基于聚類算法的學(xué)習(xí)風(fēng)格建模策略研究

龍坡 何晶

摘 要

傳統(tǒng)學(xué)習(xí)風(fēng)格基于調(diào)查者提前設(shè)定的問卷項(xiàng)目權(quán)重，加權(quán)后得出學(xué)習(xí)者所屬的學(xué)習(xí)風(fēng)格類型，這種方式存在很強(qiáng)的人為干預(yù)的不確定性。本文討論基于機(jī)器學(xué)習(xí)和大數(shù)據(jù)的方法，通過聚類算法，利用樣本之間客觀存在的關(guān)聯(lián)關(guān)系，自動(dòng)將大數(shù)據(jù)樣本分類成多個(gè)學(xué)習(xí)風(fēng)格分類，從而減少人為主觀因素的干擾，提高學(xué)習(xí)風(fēng)格類型判斷模型的準(zhǔn)確率。

關(guān)鍵詞

學(xué)習(xí)風(fēng)格;學(xué)習(xí)偏好;聚類;機(jī)器學(xué)習(xí);大數(shù)據(jù)

中圖分類號(hào)： TP18 ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A

DOI：10.19694/j.cnki.issn2095-2457 . 2020 . 18 . 86

0 前言

學(xué)習(xí)風(fēng)格也稱為學(xué)習(xí)偏好，或者說是學(xué)習(xí)者更傾向的學(xué)習(xí)方式。每個(gè)人在對(duì)待問題的態(tài)度、處理和感知時(shí)都具有自己的特點(diǎn)和處理方式。傳統(tǒng)的學(xué)習(xí)風(fēng)格測(cè)試主要通過問卷調(diào)查進(jìn)行，得到問卷調(diào)查后，人工根據(jù)預(yù)先判斷的權(quán)重，進(jìn)行加權(quán)計(jì)算，得出所屬的學(xué)習(xí)風(fēng)格類型。這種方式，人為因素干預(yù)很大。如果模型設(shè)定之人對(duì)于每一項(xiàng)答案的結(jié)果認(rèn)識(shí)有偏差，則整個(gè)模型準(zhǔn)確度就會(huì)下降。本文討論基于機(jī)器學(xué)習(xí)和大數(shù)據(jù)處理技術(shù)，采用聚類算法，利用特征之間的關(guān)系，自動(dòng)地將樣本數(shù)據(jù)集分成多個(gè)類，并以此樣本聚類后的結(jié)果作為算法模型，來判定一個(gè)新的樣本所屬的學(xué)習(xí)風(fēng)格類型?；诰垲愃惴ǖ膶W(xué)習(xí)風(fēng)格建模策略，能夠減少人工干預(yù)對(duì)模型造成的誤差，從而提高測(cè)試準(zhǔn)確率。

1 常見學(xué)習(xí)風(fēng)格分類

1.1 凱夫分類法

關(guān)于學(xué)習(xí)風(fēng)格，一直以來都是各有一套自己的理論體系。國外學(xué)者在20世紀(jì)70年代開始就提出了學(xué)習(xí)風(fēng)格理論，并從多種角度闡述了自己的觀點(diǎn)。學(xué)習(xí)風(fēng)格論最早由美國學(xué)者哈伯特·賽倫（Herbert Thelen）提出，凱夫（Keefe）將其進(jìn)一步豐富和發(fā)展[1]。國內(nèi)著名學(xué)習(xí)風(fēng)格學(xué)者譚頂良先生也提出了自己的分類方法。目前國際上認(rèn)可度最高的學(xué)習(xí)風(fēng)格概念的體系則是凱夫?qū)W(xué)習(xí)風(fēng)格概念的界定[2]。

（1）主動(dòng)型：主動(dòng)型風(fēng)格的人喜歡和很多人一起合作學(xué)習(xí)，也就是我們常說的團(tuán)隊(duì)型選手。

（2）反思型：這類人相對(duì)于喜歡獨(dú)立自主的去完成工作和任務(wù)，具有較強(qiáng)的個(gè)人自主意識(shí)，偏向獨(dú)立觀點(diǎn)。

（3）感官型：感官型的學(xué)習(xí)者喜歡將學(xué)習(xí)內(nèi)容和實(shí)際的事物相關(guān)聯(lián)，他們覺得脫離了真實(shí)世界的學(xué)習(xí)方法是不太能接受。

（4）直覺型：這類的學(xué)習(xí)者對(duì)于知識(shí)反應(yīng)迅速，并喜歡創(chuàng)新的進(jìn)行學(xué)習(xí)，不喜歡墨守成規(guī)，同時(shí)發(fā)現(xiàn)能力強(qiáng)，善于洞察事物間的關(guān)聯(lián)或可能性。

（5）視覺型：視覺型顧名思義就是喜歡即見即所得，他們喜歡從可以看得見的或者實(shí)操性比較強(qiáng)的場(chǎng)景中進(jìn)行學(xué)習(xí)。

（6）聽覺型：聽覺學(xué)習(xí)者更傾向于從口述或者文字描述中獲得知識(shí)。

（7）循序型：這類學(xué)習(xí)者比較適合按照某些章法和規(guī)則，循序漸進(jìn)的學(xué)習(xí)。

（8）總體型：這類的學(xué)習(xí)者，喜歡先把問題逐個(gè)理解的方式學(xué)習(xí)，而且有時(shí)候是跳躍式的吸收知識(shí)，很多情況下表現(xiàn)的是頓悟。

1.2 VARK模型

VARK模型是弗萊明（Neil Fleming）提出的學(xué)習(xí)風(fēng)格調(diào)查問卷。VARK學(xué)習(xí)風(fēng)格模型主要學(xué)習(xí)者類型如下：

（1）視覺學(xué)習(xí)型：視覺學(xué)習(xí)者習(xí)慣通過觀察來進(jìn)行學(xué)習(xí)，大多數(shù)的IT從業(yè)人員都是偏向于視覺學(xué)習(xí)者，他們喜歡看到有層次的圖文并茂的學(xué)習(xí)資源。

（2）聽覺學(xué)習(xí)型：聽覺學(xué)習(xí)者傾向于通過與人交流獲取來獲取信息，從中學(xué)習(xí)。這種風(fēng)格的人習(xí)慣通過溝通來解決問題，并且善于記住聽過的事情。

（3）讀寫學(xué)習(xí)型：讀寫型的學(xué)習(xí)者喜歡通過文字來表達(dá)和獲取知識(shí)。因此他們的寫作能力一般都比較好。

（4）動(dòng)覺學(xué)習(xí)型：動(dòng)覺學(xué)習(xí)型的人比較喜歡實(shí)踐，他們堅(jiān)信實(shí)踐出真知，因此他們善于模擬演練，喜歡扮演角色，從中獲得知識(shí)和學(xué)習(xí)。

（5）多模態(tài)學(xué)習(xí)型：多模態(tài)類型的學(xué)習(xí)者喜歡從多個(gè)角度入手學(xué)習(xí)，而且可以根據(jù)自己的需求進(jìn)行學(xué)習(xí)風(fēng)格的切換。

2 聚類算法實(shí)現(xiàn)學(xué)習(xí)風(fēng)格分類

使用聚類算法實(shí)現(xiàn)學(xué)習(xí)風(fēng)格分類模型，相同的類別的數(shù)據(jù)一般具有比較相近的屬性或者特征，而一旦特征或者屬性差異很大，那么數(shù)據(jù)表現(xiàn)也會(huì)截然不同。通過計(jì)算學(xué)習(xí)者的特征向量之間的距離關(guān)系，經(jīng)過多次迭代后，自動(dòng)的聚成預(yù)先設(shè)定的幾個(gè)分組。自動(dòng)分組后根據(jù)每組樣本的共性，人工判斷每個(gè)組所屬的學(xué)習(xí)風(fēng)格分類，從而得到學(xué)習(xí)風(fēng)格算法模型。當(dāng)一個(gè)新的樣本需要進(jìn)行學(xué)習(xí)風(fēng)格判定時(shí)，計(jì)算該樣本與每個(gè)學(xué)習(xí)風(fēng)格分類組的中心距離，距離最近的一個(gè)分組即為新樣本所屬的學(xué)習(xí)風(fēng)格。

2.1 分類特征的選取

機(jī)器學(xué)習(xí)領(lǐng)域里，樣本數(shù)據(jù)的特征就是能代表樣本特異性的信息。也就是信息論里面說的，有價(jià)值有信息量的數(shù)據(jù)項(xiàng)，稱作為信息特征[3]。人物的特征包括外貌特征、性格特征、從事工作、家庭背景等等。其中對(duì)學(xué)習(xí)風(fēng)格影響最大的特征應(yīng)該是性格特征。性格特征又包括如下幾個(gè)方面，態(tài)度特征、意志特征、情緒特征、理智特征。以上這些特征，我們可以通過現(xiàn)在普遍適用的問卷調(diào)查的方式收集，并給予評(píng)分，于是得到多組向量：

特征名稱：態(tài)度特征，意志特征，情緒特征，理智特征， 外貌特征，從事工作，家庭背景。

其中，態(tài)度特征、意志特征、理智特征、情緒特征在平時(shí)生活中，表現(xiàn)出來的是一種程度，程度通過量化后可以用連續(xù)的數(shù)值進(jìn)行描述，因此我們可以根據(jù)取值情況，給每個(gè)性格特征設(shè)定一個(gè)范圍。外貌特征、從事工作、家庭背景3個(gè)特征是離散數(shù)據(jù)。針對(duì)離散數(shù)據(jù)，機(jī)器學(xué)習(xí)方法中可以轉(zhuǎn)換成one-hot編碼，從而變成數(shù)值型特征，再和其他連續(xù)值的特征數(shù)組進(jìn)行合并，從而成功構(gòu)建后續(xù)模型構(gòu)建所需要的測(cè)試數(shù)據(jù)集。機(jī)器學(xué)習(xí)支持常用的數(shù)據(jù)格式CSV、SQL、XLS、JSON、HDF5等，這里建議使用HDF5作為數(shù)據(jù)集，因?yàn)樗С謮嚎s，因此即使我們收集的數(shù)據(jù)量很大，也能夠處理。

2.2 模型的構(gòu)建

聚類算法是機(jī)器學(xué)習(xí)里面的一種無監(jiān)督學(xué)習(xí)，我們通常使用k-means聚類算法，因?yàn)樗麣v史悠久，并且應(yīng)用最為廣泛，數(shù)據(jù)分析領(lǐng)域，工業(yè)領(lǐng)域都很流行。具體聚類迭代過程：

（1）首先，要明確分類的個(gè)數(shù)N，初始化為隨機(jī)選擇N個(gè)特征向量作為各分類的中心點(diǎn)。關(guān)于分組數(shù)量，我們可以在選擇一個(gè)學(xué)習(xí)風(fēng)格分類的時(shí)候，就能夠得到，例如我們選擇VARK理論，那么分類個(gè)數(shù)N則為5。

（2）計(jì)算待分配點(diǎn)與每個(gè)類別中心點(diǎn)的距離，距離最近的一個(gè)中心點(diǎn)的分類，則為待分配點(diǎn)的分類，然后將這個(gè)待分配點(diǎn)歸入該分類中。

（3）基于迭代一組數(shù)據(jù)后，計(jì)算每一類所有點(diǎn)的平均值，作為當(dāng)前類別新的中心。中心點(diǎn)的定義為距離本組所有向量之間的距離都相等的點(diǎn)。

（4）不斷重復(fù)上述三個(gè)步驟，直到所有組的中心點(diǎn)的位置變化趨近于0的時(shí)候，或者說中心點(diǎn)位置收斂。為了保證效果的最佳，還可以重新隨機(jī)選擇N個(gè)中心點(diǎn)再次迭代，比較多次計(jì)算結(jié)果，得出最佳結(jié)論。

假設(shè)我們選擇將學(xué)習(xí)風(fēng)格按照VARK模型劃分成5個(gè)類別，那么我們的聚類數(shù)量就是5，我們隨機(jī)選取5個(gè)基準(zhǔn)學(xué)習(xí)者的樣本，依次計(jì)算所有學(xué)習(xí)者樣本和這5個(gè)樣本之間的距離，并且把它歸類到距離最近的一個(gè)基準(zhǔn)樣本所屬的組。接下來，我們需要更新計(jì)算新加入的樣本和基準(zhǔn)樣本之間的中心點(diǎn)，把這個(gè)中心點(diǎn)作為新的基準(zhǔn)樣本。依次計(jì)算完所有樣本和基準(zhǔn)樣本之間的距離，納入后再次不斷更新中心點(diǎn)。直到把所有樣本計(jì)算完成，形成5個(gè)分組，以及5個(gè)分組中心點(diǎn)。然后只需要人工審核一下5個(gè)組別分別對(duì)應(yīng)VARK模型的學(xué)習(xí)風(fēng)格的哪一個(gè)類別，進(jìn)行標(biāo)記即可。

2.3 模型的應(yīng)用

經(jīng)過模型的構(gòu)建和迭代后，得到了5個(gè)VARK模型的類別，以及還知道了每個(gè)類別的中心點(diǎn)樣本的特征向量，即模型的基本數(shù)據(jù)參數(shù)?；诰垲惸Ｐ偷某Ｓ脩?yīng)用流程和模型構(gòu)建迭代過程實(shí)際上是相似的。首先，根據(jù)用戶填寫的問卷調(diào)查，拿到用戶輸入的數(shù)據(jù)，經(jīng)過屬于預(yù)處理，剔除噪聲數(shù)據(jù)，減少對(duì)結(jié)果的干擾。第二步，根據(jù)我們的特征定義規(guī)則，提取待檢測(cè)數(shù)據(jù)的特征向量。第三步，計(jì)算該特征向量和5個(gè)聚類中心的距離，距離最近的一個(gè)聚類中心點(diǎn)所屬的學(xué)習(xí)風(fēng)格，即為待檢測(cè)數(shù)據(jù)的學(xué)習(xí)風(fēng)格，從而完成一次數(shù)據(jù)檢測(cè)應(yīng)用。

模型的應(yīng)用可以發(fā)布成web應(yīng)用或者restful-api服務(wù)，如果采用python的sklearn或者Tensorflow等機(jī)器學(xué)習(xí)框架構(gòu)建模型，可以導(dǎo)出hdf5格式，模型參數(shù)也可以保存成支持跨平臺(tái)的格式。從而方便根據(jù)需求隨時(shí)遷移到各種平臺(tái)進(jìn)行應(yīng)用。

3 總結(jié)

聚類算法的穩(wěn)定性和悠久的歷史，證明了其優(yōu)越性，我們將其引入到學(xué)習(xí)風(fēng)格判定和預(yù)測(cè)上面，可以提高其客觀性，從而提高其準(zhǔn)確性。實(shí)際上，在聚類算法的應(yīng)用過程中，我們可以繼續(xù)進(jìn)一步迭代算法，把新樣本的計(jì)算結(jié)果和用戶給予計(jì)算結(jié)果的評(píng)分，反饋給系統(tǒng)，系統(tǒng)對(duì)模型進(jìn)行進(jìn)一步迭代，從而優(yōu)化系統(tǒng)的準(zhǔn)確率。另外，我們還可以考慮采用深度學(xué)習(xí)來進(jìn)行學(xué)習(xí)風(fēng)格的分類，基于深度神經(jīng)網(wǎng)絡(luò)，我們不需要提取用戶的特征，因此進(jìn)一步減少人為因素的干預(yù)，讓評(píng)價(jià)數(shù)據(jù)更加客觀。

參考文獻(xiàn)

[1]王蓉，李小青，劉軍蘭，等.基于大數(shù)據(jù)網(wǎng)絡(luò)用戶興趣個(gè)性化推薦模型分析[J].電子設(shè)計(jì)工程，2019，27（21）：5-8.

[2]劉路，魏源.當(dāng)代大學(xué)生學(xué)習(xí)偏好的差異性比較[J].廣西教育學(xué)院學(xué)報(bào)，2014（3）：119-121.

[3]單留舉，王曉東，馬英運(yùn).基于大數(shù)據(jù)的用戶學(xué)習(xí)偏好建模及應(yīng)用[J].計(jì)算機(jī)應(yīng)用與軟件，2016（1）：77-80，共4頁.