基于K-Means的慕課用戶行為分析研究.pdf

1、隨著“互聯(lián)網(wǎng)+教育”的全民普及，慕課（大規(guī)模在線開放課程）的發(fā)展如火如荼，為人們接受在線教育提供了一個廣闊的平臺，而國內(nèi)慕課的實踐研究遠(yuǎn)早于理論研究，眾多慕課平臺紛紛涌現(xiàn)。慕課用戶的知識背景和學(xué)習(xí)動機呈多樣性分布，并在學(xué)習(xí)的過程中產(chǎn)生豐富的學(xué)習(xí)行為數(shù)據(jù)，為了探索蘊含在數(shù)據(jù)中的規(guī)律，針對不同的用戶群體提供個性化的環(huán)境和學(xué)習(xí)指導(dǎo)，分析和研究用戶的行為數(shù)據(jù)是十分有必要的。
　　聚類分析是一種常用的探索性數(shù)據(jù)挖掘方法，是無監(jiān)督機器學(xué)習(xí)的典

2、型應(yīng)用，不僅可以用于分類數(shù)據(jù)的多元統(tǒng)計分析，也可以為其他算法提供預(yù)處理。在研究和歸納用戶行為分析方法的基礎(chǔ)上，本文選擇K-Means算法進行聚類分析，通過進行算法的優(yōu)化和構(gòu)建成績預(yù)測模型，成功實現(xiàn)了慕課用戶的成績預(yù)測，并構(gòu)建成績預(yù)測模塊，實現(xiàn)成績預(yù)測值的可視化展示。
　　本文的主要研究工作有:
　　(1)基于慕課用戶行為數(shù)據(jù)，對用戶的學(xué)習(xí)行為數(shù)據(jù)的基本信息、用戶類型、影響成績的因素等三個方面進行深入地分析和探索，得出一些相關(guān)

3、結(jié)論。
　　(2)本文利用特征選擇和初始聚類中心的優(yōu)化選取算法，提出了一種K-Means特征選擇算法，并提出一個均衡判別函數(shù)平衡類簇內(nèi)差異和類簇間差異。
　　(3)將K-Means特征選擇算法得到的聚類中心作為神經(jīng)網(wǎng)絡(luò)的中心，設(shè)置預(yù)測模型的參數(shù)和輸入輸出變量，選擇RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建一個成績預(yù)測模型，并動態(tài)更新該模型，以更為準(zhǔn)確地實現(xiàn)成績的預(yù)測。
　　本文設(shè)計了仿真實驗驗證算法的高效性，對比K-Means特征選擇算法和基