基于集成學習的學習者反應矩陣補全方法研究.pdf

1、教育數(shù)據(jù)挖掘是計算機科學、教育學和心理學的交叉性研究課題。它通過分析學習者在智能學習系統(tǒng)中的反饋數(shù)據(jù)，了解學習者掌握知識的情況和學習內容包含知識點的情況。在國家提出的互聯(lián)網(wǎng)+教育大數(shù)據(jù)的基礎上，教育數(shù)據(jù)挖掘將會在信息化建設中發(fā)揮更加重要的作用，實現(xiàn)互聯(lián)網(wǎng)教育因材施教的目標。然而，在實際應用中，反饋數(shù)據(jù)經(jīng)常會出現(xiàn)學習者反饋不足的情況。本論文主要研究學習者反饋矩陣補全的問題，這個問題具有深刻的理論意義和實際應用前景，一方面學生反應矩陣是天然

2、的低秩矩陣，對其進行研究有利于進一步加強低秩矩陣恢復理論的理解和深入，另一反面反應矩陣補全對于個性化教學也具有非常實際的意義。
　　本論文的工作大致可以分為兩部分。第一部分用基于集成學習的方法改進經(jīng)典的矩陣補全方法，在集成學習的Bagging和AdaBoost基礎上構建了新穎的矩陣補全算法，即BaggingMC和AdaBoostMC算法;第二部分結合兩者的優(yōu)缺點提出了Improved AdaBoostMC算法，解決了Bagging

3、MC因簡單的投票使矩陣補全的誤差仍然較高和AdaBoostMC中閾值隨機選取對資源造成的浪費這兩個問題。
　　論文在模擬數(shù)據(jù)和真實數(shù)據(jù)上分別進行了實驗，通過分析矩陣補全在不同數(shù)據(jù)集上的誤差分布來判斷不同算法的準確率和補全效果。實驗結果表明，BaggingMC與三種經(jīng)典的矩陣補全算法在補全誤差上很接近，AdaBoostMC的誤差相對要小，Improved AdaBoostMC在相同數(shù)據(jù)集和相同采集率的條件下誤差最小。同時通過二值Le