CN112364255A - 基于社交网络的学生风险预警模型建立技术 - Google Patents
基于社交网络的学生风险预警模型建立技术 Download PDFInfo
- Publication number
- CN112364255A CN112364255A CN202011225461.0A CN202011225461A CN112364255A CN 112364255 A CN112364255 A CN 112364255A CN 202011225461 A CN202011225461 A CN 202011225461A CN 112364255 A CN112364255 A CN 112364255A
- Authority
- CN
- China
- Prior art keywords
- students
- early warning
- network
- student
- occurrence
- 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
- 238000005516 engineering process Methods 0.000 title claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000006399 behavior Effects 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 238000009223 counseling Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 17
- 208000019901 Anxiety disease Diseases 0.000 claims description 4
- 206010033864 Paranoia Diseases 0.000 claims description 4
- 208000027099 Paranoid disease Diseases 0.000 claims description 4
- 230000036506 anxiety Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 206010028403 Mutism Diseases 0.000 claims description 2
- 206010041243 Social avoidant behaviour Diseases 0.000 claims description 2
- 230000009323 psychological health Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 12
- 239000013598 vector Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004630 mental health Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 206010010144 Completed suicide Diseases 0.000 description 1
- 206010010219 Compulsions Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000020411 cell activation Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000004884 risky behavior Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Child & Adolescent Psychology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于社交网络的学生风险预警模型建立技术，基于社交网络的学生风险预警模型建立技术，首先对获取学生的行为及心理数据，并进行数据预处理和特征提取；然后将得到的数据进行特征选择并进行划分，其中的三分之二进行预训练，并建立学生的共现网络；在得到共现网络后进行特征融合，得到学生风险预警模型的输入；最后，将共现网络与时间循环神经网络进行融合，并融入Attention的机制，来进行学生风险预测。本发明实现学生风险预测，并对高校教育者发出预警信息，为高校提供学生的学业成绩预警、学习生活指导与建议、心理辅导等服务，可以帮助老师更好的了解学生。
Description
技术领域
本发明涉及数据挖掘处理技术领域，尤其涉及基于社交网络的学生风险预警模型建立技术。
背景技术
高校教育者每年都会因学生出现的学业表现不佳以及由于心理疾病而导致的自杀等风险行为而感到困惑并寻找其中的内在因素来进行防范。这些风险行为在很大程度上影响学生的毕业，求职，甚至未来的发展。有一些传统方法可以根据不同来源的信息来预测学生的学习成绩以及心理疾病，例如学生的自我报告，从智能手机获得的行为数据、调查问卷等。其中学生的心理以及行为表现是导致这些风险行为的关键。然而，很少有研究考虑社交影响对学业表现以及社交与心理因素之间的交互影响。
而我们利用学生在校的共现关系来建立社交网络可以挖掘社交影响的内在因素，其中共现关系的强弱正好可以代表社交关系的强弱，弥补了无法以社交媒体建立学生社交网络的不足。通过对在校大学生的校园一卡通数据(学业、生活、心理)进行挖掘，研究学生的学业表现与行为活动(社交)之间的关联，建立学生的学生画像，为高校提供学生的学业成绩预警、学习生活指导与建议、心理辅导等服务，可以帮助老师更好的了解学生。
发明内容
本发明的目的在于提供基于社交网络的学生风险预警模型建立技术，实现挖掘出心理特征是否与社交关系共同影响学业成绩，因为心理特征属于学生的内在表现(静态因素)，社交行为属于外在表现(动态因素)，从而得出心理因素能够影响学生的社交行为从而影响学生最后的学业表现，并通过学生的心理测评指标来进行学生的各个心理维度(焦虑、自卑、社交攻击、社交退缩、偏执、冲动等)与抑郁之间的相关性证明，来挖掘抑郁症学生背后的患病因素，从而指导高校工作者对学生进行及时的心理疏导。
为了实现上述目的，本发明采用了如下技术方案：基于社交网络的学生风险预警模型建立技术，包括以下步骤：
S101：获取学生的行为及心理数据，并进行数据预处理和特征提取；
S102：对提取特征后的数据进行划分，建立学生的共现网络；
S103：在共现网络中进行特征融合，得到学生风险预警模型的输入；
S104：将共现网络与时间循环神经网络进行融合，进行学生风险预警。
作为上述技术方案的进一步描述：
所述步骤S101获取学生的行为及心理数据，并进行数据预处理和特征提取的具体方法包括以下步骤：
S1.1：采集一个学期内的学生在校一卡通数据并对ID进行加密，同时根据学生的刷卡地点对数据集进行分类；
S1.2：采集学生在校时的班级、宿舍等心理来作为社交关系的特征；
S1.3：采集一学期内学生的心理测评数据，提取学生心理特征。
作为上述技术方案的进一步描述：
所述学生心理特征有：焦虑、抑郁、自卑、偏执、强迫、依赖、社交攻击、社交退缩等共33个维度。
作为上述技术方案的进一步描述：
所述所述步骤S102对提取特征后的数据进行划分，建立学生的共现网络，具体方法为：
将步骤S101获取的三个数据集提取到的特征进行融合并将其中三分之二的数据用作训练集，且按照共现地点的数量建立不同地点的共现网络，其中共现网络的权重按照当前地点学生的共现频率来计算，同时建立一个随机共现网络来对学生的共现权重进行筛选，最终得到能够代表真实社交关系的共现网络。
作为上述技术方案的进一步描述：
所述步骤S103在共现网络中进行特征融合，得到学生风险预警模型的输入，具体方法为：
融合学生的行为信息以及心理特征并利用一个多层的图卷积神经网络，每一个卷积层仅处理一阶邻域信息，通过叠加若干卷积层可以实现多阶邻域的信息传递，最终得到后续模型的输入。
作为上述技术方案的进一步描述：
所述步骤S104将共现网络与时间循环神经网络进行融合，进行学生风险预警，具体方法为：
利用基于Attention机制的长短期人工记忆神经网络进行最后的学生学业预测以及心理健康预测，最终来进行学生风险预测，并对高校教育者发出预警信息，为高校提供学生的学业成绩预警、学习生活指导与建议、心理辅导等服务，可以帮助老师更好的了解学生的学校生活状况。
本发明提供了基于社交网络的学生风险预警模型建立技术。具备以下有益效果：
该基于社交网络的学生风险预警模型建立技术首先对获取学生的行为及心理数据进行预处理和特征提取；然后将得到的数据集的三分之二进行预训练，得到共现网络；其次在共现网络中进行特征融合，利用图表示学习算法得到到学生风险预警模型的输入；最后将共现网络与时间循环神经网络进行融合，并加入Attention机制来分析社交关系以及心理因素对于学生异常行为的影响程度，提高了学生风险预警的可解释性，为高校教育工作者的决策提供了更好的指导。
附图说明
图1为本发明提出的基于社交网络的学生风险预警模型建立技术的步骤示意图；
图2为本发明中共现网络架构示意图；
图3为本发明中学生风险预警模型架构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
参照图1-3，基于社交网络的学生风险预警模型建立技术，包括：
S101：获取学生的行为及心理数据，并进行数据预处理和特征提取。
具体的，采集一个学期内的学生在校一卡通数据并对ID进行加密，同时根据学生的刷卡地点对数据集进行分类，因为要保护隐私性，所以先对学生的个人ID进行加密，其次数据集中包含的特征较多我们需要提取建立共现网络需要的特征，例如ID、、POS号、刷卡次数、刷卡部门、刷卡起始时间、刷卡结束时间。其次，针对于刷POS号进行独热编码来代表学生去过的地点，最后计算出刷卡时间差即可得到当前学生在某个地点滞留的时间；采集一学期内学生的心理测评数据，其中提取心理特征有：焦虑、抑郁、自卑、偏执、强迫、依赖、社交攻击、社交退缩等共33个维度，这些测评指标的分数由0-100不等并根据心理测评问卷给出，除此之外还包含当前测评学生的基础信息，例如家庭所在地(农村、城镇、城市)，因为考虑到学生的生活环境也会影响其行为，我们对其进行独热编码并纳入学生风险计算的特征当中；采集学生在校时的院系、专业、班级来作为社交关系的特征，因为这些可以直接体现学生之间的社交联系，其次也将学生的家庭年收入纳入特征当中。最终对上述三个数据集进行完特征提取按照学生进行特征拼接，方便之后共现网络的建立。
S102：对提取特征后的数据进行划分，建立学生的共现网络。
具体的，将上述三个数据集提取到的特征进行融合并将其中三分之二的数据用作训练集，根据学生常去的地点划分为不同的共现网络(食堂、宿舍、图书馆、教学楼、超市、浴室)，在不同地点的共现关系强弱所体现的社交关系对于学生的学业表现和心理健康的影响都不一样，所以给每个地点都赋予一个权重系数α，通过学习得到。其中共现频率的计算间隔设定为1min，首先在建立共现网络时首先随机打乱时间戳来计算一个随机共现网络，然后取学生之间共现关系的阈值为随机情况的平均共现频率加二倍标准差来筛选真实数据的共现频率来建立最终的共现网络，此做法能保证我们建立的共现网络能够保留真实的朋友关系，从而剔除随机情况下的伪朋友关系。在共现网络中，学生i与学生j之间的社交关系强弱系数(网络边数)定义为
L为地点的数量，N(i)为学生i在地点k的朋友(存在边的关系)，
为学生i和学生j在地点k的共现频率。
S103：在共现网络中进行特征融合，得到学生风险预警模型的输入。
具体的，如图2所提供的共现网络架构图所示，因为我们要体现现实生活中的社交关系，所以图中的学生节点还包含多个属性信息，如心理信息，所以我们利用GCN算法，可以通过多层的图卷积神经网络，每一个卷积层仅处理一阶邻域信息，通过叠加若干卷积层可以实现多阶邻域的信息传递，来实现对共现网络中的节点进行游走采样进而学习到图中的顶点的相似性，来达到对网络的拓扑结构进行向量表示的目的,首先在进行信息传播的时候顶点自身的特征信息也得到保留，在共现网络中的邻接矩阵加入自连接(单位矩阵IN)，即
其次为了在信息传递过程中保持特征矩阵H的原有分布，方式一些度数高的顶点和度数低的顶点在特征分布上产生较大的差异，要对邻接矩阵进行归一化操作
其中
是
的度矩阵，即
最终我们定义每一个卷积层的传播规则为：
H(l)是第I层的单元激活矩阵，即H(0)＝X，W(l)是每一层的参数矩阵，GCN的每一层通过邻接矩阵A和特征矩阵H(l)相乘得到每个顶点邻居特征的汇总，然后再与参数最后加矩阵上激活W(l)相乘并最后加上激活函数σ做一次非线性变换得到聚合邻接顶点特征的矩阵H(l+1)。得到共现网络中顶点的向量表示以后，我们对学生的特征编码为Behavior Vector进行特征融合，最终得到学生风险预警模型的输入。
S104：将共现网络与时间循环神经网络进行融合，进行学生风险预警。
具体的，如图3所提供的风险预警模型架构图所示，利用基于Attention机制的长短期人工记忆神经网络进行最后的学生学业预测以及心理健康预测，选取一个学生在不同共现网络中的向量表示并与Behavior Vector融合后的向量xit＝Bsit,t∈[1,L]，其中B表示Behavior Vector形成的特征矩阵，L表示共现网络的个数，最终得到模型的输入。得到模型输入后首先使用长短期人工记忆神经网络编码每个输入sit的隐含向量：
之后通过在长短期人工记忆神经网络后加入一个多层感知机来获取隐含表示：uit＝tanh(Wwhit+bw)，并通过一个SOFTMAX函数获取归一化的权重来实现Attention：
最终通过每个输入获取的隐含表示与对应权重αit相乘，得到输出向量
用于预测目标并进行学生风险行为因素的分析。
在做学业预警分析时，考虑到社交因素对于学业成绩的影响性，我们认为社交关系较强的朋友之间也会相护影响学业表现，最终根据我们的预测结果，我们计算朋友之间和非朋友之间学业表现的相似性来检验社会影响对学习成绩的显著影响，针对于一个共现网络来说，我们定义某个学生i在当前网络N中学业表现的相似性为：
其中sim(i,j)＝|pi-pj|用来计算学生i与学生j之间的学业表现相似性，针对于每个学生i，计算两种相似性SF(i)和SNF(i)，分别代表学生i与其朋友之间的相似性以及与非朋友(在共现网络中进行Bootstrap Sample)之间的相似性，其中当p-value＜0.0001表示当前学生在其社交网络中社交关系对于学业表现具有较高的影响。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料过着特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1.基于社交网络的学生风险预警模型建立技术，其特征在于，包括以下步骤：
S101：获取学生的行为及心理数据，并进行数据预处理和特征提取；
S102：对提取特征后的数据进行划分，建立学生的共现网络；
S103：在共现网络中进行特征融合，得到学生风险预警模型的输入；
S104：将共现网络与时间循环神经网络进行融合，进行学生风险预警。
2.根据权利要求1所述的基于社交网络的学生风险预警模型建立技术，其特征在于，所述步骤S101获取学生的行为及心理数据，并进行数据预处理和特征提取的具体方法包括以下步骤：
S1.1：采集一个学期内的学生在校一卡通数据并对ID进行加密，同时根据学生的刷卡地点对数据集进行分类；
S1.2：采集学生在校时的班级、宿舍等心理来作为社交关系的特征；
S1.3：采集一学期内学生的心理测评数据，提取学生心理特征。
3.根据权利要求2所述的基于社交网络的学生风险预警模型建立技术，其特征在于，所述学生心理特征有：焦虑、抑郁、自卑、偏执、强迫、依赖、社交攻击、社交退缩等共33个维度。
4.根据权利要求1所述的基于社交网络的学生风险预警模型建立技术，其特征在于，所述所述步骤S102对提取特征后的数据进行划分，建立学生的共现网络，具体方法为：
将步骤S101获取的三个数据集提取到的特征进行融合并将其中三分之二的数据用作训练集，且按照共现地点的数量建立不同地点的共现网络，其中共现网络的权重按照当前地点学生的共现频率来计算，同时建立一个随机共现网络来对学生的共现权重进行筛选，最终得到能够代表真实社交关系的共现网络。
5.根据权利要求1所述的基于社交网络的学生风险预警模型建立技术，其特征在于，所述步骤S103在共现网络中进行特征融合，得到学生风险预警模型的输入，具体方法为：
融合学生的行为信息以及心理特征并利用一个多层的图卷积神经网络，每一个卷积层仅处理一阶邻域信息，通过叠加若干卷积层可以实现多阶邻域的信息传递，最终得到后续模型的输入。
6.根据权利要求1所述的基于社交网络的学生风险预警模型建立技术，其特征在于，所述步骤S104将共现网络与时间循环神经网络进行融合，进行学生风险预警，具体方法为：
利用基于Attention机制的长短期人工记忆神经网络进行最后的学生学业预测以及心理健康预测，最终来进行学生风险预测，并对高校教育者发出预警信息，为高校提供学生的学业成绩预警、学习生活指导与建议、心理辅导等服务，可以帮助老师更好的了解学生的学校生活状况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011225461.0A CN112364255A (zh) | 2020-11-05 | 2020-11-05 | 基于社交网络的学生风险预警模型建立技术 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011225461.0A CN112364255A (zh) | 2020-11-05 | 2020-11-05 | 基于社交网络的学生风险预警模型建立技术 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112364255A true CN112364255A (zh) | 2021-02-12 |
Family
ID=74508754
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011225461.0A Pending CN112364255A (zh) | 2020-11-05 | 2020-11-05 | 基于社交网络的学生风险预警模型建立技术 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112364255A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113326764A (zh) * | 2021-05-27 | 2021-08-31 | 北京百度网讯科技有限公司 | 训练图像识别模型和图像识别的方法和装置 |
| CN113393017A (zh) * | 2021-05-07 | 2021-09-14 | 浙江警官职业学院 | 一种基于个体复杂关系的监管场所安全预警方法及装置 |
| CN114493058A (zh) * | 2022-04-18 | 2022-05-13 | 杭州远传新业科技有限公司 | 多通道信息特征融合的学业预警方法、系统、装置和介质 |
| CN114742238A (zh) * | 2022-06-14 | 2022-07-12 | 四川省郫县豆瓣股份有限公司 | 豆瓣酱的原料筛选方法、装置、设备及介质 |
| CN115204496A (zh) * | 2022-07-18 | 2022-10-18 | 云启智慧科技有限公司 | 一种校园人际关系数据分析方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260514A (zh) * | 2020-01-14 | 2020-06-09 | 华中师范大学 | 一种基于校园大数据的学生成绩预测方法 |
| CN111341418A (zh) * | 2020-02-25 | 2020-06-26 | 成都寻道科技有限公司 | 一种根据社交网络评估学生心理的方法、系统及装置 |
| CN111402095A (zh) * | 2020-03-23 | 2020-07-10 | 温州医科大学 | 一种基于同态加密联邦学习来检测学生行为与心理的方法 |
| CN111523738A (zh) * | 2020-06-22 | 2020-08-11 | 之江实验室 | 基于用户在线学习行为模式预测学习效果的系统及预测方法 |
| CN111709575A (zh) * | 2020-06-16 | 2020-09-25 | 北京工业大学 | 基于c-lstm的学业成绩预测方法 |
-
2020
- 2020-11-05 CN CN202011225461.0A patent/CN112364255A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260514A (zh) * | 2020-01-14 | 2020-06-09 | 华中师范大学 | 一种基于校园大数据的学生成绩预测方法 |
| CN111341418A (zh) * | 2020-02-25 | 2020-06-26 | 成都寻道科技有限公司 | 一种根据社交网络评估学生心理的方法、系统及装置 |
| CN111402095A (zh) * | 2020-03-23 | 2020-07-10 | 温州医科大学 | 一种基于同态加密联邦学习来检测学生行为与心理的方法 |
| CN111709575A (zh) * | 2020-06-16 | 2020-09-25 | 北京工业大学 | 基于c-lstm的学业成绩预测方法 |
| CN111523738A (zh) * | 2020-06-22 | 2020-08-11 | 之江实验室 | 基于用户在线学习行为模式预测学习效果的系统及预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| CHUNYOU ZHANG,XIAOQIANG WU,ET AL: "Attribute-Aware Graph Recurrent Networks for Scholarly Friend Recommendation Based on Internet of Scholars in Scholarly Big Data", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 * |
| 黄涛，王一岩，等: "智能教育场域中的学习者建模研究趋向", 《远程教育杂志》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113393017A (zh) * | 2021-05-07 | 2021-09-14 | 浙江警官职业学院 | 一种基于个体复杂关系的监管场所安全预警方法及装置 |
| CN113393017B (zh) * | 2021-05-07 | 2022-08-23 | 浙江警官职业学院 | 一种基于个体复杂关系的监管场所安全预警方法及装置 |
| CN113326764A (zh) * | 2021-05-27 | 2021-08-31 | 北京百度网讯科技有限公司 | 训练图像识别模型和图像识别的方法和装置 |
| CN113326764B (zh) * | 2021-05-27 | 2022-06-07 | 北京百度网讯科技有限公司 | 训练图像识别模型和图像识别的方法和装置 |
| CN114493058A (zh) * | 2022-04-18 | 2022-05-13 | 杭州远传新业科技有限公司 | 多通道信息特征融合的学业预警方法、系统、装置和介质 |
| CN114742238A (zh) * | 2022-06-14 | 2022-07-12 | 四川省郫县豆瓣股份有限公司 | 豆瓣酱的原料筛选方法、装置、设备及介质 |
| CN114742238B (zh) * | 2022-06-14 | 2022-09-09 | 四川省郫县豆瓣股份有限公司 | 豆瓣酱的原料筛选方法、装置、设备及介质 |
| CN115204496A (zh) * | 2022-07-18 | 2022-10-18 | 云启智慧科技有限公司 | 一种校园人际关系数据分析方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sit et al. | Identifying disaster-related tweets and their semantic, spatial and temporal context using deep learning, natural language processing and spatial analysis: a case study of Hurricane Irma | |
| CN112364255A (zh) | 基于社交网络的学生风险预警模型建立技术 | |
| Kavak et al. | Big data, agents, and machine learning: towards a data-driven agent-based modeling approach | |
| Andresen | Estimating the probability of local crime clusters: The impact of immediate spatial neighbors | |
| Haining et al. | Regression Modelling Wih Spatial and Spatial-Temporal Data: A Bayesian Approach | |
| Nejat et al. | Agent‐based modeling of behavioral housing recovery following disasters | |
| Maharani et al. | Social vulnerability at a local level around the Merapi volcano | |
| Ebrahimian Ghajari et al. | Spatial modelling of urban physical vulnerability to explosion hazards using GIS and fuzzy MCDA | |
| He et al. | Simultaneously simulate vertical and horizontal expansions of a future urban landscape: A case study in Wuhan, Central China | |
| Kocabas et al. | Enhancing a GIS cellular automata model of land use change: Bayesian networks, influence diagrams and causality | |
| Chaudhury et al. | An empirical study on attribute selection of student performance prediction model | |
| Pramanik et al. | Forecasting urban sprawl in Dhaka city of Bangladesh | |
| D'Orazio et al. | Kickoff to conflict: A sequence analysis of intra-state conflict-preceding event structures | |
| Yang | Computational verb decision trees | |
| Bouzidi et al. | Towards a smart interface-based automated learning environment through social media for disaster management and smart disaster education | |
| Fan et al. | Neural embeddings of urban big data reveal emergent structures in cities | |
| Al-Ahmadi et al. | A fuzzy cellular automata urban growth model (FCAUGM) for the city of Riyadh, Saudi Arabia. Part 1: Model structure and validation | |
| Maqsoom et al. | An integrated approach based earthquake risk assessment of a seismically active and rapidly urbanizing area in Northern Pakistan | |
| Subasinghe et al. | Real-time mapping of natural disasters using citizen update streams | |
| Kaur et al. | ICT in disaster management context: A descriptive and critical review | |
| Rossy et al. | The contribution of forensic science to the analysis of crime networks | |
| Makropoulos et al. | A neurofuzzy spatial decision support system for pipe replacement prioritisation | |
| Crokidakis et al. | Questions of science: chatting with ChatGPT about complex systems | |
| Cilliers et al. | A framework for modelling spatio-temporal informal settlement growth prediction | |
| Kumar et al. | An Adaptive Deep Learning Model to Forecast Crimes |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210212 |
|
| RJ01 | Rejection of invention patent application after publication |