[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

说明书

本发明公开了一种基于PCA‑DBN的在线学习平台用户满意度预测方法及系统，通过对海量用户在线学习数据进行特征数据提取，形成特征数据集；对与特征数据集对应的用户进行满意度调查形成用户满意度数据集；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；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；使用测试集对深度置信网络模型进行参数优化，建立计算精度高、泛化能力强的在线学习平台用户满意度预测模型。本发明着眼于大数据背景下的在线学习平台用户满意度预测，引入主成分分析和深度置信网络，为进一步提高用户在线学习满意度提供决策和支持依据。

技术领域

本发明属于数据处理技术领域，具体涉及一种基于PCA-DBN的在线学习平台用户满意度预测方法及系统。

背景技术

信息技术快速发展，为教育教学改革和教育现代化发展提供了巨大的技术支持。“互联网+”教育克服了传统课堂教学的时间局限和空间局限，在现代化教育领域发展日益兴盛。大部分的国际学生转入线上教学阶段，因此网络在线教学已然成为各级各类学校必不可少应急及常规教学手段。然而全新学习情景的转换也为现代化教育质量评估带来了不容忽视的挑战，在线学习效果如何及学生学习满意度都成为目前亟待探究的问题。

目前大部分专家学者对于学习满意度评价多基于传统统计学方法中的结构方程模型，使用数据挖掘、关联分析、深度学习的学习满意度预测的研究尚待加强。

深度置信网络在不同业务领域有着广泛的应用，例如通过多个受限波尔兹曼机层的预处理训练并获取DBN权重等参数，最后可以获得稳定、可靠的预测模型，通过深度置信网络混合分类器可以实现用户满意度预测，都提示深度置信网络在预测方面有着独特优势。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于PCA-DBN的在线学习平台用户满意度预测方法及系统，通过对在线学习平台后台的海量数据进行处理分析实现用户在线学习满意度的预测，克服传统使用结构方程方法仅能解决低维度三类变量问题的不足，从多维多角度提取关键影响因素和变量，验证深度置信网络在满意度预测方面的有效性，为精准施教、提高用户在线学习满意度提供决策和支持。

本发明采用以下技术方案：

一种基于PCA-DBN的在线学习平台用户满意度预测方法，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。

具体的，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。

进一步的，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。

进一步的，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。

更进一步的，特征向量A为：

其中，p为主成分个数。