[发明专利]基于机器学习的MOOC僵尸课程识别方法在审
| 申请号： | 201910620124.2 | 申请日： | 2019-07-10 |
| 公开（公告）号： | CN110334810A | 公开（公告）日： | 2019-10-15 |
| 发明（设计）人： | 董晨;张凡;江秋怡;郭文忠 | 申请（专利权）人： | 福州大学 |
| 主分类号： | G06N3/08 | 分类号： | G06N3/08;G06Q50/20;G06K9/62 |
| 代理公司： | 福州元创专利商标代理有限公司 35100 | 代理人： | 陈明鑫;蔡学俊 |
| 地址： | 350108 福建省福州市闽*** | 国省代码： | 福建;35 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 课程 基于机器 训练数据集 预设 样本 测试误差 重大意义 初始化 低成本 构建 学习 标签 采集 建设 | ||
【权利要求书】：
1.一种基于机器学习的MOOC僵尸课程识别方法，其特征在于，包括以下步骤：
步骤S1:采集MOOC平台上若干样本课程；
步骤S2:提取样本课程特征并添加标签，构造训练数据集；
步骤S3:构建BP神经网络模型；
步骤S4:根据训练数据集，初始化并训练BP神经网络模型，直到测试误差达到预设值或者到达预设最大训练次数，得到训练后的BP神经网络模型；
步骤S4:将待测MOOC课程输入训练后的BP神经网络模型，判断是否为僵尸课程。
2.根据权利要求1所述的基于机器学习的MOOC僵尸课程识别方法，其特征在于：所述样本课程特征包括已选课人数、总评论数、总评论回复数、平均评论回复数、平均投票数和教师参与评论数。
3.根据权利要求1所述的基于机器学习的MOOC僵尸课程识别方法，其特征在于：所述BP神经网络模型以每组样本数据的各项特征指标作为输入，以是否为僵尸课程的判断结果作为输出，其中输入层节点数为6，输出层节点数为1。
4.根据权利要求1所述的基于机器学习的MOOC僵尸课程识别方法，其特征在于：所述BP神经网络模型隐藏层节点数为：
其中，n对应输入层节点数，m对应输出层节点数，a对应一个区间[1,10]内的常数。
5.根据权利要求1所述的基于机器学习的MOOC僵尸课程识别方法，其特征在于：所述隐含层以及输出层的激励函数采用Tansig函数。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于福州大学，未经福州大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910620124.2/1.html，转载请声明来源钻瓜专利网。
