基于大數(shù)據(jù)的大學(xué)生綜合行為畫像探索

朱 錦 龍

(亳州學(xué)院電子與信息工程系， 安徽 亳州 236800)

2008年，在《Nature》雜志首次出現(xiàn)了“大數(shù)據(jù)(Big Data)”這一概念[1]。大數(shù)據(jù)一般指無法在一定時(shí)間范圍內(nèi)用常規(guī)軟件工具進(jìn)行捕捉、管理和處理的數(shù)據(jù)集合，是在新處理模式下才能具有更強(qiáng)的決策力、洞察發(fā)現(xiàn)力和流程優(yōu)化能力的海量、高增長率和多樣化的信息資產(chǎn)[2]。隨著高校教育信息化的不斷發(fā)展，校園一卡通管理系統(tǒng)、教務(wù)管理系統(tǒng)、學(xué)工系統(tǒng)、圖書管理系統(tǒng)、校園WiFi、智能樓宇等系統(tǒng)的廣泛應(yīng)用，智慧校園平臺(tái)累積了大量學(xué)生校園行為日常數(shù)據(jù)。這些日常數(shù)據(jù)就構(gòu)成了高校學(xué)生行為大數(shù)據(jù)，這些數(shù)據(jù)基本能夠客觀、真實(shí)地反映學(xué)生校園生活狀況。我們可以利用智慧平臺(tái)累積的大數(shù)據(jù)，充分挖掘發(fā)揮數(shù)據(jù)在學(xué)生管理和行為預(yù)警中的價(jià)值，通過大學(xué)生綜合行為畫像，分析學(xué)生的行為習(xí)慣和特點(diǎn)，從而更好地了解和引導(dǎo)學(xué)生。

1 大學(xué)生綜合行為畫像構(gòu)建

行為畫像是真實(shí)用戶的虛擬代表，是建立在一系列真實(shí)數(shù)據(jù)之上的目標(biāo)人的模型[3]。運(yùn)用數(shù)據(jù)挖掘技術(shù)進(jìn)行模型計(jì)算和標(biāo)簽化處理，用數(shù)據(jù)對(duì)大學(xué)生進(jìn)行綜合行為畫像，可以多維度準(zhǔn)確展現(xiàn)大學(xué)生的真實(shí)生活動(dòng)態(tài)。授課教師借助畫像信息可以改進(jìn)教學(xué)方式、進(jìn)行學(xué)習(xí)指導(dǎo)；輔導(dǎo)員借助畫像信息可以及時(shí)進(jìn)行行為預(yù)警和干預(yù)，改變管理手段和管理水平；學(xué)生本人也可以及時(shí)約束自己，改善學(xué)習(xí)方法，糾正不良生活、作息習(xí)慣。大學(xué)生綜合行為畫像可以概括為，基于校園大數(shù)據(jù)將學(xué)生行為信息標(biāo)簽化[4]。本次研究主要探討如何收集、處理各類數(shù)據(jù)，將數(shù)據(jù)標(biāo)簽化，從而構(gòu)建大學(xué)生校園生活動(dòng)態(tài)的綜合行為畫像。大學(xué)生綜合行為畫像構(gòu)建流程如圖1所示。

1.1 數(shù)據(jù)采集

智慧校園平臺(tái)通過業(yè)務(wù)管理系統(tǒng)、硬件設(shè)備和瀏覽網(wǎng)站累積了海量大學(xué)生校園生活行為數(shù)據(jù)。從這些數(shù)據(jù)中抽取出所需數(shù)據(jù)，并通過進(jìn)一步數(shù)據(jù)挖掘，即可全面展示一個(gè)大學(xué)生的綜合信息。這些數(shù)據(jù)包括靜態(tài)數(shù)據(jù)和動(dòng)態(tài)數(shù)據(jù)，以及結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)。靜態(tài)數(shù)據(jù)主要包括學(xué)生的基本信息，如姓名、年齡、性別、民族、專業(yè)年級(jí)、考試成績等；動(dòng)態(tài)數(shù)據(jù)主要包括課程學(xué)習(xí)數(shù)據(jù)、作息時(shí)間數(shù)據(jù)、校園卡消費(fèi)數(shù)據(jù)、網(wǎng)絡(luò)訪問數(shù)據(jù)、圖書借閱數(shù)據(jù)等。結(jié)構(gòu)化數(shù)據(jù)主要包括智慧校園平臺(tái)數(shù)據(jù)庫中按照一定數(shù)據(jù)標(biāo)準(zhǔn)存儲(chǔ)的規(guī)范數(shù)據(jù)；非結(jié)構(gòu)化數(shù)據(jù)主要包括網(wǎng)頁、CSV文件、Excel文件、圖片信息、視頻信息等數(shù)據(jù)。數(shù)據(jù)采集工作中，應(yīng)采集有用信息，剔除冗余信息，確定綜合行為畫像中用到的信息數(shù)據(jù)。

1.2 數(shù)據(jù)清洗

采集的原始數(shù)據(jù)來源于不同系統(tǒng)，多是不規(guī)范、不完整、重復(fù)、異常的“臟數(shù)據(jù)”。對(duì)于“臟數(shù)據(jù)”，應(yīng)先進(jìn)行清洗，完成異構(gòu)多數(shù)據(jù)源的數(shù)據(jù)整合，以實(shí)現(xiàn)不同數(shù)據(jù)源間的數(shù)據(jù)同步。

按照一定的數(shù)據(jù)標(biāo)準(zhǔn)，連接訪問不同業(yè)務(wù)系統(tǒng)的數(shù)據(jù)庫。對(duì)于不規(guī)范數(shù)據(jù)，進(jìn)行創(chuàng)建、瀏覽、刪除和修改，形成統(tǒng)一數(shù)據(jù)庫，存儲(chǔ)于數(shù)據(jù)倉庫中。對(duì)于不完整的數(shù)據(jù)，一般采用機(jī)器學(xué)習(xí)的方式插補(bǔ)，自動(dòng)完成整合。如，有的數(shù)據(jù)庫存在“空”值，通常以“0”或平均值予以替換。當(dāng)系統(tǒng)無法自動(dòng)完成時(shí)，采用人工干預(yù)的方式來完成。異常數(shù)據(jù)是指超過正常數(shù)值范圍的數(shù)據(jù)，對(duì)此類數(shù)據(jù)需篩選出來另行處理或刪除。

畫像展示(向輔導(dǎo)員、授課教師、學(xué)生本人)

1.3 數(shù)據(jù)標(biāo)簽化

標(biāo)簽通常是指人工定義的高度精煉的特征符號(hào)標(biāo)識(shí)，是特征的一種呈現(xiàn)方式[5]。它有兩個(gè)明顯特征：一是語義化，便于幫助人們理解標(biāo)簽的含義；二是短文本，有利于機(jī)器提取標(biāo)準(zhǔn)化信息。數(shù)據(jù)標(biāo)簽化是指對(duì)原始數(shù)據(jù)進(jìn)行分析，抽取學(xué)生行為相關(guān)變量或?qū)傩?，并為其貼上“標(biāo)簽”。各個(gè)標(biāo)簽從不同的角度描述數(shù)據(jù)對(duì)象，既有區(qū)別又有聯(lián)系，從而共同構(gòu)成學(xué)生行為畫像整體。

根據(jù)大學(xué)生校園行為原始數(shù)據(jù)，挖掘出有用的綜合行為畫像信息，進(jìn)而進(jìn)行模型計(jì)算、分析和評(píng)價(jià)。特征標(biāo)簽分為靜態(tài)特征標(biāo)簽和動(dòng)態(tài)特征標(biāo)簽：靜態(tài)特征標(biāo)簽主要包括姓名、年齡、性別、專業(yè)年級(jí)、考試成績等；動(dòng)態(tài)特征標(biāo)簽包括學(xué)習(xí)水平、上網(wǎng)習(xí)慣、作息習(xí)慣、消費(fèi)水平、飲食規(guī)律、社交關(guān)系等。大學(xué)生行為畫像特征標(biāo)簽如表1所示。

表1 大學(xué)生行為畫像特征標(biāo)簽

1.4 綜合行為畫像構(gòu)建

大學(xué)生綜合行為畫像是現(xiàn)實(shí)生活中實(shí)際樣本的數(shù)學(xué)建模，構(gòu)建基礎(chǔ)是從大學(xué)生校園行為軌跡中抽象而來的各種特征標(biāo)簽。通過一系列信息標(biāo)簽，可勾勒出學(xué)生的校園生活形象，進(jìn)而為其學(xué)習(xí)管理、成績分析、行為預(yù)警提供幫助。

(1) 構(gòu)建原則。綜合行為畫像來源于數(shù)據(jù)，構(gòu)建的原則是能夠真實(shí)反映本體?；诒倔w的個(gè)體畫像，集成了行為建模的概念和屬性，是行為個(gè)體畫像與本體論相結(jié)合的產(chǎn)物[6]?；诒倔w的知識(shí)表示方法，通常由實(shí)例、類、關(guān)系、函數(shù)和公理等部分組成。在計(jì)算機(jī)科學(xué)與信息科學(xué)領(lǐng)域，本體是指一種形式化的對(duì)于共享概念體系的明確說明。它是一種共享詞表，是一種特殊類型的術(shù)語集，是對(duì)特定領(lǐng)域之中某類概念及其相互之間關(guān)系的形式化表達(dá)，是人們以自己興趣領(lǐng)域的知識(shí)為素材、運(yùn)用信息科學(xué)的本體論原理而編寫出來的作品[7]。描述這樣一個(gè)畫像模型，需要一套數(shù)據(jù)化、符號(hào)化、形式化的標(biāo)準(zhǔn)知識(shí)體系，通過機(jī)器去理解、推理這套知識(shí)體系，使其進(jìn)一步形式化。畫像構(gòu)建原則如圖2所示。

圖2 畫像構(gòu)建原則

(2) 構(gòu)建方法。遵循樸素的行為特征表示規(guī)律，依據(jù)現(xiàn)實(shí)，建立模型，給出標(biāo)簽。行為畫像需要表現(xiàn)的是現(xiàn)實(shí)生活中業(yè)務(wù)系統(tǒng)對(duì)應(yīng)的特征學(xué)生，應(yīng)先建立學(xué)生特征模型，進(jìn)一步通過符號(hào)化抽象成學(xué)生特征的符號(hào)，即標(biāo)簽，而標(biāo)簽又能代表現(xiàn)實(shí)生活中的實(shí)體。比如某個(gè)學(xué)生個(gè)體有“上課紀(jì)律好”“學(xué)習(xí)成績好”“經(jīng)常去圖書館”等特征，則可以用“學(xué)霸”這個(gè)詞作為符號(hào)和標(biāo)簽，表示這位同學(xué)的學(xué)習(xí)水平。

2 綜合行為畫像探索與分析

2.1 綜合行為畫像特征標(biāo)簽數(shù)據(jù)處理

用于綜合行為畫像的數(shù)據(jù)來源于不同的業(yè)務(wù)系統(tǒng)，代表不同的特征標(biāo)簽，數(shù)據(jù)的單位、數(shù)量級(jí)別、取值范圍都不一樣。有的數(shù)據(jù)取值范圍特別大，會(huì)導(dǎo)致算法的訓(xùn)練時(shí)間過長，收斂較慢；取值范圍大的數(shù)據(jù)在模式分類中的貢獻(xiàn)也可能偏大，而取值范圍小的數(shù)據(jù)貢獻(xiàn)就可能非常小，數(shù)據(jù)之間的可比性較差。因此，需要對(duì)特征標(biāo)簽數(shù)據(jù)進(jìn)行歸一化處理，歸納統(tǒng)一樣本的統(tǒng)計(jì)分布性，在保持?jǐn)?shù)據(jù)之間相對(duì)關(guān)系的同時(shí)，使無可比性的數(shù)據(jù)具有可比性。歸一化就是將數(shù)據(jù)映射到[0,1]或[-1,1]區(qū)間，如歸一為(0.1,0.9)。

在機(jī)器學(xué)習(xí)算法和數(shù)據(jù)挖掘工作中，歸一化環(huán)節(jié)可以簡化計(jì)算方式，將有量綱的表達(dá)式變換為無量綱的表達(dá)式，變?yōu)榧兞?。例如在?yīng)用SVM之前，數(shù)據(jù)縮放非常重要，它可以避免小數(shù)值區(qū)間的屬性過多地被大數(shù)值區(qū)間的屬性所支配，同時(shí)降低計(jì)算過程中數(shù)值的復(fù)雜度。常用的數(shù)據(jù)歸一化包括線性函數(shù)歸一化(Min-Max Scaling)和0均值標(biāo)準(zhǔn)化(Z-Score Standardization)。

(1) 線性函數(shù)歸一化。線性函數(shù)歸一化是將原始特征標(biāo)簽數(shù)據(jù)通過線性化方式映射到[0,1]區(qū)間，歸一化函數(shù)如下：

該函數(shù)能夠?qū)崿F(xiàn)對(duì)原始特征標(biāo)簽數(shù)據(jù)的等比例縮放，其中Xn為歸一化后的數(shù)據(jù)，X為轉(zhuǎn)換前值，Xmax和Xmin分別為原始值集的最大值和最小值。函數(shù)實(shí)現(xiàn)：LaTex：{X}_{n}=frac{X-Xmin}{Xmax-Xmin}。

(2) 0均值標(biāo)準(zhǔn)化。0均值標(biāo)準(zhǔn)化是指對(duì)原始特征標(biāo)簽數(shù)據(jù)的均值和標(biāo)準(zhǔn)差進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，將原始數(shù)據(jù)值X通過Z-score標(biāo)準(zhǔn)化到Xn。標(biāo)準(zhǔn)化后的數(shù)據(jù)呈正態(tài)分布，即均值為0，標(biāo)準(zhǔn)差為1，在一定程度上改變了特征的分布。函數(shù)如下:

該歸一化函數(shù)能夠處理原始數(shù)據(jù)的分布，近似為高斯分布數(shù)據(jù)。其中，Xn為標(biāo)準(zhǔn)化后的新數(shù)據(jù)，X為原數(shù)據(jù)值，μ為均值，σ為標(biāo)準(zhǔn)差。函數(shù)實(shí)現(xiàn)：LaTex：{X}_{n}=frac{X-mu }{sigma }。

通常在分類、聚類算法中，需要使用距離來度量相似性的時(shí)候，或者使用PCA技術(shù)進(jìn)行降維的時(shí)候，0均值標(biāo)準(zhǔn)化方法表現(xiàn)更好；而在不涉及距離度量、協(xié)方差計(jì)算、數(shù)據(jù)屬性不符合正態(tài)分布的時(shí)候，可以采用線性函數(shù)歸一化方法。比如，圖像處理中，將RGB圖像轉(zhuǎn)換為灰度圖像后，將其值限定在[0,255]區(qū)間。

2.2 大學(xué)生綜合行為畫像應(yīng)用分析

綜合行為畫像主要從學(xué)習(xí)、三餐習(xí)慣、作息習(xí)慣、社交關(guān)系、消費(fèi)水平、上網(wǎng)習(xí)慣等方面進(jìn)行分析評(píng)價(jià)。

(1) 學(xué)習(xí)。這里主要對(duì)準(zhǔn)點(diǎn)率、出勤率、成績進(jìn)行加權(quán)求和，得到學(xué)習(xí)指數(shù)，通過學(xué)習(xí)指數(shù)反映學(xué)生的學(xué)習(xí)基礎(chǔ)與學(xué)習(xí)態(tài)度。學(xué)習(xí)指數(shù)L：L=f(s)，其中f(s)為歸一化函數(shù)，s為各個(gè)指標(biāo)的評(píng)價(jià)值。特征標(biāo)簽評(píng)價(jià)等級(jí)分為：學(xué)霸、學(xué)優(yōu)、學(xué)良、學(xué)中和學(xué)差。

(2) 三餐習(xí)慣。三餐習(xí)慣用規(guī)律度表示，即按照飲食指數(shù)設(shè)定等級(jí)，并給予評(píng)價(jià)。

飲食指數(shù)歸一化函數(shù)：

pm=-1×(21.362-0.003p-0.330p2)

s=sl-ss

pn=-1×(21.050-0.027p′-0.330p′2)

式中：Y為飲食指數(shù)；pm為早餐評(píng)價(jià)；td用餐標(biāo)準(zhǔn)差評(píng)價(jià)；pn為夜宵評(píng)價(jià)；p為早餐頻率；t為三餐平均標(biāo)準(zhǔn)差；s為消費(fèi)差評(píng)價(jià)；sl和ss分別為午餐和晚餐的日均消費(fèi)金額;p′為夜宵餐比例。

(3) 作息習(xí)慣。作息習(xí)慣用規(guī)律度表示，根據(jù)睡眠時(shí)間、入睡時(shí)間和起床時(shí)間等計(jì)算作息指數(shù)，對(duì)作息指數(shù)設(shè)定等級(jí)，進(jìn)行作息習(xí)慣評(píng)價(jià)。

作息指數(shù)函數(shù)：

式中：S為作息指數(shù)；f(x)為歸一化函數(shù)；tc為睡眠時(shí)間評(píng)價(jià)；t0為平均睡眠時(shí)長;ti為入睡時(shí)間評(píng)價(jià)；t1為平均入睡時(shí)間；tu為起床時(shí)間評(píng)價(jià)；t2為平均起床時(shí)間。

(4) 社交關(guān)系。由于大學(xué)生社交圈人數(shù)有限，這里以間隔5位同學(xué)作為目標(biāo)同學(xué)的共現(xiàn)對(duì)。如同學(xué)k，所在隊(duì)列中獲取有效共現(xiàn)對(duì)[(xk-5,xk),(xk-4,xk+1)，…(xk,xk+5)]，收集并計(jì)算共現(xiàn)對(duì)出現(xiàn)的次數(shù)。通過Louvain社區(qū)發(fā)現(xiàn)算法識(shí)別學(xué)生的關(guān)系群體，從而發(fā)現(xiàn)社群中離群索居的對(duì)象。

(5) 消費(fèi)水平。通過學(xué)生日均消費(fèi)金額c，計(jì)算消費(fèi)力指數(shù)Sp，評(píng)價(jià)學(xué)生的消費(fèi)水平，Sp=f(c)。結(jié)合學(xué)生用餐消費(fèi)和消費(fèi)場所、位置等判定消費(fèi)水平及消費(fèi)行為。

(6) 上網(wǎng)習(xí)慣。以日均上網(wǎng)時(shí)長為主要因素計(jì)算上網(wǎng)指數(shù)N，日均上網(wǎng)時(shí)長t與網(wǎng)絡(luò)成癮度具有線性相關(guān)性[8]。以上網(wǎng)指數(shù)N評(píng)價(jià)學(xué)生上網(wǎng)健康度：N=f(1.725+0.321t)。

下面就綜合行為畫像與學(xué)習(xí)成績相關(guān)度特征標(biāo)簽數(shù)據(jù)進(jìn)行分析，數(shù)據(jù)如表2所示。

表2 學(xué)習(xí)成績相關(guān)度

可以看出，上網(wǎng)類型和上網(wǎng)行為對(duì)成績有較大的影響。多瀏覽文庫、參考資料網(wǎng)站，在教學(xué)區(qū)上網(wǎng)時(shí)間長等行為指標(biāo)對(duì)成績有幫助，而瀏覽低俗網(wǎng)站，進(jìn)行高強(qiáng)度聊天、看小說、玩游戲等行為指標(biāo)對(duì)成績不利。消費(fèi)方面，學(xué)習(xí)支出多及經(jīng)常在校就餐等行為指標(biāo)對(duì)成績有正面作用，晚餐消費(fèi)和普通餐飲特色消費(fèi)行為指標(biāo)影響學(xué)習(xí)指數(shù)。指數(shù)方面，良好的飲食作息，周末多去室外活動(dòng)對(duì)成績也有正面作用。基本信息方面，不同生源對(duì)成績模型有不同影響。如，華北地區(qū)生源對(duì)成績的影響度一般較低，西北地區(qū)生源對(duì)成績的影響度較高。此外，男生取得高分的比例較低，貧困也是影響學(xué)生取得高分的重要原因。

3 結(jié) 語

當(dāng)前，高校智慧校園建設(shè)不斷深入，大學(xué)生行為數(shù)據(jù)累積量越來越大。在信息化社會(huì)里，數(shù)據(jù)即資源，數(shù)據(jù)即價(jià)值，這一點(diǎn)被越來越多人所認(rèn)同。借助大數(shù)據(jù)挖掘、分析技術(shù)，充分發(fā)揮數(shù)據(jù)價(jià)值，為大學(xué)生進(jìn)行綜合行為畫像，可以及時(shí)掌握學(xué)生學(xué)習(xí)狀況和生活動(dòng)態(tài)，為教師教學(xué)、領(lǐng)導(dǎo)決策、學(xué)生管理、行為預(yù)警等提供準(zhǔn)確信息。