CN119494081A 多源异构与动态行为协同特征挖掘方法及系统 （巢湖学院）

多源异构与动态行为协同特征挖掘方法及了多源异构与动态行为协同特征挖掘方法及系根据融合生成的综合学习数据快速且准确的挖2S4：将多源异构数据和动态行为数据融合成综将上一个学习事件的终点时刻至下一个学习事件的起点时刻之间的时长记为间隔时;逐一查询出学习者的个学习事件的事件状态属性，并标记出事件状态属性中的属性;3将有效学习峰值、学习间断值和学习疲劳度分别赋予不同的权重;;将所有的第一学习数据进行重复比较，标记出存在重复的第一学习按照记录时刻的先后顺序，将存在重复的第一学习数据依次排列，并剔通过自然语言处理技术逐一识别出余下的第一学习数据中的第一语通过自然语言处理技术逐一识别出第二学习数据的第二语义，并将分别将文字部分为答卷、笔记、讨论、借阅和有效的按照记录时刻的先后顺序，分别将第一待验证数据、第二待验证数据4采集多组综合学习数据和与之对应的协同特征，将每组综合学习数据将特征向量作为机器学习模型的输入，并将每组综合学习数据按照挖掘的先后顺序，将所有的协同特征依次排列，并通过自然语言处9中任一项所述的多源异构与动态行为协同特征挖掘方法，其特征在于，包括周期计算模模型训练模块，用于将多源异构数据和动态行为数据融合成综合学5提示判定模块，用于获取实时的综合学习数据，输入到特征挖掘模型协同管理模块，用于从协同特征中识别出目标特征，根据目标特征6协同特征挖掘的方式无法高效且精准的实现多维度、多类型和多状态的协同特性挖掘效7将上一个学习事件的终点时刻至下一个学习事件的起点时刻之间的时长记为间剔除掉间隔时长的最大值和最小值，并将余下的A-3个间隔时长累加后求;逐一查询出学习者的个学习事件的事件状态属性，并标记出事件状态属性中的;将有效学习峰值、学习间断值和学习疲劳度分别赋予不同的权重因子后并比较，;;89本发明通过查询出学习者的基础学习参数，从基础学习参数中提取出周期参数，效的数据基础，从而对学习者的多源异构数据和动态行为数据的采集提供合理的时间限[0016]图1为本发明实施例一提供的多源异构与动态行为协同特征挖掘方法的流程示意图2为本发明实施例二提供的多源异构与动态行为协同特征挖掘系统的架构示意[0018]实施例一：请参阅图1所示，本实施例所述多源异构与动态行为协同特征挖掘方基础学习参数是指能够对学习者在学习过程中的学习变化情况进行表示的参数，在过往时间段内处于正常学习状态的持续时长的最大习事件是用来对学习者在过往时间段内每一个独立的学习阶段中的所有数据的记录事件，将上一个学习事件的终点时刻至下一个学习事件的起点时刻之间的时长记为间剔除掉间隔时长的最大值和最小值，并将余下的A-3个间隔时长累加后求;逐一查询出学习者的个学习事件的事件状态属性，并标记出事件状态属性中的;使得学习周期可以作为学习者在后续进行学习效果评估和分析数据将有效学习峰值、学习间断值和学习疲劳度分别赋予不同的权重因子后并比较，;;第二学习数据是指学习者在学习周期内学习时产生的不间断的学习行为的多样;当特征量值小于等于3时，此时实时的综合学习数据中能够挖掘出来的协同特征当特征量值大于3时，此时实时的综合学习数据中能够挖掘出来的协同特征的数目标特征是指能够对学习者在学习周期内的学习成果出现负面现象时造成影响当特征语义为考试时，说明综合学习数据中与考试相关的数据为协同管理数据，当特征语义为笔记时，说明综合学习数据中与笔记相关的数据为协同管理数据，当特征语义为交互时，说明综合学习数据中与交互相关的数据为协同管理数据，当特征语义为阅读时，说明综合学习数据中与阅读相关的数据为协同管理数据，当特征语义为操作时，说明综合学习数据中与操作相关的数据为协同管理数据，识别出对学习者的学习成果造成负面影响的目标特征，从而实现了对复杂数据快速筛选、[0037]由于本实施例所介绍的电子设备为实施本申请实施例