融合自注意力机制和深度矩阵分解的学生成绩预测方法技术

本发明专利技术提供的是一种融合自注意力机制和深度矩阵分解的学生成绩预测方法。其特征是：构建学生，课程，成绩的三元组成绩矩阵，通过将深度学习与矩阵分解融合的模型实现成绩预测。本发明专利技术设计了一个带有注意力机制的深度矩阵分解模型，通过构建学生、课程的成绩矩阵，然后将成绩矩阵对应的学生和课程向量作为输入，对其进行投影，得到其学生(课程)的潜在特征向量；然后，分别对学生(课程)的潜在特征向量加入自注意力机制构建多层感知器网络；最后，通过构建双线性池化层，将行和列的输出向量进行融合，得到成绩预测值，以此提高预测结果的准确度和可解释性。

【技术实现步骤摘要】
融合自注意力机制和深度矩阵分解的学生成绩预测方法(一)
本专利技术涉及深度学习、数据挖掘及推荐算法等
，具体是涉及一种融合自注意力机制和深度矩阵分解的学生成绩预测方法。(二)
技术介绍
教育数据挖掘是数据挖掘技术和方法在教育环境中的应用。数据挖掘技术可以为教育决策者提供基于数据的模型，这些模型对于支持他们提高教与学的效率和质量的目标至关重要。教育数据挖掘的主要应用有学生表现预测，发现学生不良行为，知识追踪，课程推荐等。其中，学生成绩预测是教育数据挖掘的典型问题，通过预测学生的成绩，能够及时帮助有学习困难的学生，同时为教学管理者、老师等提供教学建议和理论支持。为了实现学生学生成绩预测，专利技术专利“一种基于朴素贝叶斯模型的学生学业成绩预测方法及系统”，公开号为CN106127634A，主要是针对数据库中存储的学生的学习数据，进行数据转换，得到规范化的学生学习状况数据表；针对规范化的学生学习状况数据表，通过服务器中的计算单元计算不同类别中各属性的条件概率及不同类别的先验概率；将待预测的学生数据进行数据转换后输入至训练好的朴素贝叶斯模型本文档来自技高网...

【技术保护点】
1.一种融合自注意力机制和深度矩阵分解的学生成绩预测方法，其特征是，包括以下步骤：/n步骤一：获取学生历史课程成绩数据，并将获取的原始数据进行预处理，如对数据进行清洗，去掉异常值、缺失值，对数据进行归一化操作使得各阶段的成绩数据在一个范围内，对学生、项目等进行编码，最后得到规范化数据；/n步骤二：根据每位学生己获得的历史课程成绩分数，构建学生-课程之间的成绩矩阵，得到训练数据集；/n步骤三：从训练数据的成绩矩阵中直接得到学生(行)特征向量、课程(列)特征向量，然后将两个特征向量做非线性变换得到其潜在学生特征向量和课程潜在特征向量，然后作为带有自注意力机制的全连接神经网络的输入，来构建和训练成绩...

【技术特征摘要】
1.一种融合自注意力机制和深度矩阵分解的学生成绩预测方法，其特征是，包括以下步骤：
步骤一：获取学生历史课程成绩数据，并将获取的原始数据进行预处理，如对数据进行清洗，去掉异常值、缺失值，对数据进行归一化操作使得各阶段的成绩数据在一个范围内，对学生、项目等进行编码，最后得到规范化数据；
步骤二：根据每位学生己获得的历史课程成绩分数，构建学生-课程之间的成绩矩阵，得到训练数据集；
步骤三：从训练数据的成绩矩阵中直接得到学生(行)特征向量、课程(列)特征向量，然后将两个特征向量做非线性变换得到其潜在学生特征向量和课程潜在特征向量，然后作为带有自注意力机制的全连接神经网络的输入，来构建和训练成绩预测模型；
步骤四：将学生下一学期所修课程成绩作为测试数据集，然后对数据进行数据转换、规范化处理后，输入至训练好的融合自注意机制和深度矩阵分解模型进行学生最终成绩预测。


2.根据权利要求1所述的一种融合自注意力机制和深度矩阵分解的学生成绩预测方法，其特征是，所述学生课程成绩，为本科生某专业学生几个学期所学课程取得的成绩，该成绩从课程的学习数据存储的数据库中获取。


3.根据权利要求1所述的一种融合自注意力机制和深度矩阵分解的学生成绩预测方法，其特征是，预处理后得到规范化数据，如对数据进...

【专利技术属性】
技术研发人员：刘铁园，郭宗鑫，常亮，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45