網絡學習環境在大數據時代的數據融合

何 崢

（中國人民解放軍新疆軍區南疆軍區信息保障隊，新疆 喀什 844000）

0 引言

云計算服務能由使用者本人選擇內容和方式，以便更好地利用現有資源來學習，除了能為學習者帶來便利外，還能降低教育管理的成本，使傳統教育模式發生改變。 如何融合網絡環境中的共享數據，提升網絡學習的效率，強化信息資料之間的共享，成為當前需要討論的問題。

1 數據融合的概念與分類

1.1 數據融合的概念

網絡時代的到來雖然使人們能從網絡上獲得更多的信息，但是同時也讓信息愈發碎片化，而數據融合能夠有效解決該問題。 數據融合的目的在于對碎片化的信息，按照最終的目的與需求進行重新提取與融合，形成一個數據資源集合，以達到信息使用者所要達到的目的。 但在這一過程中，如果信息數據的標準傳輸模式出現差錯，就容易產生信息孤島問題。 網絡學習環境是孤島問題多發區， 因此作為跨學科領域，數據融合需要考慮多種復雜因素，并且有必要建立信息標準體系，以防止數據共享過程出現問題。

1.2 數據融合分類

大數據時代的數據融合是多方向的信息匯總，其中包括傳統科學和新興科學， 傳統科學類目中主要包括數學、通信以及計算機網絡，新興科學則主要包括機器學習、人工智能和在線溝通等項目。 在數據融合中，主要的技術有假設檢驗、聚類分析和機器學習，用這些技術對數據庫進行分析，屬于決策級別融合。隨著互聯網的發展， 網絡學習環境的數據構建主要用到同類與異類數據的融合。 同類與異類的融合能起到數據歸納的效果，進行有效信息的壓縮和聚集，在計算機數據系統中通常使用決策樹和神經網絡法的方式來表示。

2 網絡數據融合的步驟及策略

2.1 數據融合的步驟

（1）需求定義。 需求定義也就是學習者線上學習的方向，即用戶需求，只有清楚定義要解決的問題，明確了方向才能提取出數據庫中能夠利用的數據，從而建立基于有效的數據模型。

（2）數據預處理。 在進行數據分析之前，數據預處理是數據融合的關鍵步驟，因為數據庫中的數據類型是多種多樣的，用戶的需求確定以后，預處理就顯得更加重要。 數據預處理主要包括描述數據、清理垃圾數據、集成有效數據和變換有效數據，只有通過預處理才能進行到下一步分析。

（3）深度理解。 深度理解的含義是深度挖掘數據需求，由于大數據時代的特性，以及用戶需求的多樣化，構造網絡學習環境對數據融合分析有了更高的要求，不僅指浮于表面的數據內容，還要針對被挖掘數據和分析特征模型把握演變的規律。

（4）計算模型。 由于傳統數據計算已經與現代互聯網技術相適應，面對結構復雜和類型多樣的信息數據，需要構建高效的數據計算模型，這也是進行數據產出的重要環節。 對用戶需求進行匯總、分析之后的精準輸出，是數據融合的關鍵。

2.2 數據融合的升級策略

（1）優化網絡學習環境。 很多用戶不信任互聯網環境的一個重要原因，是網絡學習環境不佳，除了信息種類比較復雜外，信息庫的數據也有不確定性。 因此，要改善數據融合現狀，避免信息孤島現象，首先要優化網絡學習環境。

（2）提高數據融合技術水平。 數據融合需要從技術層面上提高，首先要進行人才培養。 為了更好地整合數據， 必須培養有著互聯網整合技術的專業人才，專項培養人才，滲透規章法則，對相關人員進行質量上的考核，嚴格把控人員技術水平，才能保障構建優質的學習網絡環境，推動網絡環境的良性發展。

（3）優化網絡結構。 網絡異構問題的產生，使優化網絡結構提上綱程。 其主要內容有系統的優化、課程的優化2 項，歸根究底是對課程資源的優化，并提高資源含金量，可以通過提高數據運維知識，辨別網絡結構中不適用的、無效的信息，通過技術上的優化升級才能改善現有網絡學習環境。

3 大數據時代網絡學習環境的構建

3.1 網絡學習環境構建的必要性

網絡學習需要一個健康的、科學的環境，因此除了凈化網絡環境， 還有精準提煉信息資源這些要求。網絡學習中的信息資源是通過計算機為載體表現出的學習方式，在現階段主要在Web 平臺實現，在網絡學習環境中，環境構建的核心內容有控制學習資源和遠程教學管理2 種，除此之外，還有學習網站和網絡指導教師這種輔助方式。

3.2 網絡學習環境構建的可行性

網絡學習方式逐漸被教育領域中的眾多學習者認可，彰顯了構建科學學習環境的必要性。通過上文總結出的網絡融合步驟， 綜合考慮網絡學習環境構建的地位，就能得出結論：通過數據融合的方式構建出的網絡學習環境，將有利于教育和互聯網技術的進步。 目前，高速發展的互聯網環境使得傳統數據難以滿足用戶需求，一些“僵尸數據”與“信息孤島”的出現，造成了不必要的資源浪費。針對這些冗余的數據，需要結合云計算和人工智能技術，提高數據計算模型的價值。

4 數據融合實現

4.1 數據獲取

數據獲取的主要方式是平臺自行沉淀、 網絡抓取、合作共享、增值服務。 現如今，互聯網是各種跨學科數據的龐大數據庫， 這些數據經過清洗和篩選后，可以進行下一步，歸納到網絡學習系統中，比方說書刊出版社的CRM 系統、Kindle 等閱讀軟件的App，從用戶習慣來沉淀、抓取用戶需求。 又或者可以在增值服務上下功夫， 在實體商品上附加網址和二維碼，進行軟推廣，起到數據的捕捉和需求的獲取。

4.2 數據預處理

第一時間獲取的數據有時雜亂、 重復和模糊，有這種冗余問題的存在，在實際運用中，數據預處理有必要升級變換。 變換的首要步驟就是數據清洗，通過清洗重復數據和填補空缺數據， 提高數據的準確性。常見的數據預處理方法有EM 最大期望法、MI 算法，等等，在清洗和填補之后將數據集成，集成的數據主要是異構數據的合并與歸納，在合并與歸納期間還需要進行數據的變換，利用函數等方式，規避權重不平衡現象發生。 數據預處理在網絡學習環境中，主要是利用網絡爬蟲形成數據模型來完成的，具體表現為瀏覽器、學習軟件一類的平臺展現出的推送圖文。

4.3 數據轉換

數據轉換是經過數據處理和數據分析得來的，常見的處理模型有 MapReduce、Dryad、Storm， 這些都是可以在復雜的數據庫環境中進行數據處理的模型，并且具有很高的準確性。 現如今，數據轉換起到的作用不僅僅是將用戶的需求內容呈現出來，還起到深度挖掘的作用，對流數據進行聚類，并且檢測異常。 近年來，快速地轉換數據越來越重要，所以，提高數據處理的實時性也勢在必行，這樣才能使處理模型有一個快速優質的應用效果。

5 結語

本文采用大數據時代為背景，列舉和分析網絡學習環境中數據融合的步驟，并且對目前數據融合的升級演變做了系統性總結。 研究重點在于網絡學習中，因用戶需求而進行的數據獲取、預處理、數據分析、數據模型計算流程是如何運作的。 在未來，數據融合的效率必然會更加高效便捷，實踐證明，只有通過升級每個細節步驟，準確的數據產出，才能惠及大眾，避免學習行為與資源庫發生孤島效應，只有從技術上做出改進，才能讓網絡學習效率真正地得到提升。