The invention discloses a method and device for credit evaluation of college students based on in-depth learning, which includes: A: obtaining credit data of students to be evaluated; B: using Word2vec framework to convert text information in credit data samples into word vectors, and then using pre-trained LSTM model to process corresponding word vectors of students to be evaluated to obtain the number of text feature indicators. Data: C: The credit data of the students to be evaluated, except the text information, are assigned and normalized to get the non-text feature index data; D: Using the pre-trained BP neural network, the students'text feature index data and non-text feature index data are mapped to the continuous output as continuous input, and the students' goals to be evaluated are obtained. Credit evaluation results. The application of the embodiment of the present invention can improve the efficiency and accuracy of credit evaluation for students.
【技术实现步骤摘要】
一种基于深度学习的在校大学生信用评估方法及装置
本专利技术涉及一种基于深度学习的在校大学生信用评估方法及装置，更具体涉及一种基于深度学习的在校大学生信用评估方法及装置。
技术介绍
近些年来，大学生在学业、学术、就业中失信事件频发，如学术造假，毕业生助学贷款拖欠等，大学生信用的缺失不仅损害了大学生的整体形象，不利于大学生自身的健康成长，而且也给社会造成了不良的影响，使社会公众对大学教育产生了诸多的质疑。通过对在校大学生的学习和生活方面的信息进行分析，有助于形成较为完善的符合大学生群体特点的信用评定方法，因此大学生信用评定方法的研究对于约束大学生行为，引导学生发展具有重要的科研价值和应用价值。现有的信用评定方法大多基于个体的经济行为即履约情况，然而大学生群体存在特殊性，其在校期间活动以学习技能为主，独立完成的与社会群体间的经济活动较少，采用以往的信用评定方法无法对在校大学生的信用水平进行准确评定。此外，在校大学生的日常活动中也包含着类似于经济活动中的履约行为，如按时上课，合理通过考试，按时缴纳学费等，这些信息都可以作为学生信用评定的辅助信息，而目前高校学生的信用水平判定对这些信息未进行充分利用，其判定手段主要可分为人工评定的方法和基于多属性权重分析的方法两种。基于人工判定的方法依赖于同学之间的相互评定以及辅导员和任课老师的综合评定结果，这种方法以个体之间的直接交互主观感受为依据，致使评定结果难以表现真实的信用水平，进而导致得到的评定结果与真实结果之间存在偏差。多属性权重的分析方法基于学生成绩信息库，以学生成绩与学分的加权平均作为学生信用评定结果，这种方法仅以学...
【技术保护点】
1.一种基于深度学习的在校大学生信用评估方法，其特征在于，所述方法包括：A：获取待评估学生的信用数据，所述信用数据包括：所述学生的上课考勤数据、所述学生的考试成绩数据、所述学生的学费数据、所述学生的助学贷款数据中的一种或组合；B：使用word2vec框架将所述信用数据样本中的文本信息转换为词向量，再使用预先训练好的LSTM模型针对所述待评估学生对应的词向量进行处理得到文本特征指标数据；C：将待评估学生的信用数据中除文本信息以外的其他信用数据进行特征赋值并进行归一化处理，得到非文本特征指标数据；D：利用预先训练的BP神经网络将学生文本特征指标数据和非文本特征指标数据作为连续性输入映射到连续性输出，得到所述待评估学生的目标信用评估结果。
【技术特征摘要】
1.一种基于深度学习的在校大学生信用评估方法，其特征在于，所述方法包括：A：获取待评估学生的信用数据，所述信用数据包括：所述学生的上课考勤数据、所述学生的考试成绩数据、所述学生的学费数据、所述学生的助学贷款数据中的一种或组合；B：使用word2vec框架将所述信用数据样本中的文本信息转换为词向量，再使用预先训练好的LSTM模型针对所述待评估学生对应的词向量进行处理得到文本特征指标数据；C：将待评估学生的信用数据中除文本信息以外的其他信用数据进行特征赋值并进行归一化处理，得到非文本特征指标数据；D：利用预先训练的BP神经网络将学生文本特征指标数据和非文本特征指标数据作为连续性输入映射到连续性输出，得到所述待评估学生的目标信用评估结果。2.根据权利要求1所述的一种基于深度学习的在校大学生信用评估方法，其特征在于，所述B步骤，包括：B1：针对每一个待评估学生，获取待评估学生的同学和老师针对所述待评估学生的非结构化文本评价信息；B2：去除所述评价信息中与情感倾向分析无关的部分；采用分词工具将所述评价信息行切分，得到分词，对分词使用word2vec框架进行转换得到词向量，将各个分词的词向量组合得到关于所述分词的矩阵；B3：再使用预先训练好的LSTM模型针对所述待评估学生对应的词向量进行处理得到针对所述文本信息的文本特征指标数据。3.根据权利要求1所述的一种基于深度学习的在校大学生信用评估方法，其特征在于，所述步骤C，包括：对所述待评估学生的除文本信息以外的数据信息进行赋值处理，并采用最大值归一化方法对所述待评估学生的除文本信息以外的数据信息进行归一化处理，得到非文本特征指标数据。4.根据权利要求1所述的一种基于深度学习的在校大学生信用评估方法，其特征在于，所述BP神经网络的训练过程，包括：D1：构建BP人工神经网络：所述BP神经网络包括输入层，隐含层和输出层，采用ReLU作为输出映射函数；D2：将第一数量个样本数据作为训练集，将第二数量个样本数据作为测试集，其中，样本数据包括：学生的文本特征指标数据、非文本特征指标数据以及所述学生的信用评估结果；D3：根据输入输出序列(x,y)，输入层节点数，隐含层节点数，输出层节点数，初始化输入层，隐含层和输出层神经元之间的链接权值，初始化隐含层阈值，输出层阈值，给定学习速率和神经元激励函数ReLU，最大容忍误差E；设置学习速率和神经元激励函数f＝ReLU(＝max(x,0))，最大容忍误差E，其中，f为激励；ReLU()为激活函数；max(,)为最大值求值函数；x为输入的向量；y为输出的训练结果；D4：依据输入向量，输入层和隐含层之间以权值ω以及隐含层阈值a，利用公式，计算隐含层输出，其中，Hj为第j个隐含层节点输出的结果；为求和函数；n为输入向量的个数；aj为第j个隐含层节点的偏置；ωij为第i个输入向量针对第j个隐含层节点的权重；xi为第i个输入向量；D5：依据隐含层输出H，权重和设定阈值，利用公式，计算输出O，其中，Ok为第k个输出层节点输出的结果；∑为求和函数；ωjk为第k个输出层节点相对于第j个隐含层节点的权重；l为隐含层包含的节点数量；b为设定阈值；D6：使用均方根误差对网络输出与真实值之间的差距进行度量；D7：根据所述D6步骤的结果判断构建的BP人工神经网络是否收敛，若是，利用训练好的BP人工神经网络模型对待评估学生的信用数据进行处理，获取所述待评估学生的信用评估结果；若否，执行D8步骤；D8：，利用公式，更新第i个输入向量针对第j个隐含层节点的权重以及，第k个输出层节点相对于第j个隐含层节点的权重，其中，η为学习率；e为均方根误差；D9：利用公式，更新节点的设定阈值，并返回执行所述D4步骤，其中，aj为第j个隐含层节点的偏置；bk为输出层第k个节点的设定阈值。5.一种基于深度学习的在校大学生信...
【专利技术属性】
技术研发人员：邵堃，霍星，张阳洋，景永俊，杨鹏，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。