基于改進SVM算法的思政教育動態(tài)預警系統(tǒng)研究

席衛(wèi)華

摘 要： 針對目前高職院校思政教育工作存在的信息反饋滯后、預警干預機制不完善、風險管控能力較弱等問題，開發(fā)了一款基于改進SVM算法的思政教育動態(tài)預警系統(tǒng)。通過構(gòu)建體量較大的基于用戶行為的日志數(shù)據(jù)庫，引入改進過的支持向量機（SVM）算法并融入預警分類器建立面向思政教育動態(tài)預警模型，在Matlab2016b環(huán)境下進行模型效能仿真驗證，較好解決了多維應用背景下的高校思政教育動態(tài)預警過程中人力耗費與實際效能失衡、信息反饋滯后等問題，具有動態(tài)預警精準、泛化預警能力強、風險管控變化趨勢預估效率高等優(yōu)勢。以我國東部某高職院校為效能評價載體，利用VS2012平臺開發(fā)了驗證環(huán)境并對模型進行了實證分析，分析結(jié)果表明所提模型可以實現(xiàn)全方位的高校思政教育動態(tài)預警，在預警適應性、模型擬合度、信息過載處理效率等方面具有明顯優(yōu)勢。

關鍵詞： 思政教育; 動態(tài)預警模型; 改進支持向量機算法; 預警分類器; 系統(tǒng)開發(fā)

中圖分類號： TP 315 ? ? ?文獻標志碼： A

Abstract： Aiming at the problems of lag in information feedback， imperfect early warning intervention mechanism and weak risk management and control ability in the ideological and political education work of higher vocational colleges， a dynamic early warning system based on improved SVM algorithm was developed. By constructing a large user database based on user behavior， an improved support vector machine （SVM） algorithm is introduced and an early warning classifier is built to establish a dynamic early warning model for ideological and political education. The model performance simulation is validated in Matlab 2016b environment. It solves the problems of imbalance between manpower consumption and actual efficiency and lag of information feedback in the dynamic early warning process of ideological and political education in colleges and universities under the background of multi-dimensional application. It has the advantages of dynamic early warning accuracy， strong generalized early warning ability， and high risk estimation performance. Taking a higher vocational college in eastern China as the effectiveness evaluation carrier， the verification environment is developed by using VS2012 platform， and the model is empirically analyzed. The analysis results show that the model proposed in this paper can realize the dynamic early warning of ideological and political education in colleges and universities. Model fit， information overload processing efficiency and other aspects have obvious advantages.

Key words： ideological and political education; dynamic early warning model; improved support vector machine algorithm; early warning classifier; system development

0 引言

思政教育是高等教育的重要組成部分，貫穿高等教育教學全過程，是高職院校培養(yǎng)社會主義建設者和接班人的重要制度載體，在強化高職院校在校生的價值引領、加強愛國奉獻主旋律宣傳教育，建立全員全過程全方位育人機制等領域發(fā)揮著基礎性作用。高職院校思政教育涉及面廣、受眾層次多樣、未形成統(tǒng)一的標準模式[1]，屬于復雜的系統(tǒng)工程，必須采用系統(tǒng)化的方法加以分析，借鑒協(xié)同理論，搭建協(xié)同平臺、完善協(xié)同機制、營造協(xié)同文化、建立動態(tài)預警模型是實現(xiàn)高職院校思政教育全局協(xié)同管控的必經(jīng)之路。高職院校在校生群體思維活躍，是非分辨能力不強，法律意識淡薄，容易受到境外間諜機構(gòu)的策反，對我國的國家安全造成了一定危害。如何采取積極有效的措施教育和引導在校大學生自覺樹立國家安全觀，構(gòu)建在校大學生思政教育動態(tài)預警機制，筑牢高職院校思想政治防線，是開展高職院校思政教育工作面臨的新挑戰(zhàn)[2]。

目前，高職院校思政教育大多采用各級負責人統(tǒng)計傳達的方式管控高職院校在校生思政風險，存在信息反饋滯后，預警干預機制不完善、風險管控能力較弱等問題，結(jié)合新形勢下的高職院校思政教育信息化需求[3]，開發(fā)了一款基于改進SVM算法的思政教育動態(tài)預警系統(tǒng)。通過構(gòu)建體量較大的基于用戶行為的日志數(shù)據(jù)庫，引入改進過的支持向量機（SVM）算法并融入預警分類器建立面向思政教育動態(tài)預警模型，在Matlab2016b環(huán)境下進行模型效能仿真驗證[4]，較好解決了多維應用背景下的高校思政教育動態(tài)預警過程中人力耗費與實際效能失衡、信息反饋滯后等問題，具有動態(tài)預警精準、泛化預警能力強、風險管控變化趨勢預估效率高等優(yōu)勢?；赩S2012環(huán)境開發(fā)了應用軟件，為高職院校思政教育的工作開展提供定量依據(jù)，符合新形勢下的國家整體安全觀，對提高我國高職院校思政教育全局協(xié)同管控能力具有積極意義[5]。

1 系統(tǒng)總體邏輯設計

基于改進SVM算法的思政教育動態(tài)預警系統(tǒng)主要實現(xiàn)面向存在明顯潛在思想動態(tài)差異的高職院校在校生開展思政教育工作的課程開設、效果評估、思想動態(tài)管控、預警反饋等環(huán)節(jié)的數(shù)據(jù)收集與潛在規(guī)律挖掘[6]，實現(xiàn)高職院校思政教育工作的完整生命周期信息化管控。如圖1所示。

基于改進SVM算法的思政教育動態(tài)預警系統(tǒng)總體邏輯上主要包括思政教育實施子模塊、思政教育效果分析子模塊、思政教育動態(tài)預警子模塊，基于預警分類器的高職院校思政教育動態(tài)預警系統(tǒng)主要實現(xiàn)高職院校思政教育從業(yè)者、高職院校在校生、高職院校思政教育職能部門三者之間的協(xié)調(diào)交互，明確高職院校思政教育目標，設定高職院校思政教育核心任務，確保高職院校思想政治防線穩(wěn)固牢靠[7]。

思政教育實施子模塊主要依據(jù)高職院校思政教育相關政策規(guī)定和高職院校自身特色等制定個性化的思政教育方案，包括教材選取、實踐課程設計、高職院校在校生思想動態(tài)調(diào)研等;思政教育效果分析子模塊主要針對思政教育實施子模塊制定的個性化思政教育方案進行多維度效果評價[8]，包括思政教育目標與新形勢下國家相關政策規(guī)定是否契合、思政教育任務的制定是否與思政教育目標相適應、思政教育方案深度是否滿足需求、高職院校在校生思想動態(tài)管控是否滿足預期目標、高職院校在校生對思政教育方案的接受度如何等;思政教育動態(tài)預警子模塊主要實現(xiàn)提前發(fā)現(xiàn)有危險思想動態(tài)傾向的在校生并發(fā)出預警提示，及時采取積極地干預措施，通過關注學生心理特質(zhì)，為其健康發(fā)展奠定良好基礎，為我國整體國家安全觀的順利開展提供保障。通過上述三個功能子模塊，構(gòu)建高職院校思政教育閉環(huán)動態(tài)預警機制，形成良性循環(huán)，為高職院校思政教育工作的開展提供基礎性保障。

與基于改進SVM算法的思政教育動態(tài)預警系統(tǒng)總體邏輯設計示意圖相對應，其內(nèi)部工作流流向順序如下：S1：錄入新形勢下習近平總書記在全國高職院校思想政治工作會議上的重要講話以及國家相關政策規(guī)定，作為高職院校制定個性化的思政教育方案的總體依據(jù);S2：對高職院校制定個性化的思政教育方案進行規(guī)范化檢查并進行小規(guī)模實驗;S3：根據(jù)實驗結(jié)果決定是否進行全校推廣應用[9]，如果實驗結(jié)果支持推廣，則啟動思政教育效果分析子模塊，從多維度效果評價對高職院校制定的個性化思政教育方案進行評價，否則返回第一步;S4： 啟動思政教育動態(tài)預警子模塊，提前發(fā)現(xiàn)有危險思想動態(tài)傾向的在校生并發(fā)出預警提示，及時采取積極地干預措施，確保高職院校思政教育發(fā)揮實效。

2 基于改進SVM算法的高職院校思政教育動態(tài)預警模型設計

2.3 融入決策分析體系機制

為了進一步對用戶隱形預警定量數(shù)據(jù)進行綜合模糊評價，融入決策分析體系機制，如圖2所示。

引入模糊神經(jīng)網(wǎng)絡進行決策評價并對模糊規(guī)則進行自適應性訓練，在結(jié)構(gòu)上形成用戶隱形興趣輸入層、隸屬函數(shù)模糊化層[13]、模糊規(guī)則自適應訓練層、輸出變量模糊度劃分層、用戶隱形興趣決策分析層，在功能上利用BP神經(jīng)網(wǎng)絡作為模式存儲器，利用自主學習能力不斷更新優(yōu)化權(quán)系數(shù)，使模糊系統(tǒng)具備了泛化能力，實現(xiàn)個性化服務的全方位評價并把結(jié)果反饋到改進支持向量機算法，實現(xiàn)良性閉環(huán)循環(huán)[14]。

模糊神經(jīng)網(wǎng)絡算法是決策分析體系機制的核心算法，針對思政教育動態(tài)預警模型轉(zhuǎn)化為附帶懲罰因子的無限制經(jīng)驗損失最小化問題[15]，利用改進支持向量機算法進行目標核函數(shù)的構(gòu)建與求解，對獲取的用戶隱形興趣決策數(shù)據(jù)集進行決策分析處理。利用BP神經(jīng)網(wǎng)絡的隱含節(jié)點表征隸屬函數(shù)和模糊規(guī)則，把BP神經(jīng)網(wǎng)絡的輸入輸出節(jié)點映射為模糊系統(tǒng)的輸入輸出信號流，利用Matlab中模糊神經(jīng)網(wǎng)絡工具箱提供的模擬數(shù)據(jù)集進行仿真驗證，則訓練結(jié)果與目標值對比圖，如圖3所示。

3 系統(tǒng)設計

3.1 系統(tǒng)的功能模塊設計

與系統(tǒng)的功能性需求分析相契合，遵循軟件工程設計的一般流程，對系統(tǒng)的整體功能框架進行設計，如圖4所示。

系統(tǒng)的功能模塊設計遵循實用性、模塊化、可擴展的原則，系統(tǒng)的核心模塊主要包括思政教育實施子模塊、思政教育效果分析子模塊、思政教育動態(tài)預警子模塊、系統(tǒng)維護與更新子模塊等組成，各個子模塊在系統(tǒng)工作流的控制下協(xié)同工作，構(gòu)建高效實用的高職院校思政教育閉環(huán)動態(tài)預警機制，形成良性循環(huán)，為高職院校思政教育工作的開展提供基礎性保障。

3.2 系統(tǒng)總體業(yè)務流程設計

一方面，高職院校思政教育工作關乎黨和國家的前途和命運，需要實現(xiàn)高職院校思政教育從業(yè)者、高職院校在校生、高職院校思政教育職能部門三者之間的協(xié)調(diào)交互，因此，高職院校思政教育的動態(tài)預警機制屬于復雜的系統(tǒng)工程，必須采用系統(tǒng)工程理論進行邏輯梳理與信息化系統(tǒng)建設。另一方面，由于我國高職院校層次多樣，高職院校在校生整體思想覺悟存在較大差異，其思政教育工作的開展受諸多因素的影響，不同應用地域、不同層次的高職院校在指定個性化思政教育方案上存在一定差異，本文選取我國東部某高職院校為例進行分析說明系統(tǒng)的總體業(yè)務流程。如圖5所示。

在確定好應用高職院校之后，進行系統(tǒng)初始化操作，主要完成國家關于高職院校思政教育的相關法律法規(guī)信息的錄入并對系統(tǒng)數(shù)據(jù)倉庫寫入初始值，進行高職院校個性化思政教育方案的制定;啟動思政教育效果分析機制，從多維度效果評價對高職院校制定的個性化思政教育方案進行評價;啟動思政教育動態(tài)預警子模塊，提前發(fā)現(xiàn)有危險思想動態(tài)傾向的在校生并發(fā)出預警提示，及時采取積極地干預措施，確保高職院校思政教育發(fā)揮實效。

3.3 系統(tǒng)安全機制設計

為了提高系統(tǒng)的安全性，確保系統(tǒng)用戶的信息安全，系統(tǒng)引入了安全機制，基于經(jīng)濟實用性的考慮，采用軟件工程領域常用的訪問控制模型，對系統(tǒng)的登錄認證、用戶管理、角色分配、權(quán)限管理、信息查詢等進行全流程跟蹤監(jiān)控。如圖6所示。

采用基于LDAP的統(tǒng)一用戶驗證方式，合理設置授權(quán)表的訪問權(quán)限，很大程度上減少了對數(shù)據(jù)庫的訪問次數(shù)，保護了系統(tǒng)用戶的信息安全。

4 實驗分析與測試

4.1 優(yōu)化模型仿真驗證

為了驗證引入冷熱數(shù)據(jù)分離因子和引入隨機梯度下降因子、融入決策分析體系機制后的思政教育動態(tài)預警模型的實際工作效果，分析利用模糊神經(jīng)網(wǎng)絡進行決策評價并對模糊規(guī)則進行自適應性訓練的實際效能。為了具有一般性和客觀性，采用GitHub開源平臺提供的基于Python 3.5.2內(nèi)核的Sklearn庫，設定初始目標函數(shù)，設定模糊神經(jīng)網(wǎng)絡的訓練次數(shù)epochs為1000，訓練目標goal為0.01，學習速率lr為0.1。從原目標函數(shù)的收斂曲線對比分析、Log回歸約束后的目標函數(shù)收斂曲線對比分析、目標函數(shù)分類誤差率對比分析等多維度對算法進行了仿真驗證，基于Python 3.5.2內(nèi)核，在PyCharm 3.5環(huán)境下進行圖形化示意仿真，采用顯著差異標識在仿真圖中給出對比曲線，最終仿真結(jié)果如圖7—圖10所示。

為了使Sklearn庫提供的測試數(shù)據(jù)集更貼切思政教育動態(tài)預警模型，對用戶行為數(shù)據(jù)集和用戶隱形興趣點數(shù)據(jù)集進行了回歸映射處理，提高了數(shù)據(jù)集的純凈度，降低了數(shù)據(jù)集的冗余度，提高了仿真效率。

從圖7—圖10可以從定性和定量兩方面進行分析可知，首先，改進后SVM算法目標函數(shù)的收斂速度和細粒度、Log回歸約束后的目標函數(shù)收斂效率、目標函數(shù)分類誤差率等有較大幅度改善;其次，引入冷熱數(shù)據(jù)分離因子和引入隨機梯度下降因子、融入決策分析體系機制后的思政教育動態(tài)預警模型的實際工作效果有較大幅度提升，利用模糊神經(jīng)網(wǎng)絡進行決策評價并對模糊規(guī)則進行自適應性訓練的實際效能良好，初步實現(xiàn)了線性核和非線性核的協(xié)同適應與空間和時間效率的兼顧;最后，實現(xiàn)根據(jù)不同的數(shù)據(jù)集自適應調(diào)整核函數(shù)，大幅度降低了內(nèi)存的耗費，提高了數(shù)據(jù)集迭代效率，較好解決了傳統(tǒng)支持向量機算法可解釋性能力較差、內(nèi)核函數(shù)缺乏自適應性、泛化能力與學習能力失衡、內(nèi)存耗費隨時間呈顯著變化等固有弊端，理論上適用于任何復雜因素約束下的高維耦合思政教育動態(tài)預警問題，特別是針對用戶人群單一、內(nèi)部約束無耦合性、用戶興趣點數(shù)據(jù)集體量較大的思政教育動態(tài)預警問題具有較好的效果。

4.2 系統(tǒng)工程化實現(xiàn)

基于系統(tǒng)的設計思路，在VS2012環(huán)境下對系統(tǒng)進行編程實現(xiàn)，系統(tǒng)運行在微軟經(jīng)典穩(wěn)定的Windows 7操作系統(tǒng)平臺，服務器采用的硬件設備 CPU為英特爾酷睿i7，主頻3.2GHz，系統(tǒng)運行內(nèi)存為18GB，存儲空間8TB，網(wǎng)絡帶寬100M獨享，系統(tǒng)數(shù)據(jù)存儲軟件是微軟的MS-SQLServer2016。為了提高系統(tǒng)的可移植性，采用模塊化設計思路，通過調(diào)用動態(tài)鏈接庫文件（.dll文件）的形式開發(fā)了一款基于改進SVM算法的思政教育動態(tài)預警系統(tǒng)，該系統(tǒng)可以實現(xiàn)高職院校個性化思政教育方案的設計與優(yōu)化、對個性化思政教育方案進行多維度效果評價、提前發(fā)現(xiàn)有危險思想動態(tài)傾向的在校生并發(fā)出預警提示等功能?；谏鲜龇治?，對系統(tǒng)人機交互界面進行編程實現(xiàn)，則系統(tǒng)實際運行界面如圖11、圖12所示。

4.3 系統(tǒng)性能測試

為了提高用戶的使用體驗，及早發(fā)現(xiàn)平臺隱含的系統(tǒng)漏洞，開展平臺的性能測試具有很重要的現(xiàn)實意義。軟件測試涉及范圍廣泛，測試手段多樣，基于實用性和經(jīng)濟性考慮，本文側(cè)重于平臺用戶不規(guī)律遞增時的并發(fā)測試[16]。在MI公司的winload軟件環(huán)境下，采用邊界值分析法對系統(tǒng)進行黑盒測試（主要進行服務器端壓力性能測試），測試方法如下：按照同時在線用戶為50的初始值進行不規(guī)律隨機遞增，用戶在同一時間段內(nèi)反復進行系統(tǒng)頁面的訪問，直到平臺性能出現(xiàn)明顯變化停止遞增，技術數(shù)據(jù)，生成平臺性能變化曲線圖，如圖13所示。

從圖中可以得出，檢測的結(jié)果中可以看出當并發(fā)用戶小于200時，平臺訪問的響應速度、時間延遲等處于可接受狀態(tài)，并且也滿足并發(fā)用戶的心理預期。

5 總結(jié)

為了更好的滿足新形勢下高職院校思政教育工作的需求，克服目前高職院校思政教育工作存在的信息反饋滯后、預警干預機制不完善、風險管控能力較弱等問題，開發(fā)了一款基于改進SVM算法的思政教育動態(tài)預警系統(tǒng)。通過構(gòu)建體量較大的基于用戶行為的日志數(shù)據(jù)庫，引入改進過的支持向量機（SVM）算法并融入預警分類器建立面向思政教育動態(tài)預警模型，可以實現(xiàn)高職院校個性化思政教育方案的設計與優(yōu)化、對個性化思政教育方案進行多維度效果評價、提前發(fā)現(xiàn)有危險思想動態(tài)傾向的在校生并發(fā)出預警提示等功能。測試結(jié)果表明，動態(tài)預警模型理論上適用于任何復雜因素約束下的高維耦合思政教育動態(tài)預警問題，特別是針對用戶人群單一、內(nèi)部約束無耦合性、用戶興趣點數(shù)據(jù)集體量較大的思政教育動態(tài)預警問題具有較好的效果。動態(tài)預警模型擬合度較高，具有較強的魯棒性，系統(tǒng)性能穩(wěn)定，功能模塊之間劃分合理，較好地完成了預期設計目的，具有一定的實際推廣價值。

參考文獻

[1] 周芳琳.新媒體環(huán)境下高職院校思政工作隱性教育探析[J].教育與職業(yè)，2017（14）：101-104.