基于混合深度学习及注意力机制的学生表现预测方法技术

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，具体是涉及基于混合深度学习及注意力机制的学生表现预测方法。利用学生在线学习日志信息，首先对其进行预处理和特征提取，使用相关性特征选择方法来获得对预测结果有重要影响的特征。然后将提取到的特征按照特征类别进行周累计统计和全部累计统计。接着将提取到的时序特征和潜在特征进行拼接，由于学习到的两类特征在量级和类别上差异较大，因此使用深层神经网络进行高阶特征交互，学习更深层次的特征。同时考虑到不同特征对学生表现的影响程度不同，使用注意力机制为不同的深层次特征分配不同的权重。最后使用sigmoid分类器预测学生是否能够通过某一门课程，从而提高预测的准确性。的准确性。的准确性。

【技术实现步骤摘要】
基于混合深度学习及注意力机制的学生表现预测方法
(一)

[0001]本专利技术涉及机器学习、深度学习及数据挖掘等
，具体是涉及基于混合深度学习及注意力机制的学生表现预测方法。
(二)
技术介绍

[0002]近年来，教育信息化发展迅速，远程教育、在线学习等系统的广泛应用为教育数据挖掘提供了大量丰富的数据，使得教育数据挖掘迎来了新的转折点。利用这些数据，研究者们能够识别学生的学习环境、学习条件、学习状态，实现对某些教育现象的解释，提高教育的有效性。其中，学生表现预测作为教育数据挖掘的重要领域之一，得到越来越多的关注。通过对学生表现进行预测，可以及早识别学习存在风险的学生，从而能够提前采取有效的措施，帮助这些学生提高学习成绩；同时通过对学生表现进行预测，还可以评估现有的教学模式，为指导老师、教学管理者提供教学建议，优化教学资源分配。
[0003]在已有的学生表现预测领域，可以根据使用的方法类型，简单的将其分为传统的机器学习方法和深度学习方法。在学生表现预测的早期研究中，通常使用回归方法、决策树、支持向量机、因子分解等传统的机器学习方法，这些本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.本发明为涉及机器学习、深度学习及数据挖掘等技术领域的基于混合深度学习及注意力机制的学生表现预测方法。其特征是：利用学生在线学习过程中的行为记录日志信息，首先对其进行预处理和特征提取，使用相关性特征选择(CFS)的方法来获得对预测结果有重要影响的特征。然后考虑到学习过程中的阶段性和整体性，对提取到的特征，按特征类分别进行周累计统计和全部累计统计。对于周累计统计的数据，该发明采用训练速度更快、效果更好的深层门限控制单元神经网络(DeepGRU)进行时序特征提取；对于全部累计统计的数据，使用深层神经网络(DNN)进行潜在特征提取。接着将提取到的时序特征和潜在特征进行拼接，但由于学习到的两类特征在量级和类别上差异较大，因此使用DNN进行高阶特征交互，学习更深层次的特征。同时考虑到不同特征对学生表现的影响程度不同，为了更好的进行预测，使用注意力机制(Attention)为不同的深层次特征分配不同的权重。最后使用sigmoid分类器对学生是否能够通过某一门课程进行预测，从而提高预测的准确性。2.根据权利要求1所述的基于混合深度学习及注意力机制的学生表现预测...

【专利技术属性】
技术研发人员：刘铁园，王畅，陈威，吴琼，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：