[发明专利]一种基于PCA-DBN的在线学习平台用户满意度预测方法及系统

权利要求书

1.一种基于PCA-DBN的在线学习平台用户满意度预测方法，其特征在于，基于在线学习平台后台数据获取用户在线学习数据，采用主成分分析方法对用户在线学习数据进行特征数据提取，形成用户在线学习特征数据集，基于李克特五级量表调查问卷获取用户满意度数据集；将用户在线学习特征数据集和用户满意度数据集合成样本数据集，并将样本数据集划分为训练集和测试集；将训练集输入深度置信网络学习模型训练构造基于深度置信网络的在线学习平台用户满意度预测模型；使用测试集对在线学习平台用户满意度预测模型进行参数优化，建立在线学习平台用户满意度预测模型，基于在线学习平台用户满意度预测模型实现用户满意度预测。

2.根据权利要求1所述的基于PCA-DBN的在线学习平台用户满意度预测方法，其特征在于，特征数据集具体为：

获取用户在线学习平台后台数据，通过数据预处理获取有效数据集；利用主成分分析法对有效数据集进行特征数据提取，形成特征数据集。

3.根据权利要求2所述的基于PCA-DBN的在线学习平台用户满意度预测方法，其特征在于，后台数据包括在线率、签到率、章节完成率、章节测试成绩、作业完成率、课堂互动次数、作业成绩、平时成绩和期末成绩。

4.根据权利要求2所述的基于PCA-DBN的在线学习平台用户满意度预测方法，其特征在于，利用主成分分析法对生成的有效样本数据集进行特征数据提取具体为：

计算样本数据集的协方差矩阵∑；确定协方差矩阵∑的特征值λ₁及对应的特征向量A；主成分的个数累计贡献率确定主成分个数，采用SPSSAU对主成分进行提取，抽取的前3个主成分为：用户自身特征、用户在线学习行为、用户在线学习效果。

5.根据权利要求4所述的基于PCA-DBN的在线学习平台用户满意度预测方法，其特征在于，特征向量A为：

其中，p为主成分个数。

6.根据权利要求5所述的基于PCA-DBN的在线学习平台用户满意度预测方法，其特征在于，p个主成分G(p)为：

其中，m为有效数据集协方差矩阵的维数，λ_k为有效数据集协方差矩阵的特征值。

7.根据权利要求1所述的基于PCA-DBN的在线学习平台用户满意度预测方法，其特征在于，用户满意度数据集具体为：

采用基于李克特五级量表的用户满意度问卷对有效样本数据集对应的用户进行满意度调查，对李克特量表中的5项指标进行分类，得到非常满意、满意、一般、不太满意和不满意作为用户满意度数据集。

8.根据权利要求1所述的基于PCA-DBN的在线学习平台用户满意度预测方法，其特征在于，按照7:3的比例将样本数据集划分为训练集和测试集。

9.根据权利要求1所述的基于PCA-DBN的在线学习平台用户满意度预测方法，其特征在于，使用测试集对在线学习平台用户满意度预测模型进行参数优化过程中，设置参数dropout为0.1减少过拟合。

10.一种基于PCA-DBN的在线学习平台用户满意度预测系统，其特征在于，包括：

数据采集模块，基于在线学习平台后台数据获取用户在线学习数据，采用主成分分析方法对用户在线学习数据进行特征数据提取，形成用户在线学习特征数据集，基于李克特五级量表调查问卷获取用户满意度数据集；

特征提取模块，将特征数据集和用户满意度数据集合成样本数据集，并将样本数据集划分为训练集和测试集；

模型训练模块，将训练集输入深度置信网络学习模型训练构造基于深度置信网络的在线学习平台用户满意度预测模型；

满意度预测模块，使用测试集对在线学习平台用户满意度预测模型进行参数优化，建立在线学习平台用户满意度预测模型，基于在线学习平台用户满意度预测模型实现用户满意度预测。