[發明專利]一種集成的無監督學生行為聚類方法

在審

• 申請號: 202011461457.4
• 申請日: 2020-12-07
• 公開（公告）號: CN112488236A
• 公開（公告）日: 2021-03-12
• 發明（設計）人: 李小勇;張勇;程會敏;尹寶才
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q50/20
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 張慧

本發明針對調查問卷方法在收集數據方面的局限性，以及統計方法、監督學習方法和半監督學習方法對學生標簽的嚴重依賴，提出了一種集成的無監督學生行為聚類方法。首先提取學生行為數據的特征，特征分為三部分，利用眾數、平均值以及范圍描述數據的集中趨勢，利用最小值、第一分位數、中位數、第三分位數以及最大值表達數據的離散情況，利用香農熵衡量行為發生時間和地點的規律程度；然后利用方差和相關性分析選擇最佳的行為特征；最后利用DBSCAN對學生的行為特征進行初始聚類，對于超大簇采用K?means進一步細分，得到最終的聚類結果。本發明不依賴學生標簽，僅通過分析行為數據完成聚類，為學生的精細化服務和管理奠定了基礎。

技術領域

本發明涉及一種集成的無監督學生行為聚類方法，具體涉及一種將基于密度的聚類算法DBSCAN和基于距離的劃分聚類算法K-means進行集成的一種無監督學生行為聚類方法。

背景技術

及時準確地了解學生的行為模式，并采取針對性的措施對于優化教育教學過程、提升教育質量有重要的作用。例如，通過分析學生在網絡教學平臺的學習行為或者傳統課堂的學習行為，可以提醒教師調整教學計劃和方法以達到更好的教學效果；通過分析學生在校園內的移動模式，管理人員可以進行資源的最佳配置；通過分析學生的社交行為模式，可以發現比較孤獨的學生并給予及時的關注，必要時進行心理干預；分析各種影響成績的行為因素，便于學生有效地調整行為模式等。這些研究工作均表明，充分了解學生的行為模式對于學校實施精準化服務和管理是一項必要且有重要意義的工作。

為了了解學生的行為模式，相關人員通常采用調查問卷的方法收集學生的行為信息并進行分析。然而，該方法存在以下局限性：(1)通常定期發放調查問卷，例如每學期或者每學年進行一次，這種非實時的調查方法無法滿足實時應用的要求，例如學校管理人員應該及時發現學生的異常行為模式并采取必要的干預措施，以免發生意外。(2)行為異常的學生可能會故意填寫虛假信息使其表現正常，而真正正常的學生則可能因為隨意填寫問卷導致其分析結果呈現異常，這些噪聲樣本會使分析結果產生一定的誤差。(3)設計一份可以準確且全面地了解學生的行為模式的調查問卷需要豐富的領域知識，這給設計人員帶來很大的挑戰。這些局限性使得調查問卷方法的應用效率較低且成本高。然而，隨著智慧校園的建設，學生在校園內的多種行為數據被實時存儲到數據庫中，這為學生行為模式分析提供了實時、客觀、全面的數據基礎。

獲取用戶行為數據之后，通常采用統計學和機器學習的方法對數據進行分析。統計方法重在推理行為特征和學生標簽之間的相關性。機器學習方法則分為三個子類，分別是監督學習方法、半監督學習方法以及無監督學習方法。監督學習方法基于學生的標簽信息，例如學業表現，心理狀態等，通過邏輯回歸、決策樹、支持向量機等分類算法對學生行為特征和學生標簽間的關系進行建模；半監督方法通常用于異常檢測，通過獲取表現正常的學生的行為信息，例如心理狀態正常的學生的行為信息，利用算法學習該類樣本的行為特征，當未知樣本的特征和該類的特征相差較大時，則認為未知樣本屬于異常；和監督學習以及半監督學習相比，無監督學習方法不需要標簽信息，它僅通過數據本身的特點對樣本聚類，使得特征相似的學生被歸為一類。在實際應用中，由于隱私保護等原因，通常無法獲取學生標簽信息，或者獲取成本很高，因此無監督聚類方法被廣泛應用。

發明內容