多源异构与动态行为协同特征挖掘方法及系统

1.多源异构与动态行为协同特征挖掘方法，应用于挖掘服务器，其特征在于，包括：S1：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，周期参数包括有效学习峰值、学习间断值和学习疲劳度，并计算出学习者的学习周期；学习间断值的获取方法包括：通过学习管理系统查询出学习者在过往时间段内的 个学习事件，并逐一查询出 个学习事件中的第一个记录时刻和最后一个记录时刻，分别记为起点时刻和终点时刻；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长，获得 个间隔时长；剔除掉间隔时长的最大值和最小值，并将余下的 个间隔时长累加后求平均，获得学习间断值；学习疲劳度的获取方法包括：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值；将属性值为“0-0”、“0-1”或“1-0”的学习事件记为疲劳事件，并通过时间戳逐一查询出疲劳事件和学习事件的持续时长，获得 个疲劳时长和 个事件时长；将 个疲劳时长逐一累加后，获得疲劳总值，并将疲劳总值与 个事件时长的累加值比较，获得学习疲劳度；学习周期的计算方法包括：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，计算出周期附加值；将预设的标准周期与周期附加值相加后，计算出学习周期；S2：获取学习者在学习周期内的第一学习数据，并基于第一提取准则，从第一学习数据中提取出多源异构数据，第一提取准则为：剔除掉多余的存在重复的第一学习数据；S3：获取学习者在学习周期内的第二学习数据，并基于第二提取准则，从第二学习数据中提取出动态行为数据，第二提取准则为：剔除掉记录时刻位于最后三位以外的待验证数据；S4：将多源异构数据和动态行为数据融合成综合学习数据，挖掘出综合学习数据中的协同特征，并训练挖掘出协同特征的特征挖掘模型；S5：获取实时的综合学习数据，输入到特征挖掘模型中挖掘出实时的协同特征，并判定是否发出协同管理提示；S6：若发出协同管理提示，从协同特征中识别出目标特征，根据目标特征标记出协同管理数据，并将协同特征和协同管理数据整合至学习者和管理者进行展示。 2.根据权利要求1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，学习间断值的表达式为： ；式中， 为学习间断值， 为第 个间隔时长。 3.根据权利要求2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，学习疲劳度的表达式为： ；式中， 为学习疲劳度， 为第 个疲劳时长， 为第 个事件时长。 4.根据权利要求3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，周期附加值的表达式为： ；式中， 为周期附加值， 为有效学习峰值， 、 、 均为大于0的权重因子；学习周期的表达式为： ；式中， 为学习周期， 为预设的标准周期。 5.根据权利要求4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，多源异构数据包括考试成绩数据、日常表现数据、课外活动数据、图书查阅数据和动手实操数据；考试成绩数据、日常表现数据、课外活动数据、图书查阅数据和动手实操数据的提取方法包括：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数据，并查询出存在重复的第一学习数据的记录时刻；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，并剔除掉除位于最后一位以外的存在重复的第一学习数据；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义，并将第一语义拆分为释义部分和释值部分；将释义部分为成绩、日常、课外、图书和实操的第一语义分别记为考试语义、日常语义、课外语义、图书语义和实操语义，并将考试语义、日常语义、课外语义、图书语义和实操语义对应的第一学习数据记为考试成绩数据、日常表现数据、课外活动数据、图书查阅数据和动手实操数据。 6.根据权利要求5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，动态行为数据包括考试答卷时长、课堂笔记数量、交互讨论频率、搜索借阅次数和有效实践时长；考试答卷时长、课堂笔记数量、交互讨论频率、搜索借阅次数和有效实践时长的提取方法包括：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，并将第二语义拆分为文字部分和数值部分；分别将文字部分为答卷、笔记、讨论、借阅和有效的第二学习数据记为第一待验证数据、第二待验证数据、第三待验证数据、第四待验证数据和第五待验证数据，并通过时间戳逐一查询出第一待验证数据、第二待验证数据、第三待验证数据、第四待验证数据和第五待验证数据的记录时刻；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、第三待验证数据、第四待验证数据和第五待验证数据依次排列，并剔除掉除位于最后三位以外的第一待验证数据、第二待验证数据、第三待验证数据、第四待验证数据和第五待验证数据；将余下的第一待验证数据、第二待验证数据、第三待验证数据、第四待验证数据和第五待验证数据的数值部分相加后并求平均，分别获得考试答卷时长、课堂笔记数量、交互讨论频率、搜索借阅次数和有效实践时长。 7.根据权利要求6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，特征挖掘模型的训练方法包括：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转换为对应的一组特征向量；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对应的协同特征作为机器学习模型的输出，以每组综合学习数据实际对应的协同特征作为预测目标，以最小化所述综合学习数据的预测误差之和作为训练目标，对机器学习模型进行训练，直至预测误差之和达到收敛时停止训练，得到挖掘出协同特征的特征挖掘模型。 8.根据权利要求7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，是否发出协同管理提示的判定方法包括：统计出特征挖掘模型挖掘出的协同特征的数量，记为特征量值；当特征量值小于等于3时，判定发出协同管理提示；当特征量值大于3时，判定不发出协同管理提示。 9.根据权利要求8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，协同管理数据的标记方法包括：按照挖掘的先后顺序，将所有的协同特征依次排列，并通过自然语言处理技术逐一识别出所有的协同特征的特征语义；当特征语义为考试时，将考试成绩数据和考试答卷时长记为协同管理数据；当特征语义为笔记时，将日常表现数据和课堂笔记数量记为协同管理数据；当特征语义为交互时，将课外活动数据和交互讨论频率记为协同管理数据；当特征语义为阅读时，将图书查阅数据和搜索借阅次数记为协同管理数据；当特征语义为操作时，将动手实操数据和有效实践时长记为协同管理数据。 10.多源异构与动态行为协同特征挖掘系统，应用于挖掘服务器，用于实现权利要求1-9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，包括周期计算模块、第一采集模块、第二采集模块、模型训练模块、提示判定模块和协同管理模块，其中，各个模块之间通过有线或无线网络方式连接；周期计算模块，用于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，周期参数包括有效学习峰值、学习间断值和学习疲劳度，并计算出学习者的学习周期；第一采集模块，用于获取学习者在学习周期内的第一学习数据，并基于第一提取准则，从第一学习数据中提取出多源异构数据，第一提取准则为：剔除掉多余的存在重复的第一学习数据；第二采集模块，用于获取学习者在学习周期内的第二学习数据，并基于第二提取准则，从第二学习数据中提取出动态行为数据，第二提取准则为：剔除掉记录时刻位于最后三位以外的待验证数据；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习数据，挖掘出综合学习数据中的协同特征，并训练挖掘出协同特征的特征挖掘模型；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中挖掘出实时的协同特征，并判定是否发出协同管理提示；协同管理模块，用于从协同特征中识别出目标特征，根据目标特征标记出协同管理数据，并将协同特征和协同管理数据整合至学习者和管理者进行展示。