《表2 实验结果：基于深度学习的MOOC作弊行为检测研究》

  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

《基于深度学习的MOOC作弊行为检测研究》

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

为了评估本文模型的检测性能，分别选用CNN、LSTM、GRU、Bi GRU、CNN-Bi GRU、Bi GRU-Attention等方法在验证集上进行对比实验，结果如表2所示。从实验结果来看，本文提出的CNN-Bi GRU-Attention模型取得了最高的精确率、召回率、AUC和最低的误报率，分别为98.51%、81.35%、91.07%和0.016%，可见本文模型的检测效果优于其对比模型。对比前四组实验，可以看出，相比于CNN和LSTM模型，GRU的作弊检测性能更好，另外，Bi GRU对比单向的LSTM和GRU，模型的各个性能指标均有提升，说明采用双向结构的Bi GRU能更充分的提取序列的上下文信息，进而提高了作弊行为的检测能力。对比第一组、第四组和第五组实验，CNN-Bi GRU联合模型相比于单一的CNN或者单一的Bi GRU模型，在精确率、召回率和AUC上都有明显的提升，主要是因为CNN-Bi GRU联合模型同时结合了CNN和Bi GRU模型结构的优势，既学习了行为序列的空间特征，又学习了行为序列的时序特征。对比第四组和第六组实验，可以看出，在Bi GRU的基础上引入注意力机制后，检测模型的精确率、召回率和AUC值分别提升了1.15%、0.4%和1.44%，究其原因，主要是因为引入注意力机制后，对检测贡献度大的特征给予了更高的权重，提升了重要特征对行为序列分类的影响力。本文提出的CNN-Bi GRU-Attention网络模型，由于同时结合了CNN、Bi GRU以及注意力机制等网络结构的优势，模型的检测性能进一步得到了提升。