CN111191833B - 一种基于神经网络的智能实验过程推荐方法及*** - Google Patents

一种基于神经网络的智能实验过程推荐方法及*** Download PDF

Info

Publication number
CN111191833B
CN111191833B CN201911355621.0A CN201911355621A CN111191833B CN 111191833 B CN111191833 B CN 111191833B CN 201911355621 A CN201911355621 A CN 201911355621A CN 111191833 B CN111191833 B CN 111191833B
Authority
CN
China
Prior art keywords
experiment
student
neural network
time
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911355621.0A
Other languages
English (en)
Other versions
CN111191833A (zh
Inventor
海克洪
黄龙吟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Meihe Yisi Digital Technology Co ltd
Original Assignee
Wuhan Meihe Yisi Digital Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Meihe Yisi Digital Technology Co ltd filed Critical Wuhan Meihe Yisi Digital Technology Co ltd
Priority to CN201911355621.0A priority Critical patent/CN111191833B/zh
Publication of CN111191833A publication Critical patent/CN111191833A/zh
Application granted granted Critical
Publication of CN111191833B publication Critical patent/CN111191833B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Technology (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于神经网络的智能实验过程推荐方法及***，将学生成绩和学生历史实验课程中每个实验的完成时间输入神经网络模型，通过SGD以及BP算法对神经网络模型进行训练以得到学生实验用时预测模型，通过学生实验用时预测模型对学生当前实验课程的实验用时进行预测，以对不同的学生推荐合适的实验内容，弥补了传统实验分配方式均衡性不足的缺陷，实现了学生实验的个性化定制，不同学生可以依据各自学习情况获得符合当前自身状况的实验内容，从而提升了部分学生实验课程的饱和度，也让部分学习能够依据自身状况保持学习热情。

Description

一种基于神经网络的智能实验过程推荐方法及***
技术领域
本发明涉及网络教学技术领域，尤其涉及一种基于神经网络的智能实验过程推荐方法及***。
背景技术
在传统的学生网络实验过程中，每一节实验课程的内容通常由教师统一确定，所有学生需要在一节实验课中完成相同数量的实验，这会造成学习能力优秀的学生在一节实验课限定的时间内提前完成指定数量的实验后剩余部分时间，而学习能力较弱的学生则无法完成全部数量的实验。久而久之，部分学生浪费了大量空闲时间，部分学生每次无法完成指定的实验内容导致丧失学习兴趣，无法提高学习成绩。也就是说，传统的学生网络实验分配方式无法根据学生成绩为每个学生分配合适的实验数量，无法做到因材施教。
发明内容
有鉴于此，一方面，本发明提出了一种基于神经网络的智能实验过程推荐方法，以解决传统的学生网络实验分配方式无法根据学生成绩为每个学生分配合适实验数量的问题。
本发明的技术方案是这样实现的：一种基于神经网络的智能实验过程推荐方法，包括：
获取学生的综合评价数据和学生历史实验课程中每个实验的完成时间；
构建关于所述综合评价数据和所述完成时间的数据样本，从所述数据样本中提取训练样本和测试样本；
构建神经网络模型；
将所述训练样本输入所述神经网络模型，通过SGD以及BP算法对所述网络模型进行训练，得到学生实验用时预测模型；
将所述测试样本输入所述学生实验用时预测模型进行测试；
获取学生上次实验课程的最后一个实验记录，根据所述学生实验用时预测模型对所述最后一个实验后的实验用时依次进行预测；
依次累计所述最后一个实验后每个实验的预测实验用时，若所述最后一个实验后的第N个实验处的累计预测用时超出当前实验课程的限定时间，且所述最后一个实验后的第N-1个实验处的累计预测用时小于所述限定时间，则将所述最后一个实验后的N-1个实验推荐给学生。
可选的，所述综合评价数据包括平时作业成绩、平时作业难度、平时考勤成绩、平时测试成绩、平时测试难度、学习态度评价等级、学生层次评价等级。
可选的，所述综合评价数据还包括学生类别、课程类别、学期类别、班级类别，所述学生类别包括本科生或专科生，所述课程类别包括必修课或选修课，所述学期类别大一学期或大二学期，所述班级类别包括特色班或普通班。
可选的，所述平时作业成绩、所述平时测试成绩经过标准化处理，所述平时作业难度、所述平时考勤成绩、所述平时测试难度经过归一化处理。
可选的，所述构建神经网络模型，包括：
初始化神经网络并定义隐藏层单元个数，指定输入大小；
使用ReLU激活函数，定义一Dropout层，指定丢弃10％的神经元；
定义神经网络的输出层，指定输入层的神经元个数为1并指定使用sigmoid作为激活函数。
可选的，将所述训练样本输入所述神经网络模型，通过SGD以及BP算法对所述网络模型进行训练，得到学生实验用时预测模型，包括：
将所述训练样本的特征值矩阵和权重矩阵相乘后输入所述神经网络模型进行前向传播以得到预测值；
通过SGD以及BP算法对所述神经网络模型进行反向传播以更新所述权重矩阵；
对所述神经网络模型进行多个轮次的训练以多次更新所述权重矩阵；
根据多次更新后的所述权重矩阵构建所述学生实验用时预测模型。
可选的，SGD算法为RMSProp，所述反向传播的损失函数为交叉熵损失函数，评价函数为MAE。
本发明的基于神经网络的智能实验过程推荐方法相对于现有技术具有以下有益效果：
(1)本发明的基于神经网络的智能实验过程推荐方法可根据学生成绩为每个学生分配合适数量的实验，弥补了传统实验分配方式均衡性不足的缺陷，实现了学生实验的个性化定制，不同学生可以依据各自学习情况获得符合当前自身状况的实验内容，从而提升了部分学生实验课程的饱和度，也让部分学习能够依据自身状况保持学习热情；
(2)本发明的基于神经网络的智能实验过程推荐方法从多个维度对学生进行综合评价，可避免单一维度评价的偶然性、主观性，提高学生成绩数据的可靠性，可有效适用于任何教学场景，做到因材施教。
另一方面，本发明还提出一种基于神经网络的智能实验过程推荐***，以解决传统的学生网络实验分配方式无法根据学生成绩为每个学生分配合适实验数量的问题。
本发明的技术方案是这样实现的：一种基于神经网络的智能实验过程推荐***，包括：
数据获取模块，用于获取学生的综合评价数据和学生历史实验课程中每个实验的完成时间；
样本构建模块，用于构建关于所述综合评价数据和所述完成时间的数据样本，从所述数据样本中提取训练样本和测试样本；
网络构建模块，用于构建神经网络模型；
模型构建模块，用于将所述训练样本输入所述神经网络模型，通过SGD以及BP算法对所述网络模型进行训练，得到学生实验用时预测模型；
模型测试模块，用于将所述测试样本输入所述学生实验用时预测模型进行测试；
模型预测模块，用于获取学生上次实验课程的最后一个实验记录，根据所述学生实验用时预测模型对所述最后一个实验后的实验用时依次进行预测；
实验推荐模块，用于依次累计所述最后一个实验后每个实验的预测实验用时，若所述最后一个实验后的第N个实验处的累计预测用时超出当前实验课程的限定时间，且所述最后一个实验后的第N-1个实验处的累计预测用时小于所述限定时间，则将所述最后一个实验后的N-1个实验推荐给学生。
所述基于神经网络的智能实验过程推荐***与上述基于神经网络的智能实验过程推荐方法相对于现有技术所具有的优势相同，在此不再赘述。
另一方面，本发明还提出一种计算机可读存储介质，以解决传统的学生网络实验分配方式无法根据学生成绩为每个学生分配合适实验数量的问题。
本发明的技术方案是这样实现的：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现上述任一项所述的方法。
所述计算机可读存储介质与上述基于神经网络的智能实验过程推荐方法相对于现有技术所具有的优势相同，在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于神经网络的智能实验过程推荐方法的流程图；
图2为本发明的步骤S3的流程图；
图3为本发明的步骤S4的流程图；
图4为本发明的学生实验用时预测模型的测试结果示意图；
图5为本发明的基于神经网络的智能实验过程推荐***的结构框图。
附图标记说明：
10-数据获取模块；20-样本构建模块；30-网络构建模块；40-模型构建模块；50-模型测试模块；60-模型预测模块；70-实验推荐模块。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
如图1所示，本发明的基于神经网络的智能实验过程推荐方法，包括：
步骤S1，获取学生的综合评价数据和学生历史实验课程中每个实验的完成时间；
步骤S2，构建关于所述综合评价数据和所述完成时间的数据样本，从所述数据样本中提取训练样本和测试样本；
步骤S3，构建神经网络模型；
步骤S4，将所述训练样本输入所述神经网络模型，通过SGD以及BP算法对所述网络模型进行训练，得到学生实验用时预测模型；
步骤S5，将所述测试样本输入所述学生实验用时预测模型进行测试；
步骤S6，获取学生上次实验课程的最后一个实验记录，根据所述学生实验用时预测模型对所述最后一个实验后的实验用时依次进行预测；
步骤S7，依次累计所述最后一个实验后每个实验的预测实验用时，若所述最后一个实验后的第N个实验处的累计预测用时超出当前实验课程的限定时间，且所述最后一个实验后的第N-1个实验处的累计预测用时小于所述限定时间，则将所述最后一个实验后的N-1个实验推荐给学生。
本实施例以实验课程A为例，可以理解的是，实验课程A应当包括多节课，每节课中包括多个学生实验。步骤S1中，学生的综合评价数据为包括学生学***时作业成绩、平时作业难度、平时考勤成绩、平时测试成绩、平时测试难度、学***时作业成绩等，评价维度少，影响因素较多，如考试失常发挥或超常发挥、作业抄袭等，导致一般的学生评价具有偶然性，可靠性低；学生评价有时还包括教师评分，具有主观性。本实施例从多个维度对学生进行综合评价，可避免单一维度评价的偶然性、主观性，提高学生成绩数据的可靠性。一般的，学生评价通常是对所有学生、所有课程设置同一个标准，导致学生的综合评价数据只在某一特定课程、某一类特定学生、某一学期等唯一场景下极为适用，而无法有效适用于其他场景。本实施例中学生的综合评价数据囊括了学生类别、课程类别、学期类别、班级类别等，可有效适用于任何教学场景，做到因材施教。
步骤S2中，建立空字典dictcourse-A，字典的键为学号，取值范围是{x1，x2，……，xn}，值为空列表[]，初始化完成后，dictcourse-A的格式示例为dictcourse-A＝{x1:[],x2:[],x3:[],…,xn:[]}，遍历字典dictcourse-A中的键，分别获取对应学号的学生类别、课程类别、学期类别、班级类别，将学生类别、课程类别、学期类别、班级类别***到值列表中，其中本科生对应的学生类别特征编码为0，专科生对应的学生类别编码为1，选修课对应的学生课程类别特征编码为0，必修课对应的学生课程类别编码为1，大一开课对应的学期类别特征编码为0，大二开课对应的学期类别编码为1，普通班对应的班级类别特征为编码0，特色班对应的班级类别编码为1，得到示例dictcourse-A＝{x1:[1.,0.,1.,0.],x2:[0.,1.,0.,1.],x3::[0.,0.,1.,1.],…,xn:[1.,1.,0.,0.]}；获取学生的平时作业成绩，将平时作业成绩做标准化处理，首先求得平时作业成绩的平均值，然后计算平时作业成绩的标准差，最后计算平时作业成绩对应的编码，经过标准化处理后的数据能更加容易的被神经网络处理；计算平时作业难度，设定1分为简单，2分为一般，3分为困难，计算作业难度的总和，将难易程度范围控制在0到1之间，***到字典dictcourse-A内；获取学生过往的平时考勤成绩，将考勤评价量化，0为缺勤，0.5对应迟到或早退，1对应全勤，首先求得平时考勤成绩总和的最大值，然后分别获得归一化后的考勤集合，此时考勤集合是介于[0,1]之间的小数，遍历字典dictcourse-A中的键，分别获取对应学号的平时考勤成绩，将平时考勤成绩***到值列表中；以此类推，将平时测试成绩、平时测试难度、学习态度评价等级、学生层次评价等级均***字典dictcourse-A中，最终得到示例dictcourse-A＝{x1:[1.,0.,1.,0.,0.93,0.48,0.7,0.57,0.48,0.7,2.],x2:[0.,1.,0.,1.,-0.52,0.48,0.5,0.46,0.48,0.5,4.],x3:[0.,0.,1.,1.,0.65,0.48,0.62,0.98,0.48,0.9,1.],…,xn:[1.,1.,0.,0.,-0.30,0.48,0.78,0.6,0.48,0.8,3.]}。
建立空字典dictpractice-A，其中键为学号，取值范围是{x1，x2，……，xn}，值为空列表[]，初始化完成后，dictpractice-A的格式示例为dictpractice-A＝{x1:[],x2:[],x3:[],…,xn:[]}。将过往学生xi∈{x1，x2，……，xn}关于实验课程A的n个具体实验编号的用时pi∈{p1，p2，……，pn}***到对应的列表中，***后的格式示例为dictpractice-A{x1:[15,8,14,…,12],x2:[23,9,12,…,17],x3:[12,5,11,…,10],…,xn:[22,11,17,…,14]}。
将建立的dictcourse-A字典与dictpractice-A字典综合，以键遍历字典dictpractice-A，获取当前键对应的字典dictpractice-A的列表，遍历该列表，将列表中的每个值与字典dictpractice-A中与键对应的值列表进行组合，将组合后的结果写入到文本文件中，写入后的文本文件格式示例为：
1.0.1.0.0.93 0.48 0.7 0.57 0.48 0.7 2.1 15
1.0.1.0.0.93 0.48 0.7 0.57 0.48 0.7 2.2 8
…
1.0.1.0.0.93 0.48 0.7 0.57 0.48 0.7 2.n 12
0.1.0.1.-0.52 0.48 0.5 0.46 0.48 0.5 4.1 23
0.1.0.1.-0.52 0.48 0.5 0.46 0.48 0.5 4.2 9
…
0.1.0.1.-0.52 0.48 0.5 0.46 0.48 0.5 4.n 17
这样就构建了关于综合评价数据和实验完成时间的数据样本。上述字段分别代表学生类别、课程类别、学期类别、班级类别、平时作业成绩、平时作业难度、平时考勤成绩、平时测试成绩、平时测试难度、学习态度评价等级、学生层次评价等级、实验编号、实验用时。
读取上述文本文件，首先获取整个文本文件的记录行数m，建立一个行号的索引列表，最初的列表形式为[1,2,3,…,n]，打乱这个索引列表，打乱后的形式为[3927,5837,5331,…,462]；然后再初始化一个字典data_dict，并读取文本文件内的记录，以行进行切分，以行号为键，行内容为值写入到字典内容中，写入完成后，字典的格式为data_dict＝{‘1’:’1.0.1.0.0.93 0.48 0.7 0.57 0.48 0.7 2.1 15’,‘2’:’1.0.1.0.0.93 0.48 0.70.57 0.48 0.7 2.2 8’,…,‘m’:’1.1.0.0.-0.30 0.48 0.78 0.6 0.48 0.8 3.n 14’}；将m条记录的90％作为训练集，10％作为测试集，训练集数据train_data张量的大小为
Figure BDA0002335831620000081
训练集标签train_labels张量的大小为
Figure BDA0002335831620000082
测试集数据valid_data张量的大小为
Figure BDA0002335831620000083
测试集标签valid_labels张量的大小为
Figure BDA0002335831620000091
遍历打乱顺序的索引列表，分别拿到不同的行号索引值，然后去查找data_dict对应的值，获得的值以空格进行切分，将前12个内容填充到train_data张量中，最后一个内容填充到train_labels张量中，直到这两个张量填充完毕。这时索引列表已经遍历了90％，以同样的规则继续遍历剩余的10％，遍历出来的数据分别***到valid_data和valid_labels中，这样就完成训练样本与测试样本的准备工作。
具体的，如图2所示，步骤S3包括：
步骤S31，初始化神经网络并定义隐藏层单元个数，指定输入大小；
步骤S32，使用ReLU激活函数，定义一Dropout层，指定丢弃10％的神经元；
步骤S33，定义神经网络的输出层，指定输入层的神经元个数为1并指定使用sigmoid作为激活函数。
在获得了所有学生关于实验课程A的所有不同实验信息后，就可以使用深度学习中的神经网络进行训练，通过步骤步骤S31-S33完成深度学习神经网络模型的构建。其中，定义一Dropout层用于降低过拟合的风险，ReLU函数应用的数学表达式为
Figure BDA0002335831620000092
sigmoid函数应用的数学表达式为
Figure BDA0002335831620000093
具体的，如图3所示，步骤S4包括：
步骤S41，将所述训练样本的特征值矩阵和权重矩阵相乘后输入所述神经网络模型进行前向传播以得到预测值；
步骤S42，通过SGD以及BP算法对所述神经网络模型进行反向传播以更新所述权重矩阵；
步骤S43，对所述神经网络模型进行多个轮次的训练以多次更新所述权重矩阵；
步骤S44，根据多次更新后的所述权重矩阵构建所述学生实验用时预测模型。
定义完网络结构后就可以开始准备训练了，整个训练使用的是SGD以及BP算法来实现的，其中SGD使用的是RMSProp，选择的损失函数是交叉熵损失函数，评价函数使用的是MAE。以神经网络模型的第一个隐藏层为例，在之前的步骤，分别获取了不同的特征值矩阵，其特征值矩阵是一个二维矩阵
Figure BDA0002335831620000101
单次运算时有
Figure BDA0002335831620000102
对于权重矩阵有
Figure BDA0002335831620000103
以第一个样本
Figure BDA0002335831620000104
为例，两个张量相乘后的结果为
Figure BDA0002335831620000111
Y为(100，)的张量，该张量作为输入到神经网络模型的输出层。神经网络模型的输出层仅有1个神经单元，它对应的权重矩阵是一个一维张量
W＝[w1 w2 … w100]；
神经网络模型最终的输出为单个值即预测值
Figure BDA0002335831620000115
有
Figure BDA0002335831620000112
在获得预测值
Figure BDA0002335831620000116
后就可以计算与实际值y1之间的差异
Figure BDA0002335831620000113
训练的目的就是要使lossi尽可能的小，从而能够提升预测的精准度，可以将lossi写成以wj和
Figure BDA0002335831620000117
的函数，即：
Figure BDA0002335831620000114
其中，wj与
Figure BDA0002335831620000118
中j的取值范围为1-100，
Figure BDA0002335831620000119
中i的取值范围为1-12。根据反向传播算法，想要使lossi的值降低，可以分别对wj与
Figure BDA00023358316200001110
求偏导数，使其等于0，从而获得一组wj与
Figure BDA00023358316200001111
的值，将这一组值更新到神经网络模型中用于下一个样本(或下一个批次的样本)的权重矩阵。将下一个样本或下一个批次的样本输入到神经网络模型中，直至完成所有训练样本的输入，这时神经网络模型完成了一个轮次的训练，并且更新过若干次神经网络模型中的权重值，训练神经网络模型多个轮次，则损失值不断降低，从而提高预测精度。
步骤S5中，采用了10折交叉验证技术，对训练获得的模型进行了验证，其验证结果如图4所示，可以看出，经过了两轮训练后损失值降到了一个相对较低的值，然后开始反复浮动，其损失值约为2，重新初始化网络结构并训练2个轮次，将训练模型保存以得到学生实验用时预测模型，可以预判该模型预测准确率与实际准确率大约误差在正负2分钟，从而本实施例基于SGD以及BP算法训练得到的学生实验用时预测模型对学生实验用时的预测准确度与可靠性高。
步骤S6中，学生登录***后，***自动获取当前学生的学生类别、课程类别、学期类别、班级类别、平时作业成绩、平时作业难度、平时考勤成绩、平时测试成绩、平时测试难度、学习态度评价等级、学生层次评价等级、实验编号这些特征，若当前学生某些信息发生缺失，则将缺失值设置为0。***判断该学生当前实验步骤的起始点，将这些数据传送给之前保存过的学生实验用时预测模型，模型输出一个数值
Figure BDA0002335831620000121
即为预测实验用时。
步骤S6中，假如当前实验课程的限定时间为30分钟，学生上次实验课程完成的最后一个实验编号为2，假设学生实验用时预测模型预测的实验编号3的用时为10分钟，预测实验编号4的用时为15分钟，预测实验编号5的用时为8分钟，则在实验编号4处的累计预测用时小于限定时间，在实验编号5处的累计预测用时超出了当前实验课程的限定时间，则N＝3，本实施例的方法会将编号3和编号4两个实验推荐给学生。
这样，通过上述步骤，本实施例可根据学生成绩为每个学生分配合适数量的实验，弥补了传统实验分配方式均衡性不足的缺陷，实现了学生实验的个性化定制，不同学生可以依据各自学习情况获得符合当前自身状况的实验内容，从而提升了部分学生实验课程的饱和度，也让部分学习能够依据自身状况保持学习热情。
如图5所示，本实施例还提供一种基于神经网络的智能实验过程推荐***，包括：
数据获取模块10，用于获取学生的综合评价数据和学生历史实验课程中每个实验的完成时间；
样本构建模块20，用于构建关于所述综合评价数据和所述完成时间的数据样本，从所述数据样本中提取训练样本和测试样本；
网络构建模块30，用于构建神经网络模型；
模型构建模块40，用于将所述训练样本输入所述神经网络模型，通过SGD以及BP算法对所述网络模型进行训练，得到学生实验用时预测模型；
模型测试模块50，用于将所述测试样本输入所述学生实验用时预测模型进行测试；
模型预测模块60，用于获取学生上次实验课程的最后一个实验记录，根据所述学生实验用时预测模型对所述最后一个实验后的实验用时依次进行预测；
实验推荐模块70，用于依次累计所述最后一个实验后每个实验的预测实验用时，若所述最后一个实验后的第N个实验处的累计预测用时超出当前实验课程的限定时间，且所述最后一个实验后的第N-1个实验处的累计预测用时小于所述限定时间，则将所述最后一个实验后的N-1个实验推荐给学生。
这样，本实施例的智能实验过程推荐***可根据学生成绩为每个学生分配合适数量的实验，弥补了传统实验分配方式均衡性不足的缺陷，实现了学生实验的个性化定制，不同学生可以依据各自学习情况获得符合当前自身状况的实验内容，从而提升了部分学生实验课程的饱和度，也让部分学习能够依据自身状况保持学习热情。
本实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现上述任一项所述的智能实验过程推荐方法。本实施例的计算机可读存储介质运行时可根据学生成绩为每个学生分配合适数量的实验，弥补了传统实验分配方式均衡性不足的缺陷，实现了学生实验的个性化定制，不同学生可以依据各自学习情况获得符合当前自身状况的实验内容，从而提升了部分学生实验课程的饱和度，也让部分学习能够依据自身状况保持学习热情。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于神经网络的智能实验过程推荐方法，其特征在于，包括：
获取学生的综合评价数据和学生历史实验课程中每个实验的完成时间；
构建关于所述综合评价数据和所述完成时间的数据样本，从所述数据样本中提取训练样本和测试样本；所述综合评价数据包括平时作业成绩、平时作业难度、平时考勤成绩、平时测试成绩、平时测试难度、学习态度评价等级、学生层次评价等级；
构建神经网络模型；
将所述训练样本输入所述神经网络模型，通过SGD以及BP算法对所述网络模型进行训练，得到学生实验用时预测模型；
将所述测试样本输入所述学生实验用时预测模型进行测试；
获取学生上次实验课程的最后一个实验记录，根据所述学生实验用时预测模型对所述最后一个实验后的每个实验用时依次进行预测；
依次累计所述最后一个实验后每个实验的预测实验用时，若所述最后一个实验后的第N个实验处的累计预测用时超出当前实验课程的限定时间，且所述最后一个实验后的第N-1个实验处的累计预测用时小于所述限定时间，则将所述最后一个实验后的N-1个实验推荐给学生。
2.如权利要求1所述的基于神经网络的智能实验过程推荐方法，其特征在于，所述综合评价数据还包括学生类别、课程类别、学期类别、班级类别，所述学生类别包括本科生或专科生，所述课程类别包括必修课或选修课，所述学期类别大一学期或大二学期，所述班级类别包括特色班或普通班。
3.如权利要求1所述的基于神经网络的智能实验过程推荐方法，其特征在于，所述平时作业成绩、所述平时测试成绩经过标准化处理，所述平时作业难度、所述平时考勤成绩、所述平时测试难度经过归一化处理。
4.如权利要求1所述的基于神经网络的智能实验过程推荐方法，其特征在于，所述构建神经网络模型，包括：
初始化神经网络并定义隐藏层单元个数，指定输入大小；
使用ReLU激活函数，定义一Dropout层，指定丢弃10％的神经元；
定义神经网络的输出层，指定输入层的神经元个数为1并指定使用sigmoid作为激活函数。
5.如权利要求1所述的基于神经网络的智能实验过程推荐方法，其特征在于，将所述训练样本输入所述神经网络模型，通过SGD以及BP算法对所述网络模型进行训练，得到学生实验用时预测模型，包括：
将所述训练样本的特征值矩阵和权重矩阵相乘后输入所述神经网络模型进行前向传播以得到预测值；
通过SGD以及BP算法对所述神经网络模型进行反向传播以更新所述权重矩阵；
对所述神经网络模型进行多个轮次的训练以多次更新所述权重矩阵；
根据多次更新后的所述权重矩阵构建所述学生实验用时预测模型。
6.如权利要求5所述的基于神经网络的智能实验过程推荐方法，其特征在于，SGD算法为RMSProp，所述反向传播的损失函数为交叉熵损失函数，评价函数为MAE。
7.一种基于神经网络的智能实验过程推荐***，其特征在于，包括：
数据获取模块(10)，用于获取学生的综合评价数据和学生历史实验课程中每个实验的完成时间；所述综合评价数据包括平时作业成绩、平时作业难度、平时考勤成绩、平时测试成绩、平时测试难度、学习态度评价等级、学生层次评价等级；
样本构建模块(20)，用于构建关于所述综合评价数据和所述完成时间的数据样本，从所述数据样本中提取训练样本和测试样本；
网络构建模块(30)，用于构建神经网络模型；
模型构建模块(40)，用于将所述训练样本输入所述神经网络模型，通过SGD以及BP算法对所述网络模型进行训练，得到学生实验用时预测模型；
模型测试模块(50)，用于将所述测试样本输入所述学生实验用时预测模型进行测试；
模型预测模块(60)，用于获取学生上次实验课程的最后一个实验记录，根据所述学生实验用时预测模型对所述最后一个实验后的每个实验用时依次进行预测；
实验推荐模块(70)，用于依次累计所述最后一个实验后每个实验的预测实验用时，若所述最后一个实验后的第N个实验处的累计预测用时超出当前实验课程的限定时间，且所述最后一个实验后的第N-1个实验处的累计预测用时小于所述限定时间，则将所述最后一个实验后的N-1个实验推荐给学生。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如权利要求1-6任一项所述的方法。
CN201911355621.0A 2019-12-25 2019-12-25 一种基于神经网络的智能实验过程推荐方法及*** Active CN111191833B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911355621.0A CN111191833B (zh) 2019-12-25 2019-12-25 一种基于神经网络的智能实验过程推荐方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911355621.0A CN111191833B (zh) 2019-12-25 2019-12-25 一种基于神经网络的智能实验过程推荐方法及***

Publications (2)

Publication Number Publication Date
CN111191833A CN111191833A (zh) 2020-05-22
CN111191833B true CN111191833B (zh) 2023-04-18

Family

ID=70709350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911355621.0A Active CN111191833B (zh) 2019-12-25 2019-12-25 一种基于神经网络的智能实验过程推荐方法及***

Country Status (1)

Country Link
CN (1) CN111191833B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528158B (zh) * 2020-12-24 2023-08-11 北京百度网讯科技有限公司 课程推荐方法、装置、设备及存储介质
CN114973881B (zh) * 2022-03-31 2023-06-23 中国矿业大学 一种智能计分电子技术实验综合教学***
CN117455389B (zh) * 2023-10-10 2024-05-28 北京华普亿方科技集团股份有限公司 基于人工智能的职业培训管理平台
CN117688248B (zh) * 2024-02-01 2024-04-26 安徽教育网络出版有限公司 一种基于卷积神经网络的在线课程推荐方法及***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08310746A (ja) * 1995-05-18 1996-11-26 Fujitec Co Ltd 待ち時間予測用ニューラルネットの学習方法
CN101877077A (zh) * 2009-11-25 2010-11-03 天津工业大学 时间序列预测模型
CN105279288A (zh) * 2015-12-04 2016-01-27 深圳大学 一种基于深度神经网络的在线内容推荐方法
CN107481170A (zh) * 2017-08-18 2017-12-15 深圳市华第时代科技有限公司 一种课程推荐方法、装置、选课服务器及存储介质
CN109146174A (zh) * 2018-08-21 2019-01-04 广东恒电信息科技股份有限公司 一种基于成绩预测的选修课精准推荐方法
CN109241431A (zh) * 2018-09-07 2019-01-18 腾讯科技（深圳）有限公司 一种资源推荐方法和装置
CN110378818A (zh) * 2019-07-22 2019-10-25 广西大学 基于难度的个性化习题推荐方法、***及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012138959A2 (en) * 2011-04-07 2012-10-11 Denley Tristan Course recommendation system and method

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08310746A (ja) * 1995-05-18 1996-11-26 Fujitec Co Ltd 待ち時間予測用ニューラルネットの学習方法
CN101877077A (zh) * 2009-11-25 2010-11-03 天津工业大学 时间序列预测模型
CN105279288A (zh) * 2015-12-04 2016-01-27 深圳大学 一种基于深度神经网络的在线内容推荐方法
CN107481170A (zh) * 2017-08-18 2017-12-15 深圳市华第时代科技有限公司 一种课程推荐方法、装置、选课服务器及存储介质
CN109146174A (zh) * 2018-08-21 2019-01-04 广东恒电信息科技股份有限公司 一种基于成绩预测的选修课精准推荐方法
CN109241431A (zh) * 2018-09-07 2019-01-18 腾讯科技（深圳）有限公司 一种资源推荐方法和装置
CN110378818A (zh) * 2019-07-22 2019-10-25 广西大学 基于难度的个性化习题推荐方法、***及介质

Also Published As

Publication number Publication date
CN111191833A (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
CN111191833B (zh) 一种基于神经网络的智能实验过程推荐方法及***
CN111460249B (zh) 一种基于学习者偏好建模的个性化学习资源推荐方法
Kadoić et al. Integrating the DEMATEL with the analytic network process for effective decision-making
Pratt et al. On the nature and discovery of structure
CN110188272B (zh) 一种基于用户背景的社区问答网站标签推荐方法
CN114519143B (zh) 课程推荐模型的训练方法、课程推荐方法及装置
CN108334638B (zh) 基于长短期记忆神经网络与兴趣迁移的项目评分预测方法
CN111291940B (zh) 一种基于Attention深度学习模型的学生辍课预测方法
CN111444432A (zh) 领域自适应的深度知识追踪及个性化习题推荐方法
Hoiles et al. Bounded off-policy evaluation with missing data for course recommendation and curriculum design
CN114722182A (zh) 一种基于知识图谱的在线课推荐方法及***
CN114299349B (zh) 一种基于多专家***和知识蒸馏的众包图像学习方法
CN114781710B (zh) 一种综合学习过程及题目知识点难度特征的知识追踪方法
CN114201684A (zh) 一种基于知识图谱的自适应学习资源推荐方法及***
CN110704510A (zh) 一种结合用户画像的题目推荐方法及***
CN114429212A (zh) 智能学习知识能力跟踪方法、电子设备及存储介质
CN112084330A (zh) 一种基于课程规划元学习的增量关系抽取方法
CN116596582A (zh) 一种基于大数据的销售信息预测方法及装置
CN115169449A (zh) 基于对比学习与持续性学习的属性级情感分析方法、***及存储介质
CN116561260A (zh) 一种基于语言模型的习题生成方法、设备及介质
CN111552796A (zh) 组卷方法、电子设备及计算机可读介质
CN112396092B (zh) 一种众包开发者推荐方法和装置
CN113239699B (zh) 一种融合多特征的深度知识追踪方法及***
CN114154839A (zh) 一种基于在线教育平台数据的课程推荐方法
CN112818100A (zh) 一种融合题目难度的知识追踪方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 01, 2 / F, building A14, phase 1.1, Wuhan National Geospatial Information Industrialization Base (New Area), no.6, Beidou Road, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000

Applicant after: Wuhan Meihe Yisi Digital Technology Co.,Ltd.

Address before: No.01-6, 1st floor, building 6, international enterprise center, special 1, Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000

Applicant before: HUBEI MEIHE YISI EDUCATION TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant