低成本自进化的学习者画像模型研究

doi:10.3778/j.issn.1002-8331.2202-0240

摘要/Abstract

摘要： 复杂教学交互环境下，针对学习者画像模型所面临的维数灾难和更新高数据成本问题，提出了一种新的模型——大规模数据下低成本自进化学习者画像，该方法改进了传统的深度非负矩阵分解算法，以此来对原始数据从双空间进行特征结构保留并有效降维，抑制维数灾难；以图神经网络为信息捕获媒介，结合深度神经网络对元属性状态值进行量化，引导设计了一种自适应的特征抽取与动态更新策略来辅助学习者画像模型不断自进化；在斯坦福EDX平台数据集上设计了四项实验以验证该模型的性能。实验结果表明，该模型在93.13%的下游教学推荐任务精度下，可减少45%的更新数据成本。

关键词: 学习者画像, 双空间降维, 图注意力网络, 自适应特征抽取, 低数据成本更新

Abstract: In the current complex teaching interactive environment of AI, aiming at the dimension disaster and high data updating cost faced by the learner portrait model, this paper proposes a new model—low-cost self evolutionary learner portrait under large-scale data（LSLP）. This method first improves the traditional deep nonnegative matrix decomposition algorithm, so as to preserve the feature structure of the original data from the double space, effectively reduce the dimension and suppress the dimension disaster. Then, taking the graph neural network as the information capture medium, combined with the depth neural network to quantify the meta attribute state value, an adaptive feature extraction and dynamic update strategy is designed to assist the learner portrait model to evolve continuously. Finally, four experiments are designed on the data set of Stanford EDX platform to verify the performance of this model. The experimental results show that this model can reduce the cost of updating data by 45% with 93.13% accuracy of downstream teaching recommendation tasks.

Key words: learner portrail, double space dimensionality reduction, graph attention network, adptive feature extraction, low data cost update

葛迪, 吴彦文, 刘三女牙. 低成本自进化的学习者画像模型研究[J]. 计算机工程与应用, 2023, 59(11): 141-150.

GE Di, WU Yanwen, LIU Sanya. Low-Cost Self Evolving Learner Portrait Model[J]. Computer Engineering and Applications, 2023, 59(11): 141-150.

参考文献

[1] 余明华，张治，祝智庭.基于可视化学习分析的研究性学习学生画像构建研究[J].中国电化教育，2020（12）：36-43.
YU M H，ZHANG Z，ZHU Z T.Research on the construction of student portrait in research-based learning based on visual learning analytics[J].China Educational Technology，2020（12）：36-43.
[2] 林一，王舜波.基于学习风格的自适应式虚拟交互方法的研究[J].计算机工程与应用，2022，58（2）：274-280.
LIN Y，WANG S B.Study of adaptive virtual interaction method based on learning style[J].Computer Engineering and Applications，2022，58（2）：274-280.
[3] 黄铉.特征降维技术的研究与进展[J].计算机科学，2018，45（S1）：16-21.
HUANG X.Research and development of feature dimensionality reduction[J].Computer Science，2018，45（S1）：16-21.
[4] 马少沛，孙庆慧，武雅萱，等.大数据下张量充分降维方法及其应用研究[J].统计研究，2021，38（2）：114-134.
MA S P，SUN Q H，WU Y X，et al.Research on tensor sufficient dimension reduction method and its application in big data[J].Statistical Research，2021，38（2）：114-134.
[5] 李超，周泓.基于复合神经网络的学习风格动态分析与研究[J].计算机工程与应用，2018，54（6）：150-155.
LI C，ZHOU H.Research on dynamic learning style identification based on hybrid neural networks[J].Computer Engineering and Applications，2018，54（6）：150-155.
[6] 王小根，吕佳琳.从学习者模型到学习者孪生体——学习者建模研究综述[J].远程教育杂志，2021，39（2）：53-62.
WANG X G，LV J L.From learner model to learner twin：a review of learner modeling research[J].Journal of Distance Education，2021，39（2）：53-62.
[7] 郭阳.基于大规模信息融合的在线教育学习者个性化建模方法研究[D].哈尔滨：哈尔滨工业大学，2020.
GUO Y.Research on online education learner personalized modeling based on multi-source information fusion[D].Harbin：Harbin Institute of Technology，2020.
[8] 田雅慧.基于学习者画像的MOOC学情预警研究[D].上海：华东师范大学，2020.
TIAN Y H.Research on MOOC learning situation warning based on learner portrait[D].Shanghai：East China Normal University，2020.
[9] SHEEBA T，KRISHNAN R.Fuzzy integrated ontology model of dynamic learner profiling[J].International Journal of Innovative Technology and Exploring Engineering，2019，8（12）：131-143.
[10] VIESCA K M，STROM K，HAMMER S，et al.Developing a complex portrait of content teaching for multilingual learners via nonlinear theoretical understandings[J].Review of Research in Education，2019，43（1）：18-25.
[11] ZHANG Z，SUN G.Construction and empirical study of learner portrait in online general education course[J].Discrete Dynamics in Nature and Society，2022：1-9.
[12] XU G，JIA G，SHI L，et al.Personalized course recommendation system fusing with knowledge graph and collaborative filtering[J].Computational Intelligence and Neuroscience，2021：8-14.
[13] YOUSEFI N，VOSOUGHI M，ALEMI M.More proficient vs. less proficient EFL learners ‘perceptions of teachers’ motivation raising strategies[J].Journal of Applied Linguistics，2022，10（21）：8-14.
[14] 王雪岑，张昱，刘迎婕，等.基于表示学习的在线学习交互质量评价方法[J].计算机科学，2021，48（2）：207-211.
WANG X C，ZHANG Y，LIU Y J，et al.Evaluation of quality of interaction in online learning based on representation learning[J].Computer Science，2021，48（2）：207-211.
[15] 黄建国，唐烨伟，范佳荣，等.基于xAPI的在线学习环境中精准师训画像构建研究[J].中国电化教育，2020（4）：102-108.
HUANG J G，TANG Y W，FAN J R，et al.Research on the construction of accurate teacher training portrait in online learning environment based on xAPI[J].China Educational Technology，2020（4）：102-108.
[16] 师亚飞，彭红超，童名文.基于学习画像的精准个性化学习路径生成性推荐策略研究[J].中国电化教育，2019（5）：84-91.
SHI Y F，PENG H C，TONG M W.Research on generative recommendation strategy of precise personalized learning path based on learning portrait[J].China Educational Technology，2019（5）：84-91.
[17] 孟洋.基于稀疏结构和深度学习的降维方法研究[D].西安：西安电子科技大学，2020.
MENG Y.Research on dimension reduction method based on sparse structure and deep learning[D].Xi’an：Xidian University，2020.
[18] CAI D，HE X，HAN J，et al.Graph regularized nonnegative matrix factorization for data representation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，33（8）：1548-1560.
[19] HUANG J，NIE F，HUANG H，et al.Robust manifold nonnegative matrix factorization[J].ACM Transactions on Knowledge Discovery from Data，2014，8（3）：1-2.
[20] TRIGEORGIS G，BOUSMALIS K，ZAFEIRIOU S，et al.A deep semi-NMF model for learning hidden representations[C]//International Conference on Machine Learning，2014：1692-1700.
[21] 杨格兰，金辉霞，孟令中，等.基于图的半监督降维算法[J].计算机科学，2014，41（4）：280-282.
YANG G L，JIN H X，MENG L Z，et al.Semi-supervised dimensionality reduction algorithm based on graph[J].Computer Science，41（4），280-282.
[22] 陈晓云，陈媛.子空间结构保持的多层极限学习机自编码器[J].自动化学报，2022，48（4）：1091-1104.
CHEN X Y，CHEN Y.Multi-layer extreme learning machine autoencoder with subspace structure preserving[J].Acta Automatica Sinica，2022，48（4）：1091-1104.
[23] 王莉莉，郭威彤，杨鸿武.利用学习者画像实现个性化课程推荐[J].电化教育研究，2021，42（12）：55-62.
WANG L L，GUO W T，YANG H W.Using learner portraits to realize personalized course recommendation[J].Research on Audio-Visual Education，2021，42（12）：55-62.
[24] 钟卓，钟绍春，唐烨伟.人工智能支持下的智慧学习模型构建研究[J].电化教育研究，2021，42（12）：71-78.
ZHONG Z，ZHONG S C，TANG Y W.Research on the construction of intelligent learning model supported by artificial intelligence[J].E-education Research，2021，42（12）：71-78.
[25] 张治，杨熙，夏冬杰.基于在线作业数据的学习行为投入画像构建研究[J].电化教育研究，2021，42（10）：84-91.
ZHANG Z，YANG X，XIA D J.Construction of learning behavior investment portrait based on online homework data[J].E-education Research，2021，42（10）：84-91.
[26] 张倍思，陈烨，齐艺，等.多源过程性数据驱动的学习者综合评价模型研究[J].情报科学，2022，40（5）：104-110.
ZHANG B S，CHEN Y，QI Y，et al.Learner comprehensive evaluation model drivenby multi source process data[J].Information Science，2022，40（5）：104-110.
[27] ARAQUE N，ROJAS G，VITALI M V.UniNet：next term course recommendation using deep learning[C]//International Conference on Advanced Computer Science and Information Systems，2020：377-380.