在线教育平台课程转化率提升项目实战案例

基于MOOC的课程推荐算法研究

数据挖掘技术(Data Mining),是在大量的真实数据中通过不同的手段和方法进行分析后获得数据之间的模式,规则与关联的技术,它是集多个领域和技术的交叉性学科,其中包括了如机器学习(The Machine Learning),人工智能(Artificial Intelligence),模式识别(Pattern Recognition),数据库技术(Database Technology),数据可视化(DataVisualization)与统计学(Statistics)等.聚类(Clustering),回归分析(Regression Analysis)与分类(Classification),偏差分析(Deviation Analysis),关联规则(Association Rules)等是数据挖掘进行建模等的常用方法.在本文中,主要使用聚类,分类与关联分析以及相关的算法展开研究.时下,大规模开放式在线课程——慕课(MOOC)的技术于在线网络教育得到快速的普及与发展,本文以某高校的"云课堂"MOOC平台为依托,运用关联分析,协同过滤技术,以计算机学院三百名学生的近五十门在线课程学习数据为进行挖掘的数据源,通过分析学生成绩间的时序关系和内在关联性,达到利用学生前期选课的学习情况,对学生选修特定课程的学习情况进行预测,并分析出课程成绩之间的关联,试图寻找解决当前高校学生学习效率较低,能动性不足,知识转化率偏低的问题之方案,力求为学生推荐更适合其学习,有利于其的长久发展与规划的课程.本文先分析关联规则和协同过滤的原理与方法,根据实际的业务场景,对推荐系统做出响应的分析设计,提出融合的推荐方案,然后通过关联分析对慕课系统中的学生学习情况的相关数据进行收集和整理,对待挖掘的学生成绩数据进行合并集成,得到学生选修课程和成绩的时间序列数据;并利用离散化和数据稀疏化进行预处理,得到高度结构化的可挖掘,并能够用Weka(新西兰University of Waikato研发的一款开源的机器学习平台)进行处理的数据条目.之后利用关联规则频繁度分析算法Apriori对学生成绩数据进行关联发现,利用基于寻找与发现同一专业下不同课程之间的成绩关联,得到学生历史成绩与课程间的关联关系.以期得到在某前置课程获得优秀成绩的情况下,再学习其他哪些课程更有可能取得较好成绩.其中,再分别使用基于学生以及基于课程的协同过滤推荐,根据学生,课程之间的相似性进行综合分析与加权排序,剔除不合理,不合逻辑以及冗余的数据,得到符合要求的推荐结果.最后,根据源于关联分析与协同过滤所得到的结果做出联合推荐.在本研究的推荐设计中,开创性的将学生的"天赋"与"兴趣"融合进了推荐算法的条件因素中.作为推荐算法,在电商中,更多的考虑的是用户的购物习惯,收入条件等因素;作为课程安排,学校中更多的考虑的是课程之间的关系,以及对学生综合性的素质培养.但是实际情况是每个学生都有自己所感兴趣的方向,有自己所喜爱和擅长的课程,因材施教将更有利于发掘学生的潜力,助力学生的成长.

亚磷酸酯化合物对镍系催化剂催化丁二烯聚合活性及产物支化结构的影响

在丁二烯聚合的Ni(naph)2-Al(i-Bu)3-BF3·OEt2(简称Ni-Al-B)催化体系中引入第4组分三壬基苯基亚磷酸酯(简称P),考察了P/B(摩尔比),Al/B(摩尔比,含P体系)对丁二烯聚合活性和聚合产物结构的影响,并用傅里叶变换红外光谱,凝胶渗透色谱(GPC)和GPC-激光光散射仪-黏度计在线联用系统对聚合物的相对分子质量,微观结构及支化结构等进行了表征.结果表明,当P/B不大于0.03,Al/B为0.5～1.0时,单体转化率均达到85%以上;聚合物的相对分子质量可通过改变P/B或Al/B进行调节;P的引入对聚合产物的高顺式1,4-结构含量没有明显的影响,聚合产物中高相对分子质量级分支化程度较不加入P时明显提高,聚合物溶液的剪切黏度呈升高趋势.

基于Python的中小学云课堂平台设计与实现

本人实习所在的北京云江科技有限公司(阿凡题)是一家着眼于中小学在线教育的公司,旗下已拥有支持iOS、Android、Windows、macOS端一对一教学的应用。目前公司在业务探索过程中为打通在线教育生态系统,同时解决国内免费中小学在线课堂平台并不丰富以及各地区教育资源倾斜的问题,启动了创新项目——中小学云课堂平台。该平台通过站方对课程资源的审核、整理、上传,使得学生能够随时随地浏览高质量的在线课程。作者在前期参与了项目从0到1的全过程,包括用户调研、需求挖掘等,深入了解目前公司产品业务链路,结合业务特点打通需求及设计链条,完成平台框架设计、数据库设计。进入项目实现阶段后,作者独立开发了用户(学生)端的用户模块、云课堂模块、明星学校模块、授课教师模块,以及管理(站方)端的后台管理模块。完成了找课、看课、学课等一系列业务流程,同时在用户模块、云课堂模块中实现了部分特色功能,包括用户数据的可视化展示以及课程推荐等。在测试阶段,作者负责并完成了上述模块的功能测试以及性能测试。本文实现的云课堂平台是经典的B/S(Browser/Server,浏览器/服务器)架构,项目语言主要为Python,Web框架采用了 MTV(Model、Template、View,模型、模板、视图)开发模式的Django,结合了 Echarts完成用户相关统计数据的可视化,应用了基于物品的协同过滤作为课程推荐算法,并接入第三方Xadmin完成后台管理模块的快速开发。平台在测试服务器运行稳定,达到为学生用户提供优质的免费在线课程资源的目标,也为站方用户提供了便捷的管理入口。同时为公司的一对一教学业务线带来流量,有助于增加付费用户的转化率,对实现整个在线教育生态闭环具有重要意义。

S-1催化环己酮肟气相Beckmann重排反应动力学研究

目前尼龙6生产中主要采用发烟硫酸催化环己酮肟液相Beckmann重排制己内酰胺,副产大量硫酸铵,而且存在设备腐蚀等问题.采用气相重排法可以克服上述缺点.本工作在以前得到的优化了的反应条件下,根据实验并采用催化剂失活的Wojciechowski模型获得了S-1催化的环己酮肟气相Beckmann重排制己内酰胺反应的动力学方程及参数.该模型将催化剂的活性与在线反应时间相关联,进而可以计算任何在线反应时间时催化剂的失活速率,或者根据要求的转化率最低允许值可以计算催化剂能在线反应的时间.