基于多任務(wù)自編碼器的計算機網(wǎng)絡(luò)課程資源整合方法

關(guān)鍵詞：多任務(wù)自編碼器；計算機網(wǎng)絡(luò)課程；資源整合；神經(jīng)網(wǎng)絡(luò)；最優(yōu)編碼映射；編碼單元；多層隱藏層；單熱向量

0 引言

對于計算機網(wǎng)絡(luò)課程資源而言，其涵蓋了從基礎(chǔ)知識到高級技術(shù)的各種內(nèi)容，包括文本、圖像、視頻、音頻等多種形式，為學習者提供了全方位的學習體驗。其次，計算機網(wǎng)絡(luò)課程資源具有實時性和動態(tài)性[1]。隨著技術(shù)的不斷發(fā)展，新的網(wǎng)絡(luò)技術(shù)和應(yīng)用不斷涌現(xiàn)，課程資源需要不斷更新和補充，以反映最新的技術(shù)動態(tài)和趨勢[2]。此外，計算機網(wǎng)絡(luò)課程資源還具有交互性和協(xié)作性。學習者可以通過在線平臺與其他學習者或教師進行交流和討論，共同解決問題，提高學習效果[3]。針對上述特征，為了提高資源的利用率，對課程資源進行整合是極為必要的。其中，文獻[4]提出了一種以K均值聚類算法為基礎(chǔ)的教學資源整合方法，借助K均值聚類算法的無監(jiān)督學習屬性，將教學資源集分成K個不同的簇，自動地將具有相似特征或內(nèi)容的資源聚集在一起，形成不同的資源類別，提高了資源的利用效率。然而，K均值聚類算法也存在一些不足。例如，該算法需要預先指定簇的數(shù)量K，這在實際應(yīng)用中可能難以確定。此外，K均值聚類算法對初始中心點的選擇敏感，不同的初始點可能導致不同的聚類結(jié)果。這可能會影響資源整合的準確性和穩(wěn)定性。文獻[5]提出一種以HDFS為基礎(chǔ)的課程資源整合方法，借助HDFS作為分布式文件系統(tǒng)在存儲海量數(shù)據(jù)以及高容錯、高可用和高擴展性屬性方面的特點，實現(xiàn)對大規(guī)模課程資源數(shù)據(jù)的并發(fā)整合，滿足了大量學習者同時訪問課程資源的需求。然而，基于HDFS的課程資源整合方法也可能面臨一些挑戰(zhàn)。例如，HDFS的設(shè)計初衷是為了處理大規(guī)模數(shù)據(jù)，對于小規(guī)模或特定類型的課程資源可能不是最優(yōu)選擇。

在上述基礎(chǔ)上，本文提出基于多任務(wù)自編碼器的計算機網(wǎng)絡(luò)課程資源整合方法研究，并以實際的計算機網(wǎng)絡(luò)課程資源為基礎(chǔ)，開展了對比測試。

1 計算機網(wǎng)絡(luò)課程資源整合方法設(shè)計

1.1 多任務(wù)自編碼器設(shè)計

考慮到傳統(tǒng)固定碼本編碼在處理數(shù)據(jù)時存在局限性，為實現(xiàn)對計算機網(wǎng)絡(luò)課程資源的有效整合處理，本文首先構(gòu)建了多任務(wù)自編碼器，以適應(yīng)復雜計算機網(wǎng)絡(luò)課程資源的構(gòu)成特點。

在具體設(shè)計過程中，引入神經(jīng)網(wǎng)絡(luò)輔助的自編碼器，以敏銳捕捉計算機網(wǎng)絡(luò)課程資源之間的規(guī)律[6]，并通過高效學習的方式快速確定最優(yōu)編碼映射，從而降低訓練參數(shù)，減少計算機網(wǎng)絡(luò)課程資源編碼的復雜度[7]。具體處理方式如圖1所示。

按照圖1所示的方式，在構(gòu)建的CNN-SCMA編碼方案中，目標教學內(nèi)容與計算機網(wǎng)絡(luò)課程資源間的數(shù)據(jù)流通過CNN單元進行精細處理[8]，以發(fā)掘從輸入數(shù)據(jù)到頻譜資源星點之間的映射關(guān)系。具體的實現(xiàn)方式可以表示為：

式中，y 表示目標教學內(nèi)容與計算機網(wǎng)絡(luò)課程資源間的數(shù)據(jù)流映射關(guān)系函數(shù)，diag表示計算機網(wǎng)絡(luò)課程資源的混合因子函數(shù)，hc 表示輸入CNN層計算機網(wǎng)絡(luò)課程資源在頻譜端的信息碼字，xc 表示輸入CNN層的原始計算機網(wǎng)絡(luò)課程資源，hk 表示SCMA層對計算機網(wǎng)絡(luò)課程資源頻譜端信息碼字映射后的結(jié)果，xk 表示調(diào)制信息生成函數(shù)輸出的結(jié)果，n 表示自編碼器的維度參數(shù)。

結(jié)合式（1） 所示的信息可以看出，本文在編碼器結(jié)構(gòu)中創(chuàng)新性地整合了CNN，并為目標教學內(nèi)容和計算機網(wǎng)絡(luò)課程資源分別設(shè)計了專門的編碼單元[9]。在具體運行階段，各計算機網(wǎng)絡(luò)課程資源首先轉(zhuǎn)換成神經(jīng)網(wǎng)絡(luò)可識別的單熱向量，再通過各自對應(yīng)的CNN編碼單元進行深度處理。在編碼單元內(nèi)部結(jié)構(gòu)中，利用多層隱藏層處理輸入的單熱向量[10]，最終輸出學習的碼字信息，具體的實現(xiàn)方式可以表示為

式中，fdk （x） 表示多層隱藏層對輸入單熱向量處理后得到的碼字信息，Rd 表示目標教學內(nèi)容對應(yīng)編碼單元的調(diào)制函數(shù)，θed 表示計算機網(wǎng)絡(luò)課程資源對應(yīng)編碼單元的調(diào)制函數(shù)。以此，使得每個計算機網(wǎng)絡(luò)課程資源的二進制數(shù)據(jù)能夠高效轉(zhuǎn)化為頻譜資源上的碼字信息。

按照上述所示的方式，可以實現(xiàn)對適應(yīng)計算機網(wǎng)絡(luò)課程資源特性的多任務(wù)自編碼器設(shè)計，為后續(xù)的資源整合提供基礎(chǔ)。

1.2 計算機網(wǎng)絡(luò)課程資源整合

結(jié)合上述構(gòu)建的多任務(wù)自編碼器，在開展具體的計算機網(wǎng)絡(luò)課程資源整合階段[11]，以目標教學內(nèi)容為核心，建立計算機網(wǎng)絡(luò)課程資源體系。

對于目標教學內(nèi)容而言，多任務(wù)自編碼器其編碼特征參數(shù)的提取結(jié)果可以表示為：

式中，d_rs 表示目標教學內(nèi)容的編碼特征參數(shù)，需要注意的是，此時解碼器輸出的實值向量，即式（3） 計算得到的目標教學內(nèi)容的編碼特征參數(shù)為歸一化的編碼概率分布形式。

結(jié)合上述的提取結(jié)果，對于計算機網(wǎng)絡(luò)課程資源的整合對象可以表示為：

式中，x（d_rs）表示計算機網(wǎng)絡(luò)課程資源的整合對象，可以將其理解為編碼單元內(nèi)部結(jié)構(gòu)中，單熱向量對應(yīng)的教學內(nèi)容與原始計算機網(wǎng)絡(luò)課程資源數(shù)據(jù)所碼字向量的擬合結(jié)果。

按照上述所示的方式，確定與目標教學內(nèi)容存在關(guān)聯(lián)關(guān)系的計算機網(wǎng)絡(luò)課程資源，對應(yīng)的整合處理方式可以表示為：

式中，P （X ） 表示表現(xiàn)出d_rs 特征目標教學內(nèi)容對應(yīng)教學資源的整合結(jié)果。結(jié)合式（5） 可以看出，整合后的結(jié)果為以目標教學內(nèi)容為導向的計算機課程資源集合。

按照上述所示的方式，可以實現(xiàn)對計算機課程資源的整合處理，最大限度保障最后整合結(jié)果的精準性和可靠性。

2 測試與分析

2.1 測試數(shù)據(jù)準備

在分析本文設(shè)計的課程資源整合方法的實際應(yīng)用效果時，開展了對比測試。其中，參與測試的對照組分別采用文獻[4]提出的基于K均值聚類算法的教學資源整合方法，以及文獻[5]提出的基于HDFS的課程資源整合方法。通過對比在相同數(shù)據(jù)環(huán)境下三種不同方法的整合效果，對其具體性能作出客觀評價。

對于具體的測試數(shù)據(jù)，本文以某院校的計算機網(wǎng)絡(luò)課程資源數(shù)據(jù)集為基礎(chǔ)。在該數(shù)據(jù)集中，旨在全面呈現(xiàn)計算機網(wǎng)絡(luò)課程資源，涵蓋了從基礎(chǔ)知識到高級技術(shù)的各個學習階段。數(shù)據(jù)集包含多種類型的課程資源，如教學視頻、課程文檔、實驗指南等，并且每個資源都與特定的計算機知識階段相關(guān)聯(lián)。通過對數(shù)據(jù)集的分析，具體的計算機網(wǎng)絡(luò)課程資源的分布和構(gòu)成情況如表1所示。

通過該數(shù)據(jù)集，教師可以根據(jù)學生的學習階段和需求選擇合適的課程資源進行教學；學生可以根據(jù)自己的學習進度和興趣，有針對性地選擇相關(guān)資源進行學習和實踐。為了提高資源的利用率，方便教師和學生，需要對數(shù)據(jù)集進行分析，根據(jù)不同知識階段之間的關(guān)聯(lián)和趨勢進行整合。基于上述測試數(shù)據(jù)的構(gòu)成以及教學資源的配置情況，分別采用三種方法開展整合處理。

2.2 測試結(jié)果與分析

在對三種不同方法的整合效果進行分析時，本文以具體的計算機知識內(nèi)容為基礎(chǔ)，對上述資源進行整合。對于具體的整合效果分析，本文將資源差錯率作為評價指標，即資源差錯數(shù)占對應(yīng)計算機知識內(nèi)容覆蓋教學資源總數(shù)的比率。三種方法的測試結(jié)果如圖2 所示。

結(jié)合圖2所示的測試結(jié)果可以看出，本文抽取計算機網(wǎng)絡(luò)課程知識點中的TCP/IP四層模型、OSI體系結(jié)構(gòu)、數(shù)據(jù)編碼和解碼技術(shù)以及數(shù)字調(diào)制與解調(diào)作為測試對象。其中，在文獻[4]提出的以K均值聚類算法為基礎(chǔ)的教學資源整合方法下，資源差錯率穩(wěn)定在10.0%～11.0%區(qū)間，雖然較為穩(wěn)定，但水平較高；在文獻[5]提出的以HDFS為基礎(chǔ)的課程資源整合方法下，資源差錯率表現(xiàn)出較為明顯的不穩(wěn)定性，最大值達到13.16%（數(shù)據(jù)編碼和解碼技術(shù)），最小值僅為5.33%（TCP/IP四層模型）；在本文設(shè)計的課程資源整合方法下，資源差錯率始終穩(wěn)定在5.0%以內(nèi)，與文獻[4]相比，整體資源差錯率下降了6.18%，與文獻[5]相比，整體資源差錯率下降了5.57%，具有明顯優(yōu)勢。

綜合上述測試結(jié)果可以得出結(jié)論，本文設(shè)計的基于多任務(wù)自編碼器的計算機網(wǎng)絡(luò)課程資源整合方法能夠達到精準的處理效果。

3 結(jié)束語

整合課程資源可以實現(xiàn)資源的優(yōu)化配置和共享，避免資源浪費和重復建設(shè)。同時，整合后的課程資源更易于管理和維護，提高了資源的使用效率。由此可見，將課程資源進行合理整合對于資源利用具有重要的現(xiàn)實意義。本文提出基于多任務(wù)自編碼器的計算機網(wǎng)絡(luò)課程資源整合方法，結(jié)合計算機網(wǎng)絡(luò)課程資源的構(gòu)成特點，構(gòu)建了多任務(wù)自編碼器，圍繞具體的目標教學內(nèi)容，切實實現(xiàn)了對資源的有效整合處理，大大降低了整合數(shù)據(jù)的差錯率。借助本文設(shè)計的課程資源整合方法，希望能夠促進學習者的自主學習和個性化學習，滿足不同學習者的需求。