基于馬爾科夫模型的電子商務課程遠程教學方法

王雷

(臺州職業技術學院, 經貿學院(電子商務學院)， 浙江, 臺州 318000)

0 引言

身處全球經濟一體化環境，電子商務已變成人類生活中不可缺少的部分，是推進社會與企業持續進步的必經之路。電子商務是一個融合計算機科學、管理學及市場營銷學等多個學科的綜合性專業[1-2]?，F階段電子商務的快速發展，造成人才資源的緊缺，這也是阻礙電子商務進一步發展的關鍵要素。為培育素質過硬的電子商務專業人才，每個高校均設立了電子商務專業課程。電子商務課程是和該領域活動有關的課程總和[3]，包含電子商務實務、網絡營銷等內容，擁有綜合性、實踐性等多種特征[4]。目前在國外的電子商務遠程教學中，均側重電子商務管理方面，且學時較短，對學生學習內容的鞏固效果不佳。在我國很多教師還是采用灌輸式教學策略實施電子商務課程教學，這不但降低了學生的學習積極性，也讓電子商務教學改革之路愈發艱巨。

針對以上教學中出現的實際問題，融合計算機網絡，提出了一種基于馬爾科夫模型的電子商務課程遠程教學方法，運用馬爾科夫模型完成遠程教學語音識別處理，提升教師傳遞教學內容準確性，采用統一建模語言，并利用ASP.NET技術，組建電子商務課程遠程教學平臺，通過實例分析表明所提方法可靠性。

1 基于馬爾科夫模型的遠程教學語音識別

遠程教學模式無法讓師生面對面進行課程交流，為此本文設計基于馬爾科夫模型的電子商務課程遠程教學語音識別方法，通過語音識別處理，讓遠程教學內容表述更加清晰明確，提升教學質量。

預處理語音信號主要包含以下內容：預加重是一個極其關鍵的前處理技術，語音信號頻譜高頻區域能量較低，極易受到干擾現象的影響，解析語音信號之前，運用數字傳輸函數來增強高頻范圍，過程為

H(z)=1-0.95×z-1

(1)

式中，H(z)是數字z的傳輸函數。

語音信號呈現出短時穩定的形態特征，分段處理持續的語音信號。為確保特征向量系數平滑性，幀和幀之間會有某些樣本被重復利用。與此同時，為減少語音幀截斷效用，加窗處理語音數據，這里使用海明窗算法完成計算，得到：

w(n)=0.54-0.46×cos(2π/(N-1))

(2)

其中，w(n)表示加窗處理后的語音數據，N表示語音數據總量。

短時能量均值是語音信號在此幀內的能量平均值[5]，具有分割無聲有聲之間的邊界、連字間的邊界等作用，記作：

(3)

使用馬爾科夫模型實現電子商務課程遠程教學語音識別。馬爾科夫模型為一個五元組(S,A,V,B,π)，S表示狀態數據集，V表示符號輸出集，π為一個原始形態概率分布，A代表形態轉移概率分布矩陣，B是形態符號發射的概率分布矩陣。

通過馬爾科夫模型相關定理可知，該模型就是一個雙重隨機流程。馬爾科夫族模型是馬爾科夫模型中的一種表達形式，設定X={X1,X2,…,Xm}代表m維隨機矢量，分量Xi與有限狀態集合數量相同。馬爾可夫族模型需要符合如下約束條件。

第一，各個分量Xi均為一個ni階馬爾科夫鏈，記作：

P(xi,t|xi,1,…,xt-1)=P(xi,t|xi,t-ni+1,…,xi,t-1)

(4)

第二，分量處于時段t時產生某個狀態的概率僅和此分量在時段t過往狀態及時段t其余分量的實時狀態有關，描述成：

P(xi,t|x1,1,…,x1,t,…,xi,1,…,xi-1,…,xm,1,…,xm,t)=

P(xi,t|xi,t-ni+1,…,x1,t-1|x1,t)·P(x1,t|xi,t)…P(xm,t|xi,t)

(5)

第三，需要滿足條件獨立性原則：

P(xi,t-ni+1,…,xi,t-1,x1,t…,xi-1,t,xi+1,t,…,xm,t|xi,t)=

P(xi,t-ni+1,…,xi,t-1|x1,t)·P(x1,t|xi,t)…P(xm,t|xi,t)

(6)

第一個約束條件證明馬爾科夫族模型是一種多種隨機流程；第二個約束條件可以明確馬爾科夫族模型多重隨機流程之間的耦合關聯，運用此特征可以化簡模型運算復雜度;第三個約束條件表明某個分量處于時段t時，此變量在時段t之前的ni-1個值和其余分量在時段t之前的值為互相獨立的，也就是馬爾科夫族模型使用條件獨立性假設替代了馬爾科夫模型內的獨立性假設。立足統計學理論，相對條件獨立假設與獨立性假設是過度假設，和語音相關內容不太貼切。所以本文使用馬爾科夫族模型來模擬真實的語言物理過程。

在持續不斷的電子商務課程遠程教學中，不同教師處于不同語言環境下講話語速差別較大，和正常語速差別較多通常會造成語音識別錯誤，較快的語速會大幅增長語音識別錯誤率，較慢的語速會導致插入錯誤。當前對語音識別問題的分析關鍵是根據某個策略獲得識別語音的語速權衡原則，再憑借語速快慢更新轉換幾率，在語速較慢的情況下增加形態自轉變的幾率，調節各個語音單元的連續時長，適應教師授課的不同語速。

段長表述語音的時間長度，構建一個基于段長分布的馬爾科夫族模型，挑選不同的語音段長度，授課時的講話速率改變情況即為段長的變化幅度起伏情況，與此同時，語速改變對段長的影響是共同增多與共同減少的，也就是語速較慢時，上個語音單元要大于段長均值，下一個語音單元段長大于上個語音單元。同時，處于很短的時段，教師的說話速率會較為平穩，也就是一個短的時間中此種語速對段長的影響是大致相等的，這樣就利用上一個語音單元段長的平均值誤差來評估下一個語音單元段長的改變走向。

語音識別模型一般將音子當作識別單位，倘若音子模型具備的形態有L個類型，描述成sl，在時段n時的形態為xn，yn是形態xn的觀測特征，在形態xn持續停留的段長為τn，將語音識別相關概率記作：

al=asl=P(xn=sl)

ai,j=asi,sj=P(xn+1=sj|xn=si)

bl(yn)=bsl(yn)=P(yn|xn=sl)

(7)

(8)

語音識別就是通過觀測序列計算最優的形態序列S，獲得最優的詞序列，也就是識別過程中最有可能出現的詞序列，詞序列計算過程為

(9)

假設Γ是相對于詞序列W可能形態序列S的數據集，得到如下公式：

(10)

倘若T1、Ti,1均為段長分割點，同時O表示一個M階馬爾科夫鏈，則擁有下列不等式關系：

(11)

條件概率P(τn+1=τi,j|τn=τi,j-1,wi)的推導過程使用鄰近2個語音單元之間的段長數據，這樣就能得到馬爾科夫族模型的段長二元概率[6]。也可以采用鄰近的r個語音單元之間的段長數據，對應獲取的結果就是段長r元概率。

因為語音數據的稀疏特性，條件概率P(τn+1=τi,j|τn=τi,j-1,wi)可以取趨近值P(τn+1=τi,j|τn=τi,j-1)或利用平滑計算模式得到，將條件概率表述成：

P(τn+1=τi,j|τn=τi,j-1,wi)≈(1-λwi)·

P(τn+1=τi,j|τn=τi,j-1i)+λwiP(τn+1=τi,j|τn=τi,j-1,wi)

(12)

式中，λw表示平滑參變量，0<λw<1，τi,j是形態段長，也可以當作半音節及音節的時間長度。在本文方法中，形態i的停留概率ai,j是一個常數，模型處于形態i后在此形態持續停留的時長τ要順從幾何分布規律，如式(13)所示，以此得到更加優秀的語音識別精度。

(13)

2 基于統一建模語言的電子商務課程遠程教學平臺開發

2.1 平臺設計思路

面向電子商務課程遠程教學的核心需求，設計一個基于統一建模語言的電子商務課程遠程教學平臺。本文平臺創建理念滿足電子商務課程教學規律，以心理學相關內容為基礎，充分分析學生認知水平及特點[7]，提高學生學習積極性。平臺設計風格簡潔明了，在操作實用性方面得到極大提升。

通過上述設計思路分析，劃分系統內包含如下角色：平臺管理員、學習人員。用戶經過功能選擇，可以找到不同的功能頁面，平臺設計主要順序如圖1所示。

圖1 平臺設計順序

即便用戶類型較多，且不同的用戶具備自身的功能權限與事務，但訓練平臺軟件類目標的構成可以分成用戶頁面包、事務處理包和后臺信息處理包，將三者的關聯表示為圖2。

圖2 軟件包之間的關聯

統一建模語言處于編碼階段時，運用Visual Studio.Net當作前端研發工具[8]，SQL Server是平臺數據庫完成編程任務。編碼過程中，會挖掘出平臺的潛在缺陷與隱患，使用Rational Rose逆向工程的功能來修正平臺不足。

測試的根本目標是明確平臺研發的錯誤。測試工作使用例描述作為基礎，查看平臺是否實現最初的設計需求，平臺配置為真實的交付系統，包含文檔與模型等子系統，測試、配置與統一建模語言之間的關聯可參見圖3。

圖3 測試、配置與統一建模語言之間的關聯示意圖

2.2 電子商務課程遠程教學平臺實現

遠程教學平臺架構包含服務器/客戶機(Client-Server，C/S)與瀏覽器/服務器(Browser/Server，B/S)兩種架構。C/S架構在平臺集成維護、操作頁面一致性、平臺拓展性、安全性等方面擁有顯著局限性，而B/S為三層結構包含界面層、事務層與數據庫層。數據庫無法直接給各個客戶機提供操作服務，而是運用Web服務器實現交互，完成對用戶數據服務的即時性與動態性，在用戶機內無需設置應用程序，將應用程序架設于事務層所處的計算機內，信息均儲存于數據庫服務器內，這樣的結構設計更具安全性。本文平臺構建于Web架構中，采用ASP.NET開發技術，將ASP.NET開發技術的編譯流程記作圖4。

圖4 ASP.NET開發技術編譯流程

平臺設計包含軟件與硬件兩個平臺。硬件包含網絡結構、網絡連接與局域網至廣域網的接入，軟件包含網絡協議、操作子系統、平臺制作工具與數據庫軟件，這里采用Windows NT的軟硬件開發工具。

統一建模語言對平臺的環境支撐應當擁有如下功能：畫圖、目標存儲、產生代碼、導航、集成及模型互換?；谝陨祥_發環境建設，將電子商務課程遠程教學平臺整體結構表示成圖5。

圖5 遠程教學平臺結構

管理板塊中，平臺可以自動管理全部用戶資料，同時追蹤用戶對遠程教學資料的使用狀況，組織在線考試與疑難問題解答，利用成績管理子板塊明確學生的真實學習狀態，給學生正確的學習指導，完成學生對電子商務課程的自主學習。

教學板塊包含電子商務實驗教學、電子教案和實驗軟件模擬教學3個子版塊，很好地彌補了傳統教學方式不足，讓學生身臨其境地感受電子商務的真實交互狀態，增強學生的課程掌握能力。

學生學習板塊使用選擇題與問答題對學生進行知識檢測，利用評分體系快速明確學生成績，讓學生自行規劃學習進度，并提供對應的教程資源，拓寬學生視野。

術語查找板塊讓學生運用搜索功能實現準確的電子商務術語查找，還能利用模糊查找快速有效地查看生僻術語，提升自身學習速率。

系統演示功能板塊可以使用Flash技術對教學、學生學習與名詞術語查找進行生動演示，可以提高系統全局教學質量，讓師生更加快速地了解平臺的操作步驟與技巧，完成電子商務遠程教學預期目標。

3 實驗結果與分析

為了證明所提方法的有效性，選擇某高校電子商務專業的35名學生作為實驗目標，進行為期一個月的遠程教學，列舉若干因素與課程問題，對學生進行電子商務課程遠程教學問卷調查，將學生問卷評估指標分為良、優、差，計算出相應分數。研究采集的數據使用SPSS 12.0 for windows與statistics完成統計處理，將問卷調查后的結果表示為表1。

表1 電子商務課程遠程教學問卷調查結果

從表1可知，電子商務專業學生對本文方法的教學效果擁有極高的評價，證明所提方法能夠根據電子商務專業的學生特點與需求制定極具針對性的教學內容，并且本文采用了馬爾科夫模型的電子商務課程遠程教學語音識別方法，可以保證授課教師所講內容有效地傳遞給學生，讓學生得到更好的交互體驗同時，也培養了學生的自主學習能力。

為了更進一步地展現方法的可靠性，對比傳統教學與遠程教學模式，從出勤率、小測成績、月考成績、小組討論積極性等幾方面進行仿真實驗，每5天為一個周期，實驗結果如圖6～圖8所示。

由圖6～圖8可知，與電子商務課程傳統教學模式相比，本文方法的遠程教學模式獲得了更加優秀的學習效果，顯著提升了學生的考核成績，與問卷調查結果基本相同，表明本文方法擁有優秀的實用性，為電子商務課程教學的深入改革發揮重要作用。

圖6 出勤率情況對比

圖7 小測成績與月考成績的教學情況對比

圖8 小組討論積極性對比

4 總結

針對傳統電子商務課程灌輸式教學弊端，提出基于馬爾科夫模型的電子商務課程遠程教學方法。所提方法能夠從根本上扭轉學生對電子商務課程的刻板印象，加強師生間的互動性，有效提升學生考核成績。接下來會在方法上引入更細致的多媒體文件分類查找業務，進一步提高平臺用戶體驗感。