一种基于多维度行为聚类的职业技能实训路径动态生成方法及系统

摘要: 本发明涉及数据处理与智慧教育,具体涉及一种基于多维度行为聚类的职业技能实训路径动态生成方法及系统。背景技术:1、在当前的人工智能与智慧教育技术领域,职业技能实训...
一种基于多维度行为聚类的职业技能实训路径动态生成方法及系统

本发明涉及数据处理与智慧教育,具体涉及一种基于多维度行为聚类的职业技能实训路径动态生成方法及系统。

背景技术:

1、在当前的人工智能与智慧教育技术领域,职业技能实训平台主要通过虚拟仿真或在线模拟器为用户提供训练环境。为了提升实训效率,平台通常需要为不同的用户分配个性化的实训路径。现有的实训路径生成系统多依赖于静态规则映射或单一维度的协同过滤推荐机制,即以用户的阶段性测试考核分数或主观填写的静态标签作为评估依据,将用户划分至固定的能力层级,进而下发预置的静态课程包。然而,随着实训数据复杂度的提升,这种常规的路径生成技术暴露出显著的底层技术缺陷,具体表现为以下两个核心技术问题:

2、首先,现有系统在特征提取与聚类分析环节,缺乏对多维度、异构微观行为数据的有效度量手段。职业技能实训过程不仅包含静态的成绩结果,更伴随着海量的时序离散操作数据(如特定交互事件的触发序列、撤销重做频次)以及时序连续认知数据(如视线轨迹、操作停顿时间)。传统的聚类算法(如k-means等)通常仅采用欧氏距离对静态的、统一维度的数据进行测算。当面对包含离散时序与连续概率分布的异构数据矩阵时,常规的欧氏距离无法度量时序步骤的错位相似性以及概率密度的分布差异,强制的数据对齐与拼接会导致高维特征空间内的信息严重失真。这种度量算法的缺陷,使得现有系统无法精准识别出处于相同“微观操作失误模式”或“隐性认知瓶颈”的用户群体,导致群体特征提取失效。

3、其次,现有的动态路径推荐模型在执行动作决策时,缺乏底层执行逻辑拓扑的硬性约束,且无法基于多模态微观特征进行步进式的实时调优。在采用常规强化学习(如标准dqn)进行路径推荐时,模型在庞大的动作空间中进行盲目的试错探索,极易输出违背职业技能严格前置依赖逻辑的非法实训节点(例如在未掌握基础设备启动步骤时直接下发故障排查任务);同时,由于模型缺乏精准的先验群体特征输入以及针对操作流畅度、思考时长等微观指标的组合奖励函数约束,导致决策引擎的收敛速度极慢且输出存在明显的滞后性,无法在单次实训任务的中途依据用户实时的操作迟滞或错误频次突变进行即时的干预与路径重构。

技术实现思路

1、为实现上述目的,本发明提供了如下技术方案:

2、本发明提供了一种基于多维度行为聚类的职业技能实训路径动态生成方法,包括以下步骤:s100,采集目标用户在实训过程中的多维度行为数据,所述多维度行为数据至少包括状态维度特征、时序离散的操作维度特征和时序连续的认知维度特征,并对所述多维度行为数据进行时间戳对齐处理以生成时间序列特征向量;

3、s200,基于所述时间序列特征向量,采用复合距离度量算法计算所述目标用户与历史用户样本之间的行为相似度距离;其中,所述复合距离度量算法融合了用于衡量所述操作维度特征的动态时间规整距离、用于衡量所述认知维度特征的相对熵散度,以及用于衡量所述状态维度特征的欧氏距离;

4、s300,根据计算得到的所述行为相似度距离对用户进行聚类处理,确定所述目标用户当前所属的目标聚类簇,并提取所述目标聚类簇的质心特征;

5、s400,基于预先构建的职业技能知识图谱和深度q网络构建强化学习路径决策模型,其中,所述职业技能知识图谱的节点表征实训任务,边表征任务间的执行依赖关系;

6、s500,将所述目标聚类簇的质心特征以及所述目标用户当前的知识节点状态作为环境状态空间输入至所述强化学习路径决策模型中,通过所述强化学习路径决策模型输出下一最优实训任务节点,以动态生成针对所述目标用户的实训路径。

7、进一步地,所述多维度行为数据中的各项特征具体包括:

8、所述状态维度特征,包含所述目标用户的静态基础画像数据以及基于历史实训记录计算的技能节点掌握度指标;

9、所述时序离散的操作维度特征,包含在实训操作界面内触发的离散交互事件序列、操作错误类型分类标识以及步骤撤销重做频率;

10、所述时序连续的认知维度特征,包含通过实训终端传感器采集的视线停留坐标流、基于光标轨迹生成的注意力热力值,以及在关键操作环节的停顿思考时长。

11、进一步地,所述对所述多维度行为数据进行时间戳对齐处理以生成时间序列特征向量,具体包括如下子步骤:

12、s101,以预设长度的时间滑动窗口对目标用户的单次实训周期进行切片,获取若干个连续的时间窗口;

13、s102,在每个所述时间窗口内,将所述时序离散的操作维度特征按照发生的时间戳进行独热编码,得到操作特征子向量;

14、s103,采用多项式插值算法对所述时间窗口内的所述时序连续的认知维度特征进行平滑与重采样处理,以统一数据频率,得到认知特征子向量;

15、s104,将同一所述时间窗口内的所述状态维度特征、所述操作特征子向量以及所述认知特征子向量进行拼接,并通过全连接网络层进行特征降维,生成该时间窗口对应的所述时间序列特征向量。

16、进一步地,所述基于所述时间序列特征向量,采用复合距离度量算法计算所述目标用户与历史用户样本之间的行为相似度距离,具体包括:

17、分别提取所述目标用户以及所述历史用户样本的所述时间序列特征向量;

18、针对提取的所述时间序列特征向量,采用动态时间规整算法计算所述目标用户与所述历史用户样本之间操作维度特征序列的所述动态时间规整距离;

19、采用kl散度算法计算所述目标用户与所述历史用户样本之间认知维度特征序列概率分布的所述相对熵散度;

20、采用欧氏距离公式计算所述目标用户与所述历史用户样本之间状态维度特征向量的所述欧氏距离;

21、获取分别对应所述操作维度特征、所述认知维度特征以及所述状态维度特征的自适应权重系数,并将各项所述自适应权重系数分别与对应的所述动态时间规整距离、所述相对熵散度以及所述欧氏距离进行加权求和,输出最终的所述行为相似度距离。

22、进一步地,所述获取分别对应所述操作维度特征、所述认知维度特征以及所述状态维度特征的自适应权重系数,其权重分配逻辑具体为:

23、统计历史用户样本在所述操作维度、所述认知维度以及所述状态维度上的数值分布特征,并分别计算各维度对应的信息熵;

24、根据所述信息熵评估各特征维度的离散程度与信息量,基于信息熵越小则信息量越大、所分配权重越高的反比映射规则,分别确定各维度初始权重;

25、对各维度的所述初始权重进行归一化处理,使得归一化后的所述操作维度特征、所述认知维度特征以及所述状态维度特征的自适应权重系数之和为一。

26、进一步地,所述根据计算得到的所述行为相似度距离对用户进行聚类处理,确定所述目标用户当前所属的目标聚类簇,具体包括:

27、构建包含所述目标用户与各历史用户样本的全局距离矩阵,其中矩阵元素为相应的所述行为相似度距离;

28、基于所述全局距离矩阵以及预设的截断距离,计算每一用户的局部密度值,所述局部密度值表征在所述截断距离范围内与该用户相邻的其他用户数量;

29、计算每一用户距离具有更高局部密度值的其他相邻用户的最小相对距离;

30、基于所述局部密度值与所述最小相对距离的乘积构建聚类中心决策图,并根据数值下降梯度从所述聚类中心决策图中筛选出若干聚类中心以形成多个候选聚类簇;

31、将所述目标用户递归划分至距离其最近且具有更高局部密度值的相邻用户所在的候选聚类簇中,以该候选聚类簇作为所述目标用户当前所属的所述目标聚类簇。

32、进一步地,所述提取所述目标聚类簇的质心特征,具体包括:

33、获取所述目标聚类簇内所有样本用户的所述时间序列特征向量;

34、计算簇内每一样本用户距离所属聚类中心的距离衰减因子,并将其作为融合权重;

35、依据所述融合权重对所述目标聚类簇内所有的所述时间序列特征向量进行加权平均聚合处理,生成能够表征该簇群体共有微观操作瓶颈与认知模式的所述质心特征;

36、在实训进程中启动后台监听,若所述目标聚类簇内新汇聚的用户样本数量或行为相似度距离的方差变化率超过预设的动态更新阈值,则重新计算所述聚类中心并更新所述质心特征。

37、进一步地,所述基于预先构建的职业技能知识图谱和深度q网络构建强化学习路径决策模型,具体包括对所述职业技能知识图谱的属性界定:

38、所述职业技能知识图谱中的所述节点,均配置有任务属性向量,所述任务属性向量包含任务难度系数、标准操作耗时以及技能类别标签;

39、所述职业技能知识图谱中的所述边,均配置有前置依赖权重矩阵,所述前置依赖权重矩阵用于表征从当前实训任务节点转移至下一实训任务节点时的硬性前置条件与软性推荐关联度;

40、根据所述前置依赖权重矩阵构建动作掩码矩阵,以过滤所述深度q网络在输出决策时违背执行逻辑顺序的非法路径;

41、所述基于预先构建的职业技能知识图谱和深度q网络构建强化学习路径决策模型,还包括设定所述深度q网络的马尔可夫决策环境,具体规则为:

42、设定状态空间,所述状态空间包括所述目标聚类簇的质心特征、所述目标用户当前所在知识节点对应的所述任务属性向量,以及所述目标用户历史已完成节点的通过率序列;

43、设定动作空间,所述动作空间为基于所述目标用户当前所在知识节点,并经过所述动作掩码矩阵过滤后,在所述职业技能知识图谱中可选择到达的合法下一级候选任务节点集合;

44、设定奖励函数,所述奖励函数为组合评价函数,其输入变量包括所述目标用户在执行下一级任务节点后的操作错误率下降比例、标准操作耗时贴近度以及步骤撤销频率的衰减值;

45、以最大化所述奖励函数的累计期望折现值为训练目标,对所述深度q网络中的神经网络参数进行迭代优化。

46、进一步地,所述通过所述强化学习路径决策模型输出下一最优实训任务节点,以动态生成针对所述目标用户的实训路径,具体包括:

47、所述强化学习路径决策模型基于当前输入的所述环境状态空间,通过内部的神经网络层计算所述动作空间内各合法下一级候选任务节点对应的动作价值函数q值;

48、采用基于置信上限的探索与利用策略,从所述候选任务节点集合中筛选出目标q值最高的节点作为所述下一最优实训任务节点;

49、解析所述下一最优实训任务节点相对于所述目标用户当前所在知识节点的拓扑关系,并映射至对应的动态干预策略;

50、所述动态干预策略包括:当拓扑关系为后继节点时执行的前置新知推进策略、当拓扑关系为同级关联节点时执行的专项强化重训策略,以及当拓扑关系为前置节点时执行的基础降级复习策略;

51、根据确定的所述动态干预策略,在所述目标用户的实训终端实时渲染并无缝下发对应的实训任务场景指令;

52、在动态生成针对所述目标用户的实训路径之后,还包括对所述强化学习路径决策模型进行实时的闭环反馈优化步骤:

53、实时监控所述目标用户在执行所述下一最优实训任务节点过程中的最新多维度行为数据;

54、基于所述最新多维度行为数据,计算所述目标用户在执行该任务后的真实状态转移特征以及实际获取的真实奖励值;

55、将包含所述环境状态空间、所述目标q值对应的决策动作、所述真实奖励值以及所述真实状态转移特征的交互经验元组,存入优先经验回放池;

56、从所述优先经验回放池中抽取经验批次,利用时序差分误差反向传播更新所述强化学习路径决策模型的神经网络参数,并同步触发权利要求1至3的步骤以重新评估所述目标用户是否发生聚类簇迁跃。

57、另一方面,一种基于多维度行为聚类的职业技能实训路径动态生成系统,包括:多维度数据感知与对齐模块,用于采集目标用户在实训过程中的多维度行为数据,所述多维度行为数据至少包括状态维度特征、时序离散的操作维度特征和时序连续的认知维度特征,并对所述多维度行为数据进行时间戳对齐处理以生成时间序列特征向量;

58、复合距离度量与融合模块,用于基于所述时间序列特征向量,采用复合距离度量算法计算所述目标用户与历史用户样本之间的行为相似度距离;其中,所述复合距离度量算法融合了用于衡量所述操作维度特征的动态时间规整距离、用于衡量所述认知维度特征的相对熵散度,以及用于衡量所述状态维度特征的欧氏距离;

59、目标群体聚类与特征提取模块,用于根据计算得到的所述行为相似度距离对用户进行聚类处理,确定所述目标用户当前所属的目标聚类簇,并提取所述目标聚类簇的质心特征;

60、强化学习路径决策构建模块,用于基于预先构建的职业技能知识图谱和深度q网络构建强化学习路径决策模型,其中,所述职业技能知识图谱的节点表征实训任务,边表征任务间的执行依赖关系;

61、动态路径映射与闭环输出模块,用于将所述目标聚类簇的质心特征以及所述目标用户当前的知识节点状态作为环境状态空间输入至所述强化学习路径决策模型中,通过所述强化学习路径决策模型输出下一最优实训任务节点,以动态生成针对所述目标用户的实训路径。

62、有益效果:本发明通过引入融合了动态时间规整距离、相对熵散度以及欧氏距离的复合距离度量算法,实现了对时序离散操作特征、时序连续认知特征及静态状态特征等异构数据的精准度量与拓扑聚类,有效解决了传统欧氏距离在处理多维异构实训行为数据时造成的特征失真与聚类失效问题;

63、本发明将基于局部密度寻优获取的目标聚类簇质心特征作为环境状态先验输入,并结合职业技能知识图谱的前置依赖权重构建动作掩码矩阵来约束深度q网络的离散动作空间,使得强化学习决策模型能够在严格遵循底层教学执行逻辑规范的前提下,依据用户的实时微观操作反馈进行步进式的闭环参数迭代与路径下发,提升了实训路径动态决策的准确性、收敛效率以及自适应调优能力。