最新更新
 
您现在的位置:主页 > 新闻中心 > 校园新闻 >  
效劳器日志记载
发布时间:2018-08-14 03:47  来源:未知  点击量:
  Web日志开掘技能处理的方针包含了用户的注册信息、效劳器日志记载、用户查询记载和Cookies日志等数据[3]。但这些原始的日志文件并不适宜直接进行开掘,须阅历必定的处理进程。Web日志开掘详细由四部分组成:原始数据搜集、数据预处理、开掘进程和办法剖析[4]。见图1。传统的网络教育的规划思维是运用互联网的技能,将教育资源与受教育者联络起来,受教育者经过拜访网络教育途径,自行挑选课件、习题、试题等学习资源。网络教育办法白小组急旋风历史的呈现为受教育者供给了很大的便当,但因为在学习途径的构建时短少对受教育者特性化的考虑,致使途径展现给每个受教育者的信息虽然在种类和数量上都很丰厚,但却不能做到因人而异、对症下药,受教育者经过网络教育取得的效劳也较为白小组急旋风历史单一,不能快速取得契合自己喜欢和才干需求的学习内容。为此,应对中心层的网络教育途径进行详细规划和进白小组急旋风历史一步扩展,充沛考虑受教育者的需求并满意各个受教育者的不同需求,供给智能化效劳。经过树立一个以Web日志开掘技能为载体的网络教育模型,以效劳器端的Web日志文件记载的受教育者的个人注册信息、阅览内容、拜访途径等信息为方针,运用相关的算法,完结对学习资源的聚类、用户的聚类并生成用户阅览办法调集,再运用特性化引荐体系将契合受教育者特性特征的学习内容呈现给相应的用户,使受教育者在最短时刻内取得了所需的课件、习题、试题、视频等材料调集,在前进学习功率的一同也使受教育者的学习领会得到很好的改进。详细模型见图2。
 
  2算法剖析
 
  在图2所示的网络教育模型中,Web日志开掘模块是中心,完结对受教育者、页面的聚类以及受教育者学习规矩的总结剖析。聚类剖析、相关规矩剖析是该模块重要的技能手法。聚类剖析首要完结对页面和受教育者的聚类。页面聚类白小组急旋风历史是将被受教育者频频拜访、相似度较高的学习资源聚为一类,以便在受白小组急旋风历史教育者学习某个常识点时为其推送同类资源,缩小了引荐体系的查找规划。对受教育者聚类是经过盯梢Web日志中受教育者的学习行为、学习进程,将特性特征、学习习气白小组急旋风历史相似的受教育者聚为一类,剖析各类受教育者对常识点的把握状况,针对性地为每一类受教育者定制相应的教育资源,使受教育者可以按需学习,前进学习效果。而相关规矩剖析则是依据Web日志中受教育者对网页的阅览记载,用相关技能开掘出有价值的网页调集。从开掘效果可知哪些途径被受教育者频频拜访,可把握受教育者的学习需求并猜测受教育者的学习趋势,一同完善页面之间的链接,使受教育者快速拜访到所需的学习资源。以相关规矩剖析为例,触及到的算法首要有Apriori算法、FP添加算法等。本文以Apriori算法为例,完结对受教育者拜访频频网页的开掘,终究生成学习内容页面引荐调集。Apriori算法相关术语设S={s1,s2,…,sd}是悉数项的调集,T={t1,t2,…,tK}是悉数事务的调集,每个事务ti包含的项集都是S的在子集。项集X、Y均是ti的子集。X∩Y=Φ.将蕴涵表达式X→Y称为T的相关规矩。衡量相关规矩的强弱有两个首要的方针,别离是支撑度、置信度。支撑度断定规矩可以用于给定数据集的频频程度,而置信度断定Y在包含X的事务中呈现的频频程度[5]。设定min-sup和min-conf为最小支撑度阈值及最小置信度阈值,若T中存在相关规矩X→Y,使得以下两个式子一同树立:support(X→Y)≥min-supconfidence(X→Y)≥min-conf则X→Y被称为T事务的强相关规矩。找出悉数强相关规
上一篇:摘要对传统网络教育
下一篇:现代作业教育信息化进程
 
 
Copyright (c) 2015 WWW.whptu.ah.cn  All Right Reserved.   版权所有:芜湖高等专科学校
   您是第287597位访客123456789101112131415161718192021222324252627282930