基于深度學習的智能學習平臺的分析和設計

林碧芬

（福州職業技術學院 福建 福州 350000）

1 基于深度學習的搜索和預測

深度學習是一類算法集合，是機器學習的一個分支，它將特征提取和分類結合到一個框架中，用數據學習特征，是一種可以自動學習特征的方法。深度學習嘗試為數據的高層次摘要進行建模，把原始的數據通過非線性的復雜模型轉換為更高層次、更抽象的表達。簡單來說，假設有兩組神經元，一個是接受輸入的信號，一個是發送輸出的信號。當輸入層接收到輸入信號的時候，它將輸入層做一個簡單的修改并傳遞給下一層。在一個深度網絡中，輸入層與輸出層之間可以有很多的層，算法使用多個處理層對數據進行轉換，最終得到某一種判斷的結果，從終端的層發送最終的輸出信號。

隨著人工智能和大數據的興起，深度學習技術的發展發揮著巨大的推動作用，引領各個領域紛紛從傳統方法到深度學習方法進行轉變。深度學習的應用領域在不斷擴大，在圖像識別、語音識別、搜索引擎、機器翻譯、醫療診斷、金融預測等領域都得以成功應用，并且相關方法和技術日益成熟。深度學習在圖片，語音等感知領域已經處于領導地位，在自然語言處理領域也不斷取得突破。

例如，搜索作為以自然語言呈現的最主要的應用，對自然語言理解以及語義匹配都有著非常高的要求，深度學習技術在搜索應用上，可應用于文本分析、語義匹配、搜索引擎排序模型等。據媒體報道，國內幾個知名搜索引擎，都應用了深度學習來解決自然語言理解和語義匹配的問題，甚至深度學習技術在搜索引擎中已經起到一個重要的技術支撐作用。

而在預測方面，深度學習技術也施展著它的不凡身手。在電子商務領域，深度學習技術能夠對消費者進行精準營銷，為用戶推薦感興趣的產品廣告；在金融領域，深度學習技術可以用來預測股價，還可以用來識別欺詐；在政務監管領域，深度學習技術能夠對輿情進行監測分析，預測輿情情感走向，為政務決策提供幫助。

在教學領域，我們認為，深度學習在搜索和預測方面的作用，可以應用到學生學習平臺的設計當中。應用基于深度學習的搜索和預測功能，能夠幫我們設計出一個更貼合個體學習習慣的智能學習平臺。

2 應用深度學習的技術可行性分析

一般來說，深度學習需要三個核心的要素：算法設計、高性能計算能力、大數據。其中，高性能計算能力屬于硬件范疇，在此不進行討論。下面就算法設計和大數據兩個方面，分析一下基于深度學習的智能學習平臺開發的技術可行性。

2.1 關于算法

曾經有人對深度學習的描述是：簡單的說，深度學習就是一個函數集，如此而已。換句話說，深度學習主要是一些算法的集合。事實上，深度學習就是一類有效訓練深層神經網絡的機器學習算法。基本的深層網絡模型可以分為兩大類：生成模型和判別模型。生成是指從隱含層到輸入數據的重構過程，而判別是指從輸入數據到隱含層的歸約過程。復雜的深層結構可能是一個混合模型，既包含生成模型成分，又包含判別模型成分。

無論是生成模型，還是判別模型，都包含了多種網絡架構模型。生成模型主要包括受限玻耳茲曼機（RBM）、自編碼器（AE）、深層信念網絡（DBN）、深層玻耳茲曼機（DBM）以及和積網絡（SPN）模型；判別模型主要包括深層感知器（deep MLP）、深層前饋網絡（deep FNN）、卷積神經網絡（CNN）、深層堆疊網絡（DSN）、循環神經網絡（RNN）和長短時記憶（LSTM）網絡模型。而各個網絡架構模型通過結合不同的算法設計，又生成多種具體的模型架構，例如CNN發展至今，出現了 Lenet、Alexnet、GoogleNet、VGG、Deep Residual Learning等模型架構。

基于各種模型和算法，深層網絡能夠從大量的復雜數據中學習到合適且有效的特征。應該說，任何數據都是有特征的，所以，在學習平臺上處理的數據，也是有特征的。比如學習過程中的搜索數據、選擇數據、練習數據、答疑數據等，都具有特征，它們的特征，能體現學生個體的學習特性。如果通過深層網絡的學習，得到這些數據的特征，再通過判別模型判斷學生操作的特征歸類，那么就能得到一個貼合個體學習習慣的智能學習平臺。

在應用深度學習的過程中，需要對模型和算法進行合理的選擇。有一個簡單通用的模型選擇方法[1]：

本研究在教學實驗中制定了考核評價標準（見表3），對學生游泳能力進行評價同時還對安全自救能力、救助能力及基本救生常識進行考核評價，并將游泳技能表現與救助能力表現整合起來，為教師游泳教學提供教學內容參考、明確學生學習的目標，進一步完善學生游泳自救與救助技能評價標準，再將標準開發為目標和監控手段，有力地提升教學質量，促使更多學生掌握游泳生存自救及救助能力。

●DBN: 通用的分類問題

●RNN: 序列化學習，時間序列

●CNN: 圖像、音頻、文本分類

●RBM: 特征提取

●Autoencoder: 特征提取

其中，CNN模型既包含了對特征提取的實現，也包含了對分類判別的實現，CNN能夠進行文本特征提取、文本特征表示、歸一化、最后進行文本分類，所以對于以文本為主要數據的學習平臺來說，CNN可以作為其應用深度學習的網絡模型。

2.2 關于大數據

一般認為，深度學習需要大量的數據，但是只有極少數情況下，你才能拿到足夠的數據，如果真是如此，深度學習的用處有明顯的局限性。

還有文章表示，應用mnist數據集的實驗證明，在數據量較少時，多層神經網絡的效果要比單層神經網絡要好。所以當數據較少又想用深度學習來處理數據時，建議再網絡模型中多搭幾層[3]。

因此，對于教學中使用的學習平臺來說，雖然沒有大量的數據可以提供給深度學習，但是，我們依然可以使用深度學習來獲得數據特征，并進行數據分類判斷。

3 智能學習平臺的功能設計

一般來說，學生的在線學習平臺，至少應該具備以下功能：

●提供各種學習資料，學生可以按需搜索，進行自主學習；

●提供多種任務或練習，供學生進行實踐操作；

●提供在線答疑功能。

結合深度學習的應用特點，以及在線學習平臺的基本功能要求，針對智能化的功能設計如下。

3.1 智能搜索

每個學生的搜索習慣不同，搜索同一份資料時會使用不同的關鍵字，或不同的語序。對于每個學生輸入的搜索內容，平臺將學習其特征，從而記錄每個學生的搜索習慣。依據學生的搜索習慣，在搜索時，能給出最貼合學生思路的搜索提示，實現更快捷的搜索。

3.2 智能排序

智能排序包括搜索結果的排序和操作選擇的排序。

對于搜索結果來說，平臺將根據學生之前對搜索結果的鏈接選擇習慣，來進行排序。平臺會將最符合學生搜索意圖的結果排在最前面。

對于操作選擇來說，學生會面對許多的任務列表，或練習列表。同一個知識點，可能有多個任務或練習，這些操作題目，應該按從易到難的順序排列。而難易的程度，最開始可能由平臺后臺數據管理人員輸入，但是，在被調用進行操作和評分之后，平臺將學習它們的難易特征，然后對題目的難易程度進行實時的調整，這樣的排序，對于后來的學習者，能提供更客觀的選擇依據。

3.3 智能糾錯

學生在做題的過程中，對于同類的題目，往往會有同樣的錯誤傾向。針對學生個體操作過程中產生的錯誤數據進行深度學習，能收集學生的操作錯誤特征，對于學生后面的操作，能進行個體錯誤預測，提出錯誤預警，或者錯誤提示，實現智能糾錯。

3.4 智能答疑

通過深度學習，記錄學生個體對問題和答案的選擇匹配特征，使得平臺具有自我學習的功能，并逐漸讓答疑智能化，最終實現，當學生輸入問題時，對應的答案不再是多個，而是將準確列出匹配問題的答案。

深度學習的發展，讓很多產品實現了智能化。對于已經存在的軟件平臺來說，應用深度學習模型，再加上已有的數據，一樣能實現智能化的升級。在軟件平臺設計中，如何選用深度學習的模型和算法，是值得進一步探討的問題。