用CNN MHAM增强的WRF和BPNN模型对用户行为预测的影响
1Shanghai Research Center for Financial Stability and Development, Shanghai, 200001, China.
Scientific reports
|August 16, 2025
概括
本研究介绍了一种先进的组合模型,用于预测AI教育平台上的用户行为. 这种新的方法显著提高了预测准确性和可靠性,以增强在线学习体验.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 教育技术的教育技术
背景情况:
- 用户行为预测对于优化人工智能驱动的在线教育平台至关重要.
- 现有的模型在准确预测复杂的用户交互方面面临挑战.
研究的目的:
- 为增强用户行为预测提出一种新的整体模型.
- 将卷积神经网络 (CNN) 和多头注意力机制 (MHAM) 与加权随机森林 (WRF) 和逆向传播神经网络 (BPNN) 集成.
主要方法:
- 开发了一个集成的架构,结合CNN,MHAM,WRF和BPNN.
- 使用CNN和MHAM组件增强WRF和BPNN模型.
- 在用户行为预测任务上评估模型性能.
主要成果:
- 综合模型实现了92.3%的预测准确度,比传统的BPNN有5%的改进.
- 在不平衡的数据集上实现了89.7%的回忆率,超过了未加权的随机森林 (82.4%).
- 获得了90.8%的F1得分,证明了强大的精度和回忆力.
结论:
- 拟议的整体模型显著提高了用户行为预测的准确性和可靠性.
- 这种方法为优化人工智能驱动的在线教育平台提供了宝贵的支持.
- CNN和MHAM的整合有效地提高了WRF和BPNN的表现.
