基于人工免疫危险模式理论的异常学习行为发现方法

摘要

一种基于人工免疫危险模式理论的异常学习行为发现方法，为解决网络学习环境中学习行为的监控问题，对网络学习行为进行实时监控，计算多个维度学习行为的变化，检测异常行为；本发明公开了一种发现异常网络学习行为的方法，对网络学习行为进行采样，计算不同学习行为的变化作为危险信号，构造人工抗原提呈细胞对多种学习行为的变化进行融合，检测学习行为的异常。

说明书

技术领域

本发明属于人工智能领域，尤其涉及一种基于人工免疫危险模式理论的异常学习 行为的自适应发现方法。

背景技术

随着教育信息化进程的推进，特别是近年来新媒体引发的教育变革，MOOC、翻转课 堂等全新网络教学模式的推广和普及，学习模式面临变革。传统教育模式下，教学活动采取 面对面的形式。观察学生的异常学习行为(例如开小差、完成作业时间长等)，能帮助教师及 时发现教学问题。信息环境下，师生间的时空距离拉大，学生的学习行为难以被直接观察 到。及时发现在线学习行为的异常，是教师调整教学、教学督导监控教学的共同需求。

信息化环境下学习行为的研究始于七十年代，ChihPingChu等人提出使用高阶有 色Petri网对网络学习行为模式进行描述，MichalisXenos等提出基于贝叶斯网络的学习 行为建模等。东北师范大学研究组提出一种基于网络学习行为模式挖掘对用户学习风格建 模的方法，华中师范大学研究组提出网络学习行为多层次多维度模型等。上述研究大多是 从历史数据中总结学习行为的规律，研究目的集中在从行为科学理论和教育学理论的角度 分析学习行为与学习成绩、学习动机、效能之间的关系。目前也有学者提出分析MOOC平台的 应用状况、学生的学习行为以及学习成效，找出MOOC平台应用中存在的问题并提出可行的 建议，为MOOC的应用提供指导和建议。

学习行为因人而异，同样的学习行为，对某生来说是正常的，而对另一学生来说可 能就是异常。即使是同一学生，在不同学习阶段正常的学习行为之间也有差异，难以用统 一、精确的标准界定其为“正常”还是“异常”。如何自适应地发现个性化的异常学习行为，是 要解决的主要问题。

人工免疫系统(AIS,ArtificialImmuneSystems)是模仿机体免疫系统工作原理 的智能计算系统，具有良好的自适应性和多样性。危险理论(DT,DangerTheory)是免疫学 中的一个著名理论，它认为：先天免疫系统可以发现机体受到入侵时产生的“危险信号”，并 以此为线索找到引起异常的病原体，英国诺丁汉大学U.Aickelin研究组2002年该理论引入 人工免疫系统。危险理论是根据“危险信号”发现异常，且人工免疫系统本身所具有的自适 应性和多样性符合异常学习行为发现个性化、自动化的要求。

发明内容

本发明针对信息环境下学生学习行为难以直接观察到，难以及时发现学习行为的 异常，不利于及时调整教学内容和教学方式，发现教学中的疑难这一问题，提供一种基于人 工免疫危险模式理论的异常学习行为发现方法，包含以下步骤：

步骤1，将网络学习行为按复杂程度由低到高划分为操作行为、认知行为、协作行 为、问题解决行为；

步骤1.1将认知行为、协作行为、问题解决行为分别拆分为由多个操作行为组成的 行为序列；

步骤1.2一个操作行为可含有多个行为属性，进一步将操作行为拆分为多个行为 属性，每个属性独立记为一个“行为元”，行为元是具有行为属性且不可再进一步拆分的基 本单位；

步骤2，对拆分后的“行为元”进行量化；

步骤3，以学习过程LP，LearningProcess为评价单元，计算危险信号；在网络学习 中，一个学习过程是完成一组学习行为的一个集合，学习过程LP内n种学习行为的采样值构 成一个n维空间的点；所述的n种学习行为元的采样值，是采样且经过步骤2量化后的行为元 的值；

步骤3.1n种学习行为元在前N个LP内的采样值构成一个n维云；n维云在每一个维 度上分别投影，得到n个一维云，分别计算每个一维云的期望、熵和超熵；设A₁为一种学习行 为元，n维云在A₁上的投影是一个一维云，计算可得A₁C_N的期望Ex，熵En和超熵He；

步骤3.2计算在云A₁C_N中云滴值Ex-2En或Ex+2En对应的隶属度μ_2En，

${\mu }_{2En}=e^{-\frac{{(Ex\pm 2En-Ex)}^2}{2{\left(En\right)}^2}}=e^{-2};$

步骤3.3计算在云A₁C_N中云滴值Ex-3En或Ex+3En对应的隶属度μ_3En，

${\mu }_{3En}=e^{-\frac{{(Ex\pm 3En-Ex)}^2}{2{\left(En\right)}^2}}=\frac{1}{\sqrt{e^9}};$

步骤3.4计算学习行为元A₁在第N+1个LP中的采样值隶属于云A₁C_N的隶属度μ，判断 μ与μ_2En的大小关系；如果μ≥μ_2En，执行步骤3.4.1；如果μ_2En≥μ≥μ_3En，执行步骤3.4.2；如果μ ≤μ_3En，执行步骤3.4.3；

步骤3.4.1如果μ≥μ_2En，，则第N+1个LP内的学习行为元A₁符合一般规律，产生安全 信号SS_A1；

步骤3.4.2如果μ_2En≥μ≥μ_3En，则第N+1个LP内的学习行为元A₁与一般规律有一定 偏差，产生危险信号DS_A1；

步骤3.4.3如果μ≤μ_3En，则第N+1个LP内的学习行为元A₁与一般规律有很大偏差， 产生致病信号PAMP_A1；

步骤3.5依次得到每一个维度学习行为元的安全信号SS、危险信号DS或致病信号 PAMPs；

步骤4，构造人工抗原提呈细胞AAPC计算某学生第N+1个LP内的n个维度的学习行 为是否与前N个LP内的n个维度的学习行为存在较大差异，反映某学生在第N+1个LP内的学 习行为是否正常；

步骤5，设人工抗原提呈细胞AAPCs种群的规模为population，计算population的 值，判定学习者群体学习行为是否正常；

$population=-\frac{{\mathrm{\Sigma AAPC}}_{mat}}{\Sigma AAPC}$

其中，∑AAPC_mat是产生报警的APC数量之和，∑AAPC是所有APC数量之和， population即学习者群体中被评价为行为异常的子群体与总群体的比值；

步骤5.1population值越接近1，说明该LP内学习行为异常的范围越大；

步骤5.2population的值越接近0，说明该LP内学习行为异常的范围越小。

进一步的，所述的步骤2包括下列步骤：

步骤2.1根据“行为元”的取值特征，如果取值为布尔型，“行为元”取值0或1；

步骤2.2如果“行为元”取值为数值型，将其取值规约到[0,1]之间，设规约后的取 值为x，规约前的取值为y，可取最大值为y_max，最小值为y_min，

步骤2.3如果“行为元”取值为枚举型，将其取值规约到[0,1]之间，设规约后的取 值为x，规约前枚举值为第y个，枚举数量为z，

进一步的，所述的步骤4包括下列步骤：

步骤4.1人工抗原提呈细胞AAPC是安全信号SS、危险信号DS、致病信号PAMPs的融 合器；AAPC的数学形式体现为对步骤3中每一个学习过程内n个学习行为元产生的SS、DS、 PAMPs信号的值进行加权平均；AAPC对一个LP内的SS、DS和PAMPs信号，采用加权平均的方法 进行累加；

$AAPC=\underset{i=1}{\overset{2}{\Sigma }}{\mathrm{SW}}_i$

其中，

$W=\left(\begin{array}{cc}x& i=0\\ -y1& i=1\\ -y2& i=2\end{array}\right)$

其中，S是信号的取值，W是权重值，x，-y1，-y2分别是权重W的取值，y2>y1；i＝0时 对应SS信号，i＝1时对应DS信号，i＝2时对应PAMPs信号；

步骤4.2判断AAPC的值与0的大小关系；

步骤4.2.1如果AAPC值≥0，安全信号SS占主导，该AAPC半成熟semi，不产生协同刺 激信号，即认为该学生在该LP内n维学习行为总体评价正常，不产生报警；

步骤4.2.2如果AAPC值＜0，危险信号DS和致病信号PAMPs占主导，该AAPC成熟mat， 产生协同刺激信号，认为该学生在该LP内n维学习行为总体评价为异常，产生报警；

步骤4.3如果该LP内的学习行为被评价为正常，窗口N向前滑动一个单位，该LP作 为新的正常行为LP加入，如果该LP内的学习行为被评价为异常，窗口N不向前滑动；

本发明的有益效果是：一种基于人工免疫危险模式理论的异常学习行为发现方 法，为解决网络学习环境中学习行为的监控问题，对网络学习行为进行实时监控，计算多个 维度学习行为的变化，检测异常行为；本发明公开了一种发现异常网络学习行为的方法，对 网络学习行为进行采样，计算不同学习行为的变化作为危险信号，构造人工抗原提呈细胞 对多种学习行为的变化进行融合，检测学习行为的异常。

附图说明

图1是本发明异常学习行为发现方法的流程图；

图2是本发明信号产生及人工APC产生协同刺激信号的示意图；

图3是本发明根据μ判定危险、安全、PAMPs信号的示意图。

具体实施方式

本发明主要基于人工免疫系统中的危险模式理论，考虑信息化学习环境下学生异 常学习行为难以被及时发现，提出一种基于人工免疫危险模式理论的异常学习行为发现方 法。本方法充分考虑了每个学习者学习行为间的差异性，通过计算某学习者某学习过程内 的n维学习行为分别隶属于之前常规学习行为云的隶属度，判断某一维学习行为是否危险， 通过构造人工抗原提呈细胞计算某学习过程内所有学习行为信号的值，某学习者在该学习 过程内的学习行为是否异常。通过对多名学习者学习行为的统计，判断该学习过程的设置 是否不合理。

本发明提供的方法能够用计算机软件技术实现流程。参见图1和图2，实施例以某 学习者某阶段的网络学习过程为例对本发明的流程进行一个具体的阐述，如下：

步骤1，将网络学习行为按结构维度划分为操作行为、协作行为、问题解决行为，拆 分学习行为；

步骤1.1将协作行为和问题解决行为拆分为多个不可分割的操作行为；

步骤1.2将操作行为拆分为多个行为属性，每个属性独立记为一个“行为元”；

实施例具体实施过程如下：以某网络学习平台为例，学习过程中有操作行为“看视 频”、协作行为“学习社区讨论”、解决问题行为“参与测验”。协作行为“学习社区讨论”可以 拆分为操作行为“发帖”、“回帖”、“删帖”；解决问题行为“参与测验”可以拆分为操作行为 “答题”，或进一步拆分为“答客观题”、“答主观题”等。

以操作行为“看视频”为例，该行为具有三个属性：打开视频、看视频效率、看视频 时间。打开视频是个瞬间动作，取值为0或1；看视频效率＝视频时长/看视频花费时长；看视 频时间即开始看视频的时钟时间，对应一天24小时。看视频效率或看视频时间就是一个行 为元

步骤2，对拆分后的“行为元”进行量化；

步骤2.1根据“行为元”的取值特征，如果取值为布尔型，“行为元”取值0或1；

步骤2.2如果“行为元”取值为数值型，将其取值规约到[0,1]之间，设规约后的取 值为x，规约前的取值为y，可取最大值为y_max，最小值为y_min，

步骤2.3如果“行为元”取值为枚举型，将其取值规约到[0,1]之间，设规约后的取 值为x，规约前枚举值为第y个，枚举数量为z，

实施例具体实施过程如下：布尔型取值，例如“打开视频”取值为0或1；数值型取值 例如看视频效率；枚举型取值例如看视频时间。以看视频效率为例，设视频时长为10分钟， 以分为时间隔，不足一分钟记为一分钟，超过1小时记为1小时，则看视频效率的取值为[1/ 6,10]，将看视频时间为规约到[0,1]之间，如看视频时长为20分钟，则取值约为0.034。以看 视频时间为例，取值为枚举型，从1～24取整，如看视频时间为15:00，则取值为0.625。

步骤3，以学习过程(LP，LearningProcess)为评价单元，计算危险信号。在网络学 习中，一个学习过程是完成一组学习行为的一个集合，例如一个网络学习单元或一节网络 微课。学习过程LP内n种学习行为的采样值构成一个n维空间的点。

步骤3.1n种学习行为元在前N个LP内的采样值构成一个n维云。n维云在每一个维 度上分别投影，得到n个一维云，分别计算每个一维云的期望、熵和超熵。以其中一种学习行 为A₁为例，n维云在A₁上的投影是一个一维云，计算可得A₁C_N的期望Ex，熵En和超熵He；

参见图3，步骤3.2计算在云A₁C_N中云滴值Ex-2En或Ex+2En对应的隶属度μ_2En， ${\mu }_{2En}=e^{-\frac{{(Ex\pm 2En-Ex)}^2}{2{\left(En\right)}^2}}=e^{-2};$

步骤3.3计算在云A₁C_N中云滴值Ex-3En或Ex+3En对应的隶属度μ_3En，$\mu$${}_{3En}=e^{-\frac{{(Ex\pm 3En-Ex)}^2}{2{\left(En\right)}^2}}=\frac{1}{\sqrt{e^9}}$

步骤3.4计算学习行为A₁在第N+1个LP中的采样值隶属于云A₁C_N的隶属度μ，判断μ 与μ_2En的大小关系；如果μ≥μ_2En，执行步骤3.4.1；如果μ_2En≥μ≥μ_3En，执行步骤3.4.2；如果μ ≤μ_3En，执行步骤3.4.3；

步骤3.4.1如果μ≥μ_2En，，则第N+1个LP内的学习行为A₁符合一般规律，产生安全信 号SS_A1；

步骤3.4.2如果μ_2En≥μ≥μ_3En，则第N+1个LP内的学习行为A₁与一般规律有一定偏 差，产生危险信号DS_A1；

步骤3.4.3如果μ≤μ_3En，则第N+1个LP内的学习行为A₁与一般规律有很大偏差，产 生致病信号PAMP_A1；

步骤3.5依次得到每一个维度学习行为的安全信号SS、危险信号DS或致病信号 PAMPs；

实施例具体实施过程如下：以看视频效率、看视频时间、发帖率、回帖率、答题时间 为例，每一个学习过程LP中上述行为元取值的构成一个5维空间的点，例如在第N+1个学习 过程中该5维点的取值为(0.034,0.625,0.025,0.011,0.2)，每一维取值分别对应上述某个 行为元在第N+1个LP内的取值。

根据前N个LP内5维点的取值，构成一个5维云，该云在看视频效率这一行为元上的 投影是一个一维云，该一维云的含义是看电视效率在前N个LP内的一般规律。以看视频效率 这一维为例，若其在N个LP内的取值为(0.034,0.028,0.043,…,0.036)，用公式

$Ex=\bar{X}---\left(1\right)$

$En=\sqrt{\frac{\pi }{2}}\times \frac{1}{N}{\Sigma }_{i=1}^N|x_i-Ex|---\left(2\right)$

$He=\sqrt{S^2-{\mathrm{En}}^2}---\left(3\right)$

分别计算云模型三要素Ex、En和He，构成云，其中分别计算μ_2En＝e^-2和

第N+1个LP内看视频效率这一行为元的采样值为0.040，带入计算隶 属度μ，得到μ≥μ_2En，说明第N+1个LP内的看视频效率行为元符合一般规律，产生安全信号 SS，如果μ_2En≥μ≥μ_3En或μ≤μ_3En则分别得到DS信号和PAMP信号。

步骤4，构造人工抗原提呈细胞AAPC计算某学生第N+1个LP内的n个维度的学习行 为是否与前N个LP内的n个维度的学习行为存在较大差异，反映某学生在第N+1个LP内的学 习行为是否正常；

步骤4.1AAPC对一个LP内的SS、DS和PAMPs信号，采用加权平均的方法进行累加；

$AAPC=\underset{i=1}{\overset{2}{\Sigma }}{\mathrm{SW}}_i$

其中，

$W=\left(\begin{array}{cc}x& i=0\\ -y1& i=1\\ -y2& i=2\end{array}\right)$

其中，S是信号的取值，W是权重值，x，-y1，-y2分别是权重W的取值，y2>y1。i＝0时 对应SS信号，i＝1时对应DS信号，i＝2时对应PAMPs信号。

步骤4.2判断AAPC的值与0的大小关系；

步骤4.2.1如果AAPC值≥0，安全信号SS占主导，该AAPC半成熟(semi)，不产生协同 刺激信号，即认为该学生在该LP内n维学习行为总体评价正常，不产生报警；

步骤4.2.2如果AAPC值＜0，危险信号DS和致病信号PAMPs占主导，该AAPC成熟 (mat)，产生协同刺激信号，认为该学生在该LP内n维学习行为总体评价为异常，产生报警。

步骤4.3如果该LP内的学习行为被评价为正常，窗口N向前滑动一个单位，该LP作 为新的正常行为LP加入，如果该LP内的学习行为被评价为异常，窗口N不向前滑动；

实施例具体实施过程如下：仍以步骤3实施例中的5维空间点为例，若信号取值分 别如下表所示。

看视频效率 看视频时间 发帖率 回帖率 答题时间 信号类型 SS SS DS PAMP DS 信号值 0.040 0.500 0.020 0.025 0.782

则计算所得AAPC＝-0.312，AAPC成熟(mat)，产生协同刺激信号，认为该学生在该 LP内n维学习行为总体评价为异常，产生报警。第N+1个LP内学习行为评价为异常，因此窗口 N不向前滑动，正常行为云仍为前N个LP内的云滴构成。

反之，如果计算所得AAPC值≥0，AAPC半成熟(semi)，不产生协同刺激信号，认为该 学生在该LP内的n维学习行为总体评价为正常，不产生报警。如果第N+1个LP内学习行为评 价为正常，窗口N向前滑动一格，原正常行为云中加入第N+1个LP内的学习行为云滴，并去掉 原第1个云滴，新构成的正常行为云仍为N个LP内的云滴构成。

实际上在试验中发现由于不同学习行为取值差异较大，因此权重W的取值还需根 据所选学习行为而调整。

步骤5，计算人工抗原提呈细胞AAPCs种群的值population，判定学习者群体学习 行为是否正常；

$population=-\frac{{\mathrm{\Sigma AAPC}}_{mat}}{\Sigma AAPC}$

其中∑AAPC_mat是产生报警的APC数量之和，∑AAPC是所有APC数量之和， population即学习者群体中被评价为行为异常的子群体与总群体的比值；

步骤5.1population值越接近1，说明该LP内学习行为异常的范围越大；

步骤5.2population的值越接近0，说明该LP内学习行为异常的范围越小。

实施例具体实施过程如下：仍以上一步骤所计算AAPC值为例，若学习者群体数量 为1000，产生报警的AAPC数量为678，则population＝0.678，说明超过60％的学生在该学习 过程中有行为异常，教师应及时检查学习过程难度是否合理，各模块设置是否恰当。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领 域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替 代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。