基于機(jī)器學(xué)習(xí)算法的校園網(wǎng)學(xué)生上網(wǎng)行為評(píng)估方法研究

　　摘 要：隨著互聯(lián)網(wǎng)的迅速發(fā)展，大學(xué)生上網(wǎng)時(shí)間和頻率呈指數(shù)上升趨勢(shì)。在大數(shù)據(jù)環(huán)境背景下，作為教育工作者和學(xué)生管理者，如何通過上網(wǎng)數(shù)據(jù)了解大學(xué)生真實(shí)的學(xué)習(xí)生活情況，培養(yǎng)學(xué)生良好的網(wǎng)絡(luò)習(xí)慣是高等教育質(zhì)量提升的新機(jī)遇和挑戰(zhàn)。文章提出了一種在線獲取學(xué)生網(wǎng)絡(luò)流量及上網(wǎng)日志的模型，利用隨機(jī)森林(Random Forest，RF)和梯度增強(qiáng)決策樹(Gradient Boosting Decision Tree，GBDT)兩種機(jī)器學(xué)習(xí)方法進(jìn)行數(shù)據(jù)分析，實(shí)現(xiàn)對(duì)學(xué)生上網(wǎng)行為的準(zhǔn)確評(píng)估。并且為指導(dǎo)學(xué)生養(yǎng)成良好的網(wǎng)絡(luò)習(xí)慣提出相應(yīng)的建議和對(duì)策，以求提高高等教育的質(zhì)量。

　　關(guān)鍵詞：機(jī)器學(xué)習(xí);網(wǎng)絡(luò)數(shù)據(jù)分析;網(wǎng)絡(luò)爬蟲;梯度提升決策樹;隨機(jī)森林;學(xué)生上網(wǎng)行為

　　李騫; 王碩; 隋繼學(xué)， 科技創(chuàng)新與應(yīng)用 發(fā)表時(shí)間：2021-11-18

　　1 背景介紹

　　大學(xué)生逐漸成為網(wǎng)絡(luò)社會(huì)的主體，在各高校進(jìn)行校園信息化建設(shè)的過程中，信息化基礎(chǔ)設(shè)施不斷在完善。以河南牧業(yè)經(jīng)濟(jì)學(xué)院三個(gè)校區(qū)為例，無線、有線網(wǎng)絡(luò)已基本實(shí)現(xiàn)教室、宿舍、校園全覆蓋，為學(xué)生在校上網(wǎng)提供了便利，學(xué)生每日通過校園網(wǎng)上網(wǎng)、聊天、學(xué)習(xí)、游戲、購物已經(jīng)成為日常生活中不可或缺的一部分。

　　學(xué)生上網(wǎng)行為評(píng)估分析主要指的是通過在校園網(wǎng)出口或校園網(wǎng)不同節(jié)點(diǎn)采集網(wǎng)絡(luò)流量，識(shí)別上網(wǎng)日志及流量信息中的網(wǎng)絡(luò)行為軌跡(包括專業(yè)網(wǎng)頁瀏覽、游戲娛樂等)，利用智能數(shù)據(jù)分析方法，對(duì)網(wǎng)絡(luò)資源利用情況和學(xué)生上網(wǎng)行為進(jìn)行評(píng)估和分析。隨著可視化技術(shù)、數(shù)據(jù)采集技術(shù)的提升，進(jìn)行學(xué)生上網(wǎng)行為評(píng)估是現(xiàn)代化校園了解學(xué)生日常軌跡的一種真實(shí)而重要的方式，也為進(jìn)一步研究學(xué)生校園行為活動(dòng)提供了新的思路和方法。但是，隨著校園網(wǎng)速度的加快，網(wǎng)絡(luò)應(yīng)用復(fù)雜度增加，加密網(wǎng)絡(luò)和未知網(wǎng)絡(luò)的更新也給校園網(wǎng)學(xué)生上網(wǎng)行為的數(shù)據(jù)采集與分析帶來了新的挑戰(zhàn)。

　　因此，本文從學(xué)生網(wǎng)絡(luò)流量數(shù)據(jù)與日志分析入手，提出了一種基于網(wǎng)絡(luò)爬蟲框架的校園網(wǎng)網(wǎng)絡(luò)流量數(shù)據(jù)獲取模型，利用機(jī)器學(xué)習(xí)算法來獲得理想的數(shù)據(jù)處理優(yōu)化模型，比較了基于網(wǎng)絡(luò)流量數(shù)據(jù)的梯度增強(qiáng)決策樹(Gradient Boosting Decision Tree，GBDT)和隨機(jī)森林(Random Forests，RF)兩種方法，對(duì)學(xué)生上網(wǎng)數(shù)據(jù)進(jìn)行各個(gè)角度的詳細(xì)分析。最后，基于學(xué)生上網(wǎng)行為數(shù)據(jù)分析，從多個(gè)方面對(duì)高校網(wǎng)絡(luò)監(jiān)控和學(xué)生教育管理給出對(duì)策和建議，為老師們研究分析在校學(xué)生學(xué)習(xí)、生活特征提供了新技術(shù)、新方法，同時(shí)大數(shù)據(jù)分析技術(shù)也必將促進(jìn)當(dāng)前高校信息化建設(shè)。

　　2 相關(guān)原理工作介紹

　　傳統(tǒng)學(xué)生溝通在實(shí)行過程中具有效率低的致命缺點(diǎn)，并且也很難挖掘到學(xué)生提供信息所蘊(yùn)含的潛在信息及真實(shí)的生活學(xué)習(xí)情況。網(wǎng)絡(luò)數(shù)據(jù)與學(xué)生的生活息息相關(guān)，可以被用于分析學(xué)生的行為模式。傳統(tǒng)教育理念普遍認(rèn)為學(xué)生上網(wǎng)時(shí)長(zhǎng)和上網(wǎng)內(nèi)容會(huì)對(duì)學(xué)生學(xué)業(yè)和日常生活造成影響，但是卻很難建立學(xué)生上網(wǎng)行為與學(xué)業(yè)之間的模型，因而無法進(jìn)行相關(guān)研究。

　　對(duì)于學(xué)生上網(wǎng)行為分析，主要的難點(diǎn)和研究點(diǎn)集中在：數(shù)據(jù)流量采集技術(shù)、流量準(zhǔn)確識(shí)別、上網(wǎng)行為分析模型建立三方面。針對(duì)數(shù)據(jù)流量采集技術(shù)，根據(jù)實(shí)現(xiàn)方法可以分為硬件和軟件兩種類型，硬件實(shí)現(xiàn)雖準(zhǔn)確度高但是需要購買專門的設(shè)備，不適用于研究;軟件可以根據(jù)實(shí)際需求進(jìn)行開發(fā)和部署，靈活性較高。針對(duì)流量識(shí)別技術(shù)，主要集中在 TCP 端口、深度包檢測(cè)(DIP)和機(jī)器學(xué)習(xí)。其中，TCP 端口識(shí)別不適應(yīng)動(dòng)態(tài)變化，DIP 技術(shù)不能應(yīng)用于加密網(wǎng)絡(luò)和未知網(wǎng)絡(luò)，而機(jī)器學(xué)習(xí)不受端口、數(shù)據(jù)包、加密等復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)情況的限制[1]，對(duì)學(xué)生上網(wǎng)情況的分析具有一定的實(shí)用價(jià)值，也將成為今后高校教育教學(xué)研究的一項(xiàng)重要內(nèi)容[2-3]。

　　國內(nèi)外許多學(xué)者基于大學(xué)生的上網(wǎng)數(shù)據(jù)進(jìn)行了分析。例如 Miao[4]等人提出了一種區(qū)分大學(xué)生不同年級(jí)的方法，利用校園 WiFi 數(shù)據(jù)捕捉學(xué)生的行為特征，利用這些特征，采用機(jī)器學(xué)習(xí)聚類算法對(duì)不同年級(jí)的學(xué)生進(jìn)行聚類;Kamal Bunkar[5]等人建立了一個(gè)系統(tǒng)，允許學(xué)生預(yù)測(cè)正在學(xué)習(xí)課程的最終成績(jī)，他們嘗試在機(jī)器學(xué)習(xí)中應(yīng)用一些算法，特別是分類，通過評(píng)估學(xué)生數(shù)據(jù)來研究可能影響學(xué)生表現(xiàn)的主要屬性，從而幫助提高高等教育的質(zhì)量;Tripti[6]等人使用不同的分類算法，根據(jù)學(xué)生的社會(huì)數(shù)據(jù)、學(xué)術(shù)數(shù)據(jù)和各種情感技能建立預(yù)測(cè)模型，將 C4.5 和隨機(jī)樹兩種算法應(yīng)用到學(xué)生的記錄中，發(fā)現(xiàn)隨機(jī)樹具有較高的精度。

　　綜上所述，個(gè)人網(wǎng)絡(luò)流量數(shù)據(jù)是評(píng)價(jià)學(xué)生網(wǎng)絡(luò)習(xí)慣的重要指標(biāo)。為了評(píng)估學(xué)生的在線習(xí)慣，本文通過對(duì)學(xué)生網(wǎng)絡(luò)數(shù)據(jù)中提取的大量網(wǎng)絡(luò)行為數(shù)據(jù)訓(xùn)練分類器，建立數(shù)學(xué)模型。新輸入的數(shù)據(jù)被已經(jīng)訓(xùn)練的分類器分類為正或負(fù)行為(即上網(wǎng)行為良好或者上網(wǎng)行為預(yù)警)，最后為便于理解學(xué)生的上網(wǎng)習(xí)慣進(jìn)行可視化數(shù)據(jù)處理，以期從微觀的角度來探索網(wǎng)絡(luò)行為與學(xué)生學(xué)業(yè)之間的關(guān)聯(lián)關(guān)系。

　　3 基于機(jī)器學(xué)習(xí)的學(xué)生上網(wǎng)行為分析方法

　　學(xué)生上網(wǎng)數(shù)據(jù)行為分析過程可以分為以下兩個(gè)步驟。

　　(1)數(shù)據(jù)獲取和預(yù)處理階段。利用網(wǎng)絡(luò)爬蟲獲取上網(wǎng)數(shù)據(jù)，按照數(shù)據(jù)處理形式，對(duì)記錄進(jìn)行轉(zhuǎn)換，寫入數(shù)據(jù)倉庫，可采用 SQL 語句或批量加載，這一部分是為下一步統(tǒng)計(jì)準(zhǔn)備有用的數(shù)據(jù)。

　　(2)基于機(jī)器學(xué)習(xí)的模型建立和分析階段。利用機(jī)器學(xué)習(xí)建立上網(wǎng)數(shù)據(jù)與行為的模型，這是整個(gè)行為分析的關(guān)鍵部分。需要通過從不同角度對(duì)學(xué)生上網(wǎng)行為進(jìn)行統(tǒng)計(jì)和分析，幫助教育者掌握學(xué)生上網(wǎng)需求，發(fā)掘出隱含規(guī)律，實(shí)現(xiàn)對(duì)學(xué)生上網(wǎng)情況的全面把握。

　　3.1 基于網(wǎng)絡(luò)爬蟲的上網(wǎng)數(shù)據(jù)獲取

　　為了獲取盡量多的學(xué)生網(wǎng)絡(luò)流量數(shù)據(jù)，本文采用了一個(gè)由模擬登錄瀏覽器和從網(wǎng)頁下載數(shù)據(jù)組成的網(wǎng)絡(luò)爬蟲(Spider)。由于學(xué)生在登錄瀏覽器時(shí)，需輸入用戶 ID、密碼以及驗(yàn)證碼，其中驗(yàn)證碼是一幅數(shù)字和字母的圖像。因此，在設(shè)計(jì)中提出了一個(gè)基于 Keras 的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行驗(yàn)證碼自動(dòng)識(shí)別。網(wǎng)絡(luò)爬蟲的框架如圖 1 所示，Web 爬蟲得到的數(shù)據(jù)集示例如表 1 和表 2 所示，每天的日志數(shù)據(jù)量約 4 萬條，包括的核心字段有用戶賬號(hào)、用戶名稱、登錄時(shí)間、使用時(shí)長(zhǎng)、IP 地址、使用流量、行為詳情等，表 2 給出經(jīng)過處理后的數(shù)據(jù)集。

　　3.2 基于機(jī)器學(xué)習(xí)的學(xué)生網(wǎng)絡(luò)行為分類模型

　　學(xué)生網(wǎng)絡(luò)行為可以根據(jù)不同的需求對(duì)行為進(jìn)行分類。本研究將網(wǎng)絡(luò)行為分為網(wǎng)絡(luò)學(xué)習(xí)，網(wǎng)絡(luò)娛樂兩個(gè)部分，然后通過上網(wǎng)時(shí)間等數(shù)據(jù)對(duì)學(xué)生上網(wǎng)行為進(jìn)行綜合分析，并進(jìn)行標(biāo)記。處理后的數(shù)據(jù)集將保存到 SQL 中，如表 2。Label 為 1 代表上網(wǎng)行為好，Label 為 0 代表上網(wǎng)行為不良，需進(jìn)行預(yù)警。

　　此外，網(wǎng)上學(xué)習(xí)的網(wǎng)絡(luò)行為由兩部分組成，專業(yè)課學(xué)習(xí)以及課外學(xué)習(xí)。判斷依據(jù)為對(duì)專業(yè)課的關(guān)鍵詞搜索以及相應(yīng)的視頻觀看情況。研究根據(jù)學(xué)生上網(wǎng)瀏覽信息條數(shù)數(shù)據(jù)和觀看時(shí)間進(jìn)行程度等級(jí)劃分，建立相應(yīng)的數(shù)學(xué)模型。網(wǎng)上娛樂的網(wǎng)絡(luò)行為分為社交、購物、娛樂視頻、游戲、其他五種類型，并且在此類頁面中停留過長(zhǎng)時(shí)間。由于時(shí)長(zhǎng)較難判斷，所以主要是通過瀏覽條數(shù)來進(jìn)行娛樂行為判斷。然后將代表程度等級(jí)的結(jié)果來代替建立相應(yīng)的數(shù)學(xué)模型。

　　上網(wǎng)時(shí)間是對(duì)學(xué)生上網(wǎng)行為的一個(gè)綜合評(píng)價(jià)指標(biāo)，因?yàn)闀r(shí)間的長(zhǎng)短可以反映學(xué)生對(duì)于網(wǎng)絡(luò)的使用情況，適當(dāng)?shù)厥褂镁W(wǎng)絡(luò)有利于學(xué)生的學(xué)習(xí)和娛樂，而過度沉迷則不利于生活和學(xué)習(xí)。所以上網(wǎng)時(shí)間的選取一般是分時(shí)段、分時(shí)長(zhǎng)來判斷學(xué)生對(duì)網(wǎng)絡(luò)的利用情況和分配情況，圖 2 給出了網(wǎng)絡(luò)行為分類的結(jié)構(gòu)。

　　為了對(duì)比結(jié)果，本文采用梯度增強(qiáng)決策樹和隨機(jī)森林算法兩種方法對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，梯度增強(qiáng)決策樹(GBDT) 是集成學(xué)習(xí) boosting 的代表方法，隨機(jī)森林(RF)是集成學(xué)習(xí)bagging 的代表方法[7-9]。GBDT 的主要思路是基于梯度增強(qiáng)和決策樹的，思想是訓(xùn)練多個(gè)弱分類器獲得一個(gè)強(qiáng)分類器，得到更好的分類結(jié)果[10]。利用損失函數(shù)的負(fù)梯度擬合，可以用 GBDT 求解一些分類問題;隨機(jī)森林[11]是它從原始訓(xùn)練樣本集中隨機(jī)抽取 n 個(gè)樣本，生成一個(gè)新的訓(xùn)練樣本集，新的訓(xùn)練樣本集用于訓(xùn)練分類和回歸樹(classification and regression tree，CART)。根據(jù)這一策略，我們可以生成 M 分類和回歸樹，形成一個(gè)隨機(jī)森林。新數(shù)據(jù)的分類結(jié)果取決于每個(gè)弱學(xué)習(xí)者，最后一個(gè)分類是所有弱學(xué)習(xí)者投票最多的分類。

　　由于每次迭代的訓(xùn)練集和測(cè)試集都不相同，對(duì)于上網(wǎng)數(shù)據(jù)進(jìn)行分類需要通過 N 次迭代得到訓(xùn)練模型，獲得更可靠的結(jié)果。每次迭代均從 SQL 中提取數(shù)據(jù)集，將數(shù)據(jù)集隨機(jī)分為訓(xùn)練集和測(cè)試集，對(duì)數(shù)據(jù)集進(jìn)行規(guī)范化處理。在所有迭代結(jié)束后，將最優(yōu)模型參數(shù)保存到 SQL 中，訓(xùn)練模型流程如圖 3。

　　4 學(xué)生上網(wǎng)行為分析與結(jié)論

　　4.1 網(wǎng)絡(luò)數(shù)據(jù)分析方法性能

　　在本文的實(shí)驗(yàn)部分中，我們利用網(wǎng)絡(luò)爬蟲獲取學(xué)生的網(wǎng)絡(luò)流量數(shù)據(jù)，并基于這些數(shù)據(jù)訓(xùn)練分類器，其中計(jì)費(fèi)系統(tǒng)每天產(chǎn)生近 4 萬條登錄日志，包括的核心字段有用戶賬號(hào)、用戶名稱、登錄時(shí)間、使用時(shí)長(zhǎng)、IP 地址、使用流量等。我們希望通過對(duì)用戶行為進(jìn)行分析與分類，這些分類器能夠正確地對(duì)新樣本進(jìn)行分類，并及時(shí)發(fā)現(xiàn)學(xué)生上網(wǎng)過程中的需要及時(shí)注意的行為。

　　為了更直觀地理解分類結(jié)果，我們提取了每個(gè)記錄的一些特性，包括登錄時(shí)間、注銷時(shí)間和網(wǎng)絡(luò)流量數(shù)據(jù)。這些特征以三維形式顯示，不同類別的點(diǎn)具有不同的顏色。灰點(diǎn)代表學(xué)生上網(wǎng)過程中存在壞記錄，需要輔導(dǎo)員和老師特別關(guān)注，黑點(diǎn)代表上網(wǎng)習(xí)慣的好記錄，可以作為學(xué)生上網(wǎng)質(zhì)量的評(píng)價(jià)標(biāo)準(zhǔn)。同時(shí)，圖 4 中顯示出學(xué)生上網(wǎng)行為的百分比。

　　實(shí)驗(yàn)中采用了梯度增強(qiáng)決策樹和隨機(jī)森林兩種方法，以便增加判斷結(jié)果的可信度。采用方法程序運(yùn)行時(shí)間如圖 5 所示，梯度增強(qiáng)決策樹算法花費(fèi)的時(shí)間更少。對(duì)于每個(gè)算法，我們使用相同的參數(shù)集進(jìn)行多次實(shí)驗(yàn)。模型的精度和曲線下面積(AUC)是每次迭代的評(píng)價(jià)標(biāo)準(zhǔn)，精度和模型 AUC 值越高，質(zhì)量越好。圖 6、圖 7 中水平軸表示算法運(yùn)行的迭代次數(shù)，垂直軸表示算法的精度值和 AUC。從性能圖來看，隨機(jī)森林(RF)算法的平均精度和平均 AUC 較高，即使稍高一點(diǎn)，梯度增強(qiáng)決策樹(GBDT)的結(jié)果也更穩(wěn)定。根據(jù)算法性能的準(zhǔn)確性、AUC 和運(yùn)行時(shí)間綜合考慮，梯度增強(qiáng)決策樹是對(duì)學(xué)生網(wǎng)絡(luò)行為分類的較好選擇。

　　4.2 學(xué)生上網(wǎng)行為分析結(jié)果

　　從流量數(shù)據(jù)中我們可以得到，學(xué)生每天產(chǎn)生 100 萬條日志信息，可以具體定位到每個(gè)用戶的上網(wǎng)行為軌跡，其核心字段有 IP 地址、終端類型、記錄時(shí)間、行為詳情。我們從中可以總結(jié)出一些學(xué)生上網(wǎng)行為的特點(diǎn)與規(guī)律：

　　(1)平均上網(wǎng)時(shí)間長(zhǎng)，且較為集中。通過 IP 地址的統(tǒng)計(jì)，學(xué)生上網(wǎng)的時(shí)間主要集中在 18：00 以后以及課間。由于學(xué)生在校期間自由支配時(shí)間比較充裕，幾乎每個(gè)學(xué)生都有手機(jī)，并且大部分學(xué)生都配有手提電腦，上網(wǎng)幾乎是學(xué)生們的核心活動(dòng)。

　　(2)上網(wǎng)形式比較單一，以移動(dòng)接入形式為主。使用移動(dòng)客戶端的上網(wǎng)頻率遠(yuǎn)高于使用 PC 端。在上網(wǎng)數(shù)據(jù)中，其中通過無線 Portal 接入人數(shù)最多，達(dá)到 5000 人次。其中，使用頻率最高的是手機(jī)視頻軟件，其次是社交軟件、網(wǎng)頁訪問、購物軟件、應(yīng)用程序，其中也包含對(duì)旅游、新聞、教育資源的訪問。

　　(3)上網(wǎng)缺少目的性，以娛樂為主。根據(jù)對(duì)網(wǎng)絡(luò)日志的分析，我們發(fā)現(xiàn)學(xué)生在上網(wǎng)的過程中注意力分散，自控力差，并且沒有集中在進(jìn)行學(xué)習(xí)和研究上。其中以視頻類為目的的占 25.38%;18.51%為搜索引擎及導(dǎo)航類地址;大約 40%的為在線聊天類、網(wǎng)購類、知識(shí)學(xué)習(xí)類等，網(wǎng)絡(luò)為學(xué)生生活提供便捷和多種交流方式，大約有 20%的學(xué)生基本沒有通過網(wǎng)絡(luò)進(jìn)行知識(shí)汲取。

　　(4)上網(wǎng)辨識(shí)度低。大學(xué)生的好奇心比較強(qiáng)，他們對(duì)新事物充滿新鮮感，在嘗試中損害了自身利益。在樣本中，大部分學(xué)生的上網(wǎng)行為都符合正常人的行為習(xí)慣，但是部分學(xué)生在下課時(shí)間瀏覽過賭博性質(zhì)的網(wǎng)站、黃色網(wǎng)站、借貸網(wǎng)站等，但是不排除是瀏覽器惡意插件導(dǎo)致的，所以通過對(duì)比 IP 及其關(guān)聯(lián)賬號(hào)，可以定位這部分學(xué)生個(gè)人信息，及時(shí)反饋給學(xué)工管理處，時(shí)刻觀察學(xué)生的生活情況，并且督促該部分學(xué)生改善上網(wǎng)習(xí)慣。

　　4.3 針對(duì)學(xué)生上網(wǎng)行為分析的建議

　　針對(duì)分析結(jié)果，在高校的教育工作者進(jìn)行教育和管理的同時(shí)，本文也提出了一些建議：

　　(1)需要不斷加強(qiáng)對(duì)學(xué)生網(wǎng)絡(luò)管理的力度，學(xué)生的自控力普遍較差，學(xué)生沉迷網(wǎng)絡(luò)環(huán)境是不可逆轉(zhuǎn)的未來趨勢(shì)，會(huì)對(duì)教育質(zhì)量以及學(xué)生的學(xué)業(yè)造成影響。必須高度重視網(wǎng)絡(luò)內(nèi)容管理，營(yíng)造良好網(wǎng)絡(luò)環(huán)境，通過對(duì)學(xué)生網(wǎng)絡(luò)行為分類及預(yù)警，減少學(xué)生不良網(wǎng)絡(luò)行為的發(fā)生。同時(shí)，還要重視來自各個(gè)領(lǐng)域的反饋信息，爭(zhēng)取提前進(jìn)行預(yù)先疏導(dǎo)，從最大程度上提高大學(xué)生的網(wǎng)絡(luò)免疫能力。

　　(2)學(xué)校及院系需要定期開展具有吸引力的文體活動(dòng)，豐富在校學(xué)生的課余時(shí)間，一方面為學(xué)生提供展示自我的平臺(tái)，另一方面對(duì)于學(xué)生依賴網(wǎng)絡(luò)有較強(qiáng)的分散效果。既可以使學(xué)生愉悅身心，也可以使校園內(nèi)文化氛圍更加濃厚，杜絕不良網(wǎng)絡(luò)環(huán)境對(duì)學(xué)生的影響。

　　(3)利用網(wǎng)絡(luò)平臺(tái)，正面宣傳網(wǎng)絡(luò)用途，多鼓勵(lì)學(xué)生上網(wǎng)學(xué)習(xí)，做到勞逸結(jié)合。首先在網(wǎng)上開展豐富多彩網(wǎng)絡(luò)學(xué)習(xí)活動(dòng)，如網(wǎng)絡(luò)知識(shí)講座、網(wǎng)絡(luò)知識(shí)競(jìng)賽等。引導(dǎo)學(xué)生進(jìn)行有效地網(wǎng)絡(luò)學(xué)習(xí)，獲取專業(yè)養(yǎng)料。再次，促進(jìn)網(wǎng)絡(luò)教育與傳統(tǒng)教育相結(jié)合，可以借助班會(huì)或集中教育時(shí)間來宣傳相關(guān)網(wǎng)絡(luò)知識(shí)，組建網(wǎng)絡(luò)心理健康教育中心，定期開展系列活動(dòng)。實(shí)行線上+線下的形式，一方面進(jìn)行面對(duì)面交流，另一方面有老師在網(wǎng)絡(luò)上進(jìn)行輔導(dǎo)，滿足不同學(xué)生的需求。

　　5 結(jié)論

　　本文主要以學(xué)生網(wǎng)絡(luò)流量數(shù)據(jù)對(duì)學(xué)生上網(wǎng)行為進(jìn)行分類與分析，并給出相應(yīng)的分析結(jié)果和建議。在實(shí)現(xiàn)方法上，我們構(gòu)建了一個(gè)網(wǎng)絡(luò)爬蟲框架獲取學(xué)生上網(wǎng)數(shù)據(jù)集。然后對(duì)數(shù)據(jù)集進(jìn)行處理，通過兩種方法梯度提升決策樹和隨機(jī)森林對(duì)分類模型進(jìn)行訓(xùn)練。最后，對(duì)這些分類模型進(jìn)行比較，使分類結(jié)果可視化，挖掘出學(xué)生的上網(wǎng)習(xí)慣。通過對(duì)實(shí)驗(yàn)結(jié)果的分析及可視化便于學(xué)生查看在線記錄，從而對(duì)學(xué)生管理提出相應(yīng)的教學(xué)管理對(duì)策，該方法可為高效解決類似問題提供一種新的辦法，有利于培養(yǎng)良好的在線習(xí)慣，輔助高校教育教學(xué)管理。