一种基于混合深度神经网络的学生辍课预测方法技术

本发明专利技术涉及机器学习、深度学习及数据挖掘等技术领域，具体是涉及一种基于混合深度神经网络的学生辍课预测方法。本发明专利技术考虑到时间序列数据，进行了细粒度划分，并使用One‑hot编码规则和特征工程相结合，构建行为特征矩阵，有助于提高预测的准确性，并且使用一种新建的卷积神经网络(CNN)，进行局部关系特征提取。考虑到行为之间的序列关系，以及模型本身的影响，最后通过门控循环单元(GRU)网络进行时间序列关系特征提取，通过softmax层进行最后的预测任务，以此提高辍课预测的精确度。本发明专利技术使用三层的GRU提取行为矩阵之间存在的潜在具有时序关系的行为特征。

【技术实现步骤摘要】
一种基于混合深度神经网络的学生辍课预测方法(一)
本专利技术涉及机器学习、深度学习及数据挖掘等
，具体是涉及一种基于混合深度神经网络的学生辍课预测方法。(二)
技术介绍
近年来，随着互联网技术和教育资源的蓬勃发展，教育模式和学习方式也发生了很大的变化。大规模网络开放课程(MOOCs)，如Coursera,Udacity,Edx等在线平台，自2012年来开始出现以来，汇集了来自世界各地的优质的课程资源，推动着全球的教育事业的发展，在媒体，学术期刊和公众心目中占据重要位置。这些学习平台跨越了时间和空间的局限，吸引了越来越多的学生参加，他们有更多的自由来决定学习什么，什么时候，在哪里，以及如何学习，他们甚至可以完全停止学习。然而正是因为MOOCs平台的极高的灵活性，持续的高辍课率问题一直是MOOCs平台面临的一个挑战，这也成为影响MOOC发展的主要问题之一。先前的研究表明，91％至93％的学生中途辍课或者无法完成课程。这意味着大多数学生在课程结束前就已经辍课，严重浪费了教育资源，也影响MOOC平台的发展。因此如何降低辍课率，提高学生课程的完成度本文档来自技高网...

【技术保护点】
1.一种基于混合深度神经网络的学生辍课预测方法。其特征是：本专利技术通过对学生的点击流日志信息进行预处理，生成学生每天的行为表示矩阵，为了刻画学生不同访问时间对辍课行为的影响，通过SE-Net对每一天的行为矩阵进行加权表示，生成每天的行为表示矩阵，然后使用一种新的CNN对行为特征进行局部关系提取，最后通过门控循环单元(GRU)网络进行时间序列关系特征提取，通过softmax层进行最后的预测任务，以此提高辍课预测的精确度。/n其特征在于：/n

【技术特征摘要】
1.一种基于混合深度神经网络的学生辍课预测方法。其特征是：本发明通过对学生的点击流日志信息进行预处理，生成学生每天的行为表示矩阵，为了刻画学生不同访问时间对辍课行为的影响，通过SE-Net对每一天的行为矩阵进行加权表示，生成每天的行为表示矩阵，然后使用一种新的CNN对行为特征进行局部关系提取，最后通过门控循环单元(GRU)网络进行时间序列关系特征提取，通过softmax层进行最后的预测任务，以此提高辍课预测的精确度。
其特征在于：


2.根据权利要求1所述的一种基于混合深度神经网络的学生辍课预测方法。其特征是：在生成输入数据方面，本发明考虑到时间序列数据的进行了细粒度划分，并使用One-hot编码规则和特征工程相结合，构建行为特征矩阵，有助于提高预测的准确性。


3.根据权利要求1所述的一种基于混合深度神经网络的学生辍...

【专利技术属性】
技术研发人员：刘铁园，张艳，常亮，古天龙，李龙，
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