[發(fā)明專利]基于復雜網(wǎng)絡(luò)理論的在線學習分組方法

有效

• 申請?zhí)枺?/td>: 201710321172.2
• 申請日: 2017-05-09
• 公開（公告）號: CN107133894B
• 公開（公告）日: 2021-05-25
• 發(fā)明（設(shè)計）人: 金政哲
• 申請（專利權(quán)）人: 廣州大洋教育科技股份有限公司
• 主分類號: G06Q50/20
• 分類號: G06Q50/20;G06K9/62
• 代理公司: 北京捷誠信通專利事務(wù)所(普通合伙) 11221
• 代理人: 王衛(wèi)東

1.基于復雜網(wǎng)絡(luò)理論的在線學習分組方法，其特征在于，包括以下步驟：

在大規(guī)模在線學習系統(tǒng)中，獲取能夠多維度反映學習者人格特質(zhì)的數(shù)據(jù)集合；

獲取學習者學習成績，并結(jié)合獲取的反映學習者人格特質(zhì)的數(shù)據(jù)集合構(gòu)建復合歐式距離；

將每個學習者視為學習者網(wǎng)絡(luò)中的一個節(jié)點，構(gòu)建學習者網(wǎng)絡(luò)；

利用貪婪算法依次對有邊連接的各個節(jié)點進行合并，自動聚類劃分為學習小組；

其中，利用貪婪算法依次對有邊連接的各個節(jié)點進行合并，自動聚類劃分為學習小組，具體包括以下步驟：

將學習者網(wǎng)絡(luò)中的每個節(jié)點分別看作一個社團；

將有邊相連的社團依次進行合并；

計算合并后形成的新社團的模塊度，直至整個學習者網(wǎng)絡(luò)的模塊度最大，得到的新社團即為學習小組；

根據(jù)貪婪算法的原則，每次合并的方向沿著學習者網(wǎng)絡(luò)的模塊度增加最大或模塊度減少最小的方向進行，每次合并將減少一定數(shù)量的社團，同時，學習者網(wǎng)絡(luò)的結(jié)構(gòu)也會相應(yīng)的更新，直至將有邊相連的節(jié)點合并到一個社團；

另外，將學習小組中節(jié)點介數(shù)最大的節(jié)點作為該學習小組的學習領(lǐng)袖，學習領(lǐng)袖是在線學習過程中活躍度高、成績優(yōu)秀、對學習互動和深度學習具有引領(lǐng)作用的個體；

學習者的活躍度通過點度來表示，學習者的點度中心性為點出度和點入度的綜合，第i學習者的活躍度綜合評價值如下所示：

A_i＝α_i×outD_i+β_i×inD_i；

其中，Ai表示第i學習者的活躍度綜合評價值；outD_i和inD_i分別表示第i學習者的點出度和點入度；α_i和β_i分別表示第i學習者的點出度和點入度的權(quán)重，α_i+β_i＝1；

學習者的影響力通過接近中心度和間距中心度表示，第i學習者的影響力綜合評價值如下所示：

I_i＝γ_i×C_c+μ_i×C_b；

其中，I_i表示第i學習者的影響力綜合評價值；C_c和C_b分別表示第i學習者的接近中心度和間距中心度；γ_i和μ_i分別表示第i學習者的接近中心度和間距中心度的權(quán)重，γ_i+μ_i＝1。

2.如權(quán)利要求1所述的方法，其特征在于，將每個學習者視為學習者網(wǎng)絡(luò)中的一個節(jié)點，構(gòu)建學習者網(wǎng)絡(luò)，具體為：

設(shè)定各節(jié)點之間的復合歐式距離閾值，當兩節(jié)點之間的復合歐式距離小于或等于復合歐式距離閾值時，則認為兩節(jié)點之間有邊的連接；

當兩節(jié)點之間的復合歐式距離大于復合歐式距離閾值時，則認為兩節(jié)點之間不存在連接關(guān)系。

3.如權(quán)利要求2所述的方法，其特征在于，復合歐式距離閾值為學習者網(wǎng)絡(luò)中全部節(jié)點的復合歐式距離的平均值的N倍，0.3≤N≤1.5。

4.如權(quán)利要求1所述的方法，其特征在于，復合歐式距離表示為：

其中，D為復合歐式距離；d1為學習者學習成績的歐式距離；d2為學習者人格的歐氏距離；α為d1的權(quán)重；β為d2的權(quán)重；α+β＝1。

5.如權(quán)利要求1所述的方法，其特征在于，貪婪算法的具體過程如下：

定義一個n×n維的數(shù)組對稱矩陣E＝[e_ij]；

其中，n為學習者網(wǎng)絡(luò)劃分的社團數(shù)，在初始時，n為學習者網(wǎng)絡(luò)中的節(jié)點數(shù)；

定義數(shù)組對稱矩陣E的每行或者每列中各元素之和為a_p＝∑_je_ij；

其中，m為學習者網(wǎng)絡(luò)的總邊數(shù)，k_p為節(jié)點p的模塊度；

依次合并有邊相連的社團，計算新社團的模塊度，重復上述過程，直至整個學習者網(wǎng)絡(luò)的模塊度最大。