[发明专利]基于复杂网络理论的在线学习分组方法

权利要求书

1.基于复杂网络理论的在线学习分组方法，其特征在于，包括以下步骤：

在大规模在线学习系统中，获取能够多维度反映学习者人格特质的数据集合；

获取学习者学习成绩，并结合获取的反映学习者人格特质的数据集合构建复合欧式距离；

将每个学习者视为学习者网络中的一个节点，构建学习者网络；

利用贪婪算法依次对有边连接的各个节点进行合并，自动聚类划分为学习小组；

其中，利用贪婪算法依次对有边连接的各个节点进行合并，自动聚类划分为学习小组，具体包括以下步骤：

将学习者网络中的每个节点分别看作一个社团；

将有边相连的社团依次进行合并；

计算合并后形成的新社团的模块度，直至整个学习者网络的模块度最大，得到的新社团即为学习小组；

根据贪婪算法的原则，每次合并的方向沿着学习者网络的模块度增加最大或模块度减少最小的方向进行，每次合并将减少一定数量的社团，同时，学习者网络的结构也会相应的更新，直至将有边相连的节点合并到一个社团；

另外，将学习小组中节点介数最大的节点作为该学习小组的学习领袖，学习领袖是在线学习过程中活跃度高、成绩优秀、对学习互动和深度学习具有引领作用的个体；

学习者的活跃度通过点度来表示，学习者的点度中心性为点出度和点入度的综合，第i学习者的活跃度综合评价值如下所示：

A_i＝α_i×outD_i+β_i×inD_i；

其中，Ai表示第i学习者的活跃度综合评价值；outD_i和inD_i分别表示第i学习者的点出度和点入度；α_i和β_i分别表示第i学习者的点出度和点入度的权重，α_i+β_i＝1；

学习者的影响力通过接近中心度和间距中心度表示，第i学习者的影响力综合评价值如下所示：

I_i＝γ_i×C_c+μ_i×C_b；

其中，I_i表示第i学习者的影响力综合评价值；C_c和C_b分别表示第i学习者的接近中心度和间距中心度；γ_i和μ_i分别表示第i学习者的接近中心度和间距中心度的权重，γ_i+μ_i＝1。

2.如权利要求1所述的方法，其特征在于，将每个学习者视为学习者网络中的一个节点，构建学习者网络，具体为：

设定各节点之间的复合欧式距离阈值，当两节点之间的复合欧式距离小于或等于复合欧式距离阈值时，则认为两节点之间有边的连接；

当两节点之间的复合欧式距离大于复合欧式距离阈值时，则认为两节点之间不存在连接关系。

3.如权利要求2所述的方法，其特征在于，复合欧式距离阈值为学习者网络中全部节点的复合欧式距离的平均值的N倍，0.3≤N≤1.5。

4.如权利要求1所述的方法，其特征在于，复合欧式距离表示为：

其中，D为复合欧式距离；d1为学习者学习成绩的欧式距离；d2为学习者人格的欧氏距离；α为d1的权重；β为d2的权重；α+β＝1。

5.如权利要求1所述的方法，其特征在于，贪婪算法的具体过程如下：

定义一个n×n维的数组对称矩阵E＝[e_ij]；

其中，n为学习者网络划分的社团数，在初始时，n为学习者网络中的节点数；

定义数组对称矩阵E的每行或者每列中各元素之和为a_p＝∑_je_ij；

其中，m为学习者网络的总边数，k_p为节点p的模块度；

依次合并有边相连的社团，计算新社团的模块度，重复上述过程，直至整个学习者网络的模块度最大。