一种基于深度学习的高校专业课程成绩预测方法技术

本发明专利技术涉及一种基于深度学习的高校专业课程成绩预测方法，包括以下步骤：选取需要预测成绩的课程作为后继课程，根据学生成绩历史数据，获取后继课程与前导课程集的关联支撑度；选取与后继课程关联支撑度最大的前导课程集，建立后继课程成绩预测神经网络模型；训练后继课程成绩预测神经网络模型，得到最终训练模型；将前导课程集的成绩输入至最终训练模型，得到后继课程预测成绩。与现有技术相比，本发明专利技术具有预测结果准确等优点。发明专利技术具有预测结果准确等优点。发明专利技术具有预测结果准确等优点。

【技术实现步骤摘要】
一种基于深度学习的高校专业课程成绩预测方法


[0001]本专利技术涉及基于大数据的智慧教育领域，尤其是涉及一种基于深度学习的高校专业课程成绩预测方法。

技术介绍

[0002]高校教育中大学生的专业学习以课程体系为核心，因此课程设置的合理性与适用性将直接影响学生的专业能力和综合素质水平的高低。高校各专业课程设置对于课程的承接关系、“前导课
‑
后继课”的梳理等工作尤其重视。随着教育数据的大量增加，如何利用教育过程中积累的海量学生学习大数据，挖掘课程之间的关联性，是目前高校实现智慧教育的一个关键问题。
[0003]同时，如何根据课程之间的联系去预测学生后继课程的成绩也是目前研究的方向，获取后继课程的预测成绩可利于学生根据预测成绩进行查漏补缺，并利于校方科学地设置课程前后顺序。现在对于成绩预测的定性分析仍然广泛建立在经验判断或传统的数值相关分析等方法上，且现有的预测方法均建立在小样本数据或小样本采样调查基础上分析，无法从海量学生学习数据中挖掘与预测相关的信息，导致成绩预测并不准确。

技术实现思路
r/>[0004]本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的高校专业课程成绩预测方法，其特征在于，包括以下步骤：S1、选取需要预测成绩的课程作为后继课程，根据学生成绩历史数据，获取后继课程与前导课程集的关联支撑度；S2、选取与后继课程关联支撑度最大的前导课程集，建立后继课程成绩预测神经网络模型；S3、训练后继课程成绩预测神经网络模型，得到最终训练模型；S4、将前导课程集的成绩输入至最终训练模型，得到后继课程预测成绩。2.根据权利要求1所述的一种基于深度学习的高校专业课程成绩预测方法，其特征在于，所述关联支撑度confidence(κ
j
)的计算表达式为：其中，M表示权重参数矩阵，c
i
'表示前导课程，c
j
表示后继课程，pre(c
j
)表示c
j
的前导课程集，G表示课程成绩。3.根据权利要求1所述的一种基于深度学习的高校专业课程成绩预测方法，其特征在于，所述后继课程成绩预测神经网络模型包括互相连接的图注意力网络GAT和长短时记忆网络LSTM。4.根据权利要求3所述的一种基于深度学习的高校专业课程成绩预测方法，其特征在于，所述后继课程成绩预测神经网络模型的训练步骤如下：A1、获取历年学生前导课程成绩和后继课程成绩，划分训练集、验证集和测试集；A2、使用交叉熵损失函数对模型中图注意力网络GAT部分进行自监督训练，得到预训练模型；A3、使用图注意力网络GAT融合多阶邻居信...

【专利技术属性】
技术研发人员：张波，徐立，雍睿涵，
申请(专利权)人：上海师范大学，
类型：发明
国别省市：