CN111599472B - 用于学生心理状态识别的方法及装置、计算机 - Google Patents

Abstract

本申请涉及图深度学习技术领域，公开一种用于学生心理状态识别的方法。该方法包括：获取待测学生特征信息和待测学生之间的关系；根据所述待测学生特征信息和待测学生之间的关系识别出待测学生的心理状态。该方法能够根据待测学生特征信息和待测学生之间的关系来识别待测学生的心理状态，通过考虑了学生之间的关系，从而提高了对学生的心理状态识别的准确率。本申请还公开一种用于学生心理状态识别的装置及计算机。

Description

用于学生心理状态识别的方法及装置、计算机

技术领域

本申请涉及图深度学习技术领域，例如涉及一种用于学生心理状态识别的方法、装置和计算机。

背景技术

目前，大学生的规模逐年增加，面对激烈的工作竞争、升学压力、复杂的社会环境和家庭环境，学生的心理问题成为当前探讨的焦点。面对众多的学生，辅导员和老师不可能关注到每个学生的心理状态。心理异常的学生与其他学生在生活和学习表现上有一定的差异，辅导员和老师需要对这部分学生进行特殊的关怀和引导。因此，对学生心理异常识别方法的研究显得非常重要。在如今日益深化的数据时代，学生在校园活动中会产生大量行为数据，通过对这些行为数据进行分析得到学生的心理状态。但现有技术常常是通过计算一些简单的指标得到某种分数预测学生的心理状态，显然具有较强的主观性，并且得到的学生心理状态分析结果往往准确率很低。

发明内容

为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。

本公开实施例提供了一种用于学生心理状态识别的方法、装置和计算机，以解决如何提高识别学生心理状态的准确率的技术问题。

在一些实施例中，所述方法包括：

获取待测学生特征信息和待测学生之间的关系；

根据所述待测学生特征信息和待测学生之间的关系识别出待测学生的心理状态。

在一些实施例中，所述装置包括：处理器和存储有程序指令的存储器，所述处理器被配置为在执行所述程序指令时，执行如上述的用于学生心理状态识别的方法。

在一些实施例中，所述计算机包括：上述的用于学生心理状态识别的装置。

本公开实施例提供的用于学生心理状态识别的方法、装置和计算机，可以实现以下技术效果：能够根据待测学生特征信息和待测学生之间的关系来识别待测学生的心理状态，通过考虑了学生之间的关系，从而提高了对学生的心理状态识别的准确率。

以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。

附图说明

一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：

图1是本公开实施例提供的一个用于学生心理状态识别的方法的示意图；

图2是本公开实施例提供的一个用于学生心理状态识别的装置的示意图。

具体实施方式

为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。

本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。

除非另有说明，术语“多个”表示两个或两个以上。

本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。

术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。

结合图1所示，本公开实施例提供一种用于学生心理状态识别的方法，包括：

步骤S101，获取待测学生特征信息和待测学生之间的关系；

步骤S102，根据待测学生特征信息和待测学生之间的关系识别出待测学生的心理状态。

采用本公开实施例提供的用于学生心理状态识别的方法，能够根据待测学生特征信息和待测学生之间的关系来识别待测学生的心理状态，通过考虑了学生之间的关系，从而提高了对学生的心理状态识别的准确率。

可选地，待测学生特征信息包括以下之中的一种或多种：待测学生的基本信息、待测学生的课程信息、待测学生的社团信息、待测学生的消费信息、待测学生的门禁信息和待测学生的上网信息。

可选地，待测学生的基本信息包括以下之中的一种或多种：学号、姓名、性别、院系、班级、寝室号、生源地、家庭成员、奖助贷情况；

待测学生的课程信息包括以下之中的一种或多种：组别、课程编号、课程成绩；

待测学生的社团信息包括以下之中的一种或多种：社团俱乐部编号、部门、职位；

待测学生的消费信息包括以下之中的一种或多种：消费时间、消费金额、消费地点或刷卡机编号；

待测学生的门禁信息包括以下之中的一种或多种：刷卡时间和刷卡机编号；

待测学生的上网信息包括以下之中的一种或多种：上网时长、每天上网总时长、联网次数、物理IP。

可选地，待测学生之间的关系包括以下之中的一种或多种：同班同学关系、课程组队关系、社团关系。

可选地，根据待测学生特征信息和待测学生之间的关系识别出待测学生的心理状态，包括：将待测学生之间的关系作为第一边，获得第一邻接矩阵；将待测学生特征信息作为第一节点，并根据第一邻接矩阵获得第一节点特征矩阵；根据第一节点特征矩阵获得待测学生的心理状态。

可选地，根据待测学生特征信息获得第一节点特征向量，根据第一节点特征向量和第一邻接矩阵获得第一节点特征矩阵。

在一些实施例中，待测学生之间存在同班同学或同寝室关系、课程组队关系或者社团关系。可选地，将待测学生之间的同班同学或同寝室关系作为包含同班同学或同寝室关系的第一边，获得包含同班同学或同寝室关系的第一邻接矩阵A_Me；或者，将待测学生之间的课程组队关系作为包含课程组队关系的第一边，获得包含课程组队关系的第一邻接矩阵A_Tm；或者，将待测学生之间的社团关系作为包含社团关系的第一边，获得包含社团关系的第一邻接矩阵A_Cb。获取待测学生T天的特征信息，例如待测学生的学号、性别、课程成绩、消费时间、消费金额、消费地点、刷卡机编号、门禁刷卡时间、上网时长、每天上网总时长、联网次数等特征信息；根据学生i的特征信息获取学生i的第一节点特征向量，根据学生i的第一节点特征向量获得第t天所有学生的第一节点特征向量集合H^t。

可选地，通过计算获得第l+1层的第一节点特征矩阵X^(l+1)；

其中，X^(l+1)为l+1层第一节点特征矩阵，X^(l)为l层第一节点特征矩阵，为l层第一节点中可训练转换矩阵，/>R为实数矩阵，F_l为该实数矩阵的行，F_l+1为该实数矩阵的列；A_k为第一邻接矩阵，A为第一邻接矩阵集合，A＝{A_Me,A_Tm,A_Cb}，σ为激活函数，agg(·)为聚合函数。f_GNN为图神经网络消息传播函数，l为自然数。

通过第一节点特征能够获取学生的标签，根据学生的标签从而准确的获得学生的心理状态。

可选地，通过计算获得初始第一节点特征矩阵X⁽⁰⁾；

其中，X⁽⁰⁾为初始第一节点特征矩阵；H^t为第t天第一节点特征向量集合；h^t为第t天的时间分数，度量每一天时间对获取初始第一节点特征矩阵的影响程度；θ₃是GRU参数；GRU(·)表示对每个节点i特征向量H_i用共享的GRU层，H_i∈R^1×F×T，i＝1,2,...,|V|。

对于学生在时间维度上历史特征信息，通过GRU合并到一个时间维度，并通过时间分数度量每一天对获取初始第一节点特征矩阵的影响程度，从而获得更加准确的初始第一节点特征矩阵。

可选地，通过计算H＝(H¹,H²,...,H^t,...,H^T)获得T时间内第一节点的特征向量集合H；

其中，H为T时间内所有第一节点特征向量集合，H∈R^|V|×F×T，H^t为第t天第一节点特征向量集合，H^t∈R^|V|×F，|V|为第一节点总数，F为每个第一节点的特征维度；t＝1,2,...,T。

采用上述公开实施例提供的方法，根据学生的特征信息和学生之间的关系来获取第一节点特征矩阵，因为考虑了学生之间存在的多种相关性关系，从而准确的获得学生的心理状态。

可选地，根据第一节点特征矩阵获得待测学生的心理状态，包括：

将第一边之间的关系作为第二边，获得第二邻接矩阵；

将待测学生之间的关系作为第二节点，并根据第二邻接矩阵获得第二节点特征矩阵；

将第一节点特征矩阵和第二节点特征矩阵进行融合，得到融合后的节点特征矩阵；

根据融合后的节点特征矩阵获得待测学生的心理状态。

在一些实施例中，将第一边的关系作为第二边，例如：将包含同班同学或同寝室关系的第一边之间的关系作为第二边，获得对应的第二邻接矩阵A_r,Me；或者，将包含课程组队关系的第一边之间的关系作为第二边，获得对应的第二邻接矩阵A_r,Tm；或者，将包含社团关系的第一边之间的关系作为第二边，获得对应的第二邻接矩阵A_r,Cb。

获取待测学生之间的关系，例如同班同学或同寝室关系、课程组队关系或者社团关系，将待测学生之间的关系作为第二节点。

可选地，通过计算：获得第二节点特征矩阵；

其中，X_r ^(l+1)为l+1层第二节点特征矩阵，X_r ^(l)为l层第二节点特征矩阵，为l层第二节点中是可训练的转换矩阵，A_r,k为第二邻接矩阵，A_r为第二邻接矩阵集合，A_r＝{A_r,Me,A_r,Tm,A_r,Cb}，σ为激活函数，agg(·)为聚合函数。f_GNN为图神经网络消息传播函数，l为自然数。

可选地，通过计算，获得初始第二节点特征矩阵；

其中，B为关联矩阵，B∈R^|V|×^|E|，E为学生之间的关系集合，为初始第二节点特征矩阵，/>|V_r|为第二节点总数，F_r为每个第二节点的特征维度；θ₄为可训练的转换矩阵，θ₄∈R^F×F。

将第一节点特征矩阵和第二节点特征矩阵进行融合，得到融合后的节点特征矩阵；

可选地，通过计算获得融合后的节点特征矩阵X_fr ^(l)；

其中，X_fr ^(l)为融合后的节点特征矩阵，X^(l)为l层第一节点特征矩阵，X_r ^(l)为l层第二节点特征矩阵，为l层第一节点中可训练转换矩阵，A_k为第一邻接矩阵，A为第一邻接矩阵集合，A＝{A_Me,A_Tm,A_Cb}，σ为激活函数，agg(·)为聚合函数，f_GNN为图神经网络消息传播函数，l为自然数，[·,·]是concatenation拼接操作，B为关联矩阵。可选地，将融合后的节点特征矩阵X_fr ^(l)作为第l+1层的第一节点特征矩阵X^(l+1)。

采用上述公开实施例提供的方法，通过将学生之间的关系作为第二节点，第一边之间的关系作为第二边，得到第二节点特征矩阵，将第二节点特征矩阵与第一节点特征矩阵融合得到融合后的特征矩阵，通过融合后的特征矩阵能够更加准确的获得学生的心理状态。

可选地，根据融合后的节点特征矩阵获得待测学生的心理状态，包括：

获取融合后的节点特征矩阵中各节点的标签；

根据融合后的节点特征矩阵中各节点的标签获得待测学生的心理状态。

在一些实施例中，已标记的学生的标签为“1”表示心理状态异常，“0”表示心理状态非异常，则通过已标记的学生和未标记的学生的特征信息和学生之间的关系获得融合后的节点特征矩阵，从而获得未标记的学生的标签，即，“1”为心理状态异常，“0”为心理状态非异常。这样，能够同时获取多个学生的心理状态，并且提高了获得学生心理状态的准确率。

在一些实施例中，获取已标记学生的特征信息和学生之间的关系进行图神经网络训练，获得心理状态识别模型，通过心理状态识别模型对未标记的学生的心理状态进行识别。

可选地，获取已标记的学生连续T天的特征信息，例如：学生的基本信息包括：学号、姓名、性别、院系、班级、寝室号、生源地、家庭成员、奖助贷情况；学生的课程信息包括：组别、课程编号、课程成绩；学生的社团信息包括：社团俱乐部编号、部门、职位；学生的消费信息包括：消费时间、消费金额、消费地点或刷卡机编号；学生的门禁信息包括：刷卡时间和刷卡机编号；学生的上网信息包括：上网时长、每天上网总时长、联网次数、物理IP；以每个学生的特征信息为单位作为一个第一节点v，学生之间的关系当作第一边e；获得图G，G＝(V,E)，其中，V为所有第一节点的集合，v∈V，E为所有学生之间的关系的集合，e∈E。

通过计算H＝(H¹,H²,...,H^t,...,H^T)获得T时间内所有第一节点的特征向量集合H；

其中，H为T时间内所有第一节点特征向量集合，H∈R^|V|×F×T，H^t为第t天第一节点特征向量集合，H^t∈R^|V|×F，|V|为第一节点总数，F为每个第一节点的特征维度；t＝1,2,...,T。

可选地，对T时间内所有第一节点特征向量集合H在时间维度上进行整合，通过计算获得初始第一节点特征矩阵X⁽⁰⁾；

其中，X⁽⁰⁾为初始第一节点特征矩阵；X⁽⁰⁾∈R^|V|×F，h^t为第t天的时间分数，度量每一天时间对获取初始第一节点特征矩阵的影响程度；θ₃是GRU参数；GRU(·)表示对每个节点i的第一节点特征向量H_i用共享的GRU层，H_i∈R^1×F×T，i＝1,2,...,|V|。

通过计算h＝σ(θ₂δ(θ₁y))获得时间分数h，则第t天的时间分数h^t，h^t∈h；

其中，h为时间分数，δ为ReLU(线性整流函数，Rectified Linear Unit)集合激活函数，σ为sigmoid激活函数，θ₁，θ₂都为对应权重；y为平均特征向量集合。

通过计算获得第t天的平均特征向量y^t；

其中，y^t∈y，获得平均特征向量集合y；其中，H_i ^t为第t天第i个第一节点特征向量，i＝1,2,...,|V|，t＝1,2,...,T。

对于学生在时间维度上历史特征信息，通过GRU合并到一个时间维度，并通过时间分数度量每一天对获取初始第一节点特征矩阵的影响程度，从而获得更加准确的初始第一节点特征矩阵。

可选地，获取学生之间的关系，例如同班同学或同寝室关系关系，获得同班同学关系图G_Me，G_Me＝(V,E_Me)，其中，E_Me为同班同学关系的集合；或者，课程组队关系，获得课程组队关系图G_Tm，G_Tm＝(V,E_Tm)，其中，E_Tm为课程组队关系的集合；或者，社团关系，获得社团关系图G_Cb，G_Cb＝(V,E_Cb)，其中，E_Cb为社团关系的集合。

当学生之间的关系为同班同学或者同室友关系时，

通过计算获得包含同班同学或同寝室关系的第一邻接矩阵A_Me，例如：/>

其中，v_i为第i个第一节点，v_j为第j个第一节点。

当学生之间的关系为课程组队关系时，

通过计算获得包含课程组队关系的第一邻接矩阵A_Tm；例如：/>

其中，P_Tm表示v_i和v_j课程协作率，P_Tm∈[0,1]。

当学生之间的关系为社团关系时，

通过计算获得社团关系的第一邻接矩阵A_Cb，例如：

可选地，将初始第一节点特征矩阵X⁽⁰⁾和第一邻接矩阵集合A输入图神经网络进行训练，得到心理状态识别模型。

通过计算：获得第一节点特征矩阵X^(l+1)；

其中，X^(l+1)为l+1层第一节点特征矩阵，X^(l)为l层第一节点特征矩阵，为l层第一节点中可训练转换矩阵，/>R为实数矩阵，F_l为该实数矩阵的行，F_l+1为该实数矩阵的列；A_k为第一邻接矩阵，A为第一邻接矩阵集合，A＝{A_Me,A_Tm,A_Cb}，σ为激活函数，agg(·)为聚合函数，f_GNN为图神经网络消息传播函数，l为自然数。

可选地，f_GNN可以表示为

其中，为加了自连接的第一邻接矩阵，/>I为单位矩阵；/>为加了自连接的第一度矩阵，/>i为/>的行，q为/>的列；/>是图神经网络中第l层第一节点中可训练的转换矩阵。一个完整的GNN模块需要经过L次迭代生成最终的节点特征矩阵。可选地，L的取值范围为2～6。可选地，图神经网络消息传播函数f_GNN可以表示为GNN(A,X)。

在一些实施例中，将学生之间的关系，即第一节点之间的关系作为第二节点，将第一边之间的关系作为第二边，构建一个新的图G_r，G_r＝(V_r,E_r)，并融合进原来的图中加以训练，可以得到相关性更强的图；其中，V_r为第二节点集合，E_r为第二边集合。

通过计算获得第二邻接矩阵A_r,k；

其中，D(i)为第一节点i的度，s为第一节点度的标准差，A_r,k∈A_r，A_r＝{A_r,Me,A_r,Tm,A_r,Cb}。

可选地，根据包含同班同学或同寝室关系的第一边之间的关系的第二边获得对应的第二邻接矩阵A_r,Me；或者，根据包含课程组队关系的第一边之间的关系的第二边获得对应的第二邻接矩阵A_r,Tm；或者，根据包含社团关系的第一边之间的关系的第二边获得对应的第二邻接矩阵A_r,Cb。

可选地，通过计算，获得初始第二节点特征矩阵；

其中，B为关联矩阵，B∈R^|V|×|E|，E为学生之间的关系集合，为初始第二节点特征矩阵，/>|V_r|为第二节点总数，F_r为每个第二节点的特征维度；θ₄为可训练的转换矩阵，θ₄∈R^F×F。

然后，通过计算：获得第二节点特征矩阵；

其中，其中，X_r ^(l+1)为l+1层第二节点特征矩阵，X_r ^(l)为l层第二节点特征矩阵，为l层第二节点中是可训练的转换矩阵，A_r,k为第二邻接矩阵，A_r为第二邻接矩阵集合，A_r＝{A_r,Me,A_r,Tm,A_r,Cb}，σ为激活函数，agg(·)为聚合函数，f_GNN为图神经网络消息传播函数，l为自然数。

可选地，将第一节点特征矩阵和第二节点特征矩阵进行融合，得到融合后的节点特征矩阵；

可选地，通过计算获得融合后的节点特征矩阵X_fr ^(l)。

其中，X_fr ^(l)为融合后的节点特征矩阵，X^(l)为l层第一节点特征矩阵，X_r ^(l)为l层第二节点特征矩阵，为l层第一节点中可训练转换矩阵，A_k为第一邻接矩阵，A为第一邻接矩阵集合，A＝{A_Me,A_Tm,A_Cb}，σ为激活函数，agg(·)为聚合函数，f_GNN为图神经网络消息传播函数，l为自然数，[·,·]是concatenation拼接操作，B为关联矩阵。可选地，在图神经网络传播过程中，将融合后的节点特征矩阵X_fr ^(l)作为第l+1层的第一节点特征矩阵X^(l+1)。

这样，通过将学生之间的关系作为第二节点，第一边之间的关系作为第二边，加入到图神经网络的训练，能够得到相关性更强悍的图。且将第一节点特征矩阵和第二节点特征矩阵进行融合，得到融合后的节点特征矩阵；从而得到准确率更高的心理状态识别模型。

在一些实施例中，在训练的过程中，由于节点过多，在进行反向传播的过程中容易过拟合和梯度消失，其中，节点包括第一节点和第二节点。

通过计算获得更新后的节点特征矩阵/>和邻接矩阵/>

其中，为更新后的邻接矩阵，邻接矩阵包括第一邻接矩阵和第二邻接矩阵；为更新后的节点特征矩阵，节点特征包括第一节点特征矩阵和第二节点特征矩阵；p为待选择的节点个数，idx为选择的p个节点的位置信息，rank(·,·)为排序函数，⊙为哈达玛乘积符号，tanh为激活函数，f_GNN为图神经网络消息传播函数，A_sum＝A_Me+A_Tm+A_Cb+A_r,Me+A_r,Tm+A_r,Cb，/>为的可训练参数，/>

可选地，对于每层数据通过计算获得更新后的节点特征矩阵和邻接矩阵。

其中，为l层更新后的节点特征矩阵，X^(l+1)为第l+1层第一节点特征矩阵，为l层更新后的第一邻接矩阵，/>为第l+1层的第一邻接矩阵，/>为l层更新后的第二邻接矩阵，/>为第l+1层的第二邻接矩阵，/>为第l+1层更新的邻接矩阵和。

可选地，图神经网络消息传播函数f_GNN可以表示为GNN(A+A²,X)，能够促进节点与二阶邻居节点之间的相关性。

这样，通过对节点特征矩阵和邻接矩阵进行更新，可以减少节点的数量，能够粗化图的结构，提高模型的泛化能力，防止过拟合和梯度消失。并且，上述公开实施例提供的方法是分层更新，可以伴随图神经网络的每一层训练，能更进一步提高模型的泛化能力，防止过拟合和梯度消失。

在一些实施例中，已知标签“1”表示异常，“0”表示非异常，对没有标记的学生，获取特征信息和学生之间的关系，输入到心理状态识别模型后得到节点特征矩阵，从而获取学生的标签，即“1”为异常，“0”为非异常。通过图神经网络对学生进行分类，能够识别出学生的心理状态，同时，考虑了学生之间的关系，从而进一步提高了获得学生心理状态的准确率。能够更加准确的定位心理异常的学生，能够减少辅导员和老师的工作量，便于辅导员和老师对心理异常的学生及时采取措施对其进行关怀和引导。

结合图2所示，本公开实施例提供一种用于学生心理状态识别的装置，包括处理器(processor)100和存储有程序指令的存储器(memory)101。可选地，该装置还可以包括通信接口(Communication Interface)102和总线103。其中，处理器100、通信接口102、存储器101可以通过总线103完成相互间的通信。通信接口102可以用于信息传输。处理器100可以调用存储器101中的程序指令，以执行上述实施例的用于学生心理状态识别的方法。

此外，上述的存储器101中的程序指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

存储器101作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器100通过运行存储在存储器101中的程序指令/模块，从而执行功能应用以及数据处理，即实现上述实施例中用于学生心理状态识别的方法。

存储器101可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器101可以包括高速随机存取存储器，还可以包括非易失性存储器。

采用本公开实施例提供的用于学生心理状态识别的装置，能够根据待测学生特征信息和待测学生之间的关系来识别待测学生的心理状态，通过考虑了学生之间的关系，从而提高了对学生的心理状态识别的准确率。

本公开实施例提供了一种计算机，包含上述的用于学生心理状态识别的装置。该设备能够根据待测学生特征信息和待测学生之间的关系来识别待测学生的心理状态，通过考虑了学生之间的关系，从而提高了对学生的心理状态识别的准确率。

本公开实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为执行上述用于学生心理状态识别的方法。

本公开实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述用于学生心理状态识别的方法。

上述的计算机可读存储介质可以是暂态计算机可读存储介质，也可以是非暂态计算机可读存储介质。

本公开实施例的技术方案可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括一个或多个指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质，包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。

以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且，本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地，如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本申请中时，术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。

本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本文所披露的实施例中，所揭露的方法、产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，可以仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外，在本公开实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

Claims (5)

1.一种用于学生心理状态识别的方法，其特征在于，包括：

获取待测学生特征信息和待测学生之间的关系；

根据所述待测学生特征信息和待测学生之间的关系识别出待测学生的心理状态；

所述根据所述待测学生特征信息和待测学生之间的关系识别出待测学生的心理状态，包括：

将待测学生特征信息和待测学生之间的关系输入心理状态识别模型进行识别，获得待测学生的心理状态；其中，待测学生为没有标记的学生；

心理状态识别模型通过以下方式获取：获取已标记的学生特征信息和已标记的学生之间的关系；将已标记的学生特征信息和已标记的学生之间的关系输入图神经网络进行训练，获得心理状态识别模型；已标记的学生的标签为1或0；其中，1表示心理状态异常，0表示心理状态非异常；

将待测学生特征信息和待测学生之间的关系输入心理状态识别模型进行识别，获得待测学生的心理状态，包括：将所述待测学生之间的关系作为第一边，获得第一邻接矩阵；将所述待测学生特征信息作为第一节点，并根据所述第一邻接矩阵获得第一节点特征矩阵；根据所述第一节点特征矩阵获得所述待测学生的心理状态；

根据所述第一节点特征矩阵获得所述待测学生的心理状态，包括：将所述第一边之间的关系作为第二边，获得第二邻接矩阵；将所述待测学生之间的关系作为第二节点，并根据所述第二邻接矩阵获得第二节点特征矩阵；将所述第一节点特征矩阵和第二节点特征矩阵进行融合，得到融合后的节点特征矩阵；根据所述融合后的节点特征矩阵获得所述待测学生的心理状态；

根据所述融合后的节点特征矩阵获得所述待测学生的心理状态，包括：获取所述融合后的节点特征矩阵中各节点的标签；根据所述融合后的节点特征矩阵中各节点的标签获得所述待测学生的心理状态；

所述待测学生之间的关系包括以下之中的一种或多种：同班同学关系、课程组队关系、社团关系。

2.根据权利要求1所述的方法，其特征在于，所述待测学生特征信息包括以下之中的一种或多种：

待测学生的基本信息、待测学生的课程信息、待测学生的社团信息、待测学生的消费信息、待测学生的门禁信息和待测学生的上网信息。

3.根据权利要求2所述的方法，其特征在于，所述待测学生的基本信息包括以下之中的一种或多种：学号、姓名、性别、院系、班级、寝室号、生源地、家庭成员、奖助贷情况；

所述待测学生的课程信息包括以下之中的一种或多种：组别、课程编号、课程成绩；

所述待测学生的社团信息包括以下之中的一种或多种：社团俱乐部编号、部门、职位；

所述待测学生的消费信息包括以下之中的一种或多种：消费时间、消费金额、消费地点或刷卡机编号；

所述待测学生的门禁信息包括以下之中的一种或多种：刷卡时间和刷卡机编号；

所述待测学生的上网信息包括以下之中的一种或多种：上网时长、每天上网总时长、联网次数、物理IP。

4.一种用于学生心理状态识别的装置，包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在执行所述程序指令时，执行如权利要求1至3任一项所述的用于学生心理状态识别的方法。

5.一种计算机，其特征在于，包括如权利要求4所述的用于学生心理状态识别的装置。