CN110516861A - 一种基于拓扑扩张网络模型的学生贫困程度预测方法 - Google Patents
一种基于拓扑扩张网络模型的学生贫困程度预测方法 Download PDFInfo
- Publication number
- CN110516861A CN110516861A CN201910764172.9A CN201910764172A CN110516861A CN 110516861 A CN110516861 A CN 110516861A CN 201910764172 A CN201910764172 A CN 201910764172A CN 110516861 A CN110516861 A CN 110516861A
- Authority
- CN
- China
- Prior art keywords
- consumption
- network
- network model
- student
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 235000012054 meals Nutrition 0.000 claims description 18
- 230000035772 mutation Effects 0.000 claims description 11
- 235000021152 breakfast Nutrition 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 235000005911 diet Nutrition 0.000 claims description 3
- 230000000378 dietary effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于拓扑扩张网络模型的学生贫困程度预测方法,属于数据分析技术领域,步骤包括:获取样本消费特征数据,构建消费特征集合;构建由节点和链接组成的拓扑扩张网络模型,使用节点和链接的参数信息对网络进行编码;利用消费特征集合对构建的拓扑扩张网络模型进行训练,获得最优拓扑扩张网络模型;与现有技术相比,该方法可以自行探索链接的使用个数,忽略没用的链接,改变网络的结构,使最终构成的神经网络比较小,从而提高了运行效率;此外,在参数学习过程中,该方法能够在全局搜索最优解,得到精准率最高的预测模型。该方法可适用于困难生困难程度的定量认定,为困难生的精准资助提供可靠解决建议。
Description
技术领域
本发明属于数据分析技术领域,具体涉及一种基于拓扑扩张网络模型的学生贫困程度预测方法。
背景技术
数据分析是指用适当的统计分析方法对收集来的大量数据进行分析,提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。数据分析技术可用于各行各业的方方面面,可帮助企业、政府机关、学校等通过最科学的方式获得结论,例如,针对家庭经济困难学生的认定是学生资助工作开展的基础和关键,但目前已有的定量计算困难程度的方法,包括监督的随机森林算法、SVM算法、深度学习算法,以及无监督的聚类算法等,在预测精度上都很难保证,尤其是深度神经网络算法,在进行参数学习时,使用的是反馈学习方法,该方法容易陷入局部最优,同时该方法学习的是链接的权重以及偏置,对神经网络的拓扑结构没有进行优化,导致预测精度较低。
发明内容
本发明的目的就在于为了解决上述问题而提供一种基于拓扑扩张网络模型的学生贫困程度预测方法,以解决现有学生贫困程度预测方法容易陷入局部最优等导致预测精度较低的技术问题。
本发明通过以下技术方案来实现上述目的:
本发明提供了一种基于拓扑扩张网络模型的学生贫困程度预测方法,包括以下步骤:
步骤S1、获取学生样本的消费特征数据,构建消费特征集合;
步骤S2、构建由节点和链接组成的拓扑扩张网络模型,使用节点和链接的参数信息对网络进行编码;
步骤S3、利用消费特征集合对构建的拓扑扩张网络模型进行训练,获得最优拓扑扩张网络模型;
步骤S4、将待测学生的消费特征数据带入最优拓扑扩张网络模型中进行贫困程度预测。
进一步优选地,所述步骤S2中,节点的参数信息包括节点类型,链接的参数信息包括连接线的权重、链接的开始单元、链接的指向单元及链接是否启动。
进一步优选地,所述步骤S2中,编码的方法为二进制编码,具体为:将每个节点和链接的每个参数信息进行二进制编码后,再组合形成一个完整字符串。
进一步优选地,所述步骤S3中,利用消费特征集合对构建的拓扑扩张网络模型进行训练,获得最优拓扑扩张网络模型的方法,包括以下步骤:
步骤S301、创建随机初始群体LA,计算该随机初始群体LA的适应性分数;
步骤S302、根据适应性分数,从随机初始群体LA中选择新群体LB;
步骤S303、将新群体LB进行随机的配对和突变,构建群体LA’;
步骤S304、重复步骤S301-S303,直到群体中某个网络的适应性分数达到预先设置的阈值。
步骤S305、将步骤S304获得的群体中适应性分数最高的网络编码进行解码,获得最优参数,根据最优参数构建获得最优拓扑扩张网络参数模型。
进一步优选地,所述步骤S301的具体步骤包括:
创建规模为N的随机初始群体LA,LA的输入层由样本数据的消费特征集合K中的特征构成,节点数量及其参数、链接数量及其参数都是随机生成,分别计算这N个网络的损失值,其中,该N个网络中的一个网络A中的某一个样本i的损失值满足以下公式:
式中:L(i)为网络A中第i个样本的损失值,y(i)为样本类别标记,1代表贫困生0 代表非贫困生,hθ(y(i))为该样本属于类别y(i)的预测概率;
计算网络A的总体损失值:为所有个体样本损失值之和,满足:L=∑L(i);
计算网络A的适应性分数F,满足:F=-L;
计算N个网络中每个网络的适应性分数。
进一步优选地,所述样本属于类别y(i)的预测概率hθ(y(i))等于网络A的最终输出节点的节点概率p,设最终输出节点连接了k个输入节点,则该节点的节点概率p满足:
式中,θi为与该输出节点连接的链接的权重。
进一步优选地,所述步骤S302的具体步骤包括:将群体LA中的N个网络的适应性分数叠加,得到总适应性分数:计算网络Nj被选择的概率 Lj'=Lj/L_sum,根据个体被选择的概率获得各个体对应的累积概率区间,随机生成一个总区间内的随机数,随机数落在哪个区间,则选择产生该区间的所有个体,形成新群体LB。
进一步优选地,所述步骤S303的具体步骤包括:
在群体LB中随机选择2个网络,根据随机选择的交叉点,将2个网络的编码进行配对,生成新的网络E的编码;
对网络E的编码中的某一随机位点进行突变,获得突变网络E’;
重复编码和突变操作,直至选择出N个新的网络,构成群体LA’。
进一步优选地,所述消费特征包括:消费明细数据,提取学生的消费特征值,包括:总消费金额、次消费均值、消费次数、总消费金额波动程度、食堂消费波动程度、超市消费波动程度、打水消费波动程度、食堂消费金额占比、超市消费金额占比、打水消费金额占比、高档消费金额占比、饮食规律性、早餐消费总额、早餐吃饭次数、早餐次消费均值、午餐消费总额、午餐吃饭次数、午餐次消费均值、晚餐消费总额、晚餐吃饭次数、晚餐次消费均值、食堂消费次数、食堂吃饭次数、超市消费总额、超市消费次数、超市消费均值、周末消费次数、周末吃饭次数、节假日消费次数、节假日吃饭次数、高档消费总额、高档消费次数、高档消费均值。
本发明的有益效果在于:本发明提供了一种基于拓扑扩张网络模型的学生贫困程度预测方法,该方法可以自行探索链接的使用个数,忽略没用的链接,改变网络的结构,使最终构成的神经网络比较小,从而提高了运行效率;此外,在参数学习过程中,该方法能够在全局搜索最优解,得到精准率最高的预测模型。该方法可适用于困难生困难程度的定量认定,为困难生的精准资助提供可靠解决建议。
附图说明
图1是基于拓扑扩张网络模型的贫困生学生贫困程度预测方法的步骤流程图;
图2是基于拓扑扩张网络模型准确率评估结果图。
具体实施方式
下面结合附图对本申请作进一步详细描述,有必要在此指出的是,以下具体实施方式只用于对本申请进行进一步的说明,不能理解为对本申请保护范围的限制,该领域的技术人员可以根据上述申请内容对本申请做出一些非本质的改进和调整。
实施例1
本实施例以高校贫困生精准资助为例,提供了一种基于拓扑扩张网络模型的贫困生学生贫困程度预测方法,以通过高校学生的相关数据,对高校学生的贫困程度进行预测,从而为高校贫困生的精准资助提供可靠解决建议。
所述的基于拓扑扩张网络模型的学生贫困程度预测方法,包括以下步骤:
步骤S1、获取各学生的相关数据,包括学生的基本信息数据、家庭信息数据、学生一卡通数据、门禁信息数据、成绩数据、图书馆数据、义务信息数据、消费明细数据等。将各学生按照7:3比例划分为训练集和测试集,如本实施例使用某高校1560名学生的数据,那么划分后的训练集数据为1096个样本,划分后的测试集数据为468个样本。
对上述获得的贫困生相关的数据进行消费特征提取,如可根据消费明细数据,提取学生的消费特征值,包括:总消费金额、次消费均值、消费次数、总消费金额波动程度、食堂消费波动程度、超市消费波动程度、打水消费波动程度、食堂消费金额占比、超市消费金额占比、打水消费金额占比、高档消费金额占比、饮食规律性、早餐消费总额、早餐吃饭次数、早餐次消费均值、午餐消费总额、午餐吃饭次数、午餐次消费均值、晚餐消费总额、晚餐吃饭次数、晚餐次消费均值、食堂消费次数、食堂吃饭次数、超市消费总额、超市消费次数、超市消费均值、周末消费次数、周末吃饭次数、节假日消费次数、节假日吃饭次数、高档消费总额、高档消费次数、高档消费均值作为特征值。汇总以上特征,构建一个n行k列的样本数据集,用矩阵A表示,其中aij表示第i个学生的第j个特征值,n表示学生总数,k表示特征个数:
A=(aij)n×k
用集合K表示消费特征集合,其中ki表示第i个特征:K=(k1,k2,…,kk)。
步骤S2、构建拓扑扩张网络模型,使用拓扑扩张网络模型的节点和链接的参数体系表达整个网络,并对该网络的参数体系进行编码:
一套拓扑扩张网络参数模型由节点和链接构成,对应地包含了节点信息和链接信息两部分,其中,节点信息包括1个参数:即节点的类型NodeType,NodeType取值0 代表输入节点,1代表隐藏节点、2代表输出节点;链接信息包括4个参数:Weight代表连接线的权重,From是链接的开始单元,To是链接的指向单元,Enabled代表链接是否已启用,1代表启用0代表不启用。
假设一个包含2个链接和3个节点的拓扑扩张网络模型,每个链接携带4个参数,每个节点携带1参数,则总参数个数为2×4+3×1=11个参数。分别对每个参数进行二进制编码,如数字3编码后为0011。设置编码长度为4,则网络的参数体系的编码长度为4*11=44。则这个2个链接3个节点组成的网络可以编码为一个长度为44的0、1构成的字符串。关于网络的编码规则,除了本申请的二进制法,也可用其它规则替代。
步骤S3、利用训练集对构建拓扑扩张网络模型进行训练,包括:
步骤S301、创建随机初始群体,计算该随机初始群体的适应性分数
创建一个规模为N的随机初始群体LA,LA的输入层由集合K中的特征构成,节点数量及其参数、链接数量及其参数都是随机生成,分别计算这N个网络的损失值,其中,该N个网络中的一个网络A中的某一个样本i的损失值满足以下公式:
式中:L(i)为网络A中第i个样本的损失值,y(i)为样本类别标记,1代表贫困生0 代表非贫困生,hθ(y(i))为该样本属于类别y(i)的预测概率。
以一个连接了k个输入节点的输出节点为例,输出节点的预测概率满足:
其中,θi为与该输出节点连接的链接的连接线的权重,以此类推,可计算获得网络中其它节点的概率,而样本属于类别y(i)的预测概率hθ(y(i))等于网络A的最终输出节点的节点概率。
计算网络A的总体损失值:为所有个体样本损失值之和,满足:L=∑L(i);
计算网络A的适应性分数F,满足:F=-L;
根据上述方法,计算获得N个网络的适应性分数。
步骤S302、根据适应性分数,从随机初始群体LA中选择新群体LB
将群体LA中的N个网络的适应性分数叠加,得到总适应性分数:计算网络Nj被选择的概率Lj'=Lj/L_sum,根据个体被选择的概率获得各个体对应的累积概率区间,随机生成一个总区间内的随机数,随机数落在哪个区间,则选择产生该区间的所有个体,形成新群体LB。
假设群体规模为4,个体被选择概率分别为Lj'=0.3、Lj'=0.4、Lj'=0.2、 Lj'=0.1,则对应的累积概率区间为[0,0.3],[0.3,0.7],[0.7,0.9],[0.9,1],生成一个[0,1]区间内的随机数,随机数落在哪个区间,则选择产生该区间的所有网络Nj作为父代,由此选择出新的群体LB。
步骤S303、将新群体LB中的网络进行随机的配对和突变,构建群体LA’
在网络群体LB中,随机选择出配对的2个网络C、D,合并该2个不同网络C、D 从而产生一个新的网络E。假设:网络C的编码表示为00110101,网络D的编码表示: 11001001。随机选择一个交叉点,如3,则新生成的网络E的编码,第三位之前是001 (网络C的前3位),第3位之后是01001(网络D的后5位),则网络E的编码表示为:00101001。
对网络E进行突变转化为E’,随机生成突变因子,如突变因子为5,则将网络E 编码的第5位,原始为0,则变为1,原始为1,则变为0。
重复配对和突变操作,直至选择出N个新的网络,由这N个网络组成的群体即为群体LA’。
步骤S304、重复步骤S301-S303,直到得到一个网络的适应性分数达到预先设置的阈值T。
步骤S305、最优拓扑扩张网络参数模型的获得:适应性分数最高的编码对应的网络即为最优网络,因此,仅需将适应性分数最高的编码进行解码,获得对应的参数,即最优参数。例如得到一个长度为44的长编码,先分解为44/4=11个短编码,分别对每个短编码进行解码,得到11个最优参数。最后根据最优参数得到最优拓扑扩张网络参数模型。
步骤S4、将待测学生的消费特征数据带入最优拓扑扩张网络模型中,即可对学生的贫困程度进行预测,根据预测结果指导对贫困生的精准资助。
利用预测集对模型准确性进行评估:
使用准确率进行模型评估,准确率T=(TP+TN)/(TP+FP+TN+FN),其中TP表示真实是困难生,被预测为困难生的人数,FP表示真实是困难生,被预测为非困难生的人数,TN表示真实是非困难生,被预测为非困难生的人数,FN表示真实是非困难生,被预测为困难生的人数。
模型的评估结果如图2所示,图中横坐标为迭代次数,纵坐标为准确率,8条曲线分别为8次模拟计算结果,从图中可以看出,本发明的模型评估准确率最高达98.4%。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (9)
1.一种基于拓扑扩张网络模型的学生贫困程度预测方法,其特征在于,包括以下步骤:
步骤S1、获取学生样本的消费特征数据,构建消费特征集合;
步骤S2、构建由节点和链接组成的拓扑扩张网络模型,使用节点和链接的参数信息对网络进行编码;
步骤S3、利用消费特征集合对构建的拓扑扩张网络模型进行训练,获得最优拓扑扩张网络模型;
步骤S4、将待测学生的消费特征数据带入最优拓扑扩张网络模型中进行贫困程度预测。
2.根据权利要求1所述的一种基于拓扑扩张网络模型的学生贫困程度预测方法,其特征在于,所述步骤S2中,节点的参数信息包括节点类型,链接的参数信息包括连接线的权重、链接的开始单元、链接的指向单元及链接是否启动。
3.根据权利要求1所述的一种基于拓扑扩张网络模型的学生贫困程度预测方法,其特征在于,所述步骤S2中,编码的方法为二进制编码,具体为:将每个节点和链接的每个参数信息进行二进制编码后,再组合形成一个完整字符串。
4.根据权利要求1所述的一种基于拓扑扩张网络模型的学生贫困程度预测方法,其特征在于,所述步骤S3中,利用消费特征集合对构建的拓扑扩张网络模型进行训练,获得最优拓扑扩张网络模型的方法,包括以下步骤:
步骤S301、创建随机初始群体LA,计算该随机初始群体LA的适应性分数;
步骤S302、根据适应性分数,从随机初始群体LA中选择新群体LB;
步骤S303、将新群体LB进行随机的配对和突变,构建群体LA’;
步骤S304、重复步骤S301-S303,直到群体中某个网络的适应性分数达到预先设置的阈值。
步骤S305、将步骤S304获得的群体中适应性分数最高的网络编码进行解码,获得最优参数,根据最优参数构建获得最优拓扑扩张网络参数模型。
5.根据权利要求4所述的一种基于拓扑扩张网络模型的学生贫困程度预测方法,其特征在于,所述步骤S301的具体步骤包括:
创建规模为N的随机初始群体LA,LA的输入层由样本数据的消费特征集合K中的特征构成,节点数量及其参数、链接数量及其参数都是随机生成,分别计算这N个网络的损失值,其中,该N个网络中的一个网络A中的某一个样本i的损失值满足以下公式:
式中:L(i)为网络A中第i个样本的损失值,y(i)为样本类别标记,1代表贫困生0代表非贫困生,hθ(y(i))为该样本属于类别y(i)的预测概率;
计算网络A的总体损失值:为所有个体样本损失值之和,满足:L=∑L(i);
计算网络A的适应性分数F,满足:F=-L;
计算N个网络中每个网络的适应性分数。
6.根据权利要求5所述的一种基于拓扑扩张网络模型的学生贫困程度预测方法,其特征在于,所述样本属于类别y(i)的预测概率hθ(y(i))等于网络A的最终输出节点的节点概率p,设最终输出节点连接了k个输入节点,则该节点的节点概率p满足:
式中,θi为与该输出节点连接的链接的连接线的权重。
7.根据权利要求4所述的一种基于拓扑扩张网络模型的学生贫困程度预测方法,其特征在于,所述步骤S302的具体步骤包括:将群体LA中的N个网络的适应性分数叠加,得到总适应性分数:计算网络Nj被选择的概率Lj'=Lj/L_sum,根据个体被选择的概率获得各个体对应的累积概率区间,随机生成一个总区间内的随机数,随机数落在哪个区间,则选择产生该区间的所有个体,形成新群体LB。
8.根据权利要求4所述的一种基于拓扑扩张网络模型的学生贫困程度预测方法,其特征在于,所述步骤S303的具体步骤包括:
在群体LB中随机选择2个网络,根据随机选择的交叉点,将2个网络的编码进行配对,生成新的网络E的编码;
对网络E的编码中的某一随机位点进行突变,获得突变网络E’;
重复编码和突变操作,直至选择出N个新的网络,构成群体LA’。
9.根据权利要求1-8任一所述的一种基于拓扑扩张网络模型的学生贫困程度预测方法,其特征在于,所述消费特征包括:总消费金额、次消费均值、消费次数、总消费金额波动程度、食堂消费波动程度、超市消费波动程度、打水消费波动程度、食堂消费金额占比、超市消费金额占比、打水消费金额占比、高档消费金额占比、饮食规律性、早餐消费总额、早餐吃饭次数、早餐次消费均值、午餐消费总额、午餐吃饭次数、午餐次消费均值、晚餐消费总额、晚餐吃饭次数、晚餐次消费均值、食堂消费次数、食堂吃饭次数、超市消费总额、超市消费次数、超市消费均值、周末消费次数、周末吃饭次数、节假日消费次数、节假日吃饭次数、高档消费总额、高档消费次数、高档消费均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910764172.9A CN110516861A (zh) | 2019-08-19 | 2019-08-19 | 一种基于拓扑扩张网络模型的学生贫困程度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910764172.9A CN110516861A (zh) | 2019-08-19 | 2019-08-19 | 一种基于拓扑扩张网络模型的学生贫困程度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110516861A true CN110516861A (zh) | 2019-11-29 |
Family
ID=68625738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910764172.9A Pending CN110516861A (zh) | 2019-08-19 | 2019-08-19 | 一种基于拓扑扩张网络模型的学生贫困程度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516861A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215385A (zh) * | 2020-03-24 | 2021-01-12 | 北京桃花岛信息技术有限公司 | 一种基于贪婪选择策略的学生困难程度预测方法 |
CN112416914A (zh) * | 2020-10-15 | 2021-02-26 | 三峡大学 | 一种基于大数据分析的困难学生认定及预警方法及系统 |
CN112541579A (zh) * | 2020-12-23 | 2021-03-23 | 北京北明数科信息技术有限公司 | 模型训练方法、贫困程度信息识别方法、装置和存储介质 |
-
2019
- 2019-08-19 CN CN201910764172.9A patent/CN110516861A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215385A (zh) * | 2020-03-24 | 2021-01-12 | 北京桃花岛信息技术有限公司 | 一种基于贪婪选择策略的学生困难程度预测方法 |
CN112215385B (zh) * | 2020-03-24 | 2024-03-19 | 北京桃花岛信息技术有限公司 | 一种基于贪婪选择策略的学生困难程度预测方法 |
CN112416914A (zh) * | 2020-10-15 | 2021-02-26 | 三峡大学 | 一种基于大数据分析的困难学生认定及预警方法及系统 |
CN112416914B (zh) * | 2020-10-15 | 2023-07-11 | 三峡大学 | 一种基于大数据分析的困难学生认定及预警方法及系统 |
CN112541579A (zh) * | 2020-12-23 | 2021-03-23 | 北京北明数科信息技术有限公司 | 模型训练方法、贫困程度信息识别方法、装置和存储介质 |
CN112541579B (zh) * | 2020-12-23 | 2023-08-08 | 北京北明数科信息技术有限公司 | 模型训练方法、贫困程度信息识别方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Katz | What is a complex innovation system? | |
Kuo et al. | Integration of ART2 neural network and genetic K-means algorithm for analyzing Web browsing paths in electronic commerce | |
CN105740401B (zh) | 一种基于个体行为和群体兴趣的兴趣地点推荐方法及装置 | |
CN108664632A (zh) | 一种基于卷积神经网络和注意力机制的文本情感分类算法 | |
CN110516861A (zh) | 一种基于拓扑扩张网络模型的学生贫困程度预测方法 | |
Nguyen et al. | Forecasting people’s needs in hurricane events from social network | |
CN110909529B (zh) | 一种公司形象提升系统的用户情感分析和预判系统 | |
CN112989761B (zh) | 文本分类方法及装置 | |
CN112199608A (zh) | 基于网络信息传播图建模的社交媒体谣言检测方法 | |
CN108614855A (zh) | 一种谣言识别方法 | |
CN106126615A (zh) | 一种兴趣点推荐的方法及系统 | |
CN107808168B (zh) | 一种基于强弱关系的社交网络用户行为预测方法 | |
Flitman | Towards analysing student failures: neural networks compared with regression analysis and multiple discriminant analysis | |
CN112215001A (zh) | 一种谣言识别方法及系统 | |
Mallak et al. | Using Markov Chains and Data Mining Techniques to Predict Students’ Academic Performance | |
CN115526590A (zh) | 一种结合专家知识和算法的高效人岗匹配与复推方法 | |
CN110019796A (zh) | 一种用户文本信息分析方法及装置 | |
Bublyk et al. | Sustainable Development by a Statistical Analysis of Country Rankings by the Population Happiness Level. | |
Zhang et al. | Research and application of grade prediction model based on decision tree algorithm | |
CN111178580A (zh) | 一种基于改进bp神经网络的超市选址方法 | |
CN114595693A (zh) | 一种基于深度学习的文本情感分析方法 | |
Roslan et al. | Stock prediction using sentiment analysis in twitter for day trader | |
CN110110084A (zh) | 高质量用户生成内容的识别方法 | |
Oliseenko et al. | RuBERT Embeddings in the Task of Classifying User Posts on a Social Media | |
Li et al. | Attention-based hierarchical random graph model for structural inference of real-world networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 1218, 12th floor, building 8, East District, yard 9, Linglong Road, Haidian District, Beijing 100089 Applicant after: BEIJING TAOHUADAO INFORMATION TECHNOLOGY Co.,Ltd. Address before: Room 1503, Yanshan Hotel, No. 38 Guancun Avenue, Haidian District, Beijing Applicant before: BEIJING TAOHUADAO INFORMATION TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191129 |
|
RJ01 | Rejection of invention patent application after publication |