(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211220698.9 (22)申请日 2022.10.08 (71)申请人 广州大学 地址 510006 广东省广州市大 学城外环西 路230号 (72)发明人 廖宏建　 (74)专利代理 机构 北京高航知识产权代理有限 公司 11530 专利代理师 覃钊雄 (51)Int.Cl. G06F 16/906(2019.01) G06F 16/9536(2019.01) G06Q 50/00(2012.01) G06Q 30/02(2012.01) G06Q 50/20(2012.01) (54)发明名称 情境驱动的大规模在线学习动态分组方法 (57)摘要 本发明涉及大规模在线学习中的群组划分 领域， 且公开了情境驱动的大规模在线学习动态 分组方法， 包括以下步骤， 首先基于活动理论构 建学习者情境模 型， 并将反映情境指标的多模态 数据转化为情境流； 其次对模糊C均值聚类算法 进行扩展， 使用增量式流处理和动态滑动窗口技 术探测情境流中的概念漂移， 实现基于某一情境 维度的学习群组自适应动态聚类； 最后按混合分 组思路， 对不同情境维度的同质聚类结果进行差 异化组合， 得到异质学习小组， 该情境驱动的大 规模在线学习动态分组方法， 能在学员不断进入 与退出， 以及学习者行为特征发生变化的情形 下， 既能维持分组的连续性， 又能自适应动态调 整。 动态分组在学习者合作倾向、 互惠性等方面 更具备有优势。 权利要求书2页 说明书10页 附图3页 CN 115525810 A 2022.12.27 CN 115525810 A 1.情境驱动的大规模在线学习动态分组方法， 其特 征在于， 包括以下步骤： 第一步： 首先基于活动理论构建学习者情境模型， 并将反映情境指标的多模态数据转 化为情境流； 第二步： 其次对模糊C均值聚类算法进行扩展， 使用增量式流处理和动态滑动窗口技术 探测情境 流中的概念漂移， 实现基于情境维度的学习群组自适应动态聚类； 第三步： 最后按混合分组思路， 对不同情境维度的同质聚类结果进行差异化组合， 得到 异质学习小组。 2.根据权利要求1所述的情境驱动的大规模在线学习动态分组方法， 其特征在于： 所述 第一步中的用户情境模型包含三个维度： 由人口统计信息、 人格特质的构成的用户情境， 由 知识水平、 学习投入以及行为链构成的学习情境， 由学习者与同伴交互形成的社会网络关 系构成的社会情境； 其中学习情境与社会情境 为实时情境， 从行为数据流中采集。 3.根据权利要求1所述的情境驱动的大规模在线学习动态分组方法， 其特征在于： 所述 第二步中的对模糊C均值聚类算法进行扩展， 使用动态滑动窗口技术和增量式流处理探测 情境流中的概念漂移， 具体步骤如下： S1： 基于在线学习任务的时间大体均匀分布特点， 采用滑动窗口技术， 对情境流S按数 据点到达先后顺序划分为窗口集 W＝{W1,W2,...,WT}； S2： 使用普通FCM算法完成第一个窗口的初始聚类， 即估计窗口子集W1的初始簇 数量， 通 过求解以下目标函数计算聚类模型(Up,Cp) S3： 增量式优化模型J ′(Up,Cp)由当前窗 口聚类结构和前后两个窗口聚类结构的差异值 D组成， 将概念漂移问题集 成到优化模 型中， 以优化模型的解作为检测是否发生概念漂移的 依据； S4： 比较增量式优化模型中的差异值D， D越小， 表明两个模型的差异性越小； D值越大， 表明两个前后两个模型的差异性越大， 其聚类结构发生了较大的变化， 出现 了概率漂移现象,则重新计算子集 Wp的簇数量和重新计算聚类模型J ′(Up,Cp)。 S5： 考虑特殊时期大规模在线学习行为日志的潮汐现象， 进一步采用大小可变的动态 窗口机制， 如果检测到漂移发生， 则减少窗口尺寸， 否则增加窗口尺寸加快数据流处理速 度。 4.根据权利要求3所述的情境驱动的大规模在线学习动态分组方法， 其特征在于： 所述 滑动窗口处 理包括以下内容： 定义W＝{W1,W2,...,WT}表示对情境流S按数据 点到达先后顺序划分为大小不同的窗口 集， 对任意p,q(1≤p≠q≤T)， 满足 和 滑动窗口Wp中数据样本的个 数记为Np； 对于数据流中第 p个滑动窗口的数据子集Wp流入时， 新的聚类模型应 该在上一个窗口聚 类模型的基础上 更新得到 。 5.根据权利要求3所述的情境驱动的大规模在线学习动态分组方法， 其特征在于： 所述 增量式优化模型为：权　利　要　求　书 1/2 页 2 CN 115525810 A 2J′(Up,Cp)＝J(Up,Cp)+D(Cp,Cp‑1)； 是数据子集Wp的隶属度模型， 是数据子集Wp流入后形成的新聚类模 型， kp表示Cp中类簇的个数， Cp‑1表示前一个数据子集的聚类模型。 D(Cp,Cp‑1)表示新聚类模 型与前一个窗口聚类模型的差异性。 6.根据权利要求3所述的情境驱动的大规模在线学习动态分组方法， 其特征在于： 所述 优化模型概念漂移检测包括以下内容： 对增量式优化模型J ′(Up,Cp)＝J(Up,Cp)+D(Cp,Cp‑1)， 其中 将优化后的聚类目标函数最优值Jo′pt(Up,Cp)作为检测概 率漂移的依据； 参数β >0， 用于调节D值所占的比重， 其中D值越小， 表明两个模型的差异性越小； D值越大， 表明两个 前后两个模型的差异性越大， 也 即情境流子集Wp‑1向子集Wp演化的过 程中， 其聚类结构发生了较大的变化， 出现了概 率漂移现象。 7.根据权利要求3所述的情境驱动的大规模在线学习动态分组方法， 其特征在于： 所述 动态滑动窗口包括以下内容： 定义最大窗口尺寸Nmax和最小窗口尺寸Nmin,设默认窗口大小为Ncurrent， 如果检测到漂移 发生， 则下一个窗口尺寸设为Nmin， 否则设为min(Nmax,2*Ncurrent),加快数据流处理速度， 考 虑到不同窗口大小 数据子集规模的影响， 在 使用最优Jo′pt值检测漂移时， 采用 “单位误差平 方和”来消除窗口数据子集 规模差异的影响， 即使用下述公式作为 最终检测漂移的依据： Jo′pt(Up,Cp)/Np>θ； 如果检测到漂移， 就使用目标函数定义公式对新进的子集重新聚类。 8.根据权利要求2所述的情境驱动的大规模在线学习动态分组方法， 其特征在于： 情境 映射关系具体为： 用户情境映射为主体、 学习情境映射为客体、 社会情境映射为群体、 规则、 分工。权　利　要　求　书 2/2 页 3 CN 115525810 A 3