基于多任务自编码器的计算机网络课程资源整合方法

关键词：多任务自编码器；计算机网络课程；资源整合；神经网络；最优编码映射；编码单元；多层隐藏层；单热向量

0 引言

对于计算机网络课程资源而言，其涵盖了从基础知识到高级技术的各种内容，包括文本、图像、视频、音频等多种形式，为学习者提供了全方位的学习体验。其次，计算机网络课程资源具有实时性和动态性[1]。随着技术的不断发展，新的网络技术和应用不断涌现，课程资源需要不断更新和补充，以反映最新的技术动态和趋势[2]。此外，计算机网络课程资源还具有交互性和协作性。学习者可以通过在线平台与其他学习者或教师进行交流和讨论，共同解决问题，提高学习效果[3]。针对上述特征，为了提高资源的利用率，对课程资源进行整合是极为必要的。其中，文献[4]提出了一种以K均值聚类算法为基础的教学资源整合方法，借助K均值聚类算法的无监督学习属性，将教学资源集分成K个不同的簇，自动地将具有相似特征或内容的资源聚集在一起，形成不同的资源类别，提高了资源的利用效率。然而，K均值聚类算法也存在一些不足。例如，该算法需要预先指定簇的数量K，这在实际应用中可能难以确定。此外，K均值聚类算法对初始中心点的选择敏感，不同的初始点可能导致不同的聚类结果。这可能会影响资源整合的准确性和稳定性。文献[5]提出一种以HDFS为基础的课程资源整合方法，借助HDFS作为分布式文件系统在存储海量数据以及高容错、高可用和高扩展性属性方面的特点，实现对大规模课程资源数据的并发整合，满足了大量学习者同时访问课程资源的需求。然而，基于HDFS的课程资源整合方法也可能面临一些挑战。例如，HDFS的设计初衷是为了处理大规模数据，对于小规模或特定类型的课程资源可能不是最优选择。

在上述基础上，本文提出基于多任务自编码器的计算机网络课程资源整合方法研究，并以实际的计算机网络课程资源为基础，开展了对比测试。

1 计算机网络课程资源整合方法设计

1.1 多任务自编码器设计

考虑到传统固定码本编码在处理数据时存在局限性，为实现对计算机网络课程资源的有效整合处理，本文首先构建了多任务自编码器，以适应复杂计算机网络课程资源的构成特点。

在具体设计过程中，引入神经网络辅助的自编码器，以敏锐捕捉计算机网络课程资源之间的规律[6]，并通过高效学习的方式快速确定最优编码映射，从而降低训练参数，减少计算机网络课程资源编码的复杂度[7]。具体处理方式如图1所示。

按照图1所示的方式，在构建的CNN-SCMA编码方案中，目标教学内容与计算机网络课程资源间的数据流通过CNN单元进行精细处理[8]，以发掘从输入数据到频谱资源星点之间的映射关系。具体的实现方式可以表示为：

式中，y 表示目标教学内容与计算机网络课程资源间的数据流映射关系函数，diag表示计算机网络课程资源的混合因子函数，hc 表示输入CNN层计算机网络课程资源在频谱端的信息码字，xc 表示输入CNN层的原始计算机网络课程资源，hk 表示SCMA层对计算机网络课程资源频谱端信息码字映射后的结果，xk 表示调制信息生成函数输出的结果，n 表示自编码器的维度参数。

结合式（1） 所示的信息可以看出，本文在编码器结构中创新性地整合了CNN，并为目标教学内容和计算机网络课程资源分别设计了专门的编码单元[9]。在具体运行阶段，各计算机网络课程资源首先转换成神经网络可识别的单热向量，再通过各自对应的CNN编码单元进行深度处理。在编码单元内部结构中，利用多层隐藏层处理输入的单热向量[10]，最终输出学习的码字信息，具体的实现方式可以表示为

式中，fdk （x） 表示多层隐藏层对输入单热向量处理后得到的码字信息，Rd 表示目标教学内容对应编码单元的调制函数，θed 表示计算机网络课程资源对应编码单元的调制函数。以此，使得每个计算机网络课程资源的二进制数据能够高效转化为频谱资源上的码字信息。

按照上述所示的方式，可以实现对适应计算机网络课程资源特性的多任务自编码器设计，为后续的资源整合提供基础。

1.2 计算机网络课程资源整合

结合上述构建的多任务自编码器，在开展具体的计算机网络课程资源整合阶段[11]，以目标教学内容为核心，建立计算机网络课程资源体系。

对于目标教学内容而言，多任务自编码器其编码特征参数的提取结果可以表示为：

式中，d_rs 表示目标教学内容的编码特征参数，需要注意的是，此时解码器输出的实值向量，即式（3） 计算得到的目标教学内容的编码特征参数为归一化的编码概率分布形式。

结合上述的提取结果，对于计算机网络课程资源的整合对象可以表示为：

式中，x（d_rs）表示计算机网络课程资源的整合对象，可以将其理解为编码单元内部结构中，单热向量对应的教学内容与原始计算机网络课程资源数据所码字向量的拟合结果。

按照上述所示的方式，确定与目标教学内容存在关联关系的计算机网络课程资源，对应的整合处理方式可以表示为：

式中，P （X ） 表示表现出d_rs 特征目标教学内容对应教学资源的整合结果。结合式（5） 可以看出，整合后的结果为以目标教学内容为导向的计算机课程资源集合。

按照上述所示的方式，可以实现对计算机课程资源的整合处理，最大限度保障最后整合结果的精准性和可靠性。

2 测试与分析

2.1 测试数据准备

在分析本文设计的课程资源整合方法的实际应用效果时，开展了对比测试。其中，参与测试的对照组分别采用文献[4]提出的基于K均值聚类算法的教学资源整合方法，以及文献[5]提出的基于HDFS的课程资源整合方法。通过对比在相同数据环境下三种不同方法的整合效果，对其具体性能作出客观评价。

对于具体的测试数据，本文以某院校的计算机网络课程资源数据集为基础。在该数据集中，旨在全面呈现计算机网络课程资源，涵盖了从基础知识到高级技术的各个学习阶段。数据集包含多种类型的课程资源，如教学视频、课程文档、实验指南等，并且每个资源都与特定的计算机知识阶段相关联。通过对数据集的分析，具体的计算机网络课程资源的分布和构成情况如表1所示。

通过该数据集，教师可以根据学生的学习阶段和需求选择合适的课程资源进行教学；学生可以根据自己的学习进度和兴趣，有针对性地选择相关资源进行学习和实践。为了提高资源的利用率，方便教师和学生，需要对数据集进行分析，根据不同知识阶段之间的关联和趋势进行整合。基于上述测试数据的构成以及教学资源的配置情况，分别采用三种方法开展整合处理。

2.2 测试结果与分析

在对三种不同方法的整合效果进行分析时，本文以具体的计算机知识内容为基础，对上述资源进行整合。对于具体的整合效果分析，本文将资源差错率作为评价指标，即资源差错数占对应计算机知识内容覆盖教学资源总数的比率。三种方法的测试结果如图2 所示。

结合图2所示的测试结果可以看出，本文抽取计算机网络课程知识点中的TCP/IP四层模型、OSI体系结构、数据编码和解码技术以及数字调制与解调作为测试对象。其中，在文献[4]提出的以K均值聚类算法为基础的教学资源整合方法下，资源差错率稳定在10.0%～11.0%区间，虽然较为稳定，但水平较高；在文献[5]提出的以HDFS为基础的课程资源整合方法下，资源差错率表现出较为明显的不稳定性，最大值达到13.16%（数据编码和解码技术），最小值仅为5.33%（TCP/IP四层模型）；在本文设计的课程资源整合方法下，资源差错率始终稳定在5.0%以内，与文献[4]相比，整体资源差错率下降了6.18%，与文献[5]相比，整体资源差错率下降了5.57%，具有明显优势。

综合上述测试结果可以得出结论，本文设计的基于多任务自编码器的计算机网络课程资源整合方法能够达到精准的处理效果。

3 结束语

整合课程资源可以实现资源的优化配置和共享，避免资源浪费和重复建设。同时，整合后的课程资源更易于管理和维护，提高了资源的使用效率。由此可见，将课程资源进行合理整合对于资源利用具有重要的现实意义。本文提出基于多任务自编码器的计算机网络课程资源整合方法，结合计算机网络课程资源的构成特点，构建了多任务自编码器，围绕具体的目标教学内容，切实实现了对资源的有效整合处理，大大降低了整合数据的差错率。借助本文设计的课程资源整合方法，希望能够促进学习者的自主学习和个性化学习，满足不同学习者的需求。