[发明专利]基于半监督学习的大规模网络开放课程退课预测算法

权利要求书

1.基于半监督学习的大规模网络开放课程退课预测算法，其特征在于， 包括如下步骤：

S1：从MOOC网站获取用户的学习日志文件，获取的用户一部分构成测 试样本集，另一部分构成训练样本集，其中测试样本集中的测试样本全部是 已标记样本，该训练样本集中包括未标记样本和已标记样本，所有未标记样 本构成未标记样本集，所有已标记样本构成标记样本集；

S2：根据用户的学习日志文件统计训练样本集中所有样本的行为特征， 得到最能表达训练样本集中所有样本共有特性的n种行为特征；

设某一课程的课程持续时间为K周；

设U_i＝{U(i,1),....,U(i,j),....,U(i,n)}，U_i表示训练样本集中的第i个样本， U(i,j)＝{(U(i,j)₁,....U(i,j)_k....U(i,j)_K)}，U(i,j)表示训练样本集中第i个样 本的第j种行为特征向量，U(i,j)_k表示第i个用户的第j种行为特征在课程持 续时间的第k周出现的次数；

S3：从n种行为特征中随机选取m种行为特征，并采用下述方式获得R 种分类器，其中，m≤n，R=Cnm=n!m!(n-m)!,r=1,2,3...R;]]>

R种分类器的获得方式如下：

S301：设r＝1；

S302：j＝1；

S303：v＝1；

S304：设P_rj(C|U(i,j))为训练样本集中第i个样本在第j种行为特征下被 标注为C的概率，其中，被标注C＝0的样本表示存留用户，被标注C＝1的样 本表示退课用户；

S305：选择未标记样本集中第j种行为特征下的所有未标记样本，第j种 行为特征下所有未标记样本形成的集合U_j，分别计算集合U_j中每个未标记样 本的P_rj(C＝0|U(v,j)_k)和P_rj(C＝1|U(v,j)_k)，其中v＝1,2,...,|U_j|，|U_j|表示集合 U_j中样本的总数；

Prj(C=0|U(v,j))=Prj(U(v,j)|C=0)·Prj(C=0)Prj(U(v,j))---(1);]]>

Prj(C=0)=|Lj,C=0||Uj|+|Lj|---(1a);]]>

其中，|L_j,C＝0|表示在第j种行为特征下已标记样本集中被标注C＝0的样本 的总数，L_j表示第j种行为特征下所有已标注样本形成的集合，|L_j|表示集合L_j中样本的总数，|U_j|+|L_j|表示第j种行为特征下训练样本集中样本的总数；

P_rj(U(v,j)|C＝0)＝P_rj(U(v,j)₁|C＝0)·P_rj(U(v,j)₂|C＝0),...,(1b)；

P_rj(U(v,j)_k|C＝0),...P_rj(U(v,j)_K|C＝0)

Prj(U(v,j)k|C=0)=|Lj,C=0(U(v,j)k)||Lj,C=0|---(1b-1);]]>

其中，|L_j,C＝0|表示在第j种行为特征下已标记样本集中被标注C＝0的样本 的总数，|L_j,C＝0(U(v,j)_k)|表示在第j种行为特征下已标记样本集中被标注C＝0 的样本中，在课程持续时间的第k周出现第j种行为的次数为U(v,j)_k的样本 的总数；

Prj(C=1|U(v,j))=Prj(U(v,j)|C=1)·Prj(C=1)Prj(U(v,j))---(2);]]>

Prj(C=1)=|Lj,C=1||Uj|+|Lj|---(2a);]]>

其中，|L_j,C＝1|表示在第j种行为特征下已标记样本集中被标注C＝1的样本 的总数；

P_rj(U(v,j)|C＝1)＝P_rj(U(v,j)₁|C＝1)·P_rj(U(v,j)₂|C＝1),...,(2b)；

P_rj(U(v,j)_k|C＝1),...P_rj(U(v,j)_K|C＝1)

Prj(U(v,j)k|C=1)=|Lj,C=1(U(v,j)k)||Lj,C=1|---(2b-1);]]>

其中，|L_j,C＝1|表示在第j种行为特征下已标记样本集中被标注C＝1的样本 的总数，|L_j,C＝1(U(v,j)_k)|表示在第j种行为特征下已标记样本集中被标注C＝1 的样本中，在课程持续时间的第k周出现第j种行为的次数为U(v,j)_k的样本 的总数；

P_rj(U(v,j))＝P(U(v,j)|C＝0)·P(C＝0)(3)；

P(U(v,j)|C＝1)·P(C＝1)

输出P_rj(C＝0|U(v,j)_k)和P_rj(C＝1|U(v,j)_k)；

S306：令v＝v+1；

S307：当v>|U_j|时，执行下一步，否则返回步骤S304；

S308：max{P_rj(C＝0|U(v,j))}＝max{P_rj(C＝0|U(v,j)),v＝1,2,3...u_j}， 将max{P_rj(C＝0|U(v,j))}对应的未标记样本从集合U_j中剔除，同时将 max{P_rj(C＝0|U(v,j))}对应的未标记样本移入集合L_j，并将 max{P_rj(C＝0|U(v,j))}对应的未标记样本标注C＝0；

max{P_rj(C＝1|U(v,j))}＝max{P_rj(C＝1|U(v,j)),v＝1,2,3...TU_j}，将 max{P_rj(C＝1|U(v,j))}对应的未标记样本从集合U_j中剔除，同时将 max{P_rj(C＝1|U(v,j))}对应的未标记样本移入集合L_j，并将 max{P_rj(C＝1|U(v,j))}对应的未标记样本标注C＝1；

S309：更新第j种行为特征下所有未标记样本形成的集合U_j和第j种行 为特征下所有已标注样本形成的集合L_j，令|U_j|＝|U_j|-2，|T_j|＝|T_j|+2；

S310：|U_j|≥2时，返回步骤S303，否则执行下一步；

S311：令j＝j+1；

S312：当j>m时，输出当前已标记样本集，并执行下一步；否则返回步 骤S303；

S313：令r＝r+1；

S314：当r>R时，执行下一步；否则返回步骤S302；

S4：选择最优的分类器

S401：获取步骤S1中的测试样本集，该测试样本集中共有H个测试样本， h＝1,2，…H；

S402：令r＝1；

S403：令h＝1；

S404：根据公式(4)计算P_h(C＝0|U(v,j))：

Ph(C=0|U(v,j))=Σj=1mPrj(C=0|U(v,j))---(4);]]>

根据公式(5)计算P_h(C＝1|U(v,j))：

Ph(C=1|U(v,j))=Σj=1mPrj(C=1|U(v,j))---(5);]]>

S405：如果P_h(C＝0|U(v,j))≥P_h(C＝1|U(v,j))，则将第h个测试样本 标注C＝0，否则标注C＝1，输出标记后的第h个测试样本；

S406：令h＝h+1；

S407：如果h>H，则执行下一步，否则返回步骤S404；

S408：计算第r个分类器的准确率η_r，其中S＝H表示使用第r 个分类器进行标注的次数，S’表示使用第r个分类器标注正确的次数；

S409：令r＝r+1；

S410：如果r>R，则执行下一步，否则返回步骤S403；

S411：max{η_r}＝max{η_r,r＝1,2,3...R}，max{η_r}对应的分类器为标注准 确率最高的分类器，最后输出max{η_r}对应的分类器，该分类器记为

S5：对于任意一个未标记的用户U_x，根据其学习日志文件，获取该用户 的n种行为特征，选定步骤S411输出的分类器，然后根据公式(6)计算 PUx(C=0|U(1,j));]]>

PUx(C=0|U(1,j))=Σj=1mPrmaxj(C=0|U(1,j))---(6);]]>

根据公式(7)计算

PUx(C=1|U(1,j))=Σj=1mPrmaxj(C=1|U(1,j))---(7);]]>

如果PUx(C=0|U(1,j))≥PUx(C=1|U(1,j))]]>则将用户U_x标注C＝0，否则 注C＝1。