[发明专利]基于集体注意力流网络的在线学习课程分析方法

权利要求书

1.基于集体注意力流网络的在线学习课程分析方法，其特征在于，包括如下步骤：

步骤1.清洗原始数据，统计权重构成集体注意力流网络模型：

1-1)收集课程中存在注册信息的所有用户在该课程内的点击数据，去除点击页面链接和标题为乱码的点击信息，通过点击记录的标题，生成节点，通过划分文本规范操作将点击记录标题整理为只包含该课程内有特征区别信息的描述，去掉“学堂在线”、空格、制表符字符串，进行节点的归并；

1-2)将1-1)中得到的所有节点信息包括简体中文、繁体中文、英语，对照“学堂在线”相应课程页面中的标记，进行统一标注，须辅以人工协助，以获得绝对准确可靠的数据；

1-3)在1-2)中得到的节点信息基础上，将每个用户在每门课程中的所有点击轨迹视为一个连贯的点击序列，统计所有用户的点击记录，得到两两节点之间有向连边的权重；

1-4)得到以上网络后，添加源和汇两个节点，以表示与环境的互动；在假设节点流入流出注意力量守恒和网络整体流量守恒的基础上，计算各个节点到源和汇的连边权重，以使网络达到平衡，最后得到平衡后的集体注意力流网络；

步骤2.计算集体注意力流网络中所有节点的流距离：

2-1)用矩阵形式表示1-4)中得到网络的连边权重信息，w_ij代表从节点j流入节点i的权重；对该矩阵中所有元素以每一行之和进行归一化，用矩阵M表示，则矩阵中的每个元素m_ij代表一个随机游走者从节点j走到节点i的概率；

2-2)一个随机游走者从源节点走到节点i的概率表示为m_i,0，源节点到节点j所需的平均步数为流距离L_j；来自其他节点j到达节点i的平均步数表示为

2-3)结合两种情况，计算节点i流距离为，

得到流距离计算公式

2-4)采用上式来进行迭代计算；假设所有节点的初始流距离L_i＝1，重复迭代所有有连边关系的节点流距离，直到收敛；

步骤3.计算用户自发学习与课程安排的肯德尔秩相关系数，比较学习顺序一致性：

3-1)对于2-4)中得到的流距离计算结果，按照从小到大的顺序对节点进行排序，同时提取按照原始的课程编排顺序的节点序列；

3-2)基于3-1)中得到的两列序列，计算每对序列的肯德尔秩相关系数，以体现用户学习顺序与课程本身设计顺序的符合程度；设有n个统计对象，即节点位置，每个位置有两个属性，一是按照课程编排原始顺序排序的节点，二是按照流距离从小到大排序的节点；将所有统计对象按属性一取值排列，不失一般性，此时属性二取值的排序是乱序的；设P为两个属性值排列大小关系一致的统计对象对数，则肯德尔秩相关系数用公式表示为：

3-3)根据秩相关系数结果，比较不同类别课程、不同类别学生的点击学习顺序情况；

步骤4.构建注意力球，拟合异速生长律：

4-1)根据2-4)中的流距离计算结果，将节点分布在注意力球上，节点所在半径表示该节点的流距离，节点的颜色深浅表示课程章节的排序，节点的大小表示点击该节点的总次数，节点角度随机，观察注意力的流动方向；

4-2)计算注意力球中随着流距离即半径变化的范围内所有节点的累积耗散量和累积经过量得到流距离小于注意力球最大半径R的无数对和具体包括：

将流网络节点按照流距离L_i由小到大排序，计算半径r＝L_i内的累积经过流T_i，以及累积耗散流D_i，探讨随着流网络生长即沿着流距离增大方向的总存储量和总耗散量是否存在异速生长律：

当L_i＜max(L_i)＝R时，得到若干对和

4-3)利用4-2)中得到的两个变量的数据，分别取双对数后使用最小二乘法进行线性拟合，对于不同用户、不同课程构成的注意力球，得到两个参数c和μ的拟合值；用于比较不同课程对不同用户的吸引力程度，当μ＞1时，用户在学习空间中所学内容越多，注意力越不容易耗散，不容易离开该学习空间；当μ1时，用户在学习空间中所学内容越多，注意力越容易耗散。