基于叶贝斯分类的个性化学习风格研究.docVIP

基于叶贝斯分类的个性化学习风格研究 　　摘 要 利用数据挖掘技术中的贝叶斯分类技术可以对大量学习数据进行分析，确定其学习风格，完善个性化特征提取，为系统进一步的学习推荐与教学引导提供有效依据，进一步的提高学习质量与效率。 　　【关键词】叶贝斯分类 数据挖掘 个性化学习 学习风格 　　网络环境下的个性化学习是以学生作为教育系统的中心与教育服务主体。在个性化的教育系统中我们在营造数字学习氛围的同时要强调并坚持学生的主体地位，开展个性化学习，把它看作是一种探索式性、实践性、创造性的学习。实现网络个性化学习的关键在于根据学习者的信息数据分析提取个性化特征，进而实现对学习者的个性化推荐或教学指导。 　　本文针对目前网络学习系统中存在的个性化单一与实现难度大的问题，利用叶贝斯分类算法解决学习风格分类问题，让学生更深入的了解自己的学习模式与需求，实现真正自主式、个性化学习。 　　1 数据挖掘与分类 　　1995年，美国计算机学会（Association for Computing Machinery ，简称ACM）组织提出了数据挖掘（Data Mining）概念。数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先未知的、但又是潜在有用的信息和知识的过程。数据挖掘又称为数据库中知识挖掘（Knowledge Discovery in Databases）、知识提取（Knowledge Extraction）、数据采矿等。 　　数据挖掘是一个跨学科技术领域，它是数据库技术、统计学、人工智能、数据可视化、信息提取、并行计算和分布式计算等多个学科结合的产物。发现潜在未知的规则，是数据挖掘的重要特征也是它的目标，它与数据分析的差别在于数据分析通常从一个假设出发，通过建立方程、模型来验证假设是否成立，而数据挖掘则是直接挖掘信息之中隐藏的规律，发现新的知识。 　　分类是常用的数据挖掘手段之一。它是将一组组个体分门别类的归入预先设定的几个类中。分类的目的是建立一个分类模型，该模型能把数据库中的数据项映射到类别中的某一个类别。常用的分类方法有：决策树分类方法、贝叶斯分类方法和规则归纳方法。 　　2 应用叶贝斯分类算法判定学习风格 　　学习风格是指学习者一贯持续的带有个性特征的学习方式，它是学习倾向和学习策略的总和。学习风格是个体在长期的学习过程中逐渐形成的，受特定的家庭、教育和社会文化的影响，通过个体自身长期的学习活动而形成，具有鲜明的个性特征。心理学认为人有七种学习风格：Linguistic（语言）、Logical（逻辑）、Visual（视觉）、Musical（音乐）、Kinesthetic（动觉）、Intrapersonal（内省）与Interpersonal（人际）。使用叶贝斯分类算法我们可以通过分析学习记录，获得学生的学习风格。 叶贝斯分类算法基于贝叶斯定理，应用于文本分类时，通过计算文本属于每个类别的概率.将该文本归为概率最大的一类中。 　　2.1 朴素贝叶斯分类和贝叶斯网络 　　贝叶斯定理是关于随机事件A和B的条件概率和边缘概率的一则定理。 　　P（A|B） = P（A^B） / P（B） = P（A）*P（B|A） / P（B） 　　其中P（A|B）表示在B发生的情况下A发生的可能性。其中P（A）是A的先验概率或边缘概率。（A|B）是已知B发生后A的条件概率， P（B|A）是已知A发生后B的条件概率， P（B）是B的先验概率或边缘概率，也作标准化常量。由此，贝叶斯定理可表述为： 　　后验概率 = （相似度*先验概率）/标准化常量 　　由于，比例P（B|A）/P（B）也有时被称作标准相似度，所以贝叶斯定理又可表述为： 　　后验概率 = 标准相似度*先验概率 　　贝叶斯分类方法是基于贝叶斯定理的，朴素贝叶斯（Naive Bayes）和贝叶斯网络（Bayesian Networks）看作是两种不同情形下的分类方法。 　　2.1.1 朴素贝叶斯分类 　　朴素贝叶斯分类方法是一个基于概率的分类方法，它通过计算后验证概率的方法来确定所属类别的概率。 　　Vj属于V集合， 其中Vmap是给定一个example，得到的最可能的目标值。其中a1...an是这个example里面的属性。这里面，Vmap目标值，就是后面计算得出的概率最大的一个.所以用max 来表示。 　　朴素贝叶斯分类默认基于一个简单的假定：给定目标值时属性之间相互条件独立。因此，该假定说明给定实力的目标值情况下。观察到联合的a1，a2...an的概率正好是对每个通过概率计算，从待分类的样本数据的属性 a1，a2，...，an 中求出最可能的分类目标值，即计算各类 Vj∈ V对于这组属性的条件概率 P（Vj|