基于改進(jìn)模糊均值聚類的漢語言學(xué)習(xí)用戶學(xué)習(xí)行為模式研究

年晴

摘要：為了實現(xiàn)漢語言在線學(xué)習(xí)用戶學(xué)習(xí)行為聚類分析，針對FCM聚類結(jié)果易受其初始聚類中心選擇的影響，提出一種基于IHSFCM的漢語言學(xué)習(xí)用戶學(xué)習(xí)行為聚類分析。選擇參與維度、專注維度、規(guī)律維度、交互維度和學(xué)習(xí)成績等作為學(xué)習(xí)行為的分析指標(biāo)，學(xué)習(xí)者層次分為5個等級，分別為優(yōu)秀、良好、中、合格和差。與HSFCM、SVM和決策樹對比發(fā)現(xiàn)，文中算法IHSFCM具有更高的聚類準(zhǔn)確率和更快的收斂速度以及更低的適應(yīng)度，為學(xué)習(xí)者層次劃分和優(yōu)化課程學(xué)習(xí)提供了新的方法。

關(guān)鍵詞：在線學(xué)習(xí);漢語言;學(xué)習(xí)行為;模糊均值聚類;和聲搜索算法

中圖分類號：TP391

文獻(xiàn)標(biāo)志碼：A

StudyontheLearningBehaviorModelofChineseLanguage

LearnersBasedonImprovedFuzzyCmeansClustering

NIANQing

（

SchoolofHumanitiesManagement，ShanxiUniversityofTraditionalChineseMedicine，Xian712046，China

）

Abstract：InordertoanalyzethelearningbehaviorofChineselanguageonlinelearners，duetoFCMclusteringresultsareeasilyaffectedbytheinitialclustercenterselection，thispaperpresentsaclusteringanalysisofChineselanguagelearningbehaviorbasedonIHSFCM.Participationdimension，attentiondimension，regularitydimension，interactiondimensionandlearningachievementareselectedastheanalysisindexesoflearningbehavior.Thelearners'levelisdividedinto5grades，i.e.，excellent，good，medium，qualifiedandpoor.ComparedwithHSFCM，SVManddecisiontree，theIHSFCMhashigherclusteringaccuracy，fasterconvergencespeedandlowerfitness.Itprovidesanewmethodforlearnerstodivideandoptimizecourselearning.

Keywords：onlinelearning;Chineselanguage;learningbehavior;fuzzyCmeansclustering;harmonysearchalgorithm

0引言

隨著我國經(jīng)濟(jì)的快速發(fā)展和綜合國力的不斷上升，對外交流和對外貿(mào)易的深度和規(guī)模不斷加深和擴(kuò)大以及網(wǎng)絡(luò)教學(xué)和在線課程的飛速發(fā)展，漢語言學(xué)習(xí)的人數(shù)和規(guī)模不斷增加和擴(kuò)大，積累了大量的學(xué)習(xí)數(shù)據(jù)，如何利用這些學(xué)習(xí)數(shù)據(jù)挖掘出學(xué)習(xí)數(shù)據(jù)的內(nèi)在價值更好地服務(wù)于漢語言的教與學(xué)，引起了廣泛關(guān)注和研究[12]。因此研究漢語言學(xué)習(xí)用戶的學(xué)習(xí)行為對優(yōu)化課程教學(xué)和完善課程評估具有重要意義。

模糊C均值（FuzzyCmean，F(xiàn)CM）聚類[3]是運用隸屬度確定每個數(shù)據(jù)樣本類別的方法，具有效率高、計算量小的優(yōu)點，然而FCM聚類結(jié)果易受其初始聚類中心選擇的影響，本文將和聲搜索算法（HarmonySearch，HS）應(yīng)用于FCM初始聚類中心的選擇，提出一種基于IHSFCM的漢語言學(xué)習(xí)用戶學(xué)習(xí)行為聚類分析。研究結(jié)果表明，IHSFCM具有更快的收斂速度和更低的適應(yīng)度，效果較HSFCM更優(yōu)，為漢語言課程學(xué)習(xí)優(yōu)化提供科學(xué)決策的依據(jù)。

1改進(jìn)的HS算法

（1）隨機(jī)位置更新

若HS算法中最差和最好和聲分別為xworst以及xbest，將xworst視為基向量，則較優(yōu)和聲通過學(xué)習(xí)xbest調(diào)節(jié)出來，本文提出一種基于隨機(jī)位置更新的方法如式（1）—式（2）。

xnewi=xri+rand×（xd-xri）

（1）

xd=F×xbesti-xri，r∈（1，2，…，HMS）

（2）

若xrxUi，則xd=xUi。式（1）和式（2）中，rand為隨機(jī)數(shù);xnewi、xri分別為新產(chǎn)生的和聲xnew以及隨機(jī)選擇的和聲xr的第i維變量;xLi、xUi為和聲xi第i維變量的上限和下限;遷移尺度F∈[0，2]。

（2）反向?qū)W習(xí)

為擴(kuò)大HS算法的搜索空間，將反向?qū)W習(xí)[45]引入HS算法，反向?qū)W習(xí)策略如式（3）。

xnewi=

xUi+xLi-xri，rand≤0.5

xri，其他

（3）

（3）小概率變異

HS算法中的小概率變異操作如式（4）。

xnewi=xLi+rand×（xUi-xLi）

（4）

如果rand≤Pm，則進(jìn)行小概率變異，取Pm=0.005。

（4）修正音調(diào)微調(diào)概率

音調(diào)微調(diào)概率PAR可設(shè)計如式（5）。

PARt+1=PARmax-PARminT·t+PARmin

（5）

式（5）中，PARmax、PARmin為音調(diào)微調(diào)概率的最大值和最小值;PARt+1為第t+1次的音調(diào)微調(diào)概率。

改進(jìn)HS算法流程，如圖1所示。

2基于IHSFCM聚類

2.1學(xué)習(xí)行為分析指標(biāo)

為實現(xiàn)漢語言學(xué)習(xí)用戶學(xué)習(xí)行為的分析，在參考文獻(xiàn)[68]基礎(chǔ)上，選擇參與維度、專注維度、規(guī)律維度、交互維度和學(xué)習(xí)成績等作為評價指標(biāo)，詳細(xì)評價指標(biāo)，如表1所示。

2.2FCM聚類

假設(shè)樣本數(shù)據(jù)x={x1，x2，…，xn}，樣本數(shù)據(jù)為n個，每個元素包含d個屬性。FCM聚類數(shù)目為C（2≤C≤n），聚類中心W={w1，w2，…，wC}。由于FCM模糊聚類的每個元素類別不能被嚴(yán)格劃分到具體的某一類別之中，所以令μik為第k個元素屬于第i類的隸屬度，其中

∑Ci=1μik=1，μik∈[0，1]。

FCM模糊均值聚類的目標(biāo)函數(shù)定義為：

minJm（U，W）=∑nk=1

∑Ci=1μbikd2ik

（6）

式中，b為指數(shù)權(quán)重，文中取b=2;U為隸屬度矩陣;dik=||xk-wi||表示元素xk與類中心wi二者之間的歐式距離。FCM模糊均值聚類的中心思想就是不斷調(diào)整（U，W）使得目標(biāo)函數(shù)Jm（U，W）最小。FCM模糊均值聚類的迭代步驟為：

Step1：設(shè)定聚類數(shù)目C（2≤C≤n）和指數(shù)權(quán)重b，并隨機(jī)初始化聚類中心矩陣W（0），令迭代次數(shù)l=0;

Step2：計算隸屬度矩陣U;

u（l）ik=

1/∑Cj=1（dik/djk）2b-1，dik>0

1，dik=0

（7）

Step3：修正聚類中心W;

w（l+1）i=∑nk=1（μ（l）ik）bxk∑nk=1（μ（l）ik）b

（8）

Step4：對于給定閾值ε>0，若J（l）m-J（l-1）m≤ε，則FCM算法結(jié)束，此時對應(yīng)的最優(yōu)聚類中心W（l）=w（l）1，w（l）2，…，w（l）C;反之，l=l+1，返回Step2。

2.3IHSFCM聚類

IHSFCM聚類思想：先隨機(jī)產(chǎn)生幾組聚類中心點，運用IHS算法的思想變化區(qū)域中心點計算適應(yīng)度，淘汰適應(yīng)度低的中心點和產(chǎn)生新的中心點，重新迭代計算，如此反復(fù)，直到滿足結(jié)束條件為止，算法流程圖，如圖2所示。

基于IHSFCM的漢語言在線學(xué)習(xí)用戶學(xué)習(xí)行為聚類分析算法可以具體詳細(xì)地描述為：

Step1：讀取漢語言在線學(xué)習(xí)用戶學(xué)習(xí)行為分析指標(biāo)數(shù)據(jù);

Step2：初始化HS算法參數(shù)：創(chuàng)作的次數(shù)T、聲記憶庫的個數(shù)HMS、音調(diào)微調(diào)的概率PAR、音調(diào)微調(diào)的帶寬bw以及和聲記憶庫保留的概率HMCR;

Step3：初始化和聲記憶庫;

Step4：生成新和聲;

Step4：更新和聲記憶庫：根據(jù)適應(yīng)度函數(shù)（6）評價Step3中的新解，若比HM中的函數(shù)值最差的一個好，則更新至HM中;

Step5：重復(fù)Step3和Step4，直到滿足終止條件，輸出FCM最優(yōu)聚類中心，并將FCM最優(yōu)聚類中心帶入FCM模型進(jìn)行漢語言在線學(xué)習(xí)用戶學(xué)習(xí)行為聚類。

3實證分析

3.1數(shù)據(jù)來源

為了驗證本文算法的有效性，選擇網(wǎng)易公開課《漢語言文字學(xué)類課程導(dǎo)論》在線課程學(xué)習(xí)數(shù)據(jù)為研究對象[1213]，將學(xué)習(xí)者層次分為5個等級，分別為優(yōu)秀、良好、中、合格和差，不同學(xué)習(xí)者類型數(shù)據(jù)分布，如表2所示。

3.2評價指標(biāo)

為了說明漢語言在線學(xué)習(xí)用戶學(xué)習(xí)行為聚類分析的效果，評價指標(biāo)選擇聚類

準(zhǔn)確率T和誤判率F。

（1）準(zhǔn)確率T：如果學(xué)習(xí)者類型被正確聚類的數(shù)量為A，而學(xué)習(xí)者類型的實際數(shù)量為B，則學(xué)習(xí)者類型聚類的準(zhǔn)確率如式（9）。

T=AB×100%

（9）

（2）誤判率F：如果學(xué)習(xí)者類型是第i類的實際數(shù)量為H，而將第i類學(xué)習(xí)者類型誤判為第j類學(xué)習(xí)者類型的數(shù)量為G，則學(xué)習(xí)者類型判斷的誤判率如式（10）。

Fij=GH×100%

（10）

3.3實驗結(jié)果

為了驗證漢語言在線學(xué)習(xí)用戶學(xué)習(xí)行為聚類算法的效果，將本文算法IHSFCM和HSFCM[14]、SVM[15]和決策樹[1617]進(jìn)行對比，如表3和圖3圖7所示。

IHS算法參數(shù)設(shè)置為：種群規(guī)模為10，最大迭代次數(shù)為100，聚類結(jié)果如表3所示。IHSFCM和HSFCM收斂曲線

對比如圖7所示，由圖7可知，IHSFCM具有更快的收斂速度和更低的適應(yīng)度，效果較HSFCM更優(yōu)。

圖3圖7中，“*”表示學(xué)習(xí)者層次的預(yù)測類別，“○”表示學(xué)習(xí)者層次的實際類別，通過對比展示可以直觀地顯示學(xué)習(xí)者層次聚類結(jié)果和實際學(xué)習(xí)者層次類別，其中1、2、3、4、5分別表示學(xué)習(xí)者層次為優(yōu)秀、良好、中、合格和差。當(dāng)“*”和“○”重合時，學(xué)習(xí)者層次的預(yù)測類別和實際類別一致，說明聚類正確;當(dāng)“*”和“○”不重合時，學(xué)習(xí)者層次的預(yù)測類別和實際類別不一致，此時學(xué)習(xí)者層次聚類錯誤。由表3和圖3圖6可知，IHSFCM的聚類準(zhǔn)確率和誤判率分別為99.42%和0.58%，優(yōu)于HSFCM的96.27%和3.73%，SVM的96.40%和3.55%和決策樹的92.30%和2.70%。與HSFCM、SVM和決策樹對比發(fā)現(xiàn)，本文算法IHSFCM具有更高的聚類準(zhǔn)確率，為學(xué)習(xí)者層次劃分和優(yōu)化課程學(xué)習(xí)提供了新的方法。

4總結(jié)

為了實現(xiàn)漢語言在線學(xué)習(xí)用戶學(xué)習(xí)行為聚類分析，針對FCM聚類結(jié)果易受其初始聚類中心選擇的影響，提出一種基于IHSFCM的漢語言學(xué)習(xí)用戶學(xué)習(xí)行為聚類分析。研究結(jié)果表明，IHSFCM具有更快的收斂速度和更低的適應(yīng)度，效果較HSFCM更優(yōu)，為漢語言課程學(xué)習(xí)優(yōu)化提供科學(xué)決策的依據(jù)。然而，由于本文學(xué)習(xí)行為分析指標(biāo)可能考慮不夠全面，導(dǎo)致聚類效果存在適應(yīng)性較差的缺點，后續(xù)將考慮更多因素的在線學(xué)習(xí)行為聚類分析，從而提高學(xué)習(xí)行為分析模型的準(zhǔn)確性和適用性。

參考文獻(xiàn)

[1]

胡藝齡，顧小清，趙春.在線學(xué)習(xí)行為分析建模及挖掘[J].開放教育研究，2014，20（2）：102110.

[2]范潔，楊岳湘，溫璞.C4.5算法在在線學(xué)習(xí)行為評估系統(tǒng)中的應(yīng)用[J].計算機(jī)工程與設(shè)計，2016（6）：946948.

[3]王法玉，姜妍.基于自組織神經(jīng)網(wǎng)絡(luò)和模糊聚類的校園無線網(wǎng)用戶學(xué)習(xí)興趣度行為分析[J].計算機(jī)應(yīng)用研究，2018，35（1）：1115.

[4]劉思遠(yuǎn).一種新的多目標(biāo)改進(jìn)和聲搜索優(yōu)化算法[J].計算機(jī)工程與應(yīng)用，2010，46（34）：2730.

[5]陳春，汪沨，劉蓓，等.基于基本環(huán)矩陣與改進(jìn)和聲搜索算法的配電網(wǎng)重構(gòu)[J].電力系統(tǒng)自動化，2014，38（6）：5560.

[6]李爽，王增賢，喻忱，等.在線學(xué)習(xí)行為投入分析框架與測量指標(biāo)研究——基于LMS數(shù)據(jù)的學(xué)習(xí)分析[J].開放教育研究，2016，22（2）：7990.

[7]曹建芳，郝耀軍.基于并行AdaboostBP網(wǎng)絡(luò)的大規(guī)模在線學(xué)習(xí)行為評價[J].計算機(jī)應(yīng)用與軟件，2017，34（7）：267272.

[8]陳志雄.基于藍(lán)墨云班課的語文在線學(xué)習(xí)行為數(shù)據(jù)分析——中職語文混合式學(xué)習(xí)在線學(xué)習(xí)行為的數(shù)據(jù)挖掘與學(xué)習(xí)分析[J].現(xiàn)代職業(yè)教育，2018（11）：2426.

[9]李小娟，梁中鋒，趙楠.在線學(xué)習(xí)行為對混合學(xué)習(xí)績效的影響研究[J].現(xiàn)代教育技術(shù)，2017（2）：8086.

[10]吳林靜，勞傳媛，劉清堂，等.網(wǎng)絡(luò)學(xué)習(xí)空間中的在線學(xué)習(xí)行為分析模型及應(yīng)用研究[J].現(xiàn)代教育技術(shù)，2018，28（6）：4754.

[11]劉冰，李彥敏.SPOC學(xué)習(xí)者在線學(xué)習(xí)行為特征分析——基于互動視角[J].集美大學(xué)學(xué)報（教育科學(xué)版），2019，20（1）：3338.

[12]陳鵬宇，馮曉英，孫洪濤，等.在線學(xué)習(xí)環(huán)境中學(xué)習(xí)行為對知識建構(gòu)的影響[J].中國電化教育，2015（8）：5963.

[13]宗陽，陳麗，鄭勤華，等.基于在線學(xué)習(xí)行為數(shù)據(jù)的遠(yuǎn)程學(xué)習(xí)者學(xué)業(yè)情緒分析研究——以Moodle平臺為例[J].開放學(xué)習(xí)研究，2017（6）：1120.

[14]宗陽，鄭勤華，陳麗.中國MOOCs學(xué)習(xí)者價值研究——基于RFM模型的在線學(xué)習(xí)行為分析[J].現(xiàn)代遠(yuǎn)距離教育，2016（2）：2128.

[15]孔麗麗，馬志強(qiáng)，易玉何，等.在線學(xué)習(xí)行為影響因素模型研究——基于行為科學(xué)理論的評述[J].開放學(xué)習(xí)研究，2017，22（5）：4653.

[16]王士霞.基于決策樹的在線學(xué)習(xí)行為分析[J].河南科技學(xué)院學(xué)報（自然科學(xué)版），2015，43（5）：6770.

[17]顧倩頤.基于在線學(xué)習(xí)行為的個性化學(xué)習(xí)需求智能挖掘技術(shù)研究[J].軟件導(dǎo)刊，2015，14（12）：1214.

（收稿日期：2020.03.24）