CN114493058A - 多通道信息特征融合的学业预警方法、系统、装置和介质 - Google Patents

多通道信息特征融合的学业预警方法、系统、装置和介质 Download PDF

Info

Publication number
CN114493058A
CN114493058A CN202210405505.0A CN202210405505A CN114493058A CN 114493058 A CN114493058 A CN 114493058A CN 202210405505 A CN202210405505 A CN 202210405505A CN 114493058 A CN114493058 A CN 114493058A
Authority
CN
China
Prior art keywords
academic
information
early warning
fusion
type
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.)
Granted
Application number
CN202210405505.0A
Other languages
English (en)
Other versions
CN114493058B (zh
Inventor
嵇望
安毫亿
梁青
陈默
王伟凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Yuanchuan New Technology Co ltd
Original Assignee
Hangzhou Yuanchuan New Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Yuanchuan New Technology Co ltd filed Critical Hangzhou Yuanchuan New Technology Co ltd
Priority to CN202210405505.0A priority Critical patent/CN114493058B/zh
Publication of CN114493058A publication Critical patent/CN114493058A/zh
Application granted granted Critical
Publication of CN114493058B publication Critical patent/CN114493058B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种多通道信息特征融合的学业预警方法、系统、装置和介质，其中，该方法包括：对学生的多类型行为信息进行预设编码，得到多类型行为信息的各个类型的向量化表示，并通过卷积神经网络提取的抽象特征，再获取抽象特征的注意力机制表示；将注意力机制表示进行融合，得到多类型行为信息的融合特征；设置预测周期，根据以预测周期为间隔的连续时序上的融合特征，通过长短期记忆网络作出序列化的学业预警。通过本申请，解决了现有学业预警方法的预测精准率低的问题。实现了多通道学生行为信息特征融合的学业预警，利用长短期记忆网络来强化时序特征信息获取能力，使用注意力机制来融合多类型特征，提升学生学业预警的准确度。

Description

多通道信息特征融合的学业预警方法、系统、装置和介质
技术领域
本申请涉及机器学习领域，特别是涉及一种多通道信息特征融合的学业预警方法、系统、装置和介质。
背景技术
在大数据时代背景下，教育数据挖掘运用在教育心理学、计算机科学和统计学等多个学科的理论和技术来发现和解决教育研究、教学实践中的各种问题，通过对学生学习成绩、作息轨迹等数据的搜集对其未来的学业情况进行预测，目前常用的方法有机器学习方法比如：支持向量机、贝叶斯等，集成学习的方法比如：xgboost、随机森林、LightGBM等，此外还有神经网络的方法比如：卷积神经网络、循环神经网络等，但是这些方法都没有考虑到学生行为轨迹，学业成绩以及消费数据的时序性规律和周期性变化，而且这些方法考虑的特征维度有所欠缺。
目前针对相关技术中现有学业预警方法的预测精准率低的问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种多通道信息特征融合的学业预警方法、系统、装置和介质，以至少解决相关技术中现有学业预警方法的预测精准率低的问题。
第一方面，本申请实施例提供了一种多通道信息特征融合的学业预警方法，所述方法包括：
对学生的多类型行为信息进行预设编码，得到所述多类型行为信息的各个类型的向量化表示；
根据所述向量化表示，通过卷积神经网络提取得到所述多类型行为信息的各个类型的抽象特征；
根据注意力机制，获取所述各个类型的抽象特征对应的注意力机制表示；
通过融合算法将所述各个类型的注意力机制表示进行融合，得到所述多类型行为信息的融合特征；
设置预测周期，根据以所述预测周期为间隔的连续时序上的融合特征，通过长短期记忆网络作出序列化的学业预警。
在其中一些实施例中，所述多类型行为信息包括学业成绩信息、消费情况信息和常时轨迹信息；
对学生的多类型行为信息进行预设编码，得到所述多类型行为信息的各个类型的向量化表示包括：
分别对学生的学业成绩信息和消费情况信息进行word2vec编码，得到所述学业成绩信息和消费情况信息的向量化表示；
对学生的常时轨迹信息进行one-hot编码，得到所述常时轨迹信息的向量化表示。
在其中一些实施例中，根据所述向量化表示，通过卷积神经网络提取得到所述多类型行为信息的各个类型的抽象特征包括：
通过卷积神经网络分别对学业成绩信息、消费情况信息和常时轨迹信息的向量化表示进行卷积操作和池化操作，提取得到学业成绩特征、消费情况特征和常时轨迹特征。
在其中一些实施例中，通过融合算法将所述各个类型的注意力机制表示进行融合，得到所述多类型行为信息的融合特征包括：
通过融合算法公式
Figure DEST_PATH_IMAGE001
将学业成绩特征、 消费情况特征和常时轨迹特征的注意力机制表示进行融合，得到融合特征，其中，
Figure 46017DEST_PATH_IMAGE002
和
Figure DEST_PATH_IMAGE003
分别为所述学业成绩特征的注意力机制表示和映射矩阵，
Figure 572944DEST_PATH_IMAGE004
和
Figure DEST_PATH_IMAGE005
分别为所述常 时轨迹特征的注意力机制表示和映射矩阵，
Figure 726583DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE007
分别为所述消费情况特征的注意力 机制表示和映射矩阵。
在其中一些实施例中，设置预测周期，根据以所述预测周期为间隔的连续时序上的融合特征，通过长短期记忆网络作出序列化的学业预警包括：
设置以日作为预测周期，根据连续时序上前一日的状态值和当前日的融合特征，通过长短期记忆网络LSTM结合softmax函数预测所述当前日的学业标签；
根据所述学业标签作出对所述学生的学业预警。
在其中一些实施例中，在进行学业预警之前，所述方法还包括：
采用训练集对由所述向量化表示、所述卷积神经网络、所述注意力机制、所述融合算法和所述长短期记忆网络组成的学业预警模型进行训练，基于预设损失函数反向传播更新所述学业预警模型的参数；
采用开发集对所述学业预警模型进行测试，选择预设指标最佳的模型进行保存。
在其中一些实施例中，所述预设损失函数为负对数似然函数，所述预设指标为F1指标。
第二方面，本申请实施例提供了一种多类型信息特征融合的学业预警系统，所述系统包括信息编码模块、特征提取模块、注意力模块、融合模块和预测模块；
所述信息编码模块，用于对学生的多类型行为信息进行预设编码，得到所述多类型行为信息的各个类型的向量化表示；
所述特征提取模块，用于根据所述向量化表示，通过卷积神经网络提取得到所述多类型行为信息的各个类型的抽象特征；
所述注意力模块，用于根据注意力机制，获取所述各个类型的抽象特征对应的注意力机制表示；
所述融合模块，用于通过融合算法将所述各个类型的注意力机制表示进行融合，得到所述多类型行为信息的融合特征；
所述预测模块，用于设置预测周期，根据以所述预测周期为间隔的连续时序上的融合特征，通过长短期记忆网络作出序列化的学业预警。
第三方面，本申请实施例提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的多通道信息特征融合的学业预警方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的多通道信息特征融合的学业预警方法。
相比于相关技术，本申请实施例提供的一种多通道信息特征融合的学业预警方法、系统、装置和介质，对学生的多类型行为信息进行预设编码，得到多类型行为信息的各个类型的向量化表示，并通过卷积神经网络提取的抽象特征，再获取抽象特征的注意力机制表示；通过融合算法将各个类型的注意力机制表示进行融合，得到多类型行为信息的融合特征；设置预测周期，根据以预测周期为间隔的连续时序上的融合特征，通过长短期记忆网络作出序列化的学业预警。解决了现有学业预警方法的预测精准率低的问题，实现了多通道学生行为信息特征融合的学业预警，利用长短期记忆网络来强化时序特征信息获取能力，使用注意力机制来融合多类型特征，提升学生学业预警的准确度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的多通道信息特征融合的学业预警方法的步骤流程图；
图2是根据本申请实施例的学业预警模型的结构示意图；
图3是根据本申请实施例的多通道信息特征融合的学业预警系统的结构框图；
图4是根据本申请实施例的电子设备的内部结构示意图。
附图说明：31、信息编码模块；32、特征提取模块；33、注意力模块；34、融合模块；35、预测模块。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块（单元）的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本申请实施例提供了一种多通道信息特征融合的学业预警方法，图1是根据本申请实施例的多通道信息特征融合的学业预警方法的步骤流程图，如图1所示，该方法包括以下步骤：
步骤S102，对学生的多类型行为信息进行预设编码，得到多类型行为信息的各个类型的向量化表示；
具体地，多类型行为信息包括学业成绩信息、消费情况信息和常时轨迹信息；分别对学生的学业成绩信息和消费情况信息进行word2vec编码，得到学业成绩信息和消费情况信息的向量化表示；对学生的常时轨迹信息进行one-hot编码，得到常时轨迹信息的向量化表示。
优选地，在编码阶段，首先对学业成绩信息和消费情况信息进行word2vec编码，对 常时轨迹信息进行one-hot编码，得到第i天学生的学业成绩信息的向量化表示：
Figure 325054DEST_PATH_IMAGE008
；第i天学生的常时轨迹信息的向量化表示
Figure DEST_PATH_IMAGE009
；第i天 学生的消费情况信息的向量化表示
Figure 280372DEST_PATH_IMAGE010
需要说明的是，学业成绩信息，比如：大考成绩、月考成绩以及平时作业成绩等；常时轨迹信息，比如事件类型（宿舍出入事件、人员出入事件、消费事件、上课签到事件等），发生时间（早餐时间、出寝室时间、入校时间、早上上课时间、午饭时间、下午上课时间、晚饭时间、晚自修时间、出校时间、入寝室时间），进出方向（入、出、无），设备名称（三食堂控制器、2号超市超市3号消费机、1号超市超市2号消费机），其中发生时间可根据作息表生成的固定时间段确定。
步骤S104，根据向量化表示，通过卷积神经网络提取得到多类型行为信息的各个类型的抽象特征；
具体地，通过卷积神经网络分别对学业成绩信息、消费情况信息和常时轨迹信息的向量化表示进行卷积操作和池化操作，提取得到学业成绩特征、消费情况特征和常时轨迹特征。
优选地，使用卷积神经网络分别对这些向量化表示的学生行为数据进行 Convolution和Pooling操作后，得到学业成绩特征、常时轨迹特征和消费情况特征分别为
Figure DEST_PATH_IMAGE011
、
Figure 804632DEST_PATH_IMAGE012
和
Figure DEST_PATH_IMAGE013
步骤S106，根据注意力机制，获取各个类型的抽象特征对应的注意力机制表示；
优选地，根据注意力机制，获取学业成绩特征的注意力机制表示：
Figure 681452DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE015
、
Figure 537411DEST_PATH_IMAGE016
；
获取常时轨迹特征的注意力机制表示：
Figure DEST_PATH_IMAGE017
其中，
Figure 612815DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE019
；
获取消费情况特征的注意力机制表示：
Figure 12703DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE021
、
Figure 140934DEST_PATH_IMAGE022
。
步骤S108，通过融合算法将各个类型的注意力机制表示进行融合，得到多类型行为信息的融合特征；
具体地，通过融合算法公式
Figure DEST_PATH_IMAGE023
将学业成 绩特征、消费情况特征和常时轨迹特征的注意力机制表示进行融合，得到融合特征，其中，
Figure 18891DEST_PATH_IMAGE002
和
Figure 11118DEST_PATH_IMAGE024
分别为学业成绩特征的注意力机制表示和映射矩阵，
Figure 80443DEST_PATH_IMAGE004
和
Figure DEST_PATH_IMAGE025
分别为常时轨 迹特征的注意力机制表示和映射矩阵，
Figure 463014DEST_PATH_IMAGE006
和
Figure 472558DEST_PATH_IMAGE026
分别为消费情况特征的注意力机制表示 和映射矩阵。
步骤S110，设置预测周期，根据以预测周期为间隔的连续时序上的融合特征，通过长短期记忆网络作出序列化的学业预警。
具体地，设置以日作为预测周期，根据连续时序上前一日的状态值和当前日的融合特征，通过长短期记忆网络LSTM结合softmax函数预测当前日的学业标签；根据学业标签作出对学生的学业预警。
优选地，在解码阶段，对学生过去一段时间的行为数据进行序列化特征编码，设置 以日作为预测周期，在第i日，依据长短期记忆网络LSTM的前一日的状态值
Figure DEST_PATH_IMAGE027
，当前日的 特征融合值
Figure 552247DEST_PATH_IMAGE028
并使用sofmax来完成对当前时刻学业标签的预测：
Figure DEST_PATH_IMAGE029
其中，
Figure 28359DEST_PATH_IMAGE030
；
LSTM前一日的状态值
Figure 226122DEST_PATH_IMAGE027
或当前的状态值
Figure DEST_PATH_IMAGE031
的更新过程如下：
Figure 508199DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE033
是学业预警标签
Figure 651516DEST_PATH_IMAGE034
的向量化表示；
最后使用
Figure DEST_PATH_IMAGE035
来完成最终的学业预警。
通过本申请实施例的步骤S102至步骤S110，解决了现有学业预警方法的预测精准率低的问题，实现了多通道学生行为信息特征融合的学业预警，利用长短期记忆网络来强化时序特征信息获取能力，使用注意力机制来融合多类型特征，提升学生学业预警的准确度。
在其中一些实施例中，在步骤S110，进行学业预警之前，该方法还包括：
图2是根据本申请实施例的学业预警模型的结构示意图，如图2所示，通过向量化表示、卷积神经网络、注意力机制、融合算法和长短期记忆网络组成的学业预警模型进行训练，基于预设损失函数反向传播更新学业预警模型的参数；采用开发集对学业预警模型进行测试，选择预设指标最佳的模型进行保存。
优选地，预设损失函数为负对数似然函数，预设指标为F1指标。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例提供了一种多类型信息特征融合的学业预警系统，图3是根据本申请实施例的多通道信息特征融合的学业预警系统的结构框图，如图3所示，该系统包括信息编码模块31、特征提取模块32、注意力模块33、融合模块34和预测模块35；
信息编码模块31，用于对学生的多类型行为信息进行预设编码，得到多类型行为信息的各个类型的向量化表示；
特征提取模块32，用于根据向量化表示，通过卷积神经网络提取得到多类型行为信息的各个类型的抽象特征；
注意力模块33，用于根据注意力机制，获取各个类型的抽象特征对应的注意力机制表示；
融合模块34，用于通过融合算法将各个类型的注意力机制表示进行融合，得到多类型行为信息的融合特征；
预测模块35，用于设置预测周期，根据以预测周期为间隔的连续时序上的融合特征，通过长短期记忆网络作出序列化的学业预警。
通过本申请实施例的信息编码模块31、特征提取模块32、注意力模块33、融合模块34和预测模块35，解决了现有学业预警方法的预测精准率低的问题，实现了多通道学生行为信息特征融合的学业预警，利用长短期记忆网络来强化时序特征信息获取能力，使用注意力机制来融合多类型特征，提升学生学业预警的准确度。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
另外，结合上述实施例中的多通道信息特征融合的学业预警方法，本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种多通道信息特征融合的学业预警方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种多通道信息特征融合的学业预警方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，图4是根据本申请实施例的电子设备的内部结构示意图，如图4所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图4所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器，其中，该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力，网络接口用于与外部的终端通过网络连接通信，内存储器用于为操作系统和计算机程序的运行提供环境，计算机程序被处理器执行时以实现一种多通道信息特征融合的学业预警方法，数据库用于存储数据。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种多通道信息特征融合的学业预警方法，其特征在于，所述方法包括：
对学生的多类型行为信息进行预设编码，得到所述多类型行为信息的各个类型的向量化表示；
根据所述向量化表示，通过卷积神经网络提取得到所述多类型行为信息的各个类型的抽象特征；
根据注意力机制，获取所述各个类型的抽象特征对应的注意力机制表示；
通过融合算法将所述各个类型的注意力机制表示进行融合，得到所述多类型行为信息的融合特征；
设置预测周期，根据以所述预测周期为间隔的连续时序上的融合特征，通过长短期记忆网络作出序列化的学业预警。
2.根据权利要求1所述的方法，其特征在于，所述多类型行为信息包括学业成绩信息、消费情况信息和常时轨迹信息；
对学生的多类型行为信息进行预设编码，得到所述多类型行为信息的各个类型的向量化表示包括：
分别对学生的学业成绩信息和消费情况信息进行word2vec编码，得到所述学业成绩信息和消费情况信息的向量化表示；
对学生的常时轨迹信息进行one-hot编码，得到所述常时轨迹信息的向量化表示。
3.根据权利要求1或2所述的方法，其特征在于，根据所述向量化表示，通过卷积神经网络提取得到所述多类型行为信息的各个类型的抽象特征包括：
通过卷积神经网络分别对学业成绩信息、消费情况信息和常时轨迹信息的向量化表示进行卷积操作和池化操作，提取得到学业成绩特征、消费情况特征和常时轨迹特征。
4.根据权利要求1所述的方法，其特征在于，通过融合算法将所述各个类型的注意力机制表示进行融合，得到所述多类型行为信息的融合特征包括：
通过融合算法公式
Figure DEST_PATH_IMAGE002
将学业成绩特征、消费 情况特征和常时轨迹特征的注意力机制表示进行融合，得到融合特征，其中，
Figure DEST_PATH_IMAGE004
和
Figure DEST_PATH_IMAGE006
分 别为所述学业成绩特征的注意力机制表示和映射矩阵，
Figure DEST_PATH_IMAGE008
和
Figure DEST_PATH_IMAGE010
分别为所述常时轨迹特 征的注意力机制表示和映射矩阵，
Figure DEST_PATH_IMAGE012
和
Figure DEST_PATH_IMAGE014
分别为所述消费情况特征的注意力机制表示 和映射矩阵。
5.根据权利要求1所述的方法，其特征在于，设置预测周期，根据以所述预测周期为间隔的连续时序上的融合特征，通过长短期记忆网络作出序列化的学业预警包括：
设置以日作为预测周期，根据连续时序上前一日的状态值和当前日的融合特征，通过长短期记忆网络LSTM结合softmax函数预测所述当前日的学业标签；
根据所述学业标签作出对所述学生的学业预警。
6.根据权利要求1所述的方法，其特征在于，在进行学业预警之前，所述方法还包括：
采用训练集对由所述向量化表示、所述卷积神经网络、所述注意力机制、所述融合算法和所述长短期记忆网络组成的学业预警模型进行训练，基于预设损失函数反向传播更新所述学业预警模型的参数；
采用开发集对所述学业预警模型进行测试，选择预设指标最佳的模型进行保存。
7.根据权利要求6所述的方法，其特征在于，所述预设损失函数为负对数似然函数，所述预设指标为F1指标。
8.一种多类型信息特征融合的学业预警系统，其特征在于，所述系统包括信息编码模块、特征提取模块、注意力模块、融合模块和预测模块；
所述信息编码模块，用于对学生的多类型行为信息进行预设编码，得到所述多类型行为信息的各个类型的向量化表示；
所述特征提取模块，用于根据所述向量化表示，通过卷积神经网络提取得到所述多类型行为信息的各个类型的抽象特征；
所述注意力模块，用于根据注意力机制，获取所述各个类型的抽象特征对应的注意力机制表示；
所述融合模块，用于通过融合算法将所述各个类型的注意力机制表示进行融合，得到所述多类型行为信息的融合特征；
所述预测模块，用于设置预测周期，根据以所述预测周期为间隔的连续时序上的融合特征，通过长短期记忆网络作出序列化的学业预警。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
CN202210405505.0A 2022-04-18 2022-04-18 多通道信息特征融合的学业预警方法、系统、装置和介质 Active CN114493058B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210405505.0A CN114493058B (zh) 2022-04-18 2022-04-18 多通道信息特征融合的学业预警方法、系统、装置和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210405505.0A CN114493058B (zh) 2022-04-18 2022-04-18 多通道信息特征融合的学业预警方法、系统、装置和介质

Publications (2)

Publication Number Publication Date
CN114493058A true CN114493058A (zh) 2022-05-13
CN114493058B CN114493058B (zh) 2022-07-26

Family

ID=81489579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210405505.0A Active CN114493058B (zh) 2022-04-18 2022-04-18 多通道信息特征融合的学业预警方法、系统、装置和介质

Country Status (1)

Country Link
CN (1) CN114493058B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110939A (zh) * 2019-05-15 2019-08-09 杭州华网信息技术有限公司 基于深度学习学生序列化行为的学业成绩预测预警方法
CN111325323A (zh) * 2020-02-19 2020-06-23 山东大学 一种融合全局信息和局部信息的输变电场景描述自动生成方法
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
CN112084450A (zh) * 2020-09-09 2020-12-15 长沙理工大学 基于卷积注意力网络深度会话序列的点击率预测方法及系统
CN112364255A (zh) * 2020-11-05 2021-02-12 天津大学 基于社交网络的学生风险预警模型建立技术
CN112381182A (zh) * 2020-12-11 2021-02-19 大连海事大学 基于交互式多任务模型进行日常活动预测方法
CN113516837A (zh) * 2021-07-21 2021-10-19 重庆大学 一种基于多源信息融合的城市火灾判断方法、系统及其存储介质
US11194972B1 (en) * 2021-02-19 2021-12-07 Institute Of Automation, Chinese Academy Of Sciences Semantic sentiment analysis method fusing in-depth features and time sequence models
CN113918617A (zh) * 2021-09-07 2022-01-11 广东职业技术学院 基于大数据的学业预警方法、系统和介质
US11222217B1 (en) * 2020-08-14 2022-01-11 Tsinghua University Detection method using fusion network based on attention mechanism, and terminal device
CN114238577A (zh) * 2021-12-17 2022-03-25 中国计量大学上虞高等研究院有限公司 融合多头注意力机制的多任务学习情感分类方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110939A (zh) * 2019-05-15 2019-08-09 杭州华网信息技术有限公司 基于深度学习学生序列化行为的学业成绩预测预警方法
CN111325323A (zh) * 2020-02-19 2020-06-23 山东大学 一种融合全局信息和局部信息的输变电场景描述自动生成方法
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
US11222217B1 (en) * 2020-08-14 2022-01-11 Tsinghua University Detection method using fusion network based on attention mechanism, and terminal device
CN112084450A (zh) * 2020-09-09 2020-12-15 长沙理工大学 基于卷积注意力网络深度会话序列的点击率预测方法及系统
CN112364255A (zh) * 2020-11-05 2021-02-12 天津大学 基于社交网络的学生风险预警模型建立技术
CN112381182A (zh) * 2020-12-11 2021-02-19 大连海事大学 基于交互式多任务模型进行日常活动预测方法
US11194972B1 (en) * 2021-02-19 2021-12-07 Institute Of Automation, Chinese Academy Of Sciences Semantic sentiment analysis method fusing in-depth features and time sequence models
CN113516837A (zh) * 2021-07-21 2021-10-19 重庆大学 一种基于多源信息融合的城市火灾判断方法、系统及其存储介质
CN113918617A (zh) * 2021-09-07 2022-01-11 广东职业技术学院 基于大数据的学业预警方法、系统和介质
CN114238577A (zh) * 2021-12-17 2022-03-25 中国计量大学上虞高等研究院有限公司 融合多头注意力机制的多任务学习情感分类方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
RUI ZHANG ET AL.: "Feature Fusion CNN-LSTM Network Based Gait Recognition On Covariate Of Clothing And Bag", 《2021 3RD INTERNATIONAL ACADEMIC EXCHANGE CONFERENCE ON SCIENCE AND TECHNOLOGY INNOVATION (IAECST)》 *
李想: "基于多源在线行为数据的学生学业预警研究", 《中国优秀硕士学位论文全文数据库 社会科学II辑》 *
滕金保等: "基于CNN和LSTM的多通道注意力机制文本分类模型", 《计算机工程与应用》 *
王军等: "融合注意力机制和连接时序分类的多模态手语识别", 《信号处理》 *
胡瑞雪等: "基于BERT-LSTMCNN的立场分析", 《信息技术》 *
顾军华等: "基于卷积注意力机制的情感分类方法", 《计算机工程与设计》 *

Also Published As

Publication number Publication date
CN114493058B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
Fonseka et al. The utility of artificial intelligence in suicide risk prediction and the management of suicidal behaviors
Winkle-Wagner The unchosen me: Race, gender, and identity among Black women in college
Agar What difference did computers make?
Harrison et al. Recommendations for statistical analysis involving null hypothesis significance testing
JP2021522581A (ja) 生物医学的予測の視覚化
Crawford et al. The balanced ideological antipathy model: Explaining the effects of ideological attitudes on inter-group antipathy across the political spectrum
CN111506723A (zh) 问答响应方法、装置、设备及存储介质
Helmich et al. Detecting impending symptom transitions using early-warning signals in individuals receiving treatment for depression
Diez et al. Markov influence diagrams: A graphical tool for cost-effectiveness analysis
CN115409111A (zh) 命名实体识别模型的训练方法和命名实体识别方法
CN114613462A (zh) 医疗数据处理方法和装置、电子设备及存储介质
Ahmed et al. Hyper-graph-based attention curriculum learning using a lexical algorithm for mental health
CN111144512B (zh) 基于EMLo预训练模型的职业指导方法、装置及存储介质
CN114493058B (zh) 多通道信息特征融合的学业预警方法、系统、装置和介质
Murata et al. Recurrent neural network-fitnets: improving early prediction of student performanceby time-series knowledge distillation
CN115034317A (zh) 保单识别模型的训练方法和装置、保单识别方法和装置
Kabakus et al. An analysis of the professional preferences and choices of computer engineering students
Voskoglou Use of total possibilistic uncertainty as a measure of students’ modelling capacities
Cerna et al. The usefulness of NLP techniques for predicting peaks in firefighter interventions due to rare events
Gias et al. Anxiety Mining from Socioeconomic Data
Gong et al. Smart Memory Storage Solution and Elderly Oriented Smart Equipment Design under Deep Learning
US20170075519A1 (en) Data Butler
Haque et al. Intelligent Asthma Self-management System for Personalised Weather-Based Healthcare Using Machine Learning
Zhang et al. An anti-fraud framework for medical insurance based on deep learning
Shaban-Nejad et al. Artificial intelligence for personalized care, wellness, and longevity research

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: 23 / F, World Trade Center, 857 Xincheng Road, Binjiang District, Hangzhou City, Zhejiang Province, 310051

Applicant after: Hangzhou Yuanchuan Xinye Technology Co.,Ltd.

Address before: 23 / F, World Trade Center, 857 Xincheng Road, Binjiang District, Hangzhou City, Zhejiang Province, 310051

Applicant before: Hangzhou Yuanchuan New Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Academic warning methods, systems, devices, and media for multi-channel information feature fusion

Effective date of registration: 20230509

Granted publication date: 20220726

Pledgee: China Everbright Bank Limited by Share Ltd. Hangzhou branch

Pledgor: Hangzhou Yuanchuan Xinye Technology Co.,Ltd.

Registration number: Y2023980040155

PE01 Entry into force of the registration of the contract for pledge of patent right