劉 純

（湖南安全技術(shù)職業(yè)學(xué)院，湖南 長(zhǎng)沙 410151）

在線學(xué)習(xí)已經(jīng)融入教育領(lǐng)域中[1]。學(xué)習(xí)者的在線行為數(shù)據(jù)（例如行為模式、偏好和學(xué)習(xí)難點(diǎn)），為教育研究和實(shí)踐提供了寶貴的數(shù)據(jù)資源。因此，基于大數(shù)據(jù)環(huán)境的在線學(xué)習(xí)行為分析模型研究成為教育領(lǐng)域的研究熱點(diǎn)，旨在挖掘這些數(shù)據(jù)中隱藏的知識(shí)，為學(xué)習(xí)者提供個(gè)性化的學(xué)習(xí)支持和優(yōu)化的教學(xué)策略[2]。然而，在線學(xué)習(xí)行為分析模型的構(gòu)建和研究面臨多重挑戰(zhàn)。首先，海量的在線學(xué)習(xí)行為數(shù)據(jù)必須進(jìn)行采集和存儲(chǔ)，以保證數(shù)據(jù)的質(zhì)量和完整性。其次，數(shù)據(jù)預(yù)處理和特征提取方法是構(gòu)建準(zhǔn)確模型的關(guān)鍵步驟，需要考慮數(shù)據(jù)的維度、特征選擇和處理方法等問(wèn)題。此外，當(dāng)選擇機(jī)器學(xué)習(xí)算法和技術(shù)時(shí)，需要考慮到在線學(xué)習(xí)行為數(shù)據(jù)通常具有非線性、高維度和動(dòng)態(tài)變化的特點(diǎn)。因此，選擇適當(dāng)?shù)臋C(jī)器學(xué)習(xí)算法和技術(shù)是構(gòu)建模型的關(guān)鍵。該研究在大數(shù)據(jù)環(huán)境下構(gòu)建了一種高效穩(wěn)定的在線學(xué)習(xí)行為分析模型，旨在提高教育領(lǐng)域中學(xué)習(xí)者的理解能力。

1 基于大數(shù)據(jù)環(huán)境的在線學(xué)習(xí)行為分析平臺(tái)總框架

基于大數(shù)據(jù)環(huán)境的在線學(xué)習(xí)行為分析平臺(tái)，通過(guò)數(shù)據(jù)采集、預(yù)處理、特征提取、行為模型構(gòu)建以及分析等步驟，實(shí)現(xiàn)對(duì)學(xué)習(xí)行為的深入理解和提供個(gè)性化學(xué)習(xí)支持，如圖1 所示。

圖1 在線學(xué)習(xí)行為分析平臺(tái)總框架設(shè)計(jì)

數(shù)據(jù)獲取模塊主要負(fù)責(zé)設(shè)計(jì)合適的數(shù)據(jù)采集機(jī)制，收集在線學(xué)習(xí)平臺(tái)上的用戶行為數(shù)據(jù)，包括點(diǎn)擊、瀏覽和提交作業(yè)等。特征工程模塊對(duì)采集的原始數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、去除噪聲和處理缺失值等。采用合適的特征提取方法，從原始數(shù)據(jù)中提取與學(xué)習(xí)行為相關(guān)的特征，例如學(xué)習(xí)時(shí)長(zhǎng)、頻率以及互動(dòng)行為等。行為模型與分析模塊選擇合適的機(jī)器學(xué)習(xí)算法和數(shù)據(jù)挖掘方法，構(gòu)建在線學(xué)習(xí)行為模型，可以采用監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)或深度學(xué)習(xí)等方法[3]。模型評(píng)估與優(yōu)化模塊負(fù)責(zé)評(píng)估學(xué)習(xí)行為模型的表現(xiàn)，并根據(jù)評(píng)估結(jié)果進(jìn)行優(yōu)化，例如調(diào)整模型參數(shù)、增加新特征和引入領(lǐng)域知識(shí)，以提升模型性能[4-5]。

2 分析平臺(tái)各模塊設(shè)計(jì)

2.1 數(shù)據(jù)獲取模塊

數(shù)據(jù)獲取模塊是在線學(xué)習(xí)行為分析平臺(tái)的核心部分。數(shù)據(jù)采集過(guò)程如下：首先，確定要采集的學(xué)習(xí)行為數(shù)據(jù)類型，例如點(diǎn)擊、瀏覽以及提交作業(yè)等，其次，在在線學(xué)習(xí)平臺(tái)中嵌入數(shù)據(jù)采集器，其前端開發(fā)使用JavaScript，數(shù)據(jù)傳輸協(xié)議采用HTTP，為了優(yōu)化數(shù)據(jù)傳輸，需要對(duì)數(shù)據(jù)進(jìn)行壓縮、批量傳輸，從而實(shí)時(shí)或定期采集用戶的學(xué)習(xí)行為數(shù)據(jù)，并將這些數(shù)據(jù)傳輸?shù)綌?shù)據(jù)存儲(chǔ)系統(tǒng)進(jìn)行處理和存儲(chǔ)，具體的數(shù)據(jù)存儲(chǔ)流程如圖2 所示。

圖2 數(shù)據(jù)存儲(chǔ)流程

對(duì)采集的原始數(shù)據(jù)進(jìn)行清洗，主要是剔除無(wú)效或錯(cuò)誤的數(shù)據(jù)，并進(jìn)行必要的轉(zhuǎn)換和格式化。在數(shù)據(jù)存儲(chǔ)方面，選擇了結(jié)合MySQL 關(guān)系型數(shù)據(jù)庫(kù)與Hadoop 分布式存儲(chǔ)系統(tǒng)的方式，MySQL 數(shù)據(jù)庫(kù)管理系統(tǒng)主要用來(lái)進(jìn)行數(shù)據(jù)的存儲(chǔ)、查詢和更新；Hadoop 分布式文件系統(tǒng)（HDFS）負(fù)責(zé)數(shù)據(jù)存儲(chǔ)和管理，筆者還在HDFS 中建立了列族數(shù)據(jù)庫(kù)表格，以支持大容量和高性能的數(shù)據(jù)訪問(wèn)。根據(jù)數(shù)據(jù)量和查詢需求，筆者對(duì)數(shù)據(jù)進(jìn)行了分區(qū)并建立了索引，以提高數(shù)據(jù)的查詢效率。建立數(shù)據(jù)備份和恢復(fù)機(jī)制，以保證數(shù)據(jù)的可靠性和可用性，采取多項(xiàng)措施保障學(xué)習(xí)行為數(shù)據(jù)的安全，保護(hù)用戶隱私。

2.2 特征工程模塊

數(shù)據(jù)預(yù)處理與特征提取模塊是在線學(xué)習(xí)行為分析平臺(tái)中的關(guān)鍵部分。平臺(tái)須對(duì)采集的原始數(shù)據(jù)進(jìn)行清洗，剔除無(wú)效或錯(cuò)誤的數(shù)據(jù)，例如處理缺失、異常和重復(fù)數(shù)據(jù)。如果學(xué)習(xí)行為數(shù)據(jù)來(lái)自不同的數(shù)據(jù)源，需要進(jìn)行數(shù)據(jù)集成，將數(shù)據(jù)源合并為一個(gè)一致的數(shù)據(jù)集。對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)換，使其適應(yīng)后續(xù)的特征提取和建模，例如數(shù)據(jù)標(biāo)準(zhǔn)化、離散化以及歸一化等，數(shù)據(jù)標(biāo)準(zhǔn)化B的計(jì)算如公式（1）所示。

式中：x為數(shù)據(jù)集中的各數(shù)據(jù)；mean為數(shù)據(jù)的均值；std為數(shù)據(jù)的標(biāo)準(zhǔn)差。

通過(guò)標(biāo)準(zhǔn)化，將數(shù)據(jù)轉(zhuǎn)化為均值為0，標(biāo)準(zhǔn)差為1 的分布。數(shù)據(jù)歸一化A的計(jì)算如公式（2）所示。

式中：min 和max 分別為最小值和最大值；通過(guò)歸一化，將數(shù)據(jù)映射到0～1。

根據(jù)研究目標(biāo)和問(wèn)題，從預(yù)處理后的數(shù)據(jù)中選擇最相關(guān)的特征?；陬A(yù)處理后的數(shù)據(jù)，通過(guò)計(jì)算和組合現(xiàn)有特征構(gòu)建新的特征，以捕捉更多的學(xué)習(xí)行為模式。

在提取特征的過(guò)程中，計(jì)算1 組數(shù)據(jù)的統(tǒng)計(jì)特征涉及多個(gè)指標(biāo)，包括均值、標(biāo)準(zhǔn)差、最大值、最小值、中位數(shù)、偏度和峰度。均值是將所有數(shù)據(jù)相加后除以數(shù)據(jù)的總數(shù)；標(biāo)準(zhǔn)差是計(jì)算每個(gè)數(shù)據(jù)與均值之差的平方，然后對(duì)這些平方差的平均值進(jìn)行開方；最大值和最小值是在數(shù)據(jù)集中找到最大的數(shù)據(jù)和最小的數(shù)據(jù)；中位數(shù)是將數(shù)據(jù)按升序或降序排列，然后找到中間位置的值（對(duì)于奇數(shù)個(gè)數(shù)據(jù)）或中間2 個(gè)位置的平均值（對(duì)于偶數(shù)個(gè)數(shù)據(jù)）。為了計(jì)算數(shù)據(jù)分布的不對(duì)稱性，即數(shù)據(jù)的偏斜方向和程度，需要計(jì)算偏度S，如公式（3）所示。

式中：N為數(shù)據(jù)的總數(shù)。峰度用來(lái)衡量數(shù)據(jù)分布的峰態(tài)K的計(jì)算如公式（4）所示。

通過(guò)計(jì)算這些統(tǒng)計(jì)特征，從數(shù)據(jù)中獲取關(guān)于中心趨勢(shì)、離散程度、分布形態(tài)和偏斜程度的信息，從而深入理解數(shù)據(jù)的特征和模式，這些特征對(duì)于學(xué)習(xí)行為分析和模型構(gòu)建非常有價(jià)值。

2.3 行為模型構(gòu)建與分析模塊

行為模型構(gòu)建與分析模塊利用構(gòu)建的行為模型對(duì)學(xué)習(xí)行為數(shù)據(jù)進(jìn)行分析，在基于大數(shù)據(jù)環(huán)境的在線學(xué)習(xí)行為分析模型中，使用支持向量機(jī)（SVM）構(gòu)建行為模型。以下是具體流程：1）數(shù)據(jù)準(zhǔn)備。準(zhǔn)備一個(gè)大規(guī)模的帶有標(biāo)簽的在線學(xué)習(xí)行為數(shù)據(jù)集，其中包括學(xué)習(xí)者的行為特征和相應(yīng)的行為標(biāo)簽。2）特征處理。采取上一步中對(duì)學(xué)習(xí)行為數(shù)據(jù)進(jìn)行特征處理，包括數(shù)據(jù)清洗、特征提取和特征工程等步驟后的數(shù)據(jù)。3）數(shù)據(jù)劃分。用留出法將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，具體流程如圖3 所示。

圖3 留出法劃分?jǐn)?shù)據(jù)集

如圖3 所示，首先，準(zhǔn)備一個(gè)帶有標(biāo)簽的數(shù)據(jù)集，包括輸入特征和相應(yīng)的標(biāo)簽。根據(jù)實(shí)際需求和數(shù)據(jù)集的規(guī)模，確定訓(xùn)練集和測(cè)試集的劃分比例，劃分比例為70/30。其次，使用隨機(jī)的方式將數(shù)據(jù)集中的樣本劃分為訓(xùn)練集和測(cè)試集；在劃分過(guò)程中，需要確保類別標(biāo)簽的平衡，即每個(gè)類別在訓(xùn)練集和測(cè)試集中的樣本數(shù)量相對(duì)均衡。最后，驗(yàn)證訓(xùn)練集和測(cè)試集的劃分結(jié)果，確保劃分后的數(shù)據(jù)集能夠代表整體數(shù)據(jù)集的特征和分布，使用訓(xùn)練集進(jìn)行模型的訓(xùn)練和參數(shù)優(yōu)化，使用測(cè)試集進(jìn)行模型的評(píng)估和性能驗(yàn)證，以驗(yàn)證模型在未見過(guò)的數(shù)據(jù)上的泛化能力。

2.4 模型構(gòu)建

選擇非線性SVM 模型并使用高斯核函數(shù)（RBF）以引入非線性，目標(biāo)函數(shù)K（xi，xj）的計(jì)算如公式（5）所示。

式中：||xi，xj||為輸入特征向量之間的歐氏距離；γ為高斯核函數(shù)的一個(gè)參數(shù)，控制數(shù)據(jù)在特征空間中的分布。決策函數(shù)計(jì)算如公式（6）所示。

式中：b為偏置項(xiàng)；xi為訓(xùn)練樣本的輸入特征向量；yi為對(duì)應(yīng)的標(biāo)簽；alphai為支持向量的拉格朗日乘子。

通過(guò)計(jì)算輸入樣本與訓(xùn)練樣本之間的距離，應(yīng)用高斯核函數(shù)將樣本從原始特征空間映射到高維特征空間，進(jìn)而引入非線性的能力。

2.5 模型訓(xùn)練

使用訓(xùn)練集對(duì)SVM 模型進(jìn)行訓(xùn)練，在訓(xùn)練過(guò)程中，SVM通過(guò)最大化間隔來(lái)優(yōu)化分類邊界，并同時(shí)考慮正則化約束。

2.6 模型評(píng)估與優(yōu)化模塊

在基于大數(shù)據(jù)環(huán)境的在線學(xué)習(xí)行為分析模型研究中，使用測(cè)試集評(píng)估訓(xùn)練得到SVM模型的性能，并根據(jù)評(píng)估結(jié)果調(diào)整SVM 模型的超參數(shù)，保證性能良好。使用訓(xùn)練好的SVM模型對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)，并進(jìn)行行為分析、個(gè)性化推薦或其他相關(guān)應(yīng)用。根據(jù)評(píng)估結(jié)果，針對(duì)SVM 模型的超參數(shù)進(jìn)行了調(diào)優(yōu)，以提升模型性能。調(diào)整正則化參數(shù)C，C的值越大，對(duì)誤分類的懲罰就越重，可能導(dǎo)致模型過(guò)擬合；C的值越小，對(duì)誤分類的懲罰就越輕，可能導(dǎo)致模型欠擬合。對(duì)于高斯核函數(shù)（RBF）來(lái)說(shuō)，調(diào)整gamma參數(shù)會(huì)影響決策邊界的靈活性。使用訓(xùn)練好的SVM 模型對(duì)新的數(shù)據(jù)進(jìn)行預(yù)測(cè)，即根據(jù)輸入特征預(yù)測(cè)學(xué)習(xí)者的行為標(biāo)簽。基于這些預(yù)測(cè)結(jié)果，進(jìn)一步進(jìn)行行為分析、個(gè)性化推薦或其他相關(guān)應(yīng)用，從而判斷學(xué)習(xí)者的學(xué)習(xí)偏好、推薦適合的學(xué)習(xí)資源或進(jìn)行學(xué)習(xí)路徑規(guī)劃等。通過(guò)以上流程，評(píng)估和優(yōu)化SVM 模型的性能，并將其應(yīng)用于實(shí)際的行為分析和個(gè)性化推薦任務(wù)中，以提升在線學(xué)習(xí)環(huán)境的效果和用戶體驗(yàn)。

3 平臺(tái)測(cè)試

3.1 試驗(yàn)準(zhǔn)備

該試驗(yàn)的目標(biāo)是測(cè)試基于大數(shù)據(jù)環(huán)境的在線學(xué)習(xí)行為分析模型平臺(tái)的穩(wěn)定性和其他性能，平臺(tái)搭建在型號(hào)為XYZ-123 的服務(wù)器上，具備充足的計(jì)算資源和存儲(chǔ)容量。安裝了Linux 操作系統(tǒng)，并搭建了MySQL 數(shù)據(jù)庫(kù)系統(tǒng)。此外，還安裝了Python、Java 等必要的開發(fā)環(huán)境和Scikit-learn 相關(guān)庫(kù)。在數(shù)據(jù)集的準(zhǔn)備階段，選擇了適當(dāng)?shù)脑诰€學(xué)習(xí)行為數(shù)據(jù)集，其中包括學(xué)習(xí)者的行為記錄和相關(guān)特征。將這個(gè)數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，為了保證平臺(tái)的性能得到全面評(píng)估，確定了以下評(píng)估指標(biāo)：平臺(tái)穩(wěn)定性指標(biāo)（例如系統(tǒng)崩潰次數(shù)）、響應(yīng)速度、處理能力和傳輸速率。

3.2 試驗(yàn)結(jié)果

試驗(yàn)在5 個(gè)不同的運(yùn)行時(shí)間節(jié)點(diǎn)進(jìn)行對(duì)比，記錄響應(yīng)速度、處理能力和傳輸速率，見表1。

表1 平臺(tái)測(cè)試結(jié)果

在給定時(shí)間點(diǎn)A至?xí)r間點(diǎn)E的測(cè)試中，平臺(tái)的響應(yīng)速度在50.21ms～55.61ms，響應(yīng)時(shí)間維持在一個(gè)相對(duì)短的區(qū)間內(nèi)，表明平臺(tái)響應(yīng)速度較快。在時(shí)間點(diǎn)A至?xí)r間點(diǎn)E的測(cè)試中，平臺(tái)的處理能力在每秒950～1200 個(gè)請(qǐng)求數(shù)，說(shuō)明其處理能力較強(qiáng)，能夠有效地處理大量的請(qǐng)求。平臺(tái)的傳輸速率在18.24Mbit/s～23.52Mbit/s，傳輸速率較高，說(shuō)明平臺(tái)在數(shù)據(jù)傳輸方面性能良好。

4 結(jié)語(yǔ)

基于大數(shù)據(jù)環(huán)境的在線學(xué)習(xí)行為分析模型研究旨在利用學(xué)習(xí)者行為數(shù)據(jù)，深入了解學(xué)習(xí)模式，實(shí)現(xiàn)個(gè)性化推薦以及優(yōu)化教學(xué)策略。該文采用了支持向量機(jī)（SVM）算法和高斯核函數(shù)，構(gòu)建了一個(gè)穩(wěn)定且性能卓越的行為分析模型。試驗(yàn)結(jié)果表明，該模型在響應(yīng)速度、處理能力和傳輸速率等方面均表現(xiàn)出色。在未來(lái)的研究中，筆者將繼續(xù)改進(jìn)模型的算法，進(jìn)一步擴(kuò)展數(shù)據(jù)集的規(guī)模和多樣性，并與其他領(lǐng)域的研究者進(jìn)行合作，共同推動(dòng)在線學(xué)習(xí)行為分析的發(fā)展。