《表2 预测学习者毕业与否效果对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《语义增强的在线学习行为预测研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文在11门课程上进行了预测学习者毕业与否的实验．每门课程将80%的学习者数据作为训练数据，将其余20%的数据作为测试测试．实验中的测评指标采用Precision、Recall和F1．由于本文数据集不满足基于概率的预测方法的需求，所以选择两种传统的机器学习方法Logistic Regression（LR）、Support Vector M achine（SVM）代替基于概率的方法作为本文方法的对比方法．选择方法Factorization Machine（FM）[16]作为代表基于矩阵因子化预测方法的对比方法．由于Latent Dynamic Factor Graph（LadFG）[20]被证明优于大部分深度学习方法，所以选择其作为代表基于深度学习预测方法的对比方法．LR和SVM利用除短文本语义信息外的统计信息和学习行为信息特征训练logistic回归模型和SVM模型，并利用训练好的摸型进行预测．FM方法先构造学习者-课程矩阵，将学习者对应课程的成绩作为矩阵元素，利用矩阵因子化的方法可得到学习者和课程的特征向量，再基于特征向量去判断学习者毕业与否．LadFG利用学习者的人口统计数据、学习行为数据和论坛行为数据构建动态图模型，再基于学习者的整个过程的学习状态去预测学习者毕业与否．具体结果如表2所示．