一种基于校园行为序列的学生成绩分类预测方法及系统技术方案

本公开公开了一种基于校园行为序列的学生成绩分类预测方法及系统，将获取的历史行为序列分别输入基本序列编码器和基于注意力的序列编码器，根据得到的每个历史行为对应的隐藏表示构建序列特征生成器模型；采用双线性解码机制，通过嵌入设备维度，对序列特征生成器模型计算每个嵌入设备的相似度得分，并将其映射为当前学生行为发生的概率，构建具有不同权重的学生行为序列特征；将学生行为序列特征采用分类算法输出下一个学生行为序列中学生成绩的预测等级。通过建立学生短期行为序列的预测模型，深度学习学生行为序列的不确定性和捕获主要意图，及时准确的预测学生成绩。

A method and system of classifying and predicting students' performance based on campus behavior sequence

【技术实现步骤摘要】
一种基于校园行为序列的学生成绩分类预测方法及系统
本公开涉及大数据分析挖掘
，具体涉及一种基于校园行为序列的学生成绩分类预测方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。随着高校信息管理系统(如学生卡系统)的发展，使我们收集和分析学生的行为数据变得方便和容易，这是了解学生在校学习和生活习惯的重要途径之一。例如，想要获得GPA高分的学生可能拥有非常规律的生活(例如在特定时间去图书馆)，因为他/她需要努力学习所选的课程。学生的行为告诉我们他们是否打算花更多的时间在学习上。在此基础上，我们有动机从学生的校园行为中来开发学生的绩效预测方法。预测表现任务更加关注可能表现不佳的学生，其目的是让教育工作者获得早期反馈，并立即采取行动以期提高学生的成绩。目前已有多种预测方法，如统计分析、数据挖掘和问卷调查，根据行为数据预测学生的表现。例如，Cao等人通过定量分析校园行为数据，证明了学生的生活规律性和有序性在预测学业成绩方面起着重要作用。Fei等人提出了一个时间模型，根据MOOC平台的历史行本文档来自技高网...

【技术保护点】
1.一种基于校园行为序列的学生成绩分类预测方法，其特征在于，包括：/n将获取的历史行为序列分别输入基本序列编码器和基于注意力的序列编码器，根据得到的每个历史行为对应的隐藏表示构建序列特征生成器模型；/n采用双线性解码机制，通过嵌入设备维度，对序列特征生成器模型计算每个嵌入设备的相似度得分，并将其映射为当前学生行为发生的概率，构建具有不同权重的学生行为序列特征；/n将学生行为序列特征采用分类算法输出下一个学生行为序列中学生成绩的预测等级。/n

【技术特征摘要】
1.一种基于校园行为序列的学生成绩分类预测方法，其特征在于，包括：
将获取的历史行为序列分别输入基本序列编码器和基于注意力的序列编码器，根据得到的每个历史行为对应的隐藏表示构建序列特征生成器模型；
采用双线性解码机制，通过嵌入设备维度，对序列特征生成器模型计算每个嵌入设备的相似度得分，并将其映射为当前学生行为发生的概率，构建具有不同权重的学生行为序列特征；
将学生行为序列特征采用分类算法输出下一个学生行为序列中学生成绩的预测等级。


2.如权利要求1所述的一种基于校园行为序列的学生成绩分类预测方法，其特征在于，
所述基本序列编码器中，根据历史行为隐藏表示，建立其与当前行为隐藏表示的线性变换，在历史行为隐藏表示和当前行为隐藏表示之间进行线性插值，得到基本学生行为序列特征。


3.如权利要求1所述的一种基于校园行为序列的学生成绩分类预测方法，其特征在于，
所述基于注意力的序列编码器中，将注意力机制函数作为加权因子，对隐藏表示进行加权求和，得到基于注意力的学生行为序列特征。


4.如权利要求1所述的一种基于校园行为序列的学生成绩分类预测方法，其特征在于，
所述述序列特征生成器模型为，对基本学生行为序列特征和基于注意力的学生行为序列特征的统一表示；
所述基本序列编码器的最后一个隐藏状态负责对整个序列行为进行编码，所述基于注意力的序列编码器负责用于计算前一个隐藏状态的注意力权值。


5.如权利要求1所述的一种基于校园行为序列的学生成绩分类预测方法，其特征在于，
所述分类算法采用SVM分类器，将学生行为训练样本由非线性映射方式映射到高维特征空间，将输入空间中的非线性分类问题转换为特征空间中的线性分...

【专利技术属性】
技术研发人员：王新华，于雪萌，郭磊，刘方爱，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：山东;37