买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西北大学

摘要：一种利用数据增强和特征加权实现的MOOC辍学预测方法，基于数据增强和特征加权的CNN_GRU辍学预测模型以视频为单位，通过从在线教育平台中抽取学习者的学习行为数据作为模型输入，经过数据增强、信息提取、特征加权三个步骤计算发生辍学行为的概率。模型能更加准确地预测学习者发生辍学的概率且鲁棒性良好，在指标AUC和F1上模型均取得了最佳表现，分别为86.82%和90.35%。同时通过对比实验的方式，验证了特征加权能够有效提升模型性能。

主权项：1.一种利用数据增强和特征加权实现的MOOC辍学预测方法，其特征在于，包括以下步骤：步骤1、定义MOOCs的辍学预测：定义1.学习者和课程的属性信息，U和C分别表示学习者和课程集合，则u，c表示用户u选修课程信息c；定义2.学习行为数据：在线学习平台会记录学习者c在课程u的视频学习过程中包括开始学习、快进、倍速、暂停、结束播放行为数据，将学习行为数据分为第t节视频学习行为数据与前t-1节视频学习的行为数据，分别记为xtu，c，xhu，c，则与且i为整数，mx为学习行为数据的特征个数表示学习者c在课程u中的第i个与学习相关的值为连续值的行为特征；步骤2、辍学者初筛选：给定学习者信息u在课程c前t-1节视频学习行为xhu，c和第t节视频学习行为xtu，c以及学习者信息u和课程信息c，则辍学预测的目标是预测学习者是否会继续第t+1视频课程的学习，用yu，c∈{0，1}表示第t节视频学习后是否发生辍学的基本事实，当且仅当yu，c为“1”表示该学习者在第t节视频学习后发生了辍学，可用函数表示为：f：u，c，xhu，c，xtu，c→yu，c1步骤3、构建模型：为了能够及时准确地发现潜在的辍学者，构建基于数据增强和特征加权的ACG模型来预测和分析辍学，模型由卷积神经网络、门控循环单元、自注意力机制部分组成；卷积层用于筛选学习行为中的有效特征，GRU层用于提取学习行为中的时序信息，模型使用上下文信息对学习行为特征进行增强并嵌入为向量，随后，将使用卷积神经网络和门控循环单元提取到的特征信息和使用自注意力机制学习到的特征权重融合用于辍学预测，提高模型的预测能力；步骤4、数据增强：由于学习者的学习行为对学习者信息、课程信息、历史学习活动高度敏感，模型利用上下文信息对学习行为数据增强，即针对第t节视频的学习活动中的第i个学习活动特征，将学习者信息u、课程信息c、以及第i个特征的历史学习活动扩展到第t节视频学习活动中进行数据增强： 公式2中1≤i≤mx，而学习者的第i个特征的历史活动可以由映射函数G得到：因此，随后，将每一个特征通过嵌入层将每个x转换为密集向量；作为连续变量，通过将乘以参数向量来获得相应的嵌入向量： 公式3用表示的嵌入矩阵，到这里，可以看作是对学习过程行为数据的数据增强表示；步骤5、信息提取：模型使用卷积神经网络和门控循环单元进行学习行为中有效信息的提取，CNN自动提取输入数据的重要特征，并且在辍学预测问题中，CNN分类模型进行辍学预测，使用一维卷积神经网络对每一个Ei1≤i≤mx进行卷积操作：Si＝σWconvδEi+bconv4公式4中σ为激活函数，δ是用于将Ei铺平为一维向量的函数，因此，分别表示Ei、E卷积后的向量，然后，使用门控循环神经网络进行时序信息提取： 公式5到公式8中分别表示更新门和重置门；更新门的作用是控制前一时刻的状态信息被带入当前状态中的程度；重置门是用于控制前一状态有多少信息被写入到当前的候选集上，其中，均是上述公式中的可导变量参数；步骤6、特征加权采用自注意力机制对CNN_GRU提取的信息进行特征加权，将经过上一步提取的有效信息ht作为输入，可以得到加权特征hAtten： 公式9中是参数；而可以直接用于交给分类器进行分类；先使用函数δ将hAtten转换为一维向量，然后使用sigmoid函数进行辍学发生的概率计算： 公式10中ws是参数，表示模型预测学习者u在课程c中发生辍学行为的情况，“1”表示模型预测结果为“辍学”；步骤7、使用随机梯度下降SGD训练的分类器训练优化网络参数，ACG模型使用随机梯度下降作为优化器来构建最小化交叉熵损失函数： 公式11中Φ表示模型的参数集合，B是所有选修u，c的集合，yu，c表示在实际情况中学习者u是否在课程c中发生辍学；步骤8、根据上述步骤7得到模型每次迭代后的局部最优参数集合Φ。

全文数据：

权利要求：

百度查询： 西北大学 一种利用数据增强和特征加权实现的MOOC辍学预测方法