公开(公告)号：CN112116137A

公开(公告)日：2020-12-22

申请号：CN202010925380.5

申请日：2020-09-06

Applicant: 桂林电子科技大学

Inventor： 刘铁园 ,  张艳 ,  常亮 ,  古天龙 ,  李龙

IPC: G06Q10/04 ,  G06Q50/20 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及机器学习、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。

公开(公告)号：CN111291940A

公开(公告)日：2020-06-16

申请号：CN202010133647.7

申请日：2020-03-02

Applicant: 桂林电子科技大学

Inventor： 常亮 ,  张艳 ,  刘铁园 ,  古天龙

IPC: G06Q10/04 ,  G06Q50/20 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于Attention深度学习模型的学生辍课预测方法，包括对行为记录进行编码和时间窗口化分处理，生成多个时间片行为向量矩阵；基于CNN网络改进的卷积层对多个时间片行为向量矩阵进行处理得到多个具有局部关联关系的特征向量矩阵；基于BI-GRU模型对多个具有局部关联关系的特征向量矩阵进行时序特性的特征提取，生成多个具有时间序列关系的行为特征向量矩阵；基于Attention机制对各时刻隐层特征赋予不同的权值，将不同时刻的隐层状态与权重进行加权求和，生成行为特征表示向量，并输入分类层，通过Sigmoid函数进行预测，得到预测结果。通过考虑到学生学习行为之间的关系和不同行为特征对于辍课预测的影响程度实现预测，提高辍课预测的精准度。

公开(公告)号：CN111291940B

公开(公告)日：2022-06-07

申请号：CN202010133647.7

申请日：2020-03-02

Applicant: 桂林电子科技大学

Inventor： 常亮 ,  张艳 ,  刘铁园 ,  古天龙

IPC: G06Q10/04 ,  G06Q50/20 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于Attention深度学习模型的学生辍课预测方法，包括对行为记录进行编码和时间窗口化分处理，生成多个时间片行为向量矩阵；基于CNN网络改进的卷积层对多个时间片行为向量矩阵进行处理得到多个具有局部关联关系的特征向量矩阵；基于BI‑GRU模型对多个具有局部关联关系的特征向量矩阵进行时序特性的特征提取，生成多个具有时间序列关系的行为特征向量矩阵；基于Attention机制对各时刻隐层特征赋予不同的权值，将不同时刻的隐层状态与权重进行加权求和，生成行为特征表示向量，并输入分类层，通过Sigmoid函数进行预测，得到预测结果。通过考虑到学生学习行为之间的关系和不同行为特征对于辍课预测的影响程度实现预测，提高辍课预测的精准度。