Effective Feature Learning with Unsupervised Learning in MOOCs

Effective Feature Learning with Unsupervised Learning in MOOCs

《在慕课中使用无监督学习到的高效特征》

这篇文章是2019年发表在LAK会议上的一篇文章。随着互联网教育的兴起，网络教育在日常生活中已经越来越普及。接踵而至的就是世界各地学者对在线学习教育的各种研究。其中一个方向就是，根据学生在线表现对学生课程成绩进行预测。
而这篇文章，也是关于成绩预测的，不同的是，它的成绩预测方法并不着重于改造预测模型，而在于构建表征上。
作者认为，现在的很多人工智能方法（专家系统，知识图谱等除外）并不具备任何推理能力，它们其实都只是在学习数据的特征分布。所以有一种好的表征方式，要远好于去绞尽脑汁的想fancy模型。我相信很多研究者一定有和我一样的感觉。

1.Introduction

开头，作者都是不厌其烦，千篇一律地谈论成绩预测对于在线教育的研究意义。但是这篇文章着重于研究如何通过建立一个更好的学习状态的表征，来提高成绩预测的方法。
首先，本文数据来自于mooc，由香港科技大学的一堂叫做《Introduction to Computing with Java》十二章节的课程，有44,920个学生参加，只有九分之一的学生完成全部课程。
其次，作者的主要贡献有：

1. 从杂乱无章的数据中初步攫取了一种具有（two-fold）两重意义的特征，即既包含内容意义，又包含时间意义的特征。（原文为raw feature in time-content domain）
2. 提出了一种修正的LSTM-AE方法来对raw feature进行压缩，即一种提取embedding的方法。
3. 这种压缩方法在预测模型上取得了很好的表现，并且有助于划分学生的学习表现

2.BACKGROUND

作者从mooc中得到的数据被作者洗成了包含两重意义的特征。通常情况下，我们用来做预测的特征一般都是，用户评论，观看时间，课后习题等巴拉巴拉的数据，这是content数据。而在这篇论文的数据，作者捕捉了用户在网上学习过程中，每一章节之间的行为动作。譬如，再学完一个章节之后，加载视频数量发生改变，于是有了学习本章之前的加载视频数量，和学完本章之后的视频加载数量。如下图所示

我们可以看到，作者有意的量化了用户在学习某一章节前后的行为。这些行为不同于content数据，独树一帜地形成了time数据（原文翻译照搬，自己意会），这也正是我说的，数据还是那个数据，就看你怎么构了，构的好，单车变摩托。

作者对特征进行了一个PCA的过程后，取出PCA后学习本章前的特征的first component，和学习前的first component。（注意：PCA中我们得人工定义源数据投影到K 个component中，也就是K是超参数。根据PCA的原理，first component是蕴含信息量最大，对投影后方差贡献最大的维度了。）上图显示，作者构建的这个特征经过PCA后，可以有效的对学生表现进行划分了。颜色代表grade，红线以上的为high grade，蓝线左边是low grade。
至此，我们就可以初步看到作者的意图了，PCA本质上也是个构建新表征的方法，PCA后的新特征，通过投影使我们可以直接看到学生成绩的分布情况。这么清晰的分布轮廓，我相信这时我们直接上机器学习方法也能得到很好的效果。

3.The Modified LSTM Auto-encoder

对于深度学习进行压缩的方法，自然要属于AE（自动编码器，就是两个DNN堆一起），还有基于RNN的encode-decode方法。有了LSTM以后，当然也会有LSTM-AE（就是基于LSTM的encode-decode），结构如下图所示。

LSTM-AE结构其实一目了然，无非就是把encode-decode算法的RNN换成了LSTM。这个编码算法存在着它的局限性，就是中间的产品embedding Z太依赖最近的特征。LSTM是对序列建模的算法，这样做的embedding很大的程度上被序列中的最后一个特征给主宰，而之前序列的特征的影响力呈指数级下降。
针对上述编码算法的缺陷，我们的主角出场了，就是修正的LSTM-AE，其结构如下：

我们看到编码器部分不变，而后面解码器变成两个了，其中一个解码器和LSTM-AE中的解码器一毛一样，不一样的是多了一个predicting 解码器。它居然用$k_{t-1}$kt−1​序列去预测$k_{t}$kt​序列。熟悉word2vec的朋友们肯定很快反应过来了，似曾相识的画风。这不就是和word2vec一模一样的操作吗？！！！用序列的上下文，去训练中间特征的语义，这时候特征语义的训练空间不再是只依赖前项的local context，而是基于全局的上下文语义空间。但是，这样做也有它的局限性，就是embedding的size必须和模型输入的size一样大。因为predicting解码器要用原序列特征去预测后序序列，而embedding要作为输入参加预测操作，所以也必须和原序列同维度。
但是，这里我觉得可以，因为原特征相比于word2vec中极度稀疏的one-hot特征，信息丰富非常多。也就是说，原特征不存在稀疏的问题，根本不需要往低维语义空间去映射，原size就很ok。

4 EXPERIMENTS

首先，作者选取了两个baseline。分别是以下两种差分编码模型。


实验效果如下


根据对比我们可以发现，当一次输入7个序列的特征时，编码效果是最好的，MAE非常低。同时，embedding的size越大效果越好。而对比两种VAE压缩法，修正的LSTM-AE要明显好于它们。图12右图就是它们MAE的比较，假设CNN2-FC1的效果是1，比较的其它的算法MAE占比（率）。


上图表示了，压缩后的特征，再两种映射方法之后的分布情况。我们可以看到，当我们把三个序列喂进修正LSTM-AE时，学生的学情特征几乎一坨，难以区分开来。这种情况下我们去用任何预测器都不会取得很好的效果。而当序列为11的时候，我们可以明显看到low和high grade的学生的分布情况。在这种特征空间中，无论我们用那种预测器去做grade预测，一定都可以取得不错的结果。

ps：
1.看着这篇文章的修正LSTM-AE的时候，我想着，我如果把attention加进来又会怎么样，哈哈哈。真是天下文章一大抄，缝缝补补又一篇。
2.这篇文章的重点在于构建表征。构建表征时，如果你的数据很好，不是很稀疏（类似点击数据，词向量那样的数据时），这种方法不一定很有提高。也许用简单的PCA，也能打爆修正LSTM-AE，但是PCA的物理意义和LSTM-AE不同。在在线教育的研究中，有个常见的理论就是，平时成绩好的学生，最终预测成绩一定不差。所以LSTM这种基于序列的模型，就在这里相当有意义了，这也是为什么作者选这个模型做修正的原因吧，I think。