基于集成學(xué)習(xí)的學(xué)習(xí)者反應(yīng)矩陣補(bǔ)全方法研究.pdf

1、教育數(shù)據(jù)挖掘是計(jì)算機(jī)科學(xué)、教育學(xué)和心理學(xué)的交叉性研究課題。它通過分析學(xué)習(xí)者在智能學(xué)習(xí)系統(tǒng)中的反饋數(shù)據(jù)，了解學(xué)習(xí)者掌握知識的情況和學(xué)習(xí)內(nèi)容包含知識點(diǎn)的情況。在國家提出的互聯(lián)網(wǎng)+教育大數(shù)據(jù)的基礎(chǔ)上，教育數(shù)據(jù)挖掘?qū)谛畔⒒ㄔO(shè)中發(fā)揮更加重要的作用，實(shí)現(xiàn)互聯(lián)網(wǎng)教育因材施教的目標(biāo)。然而，在實(shí)際應(yīng)用中，反饋數(shù)據(jù)經(jīng)常會出現(xiàn)學(xué)習(xí)者反饋不足的情況。本論文主要研究學(xué)習(xí)者反饋矩陣補(bǔ)全的問題，這個問題具有深刻的理論意義和實(shí)際應(yīng)用前景，一方面學(xué)生反應(yīng)矩陣是天然

2、的低秩矩陣，對其進(jìn)行研究有利于進(jìn)一步加強(qiáng)低秩矩陣恢復(fù)理論的理解和深入，另一反面反應(yīng)矩陣補(bǔ)全對于個性化教學(xué)也具有非常實(shí)際的意義。
　　本論文的工作大致可以分為兩部分。第一部分用基于集成學(xué)習(xí)的方法改進(jìn)經(jīng)典的矩陣補(bǔ)全方法，在集成學(xué)習(xí)的Bagging和AdaBoost基礎(chǔ)上構(gòu)建了新穎的矩陣補(bǔ)全算法，即BaggingMC和AdaBoostMC算法;第二部分結(jié)合兩者的優(yōu)缺點(diǎn)提出了Improved AdaBoostMC算法，解決了Bagging

3、MC因簡單的投票使矩陣補(bǔ)全的誤差仍然較高和AdaBoostMC中閾值隨機(jī)選取對資源造成的浪費(fèi)這兩個問題。
　　論文在模擬數(shù)據(jù)和真實(shí)數(shù)據(jù)上分別進(jìn)行了實(shí)驗(yàn)，通過分析矩陣補(bǔ)全在不同數(shù)據(jù)集上的誤差分布來判斷不同算法的準(zhǔn)確率和補(bǔ)全效果。實(shí)驗(yàn)結(jié)果表明，BaggingMC與三種經(jīng)典的矩陣補(bǔ)全算法在補(bǔ)全誤差上很接近，AdaBoostMC的誤差相對要小，Improved AdaBoostMC在相同數(shù)據(jù)集和相同采集率的條件下誤差最小。同時(shí)通過二值Le