【技术实现步骤摘要】
本专利技术涉及数据分析，特别涉及一种融合行为活动的情绪与学习成效分析方法及系统。
技术介绍
1、随着我国高等教育的发展，大学生的学业压力逐年升高。如何在保持身心健康的同时，合理分配学习时间进行高效的学习，已经成为当今大学生的重要挑战。与此同时，学生成绩预测研究是教育大数据挖掘领域内一项重要的研究分支。伴随着科研机构和高校管理部门的协同工作，诸如机器学习、云计算、大数据等人工智能相关的技术和方法正逐渐渗透于教育领域，推动着教育模式的变革和教学方式的创新，对提升教育质量具有重要作用，因此，结合神经网络的学习成效评估方法应运而生。
2、在日常生活中，学生的学习成效及其情绪通常和使用者的行为模式有着很大的关联，然而，在现有技术的神经网络的学习成效评估方法中，序列向量处理模型如循环神经网络通常只是针对活动序列向量的前后时序信息进行分析，缺乏了对使用者行为模式的分析，这就导致模型无法有效捕捉使用者自身的活动规律，限制了模型的个性化预测能力。
3、因此，研究一种融合有对使用者行为模式分析的情绪与学习成效分析方法及系统具有重要意
【技术保护点】
1.一种融合行为活动的情绪与学习成效分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种融合行为活动的情绪与学习成效分析方法，其特征在于，所述神经网络通过非对称交叉熵损失训练，得到训练好的神经网络。
3.根据权利要求2所述的一种融合行为活动的情绪与学习成效分析方法，其特征在于，所述非对称交叉熵损失的表达式如下：
4.根据权利要求1所述的一种融合行为活动的情绪与学习成效分析方法，其特征在于，在对预设时间内所述行为活动类别进行编码处理，得到行为活动编码序列，这一步骤中，具体包括以下步骤：
5.根据权利要求4所述...
【技术特征摘要】
1.一种融合行为活动的情绪与学习成效分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种融合行为活动的情绪与学习成效分析方法，其特征在于，所述神经网络通过非对称交叉熵损失训练，得到训练好的神经网络。
3.根据权利要求2所述的一种融合行为活动的情绪与学习成效分析方法，其特征在于，所述非对称交叉熵损失的表达式如下：
4.根据权利要求1所述的一种融合行为活动的情绪与学习成效分析方法，其特征在于，在对预设时间内所述行为活动类别进行编码处理，得到行为活动编码序列，这一步骤中，具体包括以下步骤：
5.根据权利要求4所述的一种融合行为活动的情绪与学习成效分析方法，其特征在于，在利用分级词向量编码对所述行为活动类别向量构成的序列进行分割阈值化处理，得到所述行为活动编码序列，这一步骤中，具体包括以下步骤：
6.根据权利要求1所述的一种融合行为活...
【专利技术属性】
技术研发人员：王昌宏，杨鑫，刘钰锐，许泽举，香子祺，
申请(专利权)人：中山大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。