社交化在线课程平台学习者潜在关系挖掘与重叠社区检测研究

Nowadays, the communities of online course platform, formed by the learners with subjective intention, are an online learning community with obvious theme tendencies. However, the interaction of the learners on the platform is sparse, and the community does not play a clear guiding role, especially for cold start learners. This project plans to explore the problems which are mining the relationships of the learners and the potential overlapping community detection by combining online course platform with social networks, the results can provide decision support for the related services of course platform. Firstly, we innovatively use the idea of imputation to online course platform to avoid data sparsity based on social networks. Then, we set up the learner's character representation model and relationship mining. Secondly, in view of the possibility of multiple learning needs at the same time, we are going to detect overlapping communities from two local perspectives: the ego networks and the network motifs. Finally, in order to improve computing power for large-scale learner network, we propose a parallel overlapping community detection algorithm, and carry out theoretical mode validation and application study demonstration on the real social online learning platform. The results of this project will be able to predict learners' different learning needs and behavioral tendencies more accurately, which can not only provide decision support for the online course platform's recommendation system and educational managers, but also improve the user's viscosity of the online course platform. Moreover, the project will explore a new research idea for the depth value mining of educational data.

针对目前在线课程平台学习者交互关系稀疏及在线主题社区对学习者（尤其冷启动学习者）导向不明确等问题，本项目拟将社交网络和在线课程平台相结合研究学习者关联关系挖掘及潜在重叠社区检测问题。(1)针对学习者交互数据稀疏问题，采用学习者社交数据进行补全，构建学习者特征表示模型并挖掘其间的关联关系；(2)针对学习者可能同时存在多个不同学习需求，拟从自我中心网络和网络模体两个局部角度检测学习者所属的多个不同重叠社区；(3)针对大规模学习者网络重叠社区检测结果的时效性问题，提出并行化重叠社区检测算法，并在真实社交化在线课程平台上进行理论模式验证和应用研究示范。本项目研究成果将可以更准确的预测学习者的不同学习需求和行为倾向，为在线课程平台推荐系统和功能演化等提供决策支持并进而提升在线课程平台的用户粘度。同时，为教育数据的深度价值挖掘探索一条新的研究思路。

针对在线课程平台学习者交互数据稀疏及在线主题社区对学习者（尤其冷启动学习者）导向不明确等问题，本项目提出将社交网络和在线课程平台相结合研究学习者关联关系挖掘及潜在重叠社区检测问题。在本研究中，我们首先采集了学习者的线上交互数据和真实学习成绩数据进行社会网络分析和相关性分析等，得出了参与在线交互的学习者比不参与在线交互的学习者的学习效果好的结论；针对社交功能能否在一定程度上弥补学习者交互数据稀疏并为学习者在线学习起到促进作用这一问题，我们通过采集学习者在线社交数据和真实学习成绩数据进行统计分析，研究结果表明学习者在线社交活跃度总体不高，交互活动对学习成绩具有正相关影响，社交关系则通过促进交互活动的方式间接地影响学习效果。针对学习者交互数据稀疏问题，我们采用学习者社交数据进行补全，并利用补全后学习者稠密网络较好地解决了冷启动学习者的潜在学习社区检测问题。在推荐算法方面，我们提出一种融合学术社区检测的权威学者推荐模型（ISRMACD）来为学术社交网络中的低影响力学者提供推荐服务，从实验结果来看，在社区内部进行推荐获得的推荐准确度更高。我们也提出了融合位置属性的个性化可解释性推荐方法来提高对学习者的推荐精度，尤其是对冷启动学习者和惰性学习者的个性化推荐服务等。针对目前在线学习平台的研究现状，在学习分析方面我们也做了相关的工作，并在推荐系统、学习者画像和智能导学系统等学习者在线学习系统研发上取得了初步的研究成果，未来将针对多模态知识图谱开展应用研究，解决学习者的个性化学习服务问题，期望研究成果在高等院校落地应用，解决目前高校公共基础课（如高等数学、大学物理等）中普遍存在的生师比过高导致教师无法为学习者提供个性化学习服务等问题。