CN117669896A - 基于大数据的学生信息数据采集分析系统及方法 - Google Patents
基于大数据的学生信息数据采集分析系统及方法 Download PDFInfo
- Publication number
- CN117669896A CN117669896A CN202410133254.4A CN202410133254A CN117669896A CN 117669896 A CN117669896 A CN 117669896A CN 202410133254 A CN202410133254 A CN 202410133254A CN 117669896 A CN117669896 A CN 117669896A
- Authority
- CN
- China
- Prior art keywords
- information
- semantic feature
- feature vector
- student
- student object
- 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.)
- Withdrawn
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims description 18
- 239000013598 vector Substances 0.000 claims abstract description 394
- 230000004927 fusion Effects 0.000 claims abstract description 50
- 230000003993 interaction Effects 0.000 claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 214
- 238000005457 optimization Methods 0.000 claims description 25
- 238000013480 data collection Methods 0.000 claims description 18
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 175
- 230000006870 function Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于大数据的学生信息数据采集分析系统及方法，涉及智能化数据采集分析技术领域，其获取待分析学生对象的多维度数据信息；对多维度数据信息进行特征提取以得到学生对象基础信息语义特征向量、学生对象消费信息语义特征向量、学生对象成绩信息语义特征向量和学生对象行为信息语义特征向量；将学生对象基础信息语义特征向量、学生对象消费信息语义特征向量、学生对象成绩信息语义特征向量和学生对象行为信息语义特征向量通过基于投影层的多模态交互融合模块以得到学生对象多模态校园行为语义特征向量；进而生成待分析学生对象的学生画像。这样利用多种校园数据对学生的综合分析，提升学生工作管理水平，进而促进学生健康成长成才。
Description
技术领域
本发明涉及智能化数据采集分析技术领域，尤其涉及一种基于大数据的学生信息数据采集分析系统及方法。
背景技术
随着我国学校信息化的快速发展，教育大数据成为研究热点。如何从海量的学生校园数据提取出隐含的、有价值的信息，改变传统的对这些数据的简单查询与统计，为学生管理工作提供高效客观的决策信息，是各校亟待解决的问题。
利用多种校园数据对学生的综合分析,形成学生行为画像，对学生的生活、学习情况进行预警，并将消息及时推送给辅导员和相关任课教师，有助于学校把握学生的学习动态,表扬鼓励积极向上的学生行为，对不良行为习惯进行及时纠正，引导学生向正确的、积极健康的行为活动发展，丰富学生网络教育方法，提升学生工作管理水平，进而促进学生健康成长成才。
现有技术未能对学生的各种信息进行有效挖掘分析，零散的记录信息无法得到学生的准确画像。因此，期待一种基于大数据的学生信息数据采集分析系统及方法。
发明内容
本发明为了克服上述缺陷，提供一种基于大数据的学生信息数据采集分析系统及方法。
本发明提供了一种基于大数据的学生信息数据采集分析方法，其包括：
获取待分析学生对象的多维度数据信息；
对所述多维度数据信息进行特征提取以得到学生对象基础信息语义特征向量、学生对象消费信息语义特征向量、学生对象成绩信息语义特征向量和学生对象行为信息语义特征向量；
将所述学生对象基础信息语义特征向量、所述学生对象消费信息语义特征向量、所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量通过基于投影层的多模态交互融合模块以得到学生对象多模态校园行为语义特征向量；
基于所述学生对象多模态校园行为语义特征向量，生成所述待分析学生对象的学生画像；
其中，将所述学生对象基础信息语义特征向量、所述学生对象消费信息语义特征向量、所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量通过基于投影层的多模态交互融合模块以得到所述学生对象多模态校园行为语义特征向量，包括：
以如下投影公式来对所述学生对象基础信息语义特征向量、所述学生对象消费信息语义特征向量、所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量进行交互融合以得到所述学生对象多模态校园行为语义特征向量；其中，所述投影公式为：
；
其中，为所述学生对象多模态校园行为语义特征向量，/>为所述学生对象基础信息语义特征向量，/>为所述学生对象消费信息语义特征向量，/>为所述学生对象成绩信息语义特征向量，/>为所述学生对象行为信息语义特征向量，/>表示级联，表示向量的投影映射；
其中，所述基于大数据的学生信息数据采集分析方法还包括训练步骤：对包含嵌入层的上下文语义编码器、基于全连接层的信息语义编码器、基于投影层的多模态交互融合模块和基于AIGC的画像生成器进行训练；其中，所述训练步骤，包括：
获取训练数据，所述训练数据包括待分析学生对象的训练多维度数据信息，以及，所述待分析学生对象的学生画像的真实值，所述训练多维度数据信息包括训练基础信息、训练消费信息、训练成绩信息和训练行为信息；
将所述训练基础信息和所述训练消费信息进行基于词粒度的划分处理后通过所述包含嵌入层的上下文语义编码器以得到训练学生对象基础信息语义特征向量和训练学生对象消费信息语义特征向量；
将所述训练成绩信息和所述训练行为信息按照数据项为单位进行编码以得到训练成绩编码向量的序列和训练行为编码向量的序列；
将所述训练成绩编码向量的序列和所述训练行为编码向量的序列通过所述基于全连接层的信息语义编码器以得到训练学生对象成绩信息语义特征向量和训练学生对象行为信息语义特征向量；
将所述训练学生对象基础信息语义特征向量、所述训练学生对象消费信息语义特征向量、所述训练学生对象成绩信息语义特征向量和所述训练学生对象行为信息语义特征向量通过所述基于投影层的多模态交互融合模块以得到训练学生对象多模态校园行为语义特征向量；
对所述训练学生对象多模态校园行为语义特征向量进行特征分布优化以得到优化后学生对象多模态校园行为语义特征向量；
将所述优化后学生对象多模态校园行为语义特征向量通过基于AIGC的画像生成器以得到生成损失函数值；
以所述生成损失函数值来对所述包含嵌入层的上下文语义编码器、所述基于全连接层的信息语义编码器、所述基于投影层的多模态交互融合模块和所述基于AIGC的画像生成器进行训练；
其中，对所述训练学生对象多模态校园行为语义特征向量进行特征分布优化以得到优化后学生对象多模态校园行为语义特征向量，包括：以如下优化公式对所述训练学生对象多模态校园行为语义特征向量进行特征分布优化以得到优化后学生对象多模态校园行为语义特征向量；其中，所述优化公式为：
；
其中，是所述学生对象多模态校园行为语义特征向量的第/>个位置的特征值，是所述学生对象多模态校园行为语义特征向量的第/>个位置的特征值，且/>是尺度超参数，/>是所述优化后学生对象多模态校园行为语义特征向量的特征值，/>表示计算以2为底的对数函数。
在上述基于大数据的学生信息数据采集分析方法中，所述多维度数据信息包括基础信息、消费信息、成绩信息和行为信息。
在上述基于大数据的学生信息数据采集分析方法中，对所述多维度数据信息进行特征提取以得到学生对象基础信息语义特征向量、学生对象消费信息语义特征向量、学生对象成绩信息语义特征向量和学生对象行为信息语义特征向量，包括：
将所述基础信息和所述消费信息进行基于词粒度的划分处理后通过包含嵌入层的上下文语义编码器以得到所述学生对象基础信息语义特征向量和所述学生对象消费信息语义特征向量；
将所述成绩信息和所述行为信息进行语义分析以得到所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量。
在上述基于大数据的学生信息数据采集分析方法中，将所述基础信息和所述消费信息进行基于词粒度的划分处理后通过包含嵌入层的上下文语义编码器以得到所述学生对象基础信息语义特征向量和所述学生对象消费信息语义特征向量，包括：
对所述基础信息和所述消费信息进行基于词粒度的划分处理以将所述基础信息和所述消费信息转化为由多个词组成的第一词序列和第二词序列；
使用所述包含嵌入层的上下文语义编码器的嵌入层将所述第一词序列和所述第二词序列中各个词映射到词向量以获得第一词向量的序列和第二词向量的序列；
使用所述包含嵌入层的上下文语义编码器对所述第一词向量的序列和所述第二词向量的序列进行基于全局的上下文语义编码以获得所述学生对象基础信息语义特征向量和所述学生对象消费信息语义特征向量。
在上述基于大数据的学生信息数据采集分析方法中，将所述成绩信息和所述行为信息进行语义分析以得到所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量，包括：
将所述成绩信息和所述行为信息按照数据项为单位进行编码以得到成绩编码向量的序列和行为编码向量的序列；
将所述成绩编码向量的序列和所述行为编码向量的序列通过基于全连接层的信息语义编码器以得到所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量。
在上述基于大数据的学生信息数据采集分析方法中，基于所述学生对象多模态校园行为语义特征向量，生成所述待分析学生对象的学生画像，包括：
将所述学生对象多模态校园行为语义特征向量通过基于AIGC的画像生成器以得到所述待分析学生对象的学生画像。
在上述基于大数据的学生信息数据采集分析方法中，还包括训练步骤：对所述包含嵌入层的上下文语义编码器、所述基于全连接层的信息语义编码器、所述基于投影层的多模态交互融合模块和所述基于AIGC的画像生成器进行训练；其中，所述训练步骤，包括：
获取训练数据，所述训练数据包括待分析学生对象的训练多维度数据信息，以及，所述待分析学生对象的学生画像的真实值，所述训练多维度数据信息包括训练基础信息、训练消费信息、训练成绩信息和训练行为信息；
将所述训练基础信息和所述训练消费信息进行基于词粒度的划分处理后通过所述包含嵌入层的上下文语义编码器以得到训练学生对象基础信息语义特征向量和训练学生对象消费信息语义特征向量；
将所述训练成绩信息和所述训练行为信息按照数据项为单位进行编码以得到训练成绩编码向量的序列和训练行为编码向量的序列；
将所述训练成绩编码向量的序列和所述训练行为编码向量的序列通过所述基于全连接层的信息语义编码器以得到训练学生对象成绩信息语义特征向量和训练学生对象行为信息语义特征向量；
将所述训练学生对象基础信息语义特征向量、所述训练学生对象消费信息语义特征向量、所述训练学生对象成绩信息语义特征向量和所述训练学生对象行为信息语义特征向量通过所述基于投影层的多模态交互融合模块以得到训练学生对象多模态校园行为语义特征向量；
对所述训练学生对象多模态校园行为语义特征向量进行特征分布优化以得到优化后学生对象多模态校园行为语义特征向量；
将所述优化后学生对象多模态校园行为语义特征向量通过基于AIGC的画像生成器以得到生成损失函数值；
以所述生成损失函数值来对所述包含嵌入层的上下文语义编码器、所述基于全连接层的信息语义编码器、所述基于投影层的多模态交互融合模块和所述基于AIGC的画像生成器进行训练。
本发明还提供了一种基于大数据的学生信息数据采集分析系统，其包括：
信息获取模块，用于获取待分析学生对象的多维度数据信息；
特征提取模块，用于对所述多维度数据信息进行特征提取以得到学生对象基础信息语义特征向量、学生对象消费信息语义特征向量、学生对象成绩信息语义特征向量和学生对象行为信息语义特征向量；
多模态交互融合模块，用于将所述学生对象基础信息语义特征向量、所述学生对象消费信息语义特征向量、所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量通过基于投影层的多模态交互融合模块以得到学生对象多模态校园行为语义特征向量；
学生画像生成模块，用于基于所述学生对象多模态校园行为语义特征向量，生成所述待分析学生对象的学生画像；
其中，所述多模态交互融合模块，包括：
以如下投影公式来对所述学生对象基础信息语义特征向量、所述学生对象消费信息语义特征向量、所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量进行交互融合以得到所述学生对象多模态校园行为语义特征向量；其中，所述投影公式为：
；
其中，为所述学生对象多模态校园行为语义特征向量，/>为所述学生对象基础信息语义特征向量，/>为所述学生对象消费信息语义特征向量，/>为所述学生对象成绩信息语义特征向量，/>为所述学生对象行为信息语义特征向量，/>表示级联，表示向量的投影映射；
其中，所述基于大数据的学生信息数据采集分析系统还包括训练模块，用于对包含嵌入层的上下文语义编码器、基于全连接层的信息语义编码器、基于投影层的多模态交互融合模块和基于AIGC的画像生成器进行训练；其中，所述训练模块，包括：
获取训练数据，所述训练数据包括待分析学生对象的训练多维度数据信息，以及，所述待分析学生对象的学生画像的真实值，所述训练多维度数据信息包括训练基础信息、训练消费信息、训练成绩信息和训练行为信息；
将所述训练基础信息和所述训练消费信息进行基于词粒度的划分处理后通过所述包含嵌入层的上下文语义编码器以得到训练学生对象基础信息语义特征向量和训练学生对象消费信息语义特征向量；
将所述训练成绩信息和所述训练行为信息按照数据项为单位进行编码以得到训练成绩编码向量的序列和训练行为编码向量的序列；
将所述训练成绩编码向量的序列和所述训练行为编码向量的序列通过所述基于全连接层的信息语义编码器以得到训练学生对象成绩信息语义特征向量和训练学生对象行为信息语义特征向量；
将所述训练学生对象基础信息语义特征向量、所述训练学生对象消费信息语义特征向量、所述训练学生对象成绩信息语义特征向量和所述训练学生对象行为信息语义特征向量通过所述基于投影层的多模态交互融合模块以得到训练学生对象多模态校园行为语义特征向量；
对所述训练学生对象多模态校园行为语义特征向量进行特征分布优化以得到优化后学生对象多模态校园行为语义特征向量；
将所述优化后学生对象多模态校园行为语义特征向量通过基于AIGC的画像生成器以得到生成损失函数值；
以所述生成损失函数值来对所述包含嵌入层的上下文语义编码器、所述基于全连接层的信息语义编码器、所述基于投影层的多模态交互融合模块和所述基于AIGC的画像生成器进行训练；
其中，对所述训练学生对象多模态校园行为语义特征向量进行特征分布优化以得到优化后学生对象多模态校园行为语义特征向量，包括：以如下优化公式对所述训练学生对象多模态校园行为语义特征向量进行特征分布优化以得到优化后学生对象多模态校园行为语义特征向量；其中，所述优化公式为：
；
其中，是所述学生对象多模态校园行为语义特征向量的第/>个位置的特征值，是所述学生对象多模态校园行为语义特征向量的第/>个位置的特征值，且/>是尺度超参数，/>是所述优化后学生对象多模态校园行为语义特征向量的特征值，/>表示计算以2为底的对数函数。
在上述基于大数据的学生信息数据采集分析系统中，所述多维度数据信息包括基础信息、消费信息、成绩信息和行为信息。
本发明获取待分析学生对象的多维度数据信息；对多维度数据信息进行特征提取以得到学生对象基础信息语义特征向量、学生对象消费信息语义特征向量、学生对象成绩信息语义特征向量和学生对象行为信息语义特征向量；将学生对象基础信息语义特征向量、学生对象消费信息语义特征向量、学生对象成绩信息语义特征向量和学生对象行为信息语义特征向量通过基于投影层的多模态交互融合模块以得到学生对象多模态校园行为语义特征向量；进而生成待分析学生对象的学生画像。这样，利用多种校园数据对学生的综合分析，提升学生工作管理水平，进而促进学生健康成长成才。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中提供的一种基于大数据的学生信息数据采集分析方法的流程图。
图2为本发明实施例中提供的一种基于大数据的学生信息数据采集分析方法的系统架构的示意图。
图3为本发明实施例中提供的一种基于大数据的学生信息数据采集分析系统的框图。
图4为本发明实施例中提供的一种基于大数据的学生信息数据采集分析方法的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
除非另有说明，本发明实施例所使用的所有技术和科学术语与本发明的技术领域的技术人员通常理解的含义相同。本发明中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明的范围。
在本发明实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本发明实施例所涉及的术语“第一\第二\第三”仅仅只是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本发明的实施例可以除了在这里图示或描述的那些以外的顺序实施。
利用多种校园数据对学生的综合分析，形成学生行为画像，是一种基于大数据和人工智能技术的学生管理方法。通过收集学生在校园活动中产生的各种数据，如学习成绩、出勤情况、社交活动、体育锻炼等，对学生的行为进行分析和评估，以了解学生的学习、生活和社交情况。
通过对学生行为的分析，可以对学生的学习动态进行预警。比如，如果一个学生的学习成绩突然下降，或者频繁缺勤，系统可以及时发出警报，通知辅导员和相关任课教师。这样，学校可以及时关注学生的问题，并采取措施帮助他们解决困难，提高学习成绩。同时，利用多种校园数据进行学生行为分析，也可以表扬和鼓励积极向上的学生行为。当学生在学习、社交或体育方面表现出色时，系统可以根据数据分析结果，向辅导员和相关任课教师发送消息，以便他们及时表扬和鼓励学生，激励他们继续保持良好的行为习惯。
此外，利用多种校园数据进行学生行为分析，还可以及时纠正不良行为习惯，并引导学生向正确的、积极健康的行为活动发展。如果一个学生频繁迟到、旷课或参与不良社交活动，系统可以发出警报，通知辅导员和相关任课教师，以便他们及时采取措施进行干预和纠正。通过利用多种校园数据进行学生行为分析，还可以丰富学生网络教育方法，学校可以根据学生的行为画像，开展有针对性的网络教育活动。最后，利用多种校园数据进行学生行为分析，也可以提升学生工作管理水平，通过对学生行为的分析，学校可以了解学生的需求和问题，并针对性地提供相应的服务和支持，从而更好地管理学生，促进他们健康成长成才。
在本发明的一个实施例中，图1为本发明实施例中提供的一种基于大数据的学生信息数据采集分析方法的流程图。图2为本发明实施例中提供的一种基于大数据的学生信息数据采集分析方法的系统架构的示意图。如图1和图2所示，根据本发明实施例的基于大数据的学生信息数据采集分析方法，包括：110，获取待分析学生对象的多维度数据信息；120，对所述多维度数据信息进行特征提取以得到学生对象基础信息语义特征向量、学生对象消费信息语义特征向量、学生对象成绩信息语义特征向量和学生对象行为信息语义特征向量；130，将所述学生对象基础信息语义特征向量、所述学生对象消费信息语义特征向量、所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量通过基于投影层的多模态交互融合模块以得到学生对象多模态校园行为语义特征向量；140，基于所述学生对象多模态校园行为语义特征向量，生成所述待分析学生对象的学生画像。
在所述步骤110中，获取待分析学生对象的多维度数据信息。在获取学生数据时，确保数据的准确性和完整性。数据可以包括学生的基础信息（如姓名、性别、年级等）、消费信息（如食堂消费、图书馆借阅等）、成绩信息（如各科成绩、绩点等）和行为信息（如社交活动、体育锻炼等）。通过获取多维度数据信息，可以全面了解学生的学习、生活和行为情况，为后续的学生行为分析提供基础数据。
在所述步骤120中，对所述多维度数据信息进行特征提取以得到学生对象基础信息语义特征向量、学生对象消费信息语义特征向量、学生对象成绩信息语义特征向量和学生对象行为信息语义特征向量。在进行特征提取时，选择合适的特征提取方法和算法，确保提取到的特征能够准确地反映学生的基础信息、消费信息、成绩信息和行为信息。通过特征提取，可以将原始数据转化为语义特征向量，更好地表达学生的特征信息，方便后续的多模态融合和学生画像生成。
在所述步骤130中，将所述学生对象基础信息语义特征向量、所述学生对象消费信息语义特征向量、所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量通过基于投影层的多模态交互融合模块以得到学生对象多模态校园行为语义特征向量。在进行多模态融合时，选择合适的融合方法和算法，确保融合后的特征能够充分利用各个模态的信息，提高特征的表达能力。通过多模态融合，可以将学生的基础信息、消费信息、成绩信息和行为信息进行有机结合，得到更全面、准确的学生行为特征向量。
在所述步骤140中，基于所述学生对象多模态校园行为语义特征向量，生成所述待分析学生对象的学生画像。在生成学生画像时，根据特定的需求和目标，选择合适的算法和模型，确保画像能够准确地反映学生的特点和行为习惯。通过生成学生画像，可以综合反映学生的基础信息、消费信息、成绩信息和行为信息，为学校提供全面的学生分析和管理依据，促进学生的健康成长和发展。
针对上述技术问题，本发明的技术构思为从多维度的学生校园数据中提取隐含的、有价值的信息，并基于此生成学生画像，为学校的学生管理工作提供高效客观的决策信息。
基于此，在本发明的技术方案中，首先获取待分析学生对象的多维度数据信息，所述多维度数据信息包括基础信息、消费信息、成绩信息和行为信息。这里，不同维度的数据信息可以提供关于待分析学生对象在不同的视角和方面的情况和表现。具体来说，基础信息包括学生的个人基本信息，如姓名、性别、年龄、籍贯等。基础信息是了解学生身份和背景的基础。消费信息包括学生的消费行为和消费习惯，如在校园内的购物、餐饮、娱乐等消费。消费信息可以反映学生的生活方式、兴趣爱好和经济状况。成绩信息包括学生的学习成绩和学科表现。成绩信息是评价学生学习水平和表现的重要指标，通过对成绩信息的分析可以了解学生的学习状态、优势学科和学科薄弱点，为教学和辅导提供依据。而行为信息包括学生在校园内的各种行为，如上课出勤情况、参加社团活动、借阅图书等。行为信息可以反映学生的参与度、积极性和社交能力，对于了解学生的综合素质和行为习惯有帮助。综合上述多维度多方面的数据信息，可以反映出学生的思想状况、生活水平、学习能力和行为规范，从而为生成学生画像提供丰富的素材和重要的数据来源。
在本发明的一个实施例中，对所述多维度数据信息进行特征提取以得到学生对象基础信息语义特征向量、学生对象消费信息语义特征向量、学生对象成绩信息语义特征向量和学生对象行为信息语义特征向量，包括：将所述基础信息和所述消费信息进行基于词粒度的划分处理后通过包含嵌入层的上下文语义编码器以得到所述学生对象基础信息语义特征向量和所述学生对象消费信息语义特征向量；将所述成绩信息和所述行为信息进行语义分析以得到所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量。
接着，将所述基础信息和所述消费信息进行基于词粒度的划分处理后通过包含嵌入层的上下文语义编码器以得到学生对象基础信息语义特征向量和学生对象消费信息语义特征向量。这里，在本发明的实际应用场景中，所述待分析学生对象的基础信息和消费信息通常是由一些离散的词语或短语组成，如姓名、地点、购买物品等。基于词粒度的处理可以将这些信息划分为单个词语，进而通过包含嵌入层的上下文语义编码器捕捉各个词语的上下文依赖语义关联关系和语义含义。
在本发明的一个具体实施例中，将所述基础信息和所述消费信息进行基于词粒度的划分处理后通过包含嵌入层的上下文语义编码器以得到所述学生对象基础信息语义特征向量和所述学生对象消费信息语义特征向量，包括：对所述基础信息和所述消费信息进行基于词粒度的划分处理以将所述基础信息和所述消费信息转化为由多个词组成的第一词序列和第二词序列；使用所述包含嵌入层的上下文语义编码器的嵌入层将所述第一词序列和所述第二词序列中各个词映射到词向量以获得第一词向量的序列和第二词向量的序列；以及，使用所述包含嵌入层的上下文语义编码器对所述第一词向量的序列和所述第二词向量的序列进行基于全局的上下文语义编码以获得所述学生对象基础信息语义特征向量和所述学生对象消费信息语义特征向量。
同时，将所述成绩信息和所述行为信息按照数据项为单位进行编码以得到成绩编码向量的序列和行为编码向量的序列；并将所述成绩编码向量的序列和所述行为编码向量的序列通过基于全连接层的信息语义编码器以得到学生对象成绩信息语义特征向量和学生对象行为信息语义特征向量。这里，所述待分析学生对象的成绩信息和行为信息通常是由多个数据项组成，如多门学科的成绩、多个行为事件的记录等。在本发明的技术方案中，按照数据项为单位进行编码可以保留每个数据项的信息，并通过基于全连接层的信息语义编码器捕捉隐含语义特征分布，以理解各个数据项之间的关系和整体的语义信息。
在本发明的一个具体实施例中，将所述成绩信息和所述行为信息进行语义分析以得到所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量，包括：将所述成绩信息和所述行为信息按照数据项为单位进行编码以得到成绩编码向量的序列和行为编码向量的序列；将所述成绩编码向量的序列和所述行为编码向量的序列通过基于全连接层的信息语义编码器以得到所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量。
随后，将所述学生对象基础信息语义特征向量、所述学生对象消费信息语义特征向量、所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量通过基于投影层的多模态交互融合模块以得到学生对象多模态校园行为语义特征向量。也就是，将分别表征和刻画不同方面信息的特征分布进行融合可以帮助模型更好地理解所述待分析学生对象的校园生活行为信息。
在本发明的一个具体示例中，将所述学生对象基础信息语义特征向量、所述学生对象消费信息语义特征向量、所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量通过基于投影层的多模态交互融合模块以得到学生对象多模态校园行为语义特征向量的实现方式是以如下投影公式来对所述学生对象基础信息语义特征向量、所述学生对象消费信息语义特征向量、所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量进行交互融合以得到所述学生对象多模态校园行为语义特征向量；其中，所述投影公式为：
；
其中，为所述学生对象多模态校园行为语义特征向量，/>为所述学生对象基础信息语义特征向量，/>为所述学生对象消费信息语义特征向量，/>为所述学生对象成绩信息语义特征向量，/>为所述学生对象行为信息语义特征向量，/>表示级联，表示向量的投影映射。
这里，在本发明的技术方案中，所述基于投影层的多模态交互融合模块将每个模态的特征分布通过一个共享的投影层映射到一个共同的特征空间中，以将每个模态的特征分布映射到相同的维度，使得它们可以进行直接的融合。也就是说，所述基于投影层的多模态交互融合模块通过使用同一投影层将不同模态的特征分布转换为相同的表示形式，从而消除模态之间的差异性。
继而，将所述学生对象多模态校园行为语义特征向量通过基于AIGC的画像生成器以得到所述待分析学生对象的学生画像。
在本发明的一个具体实施例中，基于所述学生对象多模态校园行为语义特征向量，生成所述待分析学生对象的学生画像，包括：将所述学生对象多模态校园行为语义特征向量通过基于AIGC的画像生成器以得到所述待分析学生对象的学生画像。
在本发明的一个实施例中，所述基于大数据的学生信息数据采集分析方法，还包括训练步骤：对所述包含嵌入层的上下文语义编码器、所述基于全连接层的信息语义编码器、所述基于投影层的多模态交互融合模块和所述基于AIGC的画像生成器进行训练；其中，所述训练步骤，包括：获取训练数据，所述训练数据包括待分析学生对象的训练多维度数据信息，以及，所述待分析学生对象的学生画像的真实值，所述训练多维度数据信息包括训练基础信息、训练消费信息、训练成绩信息和训练行为信息；将所述训练基础信息和所述训练消费信息进行基于词粒度的划分处理后通过所述包含嵌入层的上下文语义编码器以得到训练学生对象基础信息语义特征向量和训练学生对象消费信息语义特征向量；将所述训练成绩信息和所述训练行为信息按照数据项为单位进行编码以得到训练成绩编码向量的序列和训练行为编码向量的序列；将所述训练成绩编码向量的序列和所述训练行为编码向量的序列通过所述基于全连接层的信息语义编码器以得到训练学生对象成绩信息语义特征向量和训练学生对象行为信息语义特征向量；将所述训练学生对象基础信息语义特征向量、所述训练学生对象消费信息语义特征向量、所述训练学生对象成绩信息语义特征向量和所述训练学生对象行为信息语义特征向量通过所述基于投影层的多模态交互融合模块以得到训练学生对象多模态校园行为语义特征向量；对所述训练学生对象多模态校园行为语义特征向量进行特征分布优化以得到优化后学生对象多模态校园行为语义特征向量；将所述优化后学生对象多模态校园行为语义特征向量通过基于AIGC的画像生成器以得到生成损失函数值；以所述生成损失函数值来对所述包含嵌入层的上下文语义编码器、所述基于全连接层的信息语义编码器、所述基于投影层的多模态交互融合模块和所述基于AIGC的画像生成器进行训练。
在本发明的技术方案中，所述训练学生对象基础信息语义特征向量和所述训练学生对象消费信息语义特征向量分别表达所述待分析学生对象的训练基础信息和训练消费信息的基于分词间源语义上下文关联的编码语义特征，而所述训练学生对象成绩信息语义特征向量和所述训练学生对象行为信息语义特征向量表达所述待分析学生对象的训练成绩信息和训练行为信息的源域全关联编码语义特征，因此，在将所述训练学生对象基础信息语义特征向量、所述训练学生对象消费信息语义特征向量、所述训练学生对象成绩信息语义特征向量和所述训练学生对象行为信息语义特征向量通过基于投影层的多模态交互融合模块后，得到的所述训练学生对象多模态校园行为语义特征向量会由于基于编码语义关联维度差异的特征值表示差异，而具有基于特征值的多模态交互融合语义信息博弈离散化，从而影响所述训练学生对象多模态校园行为语义特征向量通过基于AIGC的画像生成器的画像关键词预测生成训练。
基于此，本发明的申请人优选地在所述训练学生对象多模态校园行为语义特征向量通过基于AIGC的画像生成器进行画像关键词预测生成训练时，对所述训练学生对象多模态校园行为语义特征向量进行优化，具体表示为：以如下优化公式对所述训练学生对象多模态校园行为语义特征向量进行特征分布优化以得到优化后学生对象多模态校园行为语义特征向量；其中，所述优化公式为：
；
其中，是所述学生对象多模态校园行为语义特征向量的第/>个位置的特征值，是所述学生对象多模态校园行为语义特征向量的第/>个位置的特征值，且/>是尺度超参数，/>是所述优化后学生对象多模态校园行为语义特征向量的特征值，/>表示计算以2为底的对数函数。
具体地，当所述训练学生对象多模态校园行为语义特征向量进行训练时，训练时的所述画像生成器的生成词预测概率密度作用于所述训练学生对象多模态校园行为语义特征向量上，由于预测概率密度本身的致密特性，会使得所述训练学生对象多模态校园行为语义特征向量的各个位置的特征值之间的多模态交互融合语义信息博弈离散化产生大规模信息博弈，导致生成解无法在博弈基础上收敛到纳什均衡，尤其是在存在以不同关联维度的编码语义特征为单位的大规模非完美博弈离散化信息的情况下，这样，通过基于所述训练学生对象多模态校园行为语义特征向量的向量信息自控均衡邻域对所述训练学生对象多模态校园行为语义特征向量进行信息博弈均衡化的等效收敛，可以通过特征值在局部邻域内的自博弈来促进收敛，从而提高所述训练学生对象多模态校园行为语义特征向量通过基于AIGC的画像生成器的画像关键词预测生成训练的训练效果。
综上，基于本发明实施例的基于大数据的学生信息数据采集分析方法被阐明，其从多维度的学生校园数据中提取隐含的、有价值的信息，并基于此生成学生画像，为学校的学生管理工作提供高效客观的决策信息。
图3为本发明实施例中提供的一种基于大数据的学生信息数据采集分析系统的框图。如图3所示，所述基于大数据的学生信息数据采集分析系统200，包括：信息获取模块210，用于获取待分析学生对象的多维度数据信息；特征提取模块220，用于对所述多维度数据信息进行特征提取以得到学生对象基础信息语义特征向量、学生对象消费信息语义特征向量、学生对象成绩信息语义特征向量和学生对象行为信息语义特征向量；多模态交互融合模块230，用于将所述学生对象基础信息语义特征向量、所述学生对象消费信息语义特征向量、所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量通过基于投影层的多模态交互融合模块以得到学生对象多模态校园行为语义特征向量；学生画像生成模块240，用于基于所述学生对象多模态校园行为语义特征向量，生成所述待分析学生对象的学生画像。
在所述基于大数据的学生信息数据采集分析系统中，所述多维度数据信息包括基础信息、消费信息、成绩信息和行为信息。
本领域技术人员可以理解，上述基于大数据的学生信息数据采集分析系统中的各个步骤的具体操作已经在上面参考图1到图2的基于大数据的学生信息数据采集分析方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本发明实施例的基于大数据的学生信息数据采集分析系统200可以实现在各种终端设备中，例如用于基于大数据的学生信息数据采集分析的服务器等。在一个示例中，根据本发明实施例的基于大数据的学生信息数据采集分析系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于大数据的学生信息数据采集分析系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于大数据的学生信息数据采集分析系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于大数据的学生信息数据采集分析系统200与该终端设备也可以是分立的设备，并且该基于大数据的学生信息数据采集分析系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图4为本发明实施例中提供的一种基于大数据的学生信息数据采集分析方法的应用场景图。如图4所示，在该应用场景中，首先，获取待分析学生对象的多维度数据信息（例如，如图4中所示意的C）；然后，将获取的多维度数据信息输入至部署有基于大数据的学生信息数据采集分析算法的服务器（例如，如图4中所示意的S）中，其中所述服务器能够基于大数据的学生信息数据采集分析算法对所述多维度数据信息进行处理，以生成所述待分析学生对象的学生画像。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于大数据的学生信息数据采集分析方法，其特征在于，包括：
获取待分析学生对象的多维度数据信息；
对所述多维度数据信息进行特征提取以得到学生对象基础信息语义特征向量、学生对象消费信息语义特征向量、学生对象成绩信息语义特征向量和学生对象行为信息语义特征向量；
将所述学生对象基础信息语义特征向量、所述学生对象消费信息语义特征向量、所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量通过基于投影层的多模态交互融合模块以得到学生对象多模态校园行为语义特征向量；
基于所述学生对象多模态校园行为语义特征向量，生成所述待分析学生对象的学生画像；
其中，将所述学生对象基础信息语义特征向量、所述学生对象消费信息语义特征向量、所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量通过基于投影层的多模态交互融合模块以得到所述学生对象多模态校园行为语义特征向量，包括：
以如下投影公式来对所述学生对象基础信息语义特征向量、所述学生对象消费信息语义特征向量、所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量进行交互融合以得到所述学生对象多模态校园行为语义特征向量；其中，所述投影公式为：
；
其中，为所述学生对象多模态校园行为语义特征向量，/>为所述学生对象基础信息语义特征向量，/>为所述学生对象消费信息语义特征向量，/>为所述学生对象成绩信息语义特征向量，/>为所述学生对象行为信息语义特征向量，/>表示级联，/>表示向量的投影映射；
其中，所述基于大数据的学生信息数据采集分析方法还包括训练步骤：对包含嵌入层的上下文语义编码器、基于全连接层的信息语义编码器、基于投影层的多模态交互融合模块和基于AIGC的画像生成器进行训练；其中，所述训练步骤，包括：
获取训练数据，所述训练数据包括待分析学生对象的训练多维度数据信息，以及，所述待分析学生对象的学生画像的真实值，所述训练多维度数据信息包括训练基础信息、训练消费信息、训练成绩信息和训练行为信息；
将所述训练基础信息和所述训练消费信息进行基于词粒度的划分处理后通过所述包含嵌入层的上下文语义编码器以得到训练学生对象基础信息语义特征向量和训练学生对象消费信息语义特征向量；
将所述训练成绩信息和所述训练行为信息按照数据项为单位进行编码以得到训练成绩编码向量的序列和训练行为编码向量的序列；
将所述训练成绩编码向量的序列和所述训练行为编码向量的序列通过所述基于全连接层的信息语义编码器以得到训练学生对象成绩信息语义特征向量和训练学生对象行为信息语义特征向量；
将所述训练学生对象基础信息语义特征向量、所述训练学生对象消费信息语义特征向量、所述训练学生对象成绩信息语义特征向量和所述训练学生对象行为信息语义特征向量通过所述基于投影层的多模态交互融合模块以得到训练学生对象多模态校园行为语义特征向量；
对所述训练学生对象多模态校园行为语义特征向量进行特征分布优化以得到优化后学生对象多模态校园行为语义特征向量；
将所述优化后学生对象多模态校园行为语义特征向量通过基于AIGC的画像生成器以得到生成损失函数值；
以所述生成损失函数值来对所述包含嵌入层的上下文语义编码器、所述基于全连接层的信息语义编码器、所述基于投影层的多模态交互融合模块和所述基于AIGC的画像生成器进行训练；
其中，对所述训练学生对象多模态校园行为语义特征向量进行特征分布优化以得到优化后学生对象多模态校园行为语义特征向量，包括：以如下优化公式对所述训练学生对象多模态校园行为语义特征向量进行特征分布优化以得到优化后学生对象多模态校园行为语义特征向量；其中，所述优化公式为：
；
其中，是所述学生对象多模态校园行为语义特征向量的第/>个位置的特征值，/>是所述学生对象多模态校园行为语义特征向量的第/>个位置的特征值，且/>是尺度超参数，/>是所述优化后学生对象多模态校园行为语义特征向量的特征值，/>表示计算以2为底的对数函数。
2.根据权利要求1所述的基于大数据的学生信息数据采集分析方法，其特征在于，所述多维度数据信息包括基础信息、消费信息、成绩信息和行为信息。
3.根据权利要求2所述的基于大数据的学生信息数据采集分析方法，其特征在于，对所述多维度数据信息进行特征提取以得到学生对象基础信息语义特征向量、学生对象消费信息语义特征向量、学生对象成绩信息语义特征向量和学生对象行为信息语义特征向量，包括：
将所述基础信息和所述消费信息进行基于词粒度的划分处理后通过包含嵌入层的上下文语义编码器以得到所述学生对象基础信息语义特征向量和所述学生对象消费信息语义特征向量；
将所述成绩信息和所述行为信息进行语义分析以得到所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量。
4.根据权利要求3所述的基于大数据的学生信息数据采集分析方法，其特征在于，将所述基础信息和所述消费信息进行基于词粒度的划分处理后通过包含嵌入层的上下文语义编码器以得到所述学生对象基础信息语义特征向量和所述学生对象消费信息语义特征向量，包括：
对所述基础信息和所述消费信息进行基于词粒度的划分处理以将所述基础信息和所述消费信息转化为由多个词组成的第一词序列和第二词序列；
使用所述包含嵌入层的上下文语义编码器的嵌入层将所述第一词序列和所述第二词序列中各个词映射到词向量以获得第一词向量的序列和第二词向量的序列；
使用所述包含嵌入层的上下文语义编码器对所述第一词向量的序列和所述第二词向量的序列进行基于全局的上下文语义编码以获得所述学生对象基础信息语义特征向量和所述学生对象消费信息语义特征向量。
5.根据权利要求4所述的基于大数据的学生信息数据采集分析方法，其特征在于，将所述成绩信息和所述行为信息进行语义分析以得到所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量，包括：
将所述成绩信息和所述行为信息按照数据项为单位进行编码以得到成绩编码向量的序列和行为编码向量的序列；
将所述成绩编码向量的序列和所述行为编码向量的序列通过基于全连接层的信息语义编码器以得到所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量。
6.根据权利要求5所述的基于大数据的学生信息数据采集分析方法，其特征在于，基于所述学生对象多模态校园行为语义特征向量，生成所述待分析学生对象的学生画像，包括：
将所述学生对象多模态校园行为语义特征向量通过基于AIGC的画像生成器以得到所述待分析学生对象的学生画像。
7.一种基于大数据的学生信息数据采集分析系统，其特征在于，包括：
信息获取模块，用于获取待分析学生对象的多维度数据信息；
特征提取模块，用于对所述多维度数据信息进行特征提取以得到学生对象基础信息语义特征向量、学生对象消费信息语义特征向量、学生对象成绩信息语义特征向量和学生对象行为信息语义特征向量；
多模态交互融合模块，用于将所述学生对象基础信息语义特征向量、所述学生对象消费信息语义特征向量、所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量通过基于投影层的多模态交互融合模块以得到学生对象多模态校园行为语义特征向量；
学生画像生成模块，用于基于所述学生对象多模态校园行为语义特征向量，生成所述待分析学生对象的学生画像；
其中，所述多模态交互融合模块，包括：
以如下投影公式来对所述学生对象基础信息语义特征向量、所述学生对象消费信息语义特征向量、所述学生对象成绩信息语义特征向量和所述学生对象行为信息语义特征向量进行交互融合以得到所述学生对象多模态校园行为语义特征向量；其中，所述投影公式为：
；
其中，为所述学生对象多模态校园行为语义特征向量，/>为所述学生对象基础信息语义特征向量，/>为所述学生对象消费信息语义特征向量，/>为所述学生对象成绩信息语义特征向量，/>为所述学生对象行为信息语义特征向量，/>表示级联，/>表示向量的投影映射；
其中，所述基于大数据的学生信息数据采集分析系统还包括训练模块，用于对包含嵌入层的上下文语义编码器、基于全连接层的信息语义编码器、基于投影层的多模态交互融合模块和基于AIGC的画像生成器进行训练；其中，所述训练模块，包括：
获取训练数据，所述训练数据包括待分析学生对象的训练多维度数据信息，以及，所述待分析学生对象的学生画像的真实值，所述训练多维度数据信息包括训练基础信息、训练消费信息、训练成绩信息和训练行为信息；
将所述训练基础信息和所述训练消费信息进行基于词粒度的划分处理后通过所述包含嵌入层的上下文语义编码器以得到训练学生对象基础信息语义特征向量和训练学生对象消费信息语义特征向量；
将所述训练成绩信息和所述训练行为信息按照数据项为单位进行编码以得到训练成绩编码向量的序列和训练行为编码向量的序列；
将所述训练成绩编码向量的序列和所述训练行为编码向量的序列通过所述基于全连接层的信息语义编码器以得到训练学生对象成绩信息语义特征向量和训练学生对象行为信息语义特征向量；
将所述训练学生对象基础信息语义特征向量、所述训练学生对象消费信息语义特征向量、所述训练学生对象成绩信息语义特征向量和所述训练学生对象行为信息语义特征向量通过所述基于投影层的多模态交互融合模块以得到训练学生对象多模态校园行为语义特征向量；
对所述训练学生对象多模态校园行为语义特征向量进行特征分布优化以得到优化后学生对象多模态校园行为语义特征向量；
将所述优化后学生对象多模态校园行为语义特征向量通过基于AIGC的画像生成器以得到生成损失函数值；
以所述生成损失函数值来对所述包含嵌入层的上下文语义编码器、所述基于全连接层的信息语义编码器、所述基于投影层的多模态交互融合模块和所述基于AIGC的画像生成器进行训练；
其中，对所述训练学生对象多模态校园行为语义特征向量进行特征分布优化以得到优化后学生对象多模态校园行为语义特征向量，包括：以如下优化公式对所述训练学生对象多模态校园行为语义特征向量进行特征分布优化以得到优化后学生对象多模态校园行为语义特征向量；其中，所述优化公式为：
；
其中，是所述学生对象多模态校园行为语义特征向量的第/>个位置的特征值，/>是所述学生对象多模态校园行为语义特征向量的第/>个位置的特征值，且/>是尺度超参数，/>是所述优化后学生对象多模态校园行为语义特征向量的特征值，/>表示计算以2为底的对数函数。
8.根据权利要求7所述的基于大数据的学生信息数据采集分析系统，其特征在于，所述多维度数据信息包括基础信息、消费信息、成绩信息和行为信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410133254.4A CN117669896A (zh) | 2024-01-31 | 2024-01-31 | 基于大数据的学生信息数据采集分析系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410133254.4A CN117669896A (zh) | 2024-01-31 | 2024-01-31 | 基于大数据的学生信息数据采集分析系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117669896A true CN117669896A (zh) | 2024-03-08 |
Family
ID=90064534
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410133254.4A Withdrawn CN117669896A (zh) | 2024-01-31 | 2024-01-31 | 基于大数据的学生信息数据采集分析系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117669896A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111062692A (zh) * | 2019-12-17 | 2020-04-24 | 河南科技学院 | 一种基于数据挖掘的校园招聘指导的方法及模块 |
| CN114926312A (zh) * | 2022-06-21 | 2022-08-19 | 广州新烨数码科技股份有限公司 | 一种基于人工智能的数据采集分析方法及系统 |
| WO2023050295A1 (zh) * | 2021-09-30 | 2023-04-06 | 中远海运科技股份有限公司 | 一种基于多模态异质特征融合的视频密集事件描述方法 |
| CN116258056A (zh) * | 2022-12-07 | 2023-06-13 | 华中师范大学 | 多模态知识水平评估与学习表现预测方法、系统及介质 |
| CN117036126A (zh) * | 2023-08-25 | 2023-11-10 | 郑州优美智能科技有限公司 | 基于数据分析的大学生综合素质管理系统及方法 |
-
2024
- 2024-01-31 CN CN202410133254.4A patent/CN117669896A/zh not_active Withdrawn
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111062692A (zh) * | 2019-12-17 | 2020-04-24 | 河南科技学院 | 一种基于数据挖掘的校园招聘指导的方法及模块 |
| WO2023050295A1 (zh) * | 2021-09-30 | 2023-04-06 | 中远海运科技股份有限公司 | 一种基于多模态异质特征融合的视频密集事件描述方法 |
| CN114926312A (zh) * | 2022-06-21 | 2022-08-19 | 广州新烨数码科技股份有限公司 | 一种基于人工智能的数据采集分析方法及系统 |
| CN116258056A (zh) * | 2022-12-07 | 2023-06-13 | 华中师范大学 | 多模态知识水平评估与学习表现预测方法、系统及介质 |
| CN117036126A (zh) * | 2023-08-25 | 2023-11-10 | 郑州优美智能科技有限公司 | 基于数据分析的大学生综合素质管理系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109359215B (zh) | 视频智能推送方法和系统 | |
| CN111144191B (zh) | 字体识别方法、装置、电子设备及存储介质 | |
| CN111027865B (zh) | 基于行为和表情识别的教学分析与质量评估系统及方法 | |
| CN107491890A (zh) | 一种可量化课堂教学质量评估系统及方法 | |
| CN111582342B (zh) | 一种图像识别方法、装置、设备以及可读存储介质 | |
| CN107609736A (zh) | 一种综合应用人工智能技术的教学诊断分析系统及方法 | |
| CN108776942A (zh) | 一种走班选科的方法及系统 | |
| CN109783624A (zh) | 基于知识库的答案生成方法、装置和智能会话系统 | |
| CN112559749B (zh) | 在线教育师生智能匹配方法、装置及存储介质 | |
| CN113239916B (zh) | 一种表情识别及课堂状态评估方法、设备及介质 | |
| Al-Alwani | Mood extraction using facial features to improve learning curves of students in e-learning systems | |
| CN111597305B (zh) | 实体标记方法、装置、计算机设备和存储介质 | |
| CN110232343A (zh) | 基于潜变量模型的儿童个性化行为统计分析系统及方法 | |
| Ma et al. | Multi-task MIML learning for pre-course student performance prediction | |
| CN116050892A (zh) | 一种基于人工智能的智能教育评价监督方法 | |
| Sreenivasulu et al. | Implementation of latest machine learning approaches for students grade prediction | |
| CN116935170B (zh) | 视频处理模型的处理方法、装置、计算机设备和存储介质 | |
| CN116226410B (zh) | 一种知识元联结学习者状态的教学评估与反馈方法及系统 | |
| CN117540104A (zh) | 一种基于图神经网络的学习群体差异评价方法与系统 | |
| CN117669896A (zh) | 基于大数据的学生信息数据采集分析系统及方法 | |
| CN109299805A (zh) | 一种基于人工智能的在线教育课程请求处理方法 | |
| Zeng et al. | A textual and visual features-jointly driven hybrid intelligent system for digital physical education teaching quality evaluation | |
| Qin et al. | Analysing learning behaviours of advanced mathematics in MOOCs | |
| Chen et al. | Design of Assessment Judging Model for Physical Education Professional Skills Course Based on Convolutional Neural Network and Few‐Shot Learning | |
| Jianyun | Big data assisted online teaching platform for ideological and political theory course in universities |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240308 |