隨著移動互聯(lián)網的快速興起與深入發(fā)展以及智能手機的高度普及,在線教學已經成為一種必然的趨勢。各種網絡教學平臺如雨后春筍般涌現(xiàn),然而當前許多平臺仍采用了傳統(tǒng)的單塊架構模式。由于用戶量的持續(xù)增長以及用戶需求的不斷增加,傳統(tǒng)單塊架構模式已經無法適應飛速發(fā)展的互聯(lián)網時代。業(yè)界推出的可擴展系統(tǒng)架構彌補了傳統(tǒng)單塊架構的缺陷。本文借鑒AKF三維伸縮模型與微服務的理念,提出一種小規(guī)模在線教學平臺開發(fā)模型。該模型利用傅里葉級數(shù)對函數(shù)進行正交分解的思想,根據(jù)不相關的屬性集將傳統(tǒng)在線教學平臺的編程空間映射到多維正交空間,再將該空間基于多維正交維度分割組合形成顆粒度不同的功能模塊,然后將模塊代碼導入至云平臺的虛擬機中。通過這種分解映射與虛擬化的方式,使得在線教學平臺的開發(fā)邏輯更易理解,復雜度更低、代碼量更小、復用率更高。大規(guī)模用戶同時訪問系統(tǒng)時,服務器在短時間內需要處理大量的訪問請求。在如此高的并發(fā)量下,系統(tǒng)響應時間會變長甚至容易出現(xiàn)崩潰的情況。本文針對在線考試系統(tǒng)中大量學生同時參加考試時高并發(fā)訪問導致的負載不均衡問題,提出一種基于學習分析與預測模型的在線考試系統(tǒng)負載均衡方法。該方法首先根據(jù)用戶在線考試數(shù)據(jù)分析數(shù)據(jù)庫并發(fā)連接數(shù)與用戶答題行為之間的關系,通過合理控制考試間隔來降低并發(fā)連接數(shù)。然后提取學生的答題總數(shù)、收藏題數(shù)、平均答題時間等學習特征,以考試平均答題時間為標簽,通過卷積神經網絡構建考生答題時間預測模型。最后根據(jù)考試平均答題時間的長短將所有學生分類并重定向至不同服務器。通過實驗結果對比說明,本方法能夠有效地降低數(shù)據(jù)庫并發(fā)連接數(shù),緩解了高并發(fā)訪問導致系統(tǒng)不穩(wěn)定的問題,使每個服務器的負載更加均衡。且該方法可以提前預知負載情況,為考試前購買服務器資源提供了參考。隨著學習者對習題的個性化和實用性的要求越來越高,面對網絡學習平臺中海量的習題,如何選擇具有針對性、能彌補知識漏洞的習題,已經成為當前教學資源個性化推薦研究領域的熱點。鑒于網絡學習者擁有各種各樣的學習特征,而在線習題數(shù)量龐大、類型多樣且難度不一,本文提出一種基于多維特征分析的習題精準推薦方法。該方法從習題自身熱度、習題間知識點相關度以及學習者之間的風格相似度3個方面量化學習者和習題之間潛在的關聯(lián)關系,分別利用線性組合與學習排序方法構建推薦模型,完成習題和學習者的精準匹配。通過實驗表明,該方法在推薦5個候選習題時平均正確率均值達到36.8%,為學習者提供精準的習題推薦服務,最終提高學習效率。
【學位單位】：浙江工商大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：G434;TP391.3
【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 應用軟件架構
        1.2.2 負載均衡研究
        1.2.3 推薦算法研究
    1.3 主要研究內容
    1.4 研究貢獻及創(chuàng)新點
    1.5 論文結構
2 小規(guī)模在線教學平臺開發(fā)模型研究
    2.1 AKF三維伸縮模型
    2.2 小規(guī)模在線教學平臺開發(fā)模型研究
    2.3 小規(guī)模在線教學平臺的分解與映射
    2.4 小規(guī)模在線教學平臺編程優(yōu)點
    2.5 本章小結
3 基于學習分析與預測模型的在線考試系統(tǒng)負載均衡研究
    3.1 在線考試系統(tǒng)中的負載均衡問題
    3.2 負載均衡基本原理
    3.3 卷積神經網絡
    3.4 負載均衡實驗設計
        3.4.1 基于學習分析的負載均衡方法
        3.4.2 基于預測模型的重定向負載均衡方法
    3.5 實驗結果與分析
        3.5.1 實驗數(shù)據(jù)與預處理
        3.5.2 負載指標與度量方法
        3.5.3 實驗結果與對比分析
    3.6 本章小結
4 基于多維特征分析的習題精準推薦研究
    4.1 在線教學平臺中的習題推薦
    4.2 習題精準推薦方法框架
    4.3 提取多維特征與量化度量
        4.3.1 習題熱度
        4.3.2 知識點相關度
        4.3.3 風格相似度
    4.4 基于多維特征的習題精準推薦方法
        4.4.1 基于線性組合的推薦方法
        4.4.2 基于排序學習的推薦方法
    4.5 實驗結果與分析
        4.5.1 數(shù)據(jù)預處理
        4.5.2 評價指標設定
        4.5.3 實驗結果與對比分析
    4.6 本章小結
5 小規(guī)模在線教學平臺實例的設計與實現(xiàn)
    5.1 小規(guī)模在線教學平臺實例
    5.2 傳統(tǒng)新生始業(yè)教育存在的問題
    5.3 平臺整體框架設計
        5.3.1 移動端功能模塊設計
        5.3.2 后臺管理系統(tǒng)設計
    5.4 新生始業(yè)教育平臺實現(xiàn)
        5.4.1 開發(fā)環(huán)境與框架模式
        5.4.2 移動端界面
        5.4.3 后臺管理系統(tǒng)界面
    5.5 本章小結
6 總結與展望
    6.1 論文總結
    6.2 工作展望
參考文獻
本文作者碩士期間取得的研究成果
致謝

【參考文獻】

相關期刊論文 前5條

1 趙艷妮;郭華磊;尚嵐;范秀峰;;一種柔性軟件框架的設計與實現(xiàn)[J];計算機技術與發(fā)展;2015年11期

2 祝智庭;賀斌;;智慧教育:教育信息化的新境界[J];電化教育研究;2012年12期

3 賈志洋;石宜金;李丁;馬瑞英;;基于協(xié)同過濾的在線教學視頻推薦方法[J];重慶工商大學學報(自然科學版);2012年07期

4 張勤慧;吳東洋;;基于網格的在線考試系統(tǒng)的分析與研究[J];電腦知識與技術;2012年07期

5 洪偉宏;劉濤;黃少濱;張萬松;;ALP:一種面向CometCloud平臺的自適應負載均衡方法[J];電信科學;2011年11期

本文編號：2865896