基于神經網絡下學習資源區塊鏈存儲的習慣搜索研究

瞿詩瑜 王 宇

（陜西開放大學,陜西 西安 710119）

1 引言

隨著社會的需要與時代的發展，現今很多技術已經能夠將線下的工作方式和數據資源等轉移到線上進行使用。雖然海量的網上數據有大數據技術作為支撐，但是對于線下的廣大用戶，特別是現代教育中的師生而言，日常調用的學習資源數據的范圍較小且頻繁，如果每次調用的數據不會在本地留下記錄，那么下一次的調用則需要重新進行數據的分布篩選、存儲和讀取，極大地浪費了師生獲取學習資源的時間。對于此類問題，提出以神經網絡為基礎的習慣搜索數據區塊鏈存儲技術，通過在本地或者云端建立習慣搜索資源數據存儲棧的方式，解決常用資源頻繁調用的延時與路徑問題。

2 神經網絡下習慣搜索的區塊數據存儲模型

2.1 模型框架

在神經網絡算法中，按照功能可以分為卷積神經網絡（CNN）、循環神經網絡（RNN）以及生產對抗網絡（GAN），本文所提的神經網絡處理對象的主體為學習資源，而現階段網上的學習資源多數以文本和圖片為主，因此本文將會使用處理文本能力更強的RNN算法理念作為學習資源數據區塊鏈存儲設計的參照流程[1]。本文中所設計的學習資源習慣搜索數據存儲框架中，系統從判定某學習資源為習慣搜索數據開始，到習慣搜索數據讀寫調用體系的建成共分為四步，即終端使用者自主設定或系統判斷階段、數據存儲階段、數據調用階段及驗證結果階段。

2.2 樣本模型

本文所提的數據存儲技術主要服務于現代教學的使用者，因此對于習慣數據樣本的獲取應當從教師和學生的角度進行分析。例如，在使用某學習軟件進行學習資源的獲取時，需要初步完成性別、年齡、教育水平、學習風格及學習科目等基礎信息的填寫，為系統了解和收集習慣數據奠定基礎。其中，最為主要同時也是本研究最為關鍵的數據信息為學習者的學習風格。在本文的模型驗證研究中，將會重點從學習者學習的方式、主動情況、視覺或語言及動態感知等方面出發，獲取學習者的習慣數據，并作為RNN區塊鏈數據存儲的依據。

3 神經網絡下習慣搜索的學習資源區塊鏈存儲過程

3.1 RNN技術

本文將使用雙向RNN算法對學習資源的存儲路徑進行建模，并采用GRU作為驗證路徑的基本單元，在GRU組成的集成數據單元中，區塊鏈數據存儲能夠實現較為精準的數據辨識，進而為習慣搜索數據的定向存儲提供技術支持[2]。

GRU集成單元識別頻繁調用的學習資源命令時，多會考慮前一調度命令與后一調度命令的間隔時間來進行頻繁性的計算，計算函數公式為

3.2 習慣數據獲取

3.3 構造習慣數據存儲模塊

在習慣數據區塊鏈存儲的模塊設計中，為方便系統在對短時間內存儲大量學習資源，本次研究的存儲模塊數據大小計算參數將以哈希值為衡量標準。通過上述公式計算出的H點數據驗證每個習慣調度命令下的學習資源是否具有相同點，同時，依據硬件存儲設備的實際情況將存儲結構劃分成V個數據區塊。將H個節點按照實際分類劃分到V個數據區塊中，并驗證數據存儲節點存儲數據的時效性。

本次研究中對習慣搜索的學習資源調度數據需要從以下幾點方式檢驗其正確性：第一，核算前一調度命令的學習資源數據存儲路徑與哈希值相關標準是否一致；第二，驗證同一學習資源數據存儲的區塊是否一致；第三，驗證目標數據存儲區塊的結構是否完整；第四，驗證當RNN下K獲取n的數據時能夠精準定位到該數據的存儲路徑與節點[3]。

3.4 學習數據的讀取路徑

在RNN下的區塊鏈學習資源數據存儲模式中，對于習慣數據的頻繁調用活動，會以上述分片數據存儲為基礎，模擬進行分片數據的提取與拼接。由于分片數據的拼接過于煩瑣，且實際內容與本研究沒有太大關系，因此下文中不做過多解釋。在分片數據獲取階段，由于上述RNN算法已用指針的方式為每個分片數據存儲位置進行定義，因此在習慣數據的讀取調用階段系統只需獲取每個數據指針即可挑選出所有分片數據。由于學習資源在存儲時進行分片存儲，使得讀寫過程耗時更短，但是本文所提方法會與其他算法多出一項數據的驗證階段，此階段為數據讀取的結束與分片數據拼接的開始。在檢驗過程中系統需要通過獲取指針返回值的方式判斷提取數據的準確性，如果數據準確則執行下一步，如果數據出現誤差則返回數據提取命令重新執行，直到獲取完整的數據后1結束命令循環執行下一步命令，數據獲取流程如圖1所示。

圖1 分片數據獲取流程

4 試驗結果分析

對文中所提神經網絡下學習資源區塊鏈習慣搜索的存儲優化技術進行分析，其分析的首要目的在于判斷本文所提優化技術的驗證模型的精準性和有效性，并利用比較的方式證明本文所提優化技術具有實際意義。本文使用國際通用的搜索算法評價機制（MRR）進行性能評估[4]，則本文所提算法的準確率可通過公式（6）進行驗證：

因為習慣列表的數量會對實際優化性能產生影響，所以本文將使用precisionN和recallN作為評價指標。上角標N代表習慣列表的數量且N是變量。將得出的數據繪制成圖2所示的折線圖。

圖2 precision評價指標下本文所提優化技術與其他優化技術的對比

由圖2數據能夠得出，優化技術、協同過濾技術和本體加協同過濾的方法進行比較下，以神經網絡為基礎習慣搜索數據區塊鏈存儲優化技術預測準確率最高。并且實際的精準率會隨著習慣列表數據的逐漸增大而減小。從圖3中數據能夠得出，本文所提技術與協同過濾技術和本體加協同過濾的方法相比，具有較高的召回率，由此可以證明優化技術能夠為現代教育的習慣搜索存儲與調用做出貢獻。

圖3 recall評價指標下本文所提優化技術與其他優化技術的對比

5 結語

綜上所述，上文中提出的神經網絡學習資源習慣搜索下的區塊鏈存儲技術可以有效縮短習慣數據存儲與調用的時間。本文采用的卷積神經網絡（RNN）因具有較高的文本處理能力，因此十分適合習慣數據調度優化技術，區塊鏈存儲算法通過RNN算法的加持下，在應對大量線上學習資源數據搜索和習慣調度數據的定位中，展現出較為優秀的反應能力。希望本文提出的基于神經網絡下學習資源習慣搜索的區塊鏈存儲技術，能夠為現代教學的學習資源搜索提供幫助。