摘要: 新媒体技术及移动通讯技术的迅速发展让人们进入到“微”的时代，从微博、微信到微店、微视频，进而发展到与学习相关的微课堂。以精简内容为特点的“微”文化走进了人们生活的方方面面。同时网络上也涌现各种“微资源”，让人们能够很好的利用工作闲隙、等... 展开 新媒体技术及移动通讯技术的迅速发展让人们进入到“微”的时代，从微博、微信到微店、微视频，进而发展到与学习相关的微课堂。以精简内容为特点的“微”文化走进了人们生活的方方面面。同时网络上也涌现各种“微资源”，让人们能够很好的利用工作闲隙、等人、还有坐车等零散的时间进行基于微资源的自主学习。另一方面，人们的知识更新周期随着社会的快速发展变得越来越短。为顺应时代需求，人们需要不断更新自身知识来提高自己的适应能力。在此背景之下提出了微学习这一概念。微学习能够为学习者提供具有精短内容的微学习单元，使学习者可以充分利用自己碎片化的时间，更加方便的进行学习。但是网络上涌现的大量学习资源导致微学习内容出现信息过载等问题，从而使学习者在选择学习内容时会花费大量的时间。通过对微学习单元进行聚类处理，能够更好地管理学习资源，有助于学习者找到适合自己的学习内容，提高效率。但是微学习资源由于其维度高及冗余度大等特点，对聚类带来不利影响，影响聚类的准确性，同时也会增加算法计算和分析的工作量。 鉴于此，为提高微学习单元聚类的准确性，提高效率。本文对微学习单元的聚类数据进行特征选择，以优化特征子集进而提高微学习单元的聚类准确性，为提高学习者的学习效率提供技术支撑。特征选择作为一种降维方法，能够通过选择具有代表性的特征集合用于聚类，从而实现降低特征冗余和噪声的目的。本文通过充分研究微学习及特征选择相关理论，同时结合微学习单元的特征，以互信息构造适应度函数作为判据，提出一种基于骨干粒子群优化算法的特征选择模型，用于微学习单元特征选择。本文的主要工作如下： （1）从特征冗余和特征代表性两个角度对微学习单元特征子集的质量进行评价。通过去除冗余特征，选择有效的特征属性，并利用互信息构造适应度函数，以无监督学习的方式实现在微学习单元类标记信息缺乏或者不完全的情况下的特征选取，从而优化微学习单元的聚类过程。 （2）本文提出一种适应性的骨干粒子群特征选择算法。通过适应性突变概率调整策略，利用粒子群在迭代过程中反馈的适应值变化信息来调整算法中突变概率的大小，能够更好的平衡全局寻优能力与搜索精度之间的关系。 收起