(zhǔn)的推薦機(jī)制。未來(lái)研究工作將著重于以上三個(gè)方面。