摘 要：本文針對高職院校創(chuàng)新創(chuàng)業(yè)課程傳播數(shù)據(jù)冗雜、技術發(fā)展過快等現(xiàn)狀，結合試驗法設計了高職院校創(chuàng)新創(chuàng)業(yè)課程AI云計算學習服務平臺。采用FCM聚類算法、特征選擇算法以及mRMR算法對數(shù)據(jù)進行處理。結果表明，高職院校創(chuàng)新創(chuàng)業(yè)課程AI云計算學習服務平臺數(shù)據(jù)可視化、數(shù)據(jù)分析維度包括每日登錄人數(shù)分析、平均學習時長分析、學習行為次數(shù)分析、每日活躍情況分析和分時段學習人數(shù)分析。最終使用ECharts可視化工具對在線教育平臺在學習過程中產(chǎn)生的數(shù)據(jù)進行可視化大屏展現(xiàn)，教育數(shù)據(jù)可視化能夠了解教學方向，為學生學習提供幫助。

關鍵詞：教育傳播；大數(shù)據(jù)；可視化；ECharts

中圖分類號：G 434 " " " " 文獻標志碼：A

隨著人工智能、大數(shù)據(jù)技術快速發(fā)展，人工智能+教育也成為現(xiàn)代科技研究的熱點。AI技術在教育、教學等領域發(fā)揮重要作用，圍繞“AI學習服務平臺”的各種創(chuàng)新創(chuàng)業(yè)課程可幫助院校學生加強創(chuàng)新創(chuàng)業(yè)的理解和實踐能力，利用人工智能對高職院校創(chuàng)新創(chuàng)業(yè)進行數(shù)據(jù)板塊處理，能夠推動高職院校就業(yè)率的提高[1]?！吨袊咝?chuàng)新創(chuàng)業(yè)教育發(fā)展藍皮書（2017）》指出，新時期的創(chuàng)新創(chuàng)業(yè)教育對于深化高校教育改革、完善人才發(fā)展機制、支撐“雙創(chuàng)”以及創(chuàng)新驅(qū)動發(fā)展戰(zhàn)略有重要意義[2]。作為大學生創(chuàng)新創(chuàng)業(yè)的重要組成部分，大數(shù)據(jù)與AI為大學生的創(chuàng)新創(chuàng)業(yè)行為提供了強有力支撐，如何利用AI和云計算技術對大學生進行創(chuàng)新創(chuàng)業(yè)引導，成為目前高校創(chuàng)新創(chuàng)業(yè)教育面臨的一個重要課題。目前，大數(shù)據(jù)、AI等應用越來越多，各高校紛紛搭建各自的大數(shù)據(jù)與AI技術平臺。因此，高職院校要跟上時代步伐，全面發(fā)展，搭建起自己的大數(shù)據(jù)和AI技術平臺，培養(yǎng)具有大數(shù)據(jù)思維能力和AI技能的新一代人才，為國家的經(jīng)濟建設培養(yǎng)出更多創(chuàng)新創(chuàng)業(yè)型優(yōu)秀人才。本文以“大數(shù)據(jù)”與“AI”為基礎，對高職院?！按髮W生創(chuàng)新創(chuàng)業(yè)”教育進行了探討。

1 高職院校創(chuàng)新創(chuàng)業(yè)課程AI云計算學習服務平臺算法研究

1.1 功能分析

高職院校創(chuàng)新創(chuàng)業(yè)課程AI云計算學習服務平臺功能分析如圖1所示。1）在線課程：平臺提供了全面的AI和云計算課程，包括理論知識和實踐操作，方便學生隨時隨地學習。2）互動學習：平臺提供了在線討論、實時問答、在線測試等功能，方便學生與學生、學生與老師間的交流和互動。3）虛擬試驗：通過云計算技術，平臺為學生提供了虛擬試驗環(huán)境，使學生能在沒有硬件設備的情況下進行試驗操作。4）創(chuàng)新創(chuàng)業(yè)支持：平臺為學生提供了創(chuàng)新創(chuàng)業(yè)資源和指導，鼓勵學生在課程中開展創(chuàng)新創(chuàng)業(yè)活動。

1.2 相關算法

1.2.1 FCM聚類算法

高職院校創(chuàng)新創(chuàng)業(yè)課程AI云計算學習服務平臺的主要算法為FCM聚類算法[3]，該算法可將同一類型數(shù)據(jù)進行整合。FCM聚類算法的基本原理是模糊理論，這種模糊理論從客觀事實出發(fā)，可處理模糊不確定的事物，又稱模糊C均值算法。確定AI云計算學習服務平臺模型的輸入、輸出后，需要對輸入的數(shù)據(jù)進行形式化定義。FCM是將n個用戶數(shù)據(jù)作為n個向量xi，其中涉及隸屬關系，F(xiàn)CM算法的模糊隸屬度的取值范圍為[0，1]，該算法的實質(zhì)是構建模糊矩陣U，矩陣中每個要素都是各矢量的糊隸屬度，值的范圍為[0，1]，歸類后的每個元素的模糊隸屬度之和均為1。

FCM聚類算法如公式（1）所示。

（1）

FCM聚類算法的目標函數(shù)如公式（2）、公式（3）所示。

（2）

dij=||cj-xj|| " "（3）

式中：uij的取值范圍為[0，1]；ci為模糊類i的聚類中心；dij為第i個聚類中心到第j向量間的歐式距離；m為加權指數(shù)，其取值范圍為[1，∞]。

為使目標函數(shù)取得最小值，做出以下改進，如公式（4）所示。

（4）

式中：λj為n個約束式的拉格朗日因子。

目標函數(shù)取得最小值需要前提，其必要條件如公式（5）、公式（6）所示。

（5）

（6）

1.2.2 聚類有效性函數(shù)

AI云計算學習服務平臺進行聚類分析時需要確定分類效果，聚類有效度函數(shù)是評價聚類效果的一種方法，能較好地評價聚類的分類效果，增強對各創(chuàng)新創(chuàng)業(yè)類型的表達能力。計算時，其特性值并不是固定的，因此可通過類間分離性和類內(nèi)緊性來間接判定聚類效果，通過對聚類有效性函數(shù)可以判定二者間的相關性。

用戶與類內(nèi)用戶間的相似度如公式（7）所示。

（7）

類內(nèi)平均值如公式（8）所示。

（8）

某一類數(shù)據(jù)的類內(nèi)緊密度如公式（9）所示。

（9）

1.2.2.1 聚類評價指標

MIA指標：MIA函數(shù)如公式（10）所示。

（10）

式中：N為用戶的個數(shù)；MIA為類內(nèi)距離和的平均值，MIA的值越小，聚類效果越好。

CDI指標：CDI函數(shù)如公式（11）所示。

（11）

式中：Xc為第c類用戶；CDI為類內(nèi)緊密度的平均值，CDI的值越小，聚類效果越好。

SI指標：SI函數(shù)如公式（12）所示。

（12）

式中：為每個向量與平均值間距離和；為每個聚類中心與平均值間的距離和；SI的值越小，聚類效果越好。

DBI指標：DBI函數(shù)如公式（13）所示。

（13）

式中：DBI為類內(nèi)距離與類間距離的比值，DBI的值越小，聚類效果越好。

1.2.2.2 聚類效果

該模型對AI云計算學習服務平臺700個樣本進行驗證，結合四項指標和聚類數(shù)目2～9，模型的指標或者模型樣本特征提取可作為模型輸入變量，指標分析見表1。利用FCM算法，對用戶數(shù)據(jù)（X3）、輸入數(shù)據(jù)（X1）和輸出數(shù)據(jù)（X2）進行論述。

由表1可知，當聚類數(shù)目為4時，各類指標值均為最小值，聚類效果最好。聚類時，AI云計算學習服務平臺可結合需求，聚類效果最好。

1.2.3 協(xié)同過濾推薦算法

1.2.3.1 基于AI云計算學習服務平臺用戶的UCF

基于用戶的協(xié)同過濾算法（User-based Collaborativen Filtering，UCF）的主要做法是找到一群愛好相似的用戶，即基于AI云計算學習服務平臺用戶的協(xié)同過濾（Collaborative Filtering，CF）算法或基于相鄰者的協(xié)同過濾（Neighbor-based Collaborativen Filtering）算法。用戶與用戶間的相似度通常用Jaccard公式或余弦相似度來計算，可以更直觀地觀察到2個用戶的相似度。設M（u）是用戶u中意項目的集合，M（v）為用戶v中意項目的集合，則u和v的相似度如下所示。

余弦相似度如公式（14）所示。

（14）

Jaccard公式如公式（15）所示。

（15）

UCF通過對相關數(shù)據(jù)進行搜集，掌握使用者的創(chuàng)業(yè)創(chuàng)新數(shù)據(jù)，再根據(jù)用戶間的相似性找出與此用戶相近的一群人，并根據(jù)創(chuàng)業(yè)創(chuàng)新數(shù)據(jù)信息推送相關創(chuàng)業(yè)創(chuàng)新內(nèi)容。

1.2.3.2 基于項目的ICF

隨著用戶數(shù)量增加，UCF消耗的計算時間越來越多。因此出現(xiàn)了另一種CF，即基于項目的協(xié)同過濾（Item-based Collaborative Filtering，ICF）算法。ICF的基本假設如下：如果用戶中意一個項目，那么與該項目相似的其他項目也有可能引起用戶的興趣。項目間的相似性用數(shù)學方法進行計算。項目相似度的計算過程如公式（16）所示。

（16）

式中：|M（i）|是喜歡項目i的用戶數(shù)；|M（j）|是喜歡項目j的用戶數(shù)。

ICF的方法步驟如下：收集相應信息，計算已評價的項目和預測項目的相似度，并以此為基礎得出預測項目的預測分數(shù)，最終產(chǎn)生推薦結果。

首先，分類準確度是指判斷一個項目是否迎合了用戶的偏好且結果正確的比例，包括召回率和準確率。設U為用戶集，Ru為用戶u的推薦列表，Bu為測試集中用戶給予正反饋的項目。

準確率是指在推薦的結果中，用戶在現(xiàn)實中給過正反饋的項目所占的比例。單個用戶u的準確率如公式（17）所示。

（17）

整個推薦系統(tǒng)的準確率如公式（18）所示。

（18）

召回率是指在測試集中，用戶給過正反饋的項目占測試集的比例。單個用戶u的召回率如公式（19）所示。

（19）

整個系統(tǒng)的召回率如公式（20）所示。

（20）

其次，預測準確度是指預測用戶對項目的評分的行為，包括均方根誤差（Root Mean Square Error，RMSE）和平均絕對誤差（Mean Absolute Error，MAE）。

均方根誤差RMSE如公式（21）所示。

（21）

式中：Ωtest為測試集；ruv用戶u對項目v的實際評分；yuv表示預測評分。

平均絕對誤差MAE如公式（22）所示。

（22）

2 高職院校創(chuàng)新創(chuàng)業(yè)課程AI云計算學習服務平臺設計

2.1 設計目標

該平臺是一個在線學習平臺，專為高職院校的創(chuàng)新創(chuàng)業(yè)課程而設計。平臺結合了人工智能和云計算技術，提供了豐富的課程資源和互動工具，使學生可以在線學習AI和云計算知識，并參與各種實踐活動。

2.2 數(shù)據(jù)處理

將AI云計算學習服務應用于高職院校的創(chuàng)新創(chuàng)業(yè)課程數(shù)據(jù)處理中，可有效提高教學質(zhì)量和學生的學習效果。隨著技術不斷進步和應用領域不斷拓展，AI云計算學習服務平臺將在高職教育中發(fā)揮更大作用，為培養(yǎng)高素質(zhì)的技術技能人才提供有力支持。1）數(shù)據(jù)采集。本次試驗使用的數(shù)據(jù)集是創(chuàng)業(yè)網(wǎng)站的公開數(shù)據(jù)集。這個數(shù)據(jù)集包括470多萬條評論和15多萬企業(yè)信息。下載SQL版數(shù)據(jù)集，將其存儲在MySQL數(shù)據(jù)庫中。通過AI云計算學習平臺收集學生在創(chuàng)新創(chuàng)業(yè)課程中的學習數(shù)據(jù)，包括學習進度、成績和反饋等信息。2）數(shù)據(jù)處理。利用AI技術對收集的數(shù)據(jù)進行清洗、分類、分析和挖掘，提取有價值的信息，為教學提供決策支持。3）數(shù)據(jù)應用。將處理后的數(shù)據(jù)應用于教學實踐中，優(yōu)化教學資源配置，提高教學質(zhì)量。同時引導學生利用數(shù)據(jù)解決實際問題，培養(yǎng)他們的創(chuàng)新意識和創(chuàng)業(yè)能力。

2.3 試驗結果分析

將處理好的數(shù)據(jù)使用上述設計模型進行訓練。其中訓練數(shù)據(jù)用于訓練LDA模型，測試數(shù)據(jù)用于對訓練好的模型進行推薦結果測試。與其他推薦系統(tǒng)類似，本文將準確率（Precision）作為評估標準。Precision@K是指對所有測試集評論進行推薦的平均Top K準確度。本文將分別計算Precision@1、Precison@5、Precision@10和Precision@15，用于衡量模型的性能。為了分別觀察不同主題個數(shù)對推薦結果的影響，分別選取主題個數(shù)5、10、15、20，25和30，分別訓練出對應的模型，然后利用訓練出來的模型進行推薦并計算其Precision@K。不同主題數(shù)目下的Precision@5、Precision@10和Precision@15分別如圖2、圖3所示。

不同主題數(shù)目的Precision@K對比如圖4所示。從圖4可以看出，高職院校創(chuàng)新創(chuàng)業(yè)課程AI云計算學習服務平臺主題數(shù)目設置為20時，推薦結果較好。

2.4 系統(tǒng)實現(xiàn)

高職院校創(chuàng)新創(chuàng)業(yè)課程AI云計算學習服務平臺提供了豐富的學習資源，包括課程資料、案例分析和實踐項目等，方便學生自主學習和團隊協(xié)作，為學生提供一個在線學習交流的平臺，方便學生間進行互動和討論，提高學生的參與度和學習效果。支持學生在平臺上開展實踐項目，提供項目進度管理、團隊協(xié)作等功能，幫助學生提高實踐能力。利用人工智能技術，根據(jù)學生的學習情況和興趣愛好，為學生推薦相關學習資源和項目，提高學生的學習效率。對學生的學習情況和教師的教學效果進行數(shù)據(jù)分析，為學校的管理和決策提供依據(jù)。并將分析結果反饋給教師和學生，幫助他們改進學習和教學。

3 結論

結合上述分析，高職院校創(chuàng)新創(chuàng)業(yè)課程學習服務平臺需要進一步完善，尤其在AI云計算發(fā)展方面。為了提高教學水平和學生參與度，本文結合現(xiàn)代化AI技術，設計了高職院校創(chuàng)新創(chuàng)業(yè)課程AI云計算學習服務平臺。該系統(tǒng)在教學內(nèi)容上將AI和云計算技術與資源相結合，通過AI技術的“真實感”加強學生對創(chuàng)新創(chuàng)業(yè)課程學習的興趣。因此，將AI和云計算技術應用于學習平臺，能夠更有效地推動創(chuàng)新創(chuàng)業(yè)活動，增加學生對創(chuàng)新創(chuàng)業(yè)的了解。

參考文獻

[1]田西雨，吳淑蘋.教育大數(shù)據(jù)分析模型與服務平臺建構研究——以國家開放大學教學分析平臺為例[J].重慶開放大學學報，2023，35（3）：32-41.

[2]方海光，孔新梅，洪心，等.面向教育數(shù)字化服務的教育數(shù)據(jù)模型體系研究[J].遠程教育雜志，2022，40（4）：45-54.

[3]李國峰.教育大數(shù)據(jù)背景下智慧學習系統(tǒng)模型的構建研究[J].北京城市學院學報，2021（1）：59-64.