-
公开(公告)号：CN113919441B
公开(公告)日：2025-04-25
申请号：CN202111294128.X
申请日：2021-11-03
Applicant: 北京工业大学
IPC: G06F18/241 , G06F18/25 , G06N3/042 , G06N3/048 , G06N3/045 , G06N3/0985 , G06N3/084
Abstract: 本发明提供了一种基于超图变换网络的分类方法，用于解决现有技术无法深刻发掘异构网络中的高阶语义信息，进而无法准确进行分类的问题。本方法提出了一个端到端的超图变换网络(Hypergraph Transformer Neural Networks，HGTN)，利用超边增幅节点间的沟通能力学习高阶关系，并挖掘不同类型节点间的语义信息。具体地，利用注意力机制为不同类型超图分配权重，级联学习原始异构超图中隐含的高阶语义信息，生成有用的元路径，以端到端的方式学习节点嵌入特征，完成节点分类任务。该方法具有良好的准确率与普适性，适用于引文网络，媒体网络，社交网络等异构网络的节点分类任务。
-
公开(公告)号：CN114662748A
公开(公告)日：2022-06-24
申请号：CN202210250344.2
申请日：2022-03-07
Applicant: 北京工业大学
Abstract: 本发明提出一种基于图结构学习的多行为融合神经网络分类预测方法，涉及模式识别与机器学习，尤其是面向基于多源异构校园大数据的学生成绩预测任务。该方法利用多源异构的校园大数据集进行学生行为特征提取，引入K邻近算法构建多行为融合特征图，在此基础上，提出了优化的图结构学习模块学习。相比于单行为节点特征在特征图上进行传播，多行为特征图能够为学习节点嵌入提供更加全面的特征信息。同时，优化的图结构学习模块能够为节点特征图的学习提供共享的信息表示。相比于现有的分类预测模型，本发明方法显著提升了分类预测准确率。
-
公开(公告)号：CN113705679A
公开(公告)日：2021-11-26
申请号：CN202110999765.0
申请日：2021-08-30
Applicant: 北京工业大学
Abstract: 本发明提供了一种基于超图神经网络的学生成绩预测方法，用于解决现有技术无法对学生多源异构行为数据进行分析，进而无法准确预测学业成绩的问题。本方法首先根据学生多源异构数据提取多源行为特征，然后，对所有学生的多源行为特征进行敏感性分析得到每种行为的影响力特征，接下来，利用影响力特征构建多源行为超图；最后，将学生的多源超图H及由四种行为的影响力特征拼接而成的多元影响力特征X输入到深度网络，预测学生成绩。本发明提出的Ms‑HGNN方法，从群体的角度考虑了多源行为特征构建的行为模式对学生成绩的影响，灵活地表示了学生行为多元关联，在提高模型预测准确性的同时赋予了一定的可解释性。
-
公开(公告)号：CN112488236B
公开(公告)日：2024-05-28
申请号：CN202011461457.4
申请日：2020-12-07
Applicant: 北京工业大学
IPC: G06F18/232 , G06F18/23213 , G06F18/10 , G06F18/2433 , G06Q50/20
Abstract: 本发明针对调查问卷方法在收集数据方面的局限性，以及统计方法、监督学习方法和半监督学习方法对学生标签的严重依赖，提出了一种集成的无监督学生行为聚类方法。首先提取学生行为数据的特征，特征分为三部分，利用众数、平均值以及范围描述数据的集中趋势，利用最小值、第一分位数、中位数、第三分位数以及最大值表达数据的离散情况，利用香农熵衡量行为发生时间和地点的规律程度；然后利用方差和相关性分析选择最佳的行为特征；最后利用DBSCAN对学生的行为特征进行初始聚类，对于超大簇采用K‑means进一步细分，得到最终的聚类结果。本发明不依赖学生标签，仅通过分析行为数据完成聚类，为学生的精细化服务和管理奠定了基础。
-
公开(公告)号：CN117271649A
公开(公告)日：2023-12-22
申请号：CN202310435731.8
申请日：2023-04-22
Applicant: 北京工业大学
Abstract: 一种基于层级超图的学生社交可视分析方法涉及教育领域。学生社交关系与他们的身心健康、学业成绩等密切相关，但关于学生校园社交关系可视分析的研究较少，并且关于他们的高阶社区关系深入分析的少，无法表达学生间相互影响的复杂社交状态。因此，本发明提出了一种基于层级超图的学生社交可视分析方法，根据学生的时空共现特性构建社交关系网，利用Louvain进行学生社交关系的社区划分和社区融合。通过不同的视图分析，探索社区成员分布和行为时间分布，个体社交成员分布和行为时间分布，以及个体行为特征与成绩相关性。本发明基于学生基础信息、校园行为数据和学业成绩进行了案例分析研究和专家评价，验证了本发明的易用性和有效性。
-
Patent Agency Ranking
公开(公告)号：CN112488236A
公开(公告)日：2021-03-12
申请号：CN202011461457.4
申请日：2020-12-07
Applicant: 北京工业大学
Abstract: 本发明针对调查问卷方法在收集数据方面的局限性，以及统计方法、监督学习方法和半监督学习方法对学生标签的严重依赖，提出了一种集成的无监督学生行为聚类方法。首先提取学生行为数据的特征，特征分为三部分，利用众数、平均值以及范围描述数据的集中趋势，利用最小值、第一分位数、中位数、第三分位数以及最大值表达数据的离散情况，利用香农熵衡量行为发生时间和地点的规律程度；然后利用方差和相关性分析选择最佳的行为特征；最后利用DBSCAN对学生的行为特征进行初始聚类，对于超大簇采用K‑means进一步细分，得到最终的聚类结果。本发明不依赖学生标签，仅通过分析行为数据完成聚类，为学生的精细化服务和管理奠定了基础。
-
公开(公告)号：CN111709575A
公开(公告)日：2020-09-25
申请号：CN202010551141.8
申请日：2020-06-16
Applicant: 北京工业大学
Abstract: 本发明提出了一种基于深度学习技术的成绩分类预测方法，整体分为数据汇集、数据预处理、数据建模三个阶段。数据汇集阶段负责将学生的多源异构数据进行汇集，包括基础信息、一卡通消费数据、进入图书馆的记录数据、上网日志数据；数据预处理阶段主要对数据进行标准化、去重或合并操作。数据建模阶段则首先分别对不同的行为数据提取特征，然后联合所有的行为特征以及基础信息特征进行分类预测。本发明汇集学生的多源行为数据，经过数据预处理后，直接利用深度学习模型自主学习特征并进行成绩的分类预测，无需人工提取特征，预测分析的结果具有较高的准确率。
-
公开(公告)号：CN113919441A
公开(公告)日：2022-01-11
申请号：CN202111294128.X
申请日：2021-11-03
Applicant: 北京工业大学
Abstract: 本发明提供了一种基于超图变换网络的分类方法，用于解决现有技术无法深刻发掘异构网络中的高阶语义信息，进而无法准确进行分类的问题。本方法提出了一个端到端的超图变换网络(Hypergraph Transformer Neural Networks，HGTN)，利用超边增幅节点间的沟通能力学习高阶关系，并挖掘不同类型节点间的语义信息。具体地，利用注意力机制为不同类型超图分配权重，级联学习原始异构超图中隐含的高阶语义信息，生成有用的元路径，以端到端的方式学习节点嵌入特征，完成节点分类任务。该方法具有良好的准确率与普适性，适用于引文网络，媒体网络，社交网络等异构网络的节点分类任务。
-
公开(公告)号：CN114662748B
公开(公告)日：2024-06-25
申请号：CN202210250344.2
申请日：2022-03-07
Applicant: 北京工业大学
IPC: G06Q10/04 , G06Q50/20 , G06F18/214 , G06F18/2431 , G06F18/2413 , G06F18/23213 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/0895
Abstract: 本发明提出一种基于图结构学习的多行为融合神经网络分类预测方法，涉及模式识别与机器学习，尤其是面向基于多源异构校园大数据的学生成绩预测任务。该方法利用多源异构的校园大数据集进行学生行为特征提取，引入K邻近算法构建多行为融合特征图，在此基础上，提出了优化的图结构学习模块学习。相比于单行为节点特征在特征图上进行传播，多行为特征图能够为学习节点嵌入提供更加全面的特征信息。同时，优化的图结构学习模块能够为节点特征图的学习提供共享的信息表示。相比于现有的分类预测模型，本发明方法显著提升了分类预测准确率。
-
公开(公告)号：CN113705679B
公开(公告)日：2024-05-28
申请号：CN202110999765.0
申请日：2021-08-30
Applicant: 北京工业大学
IPC: G06F18/2431 , G06F18/214 , G06F18/23 , G06N3/0464 , G06Q10/04 , G06Q50/20
Abstract: 本发明提供了一种基于超图神经网络的学生成绩预测方法，用于解决现有技术无法对学生多源异构行为数据进行分析，进而无法准确预测学业成绩的问题。本方法首先根据学生多源异构数据提取多源行为特征，然后，对所有学生的多源行为特征进行敏感性分析得到每种行为的影响力特征，接下来，利用影响力特征构建多源行为超图；最后，将学生的多源超图H及由四种行为的影响力特征拼接而成的多元影响力特征X输入到深度网络，预测学生成绩。本发明提出的Ms‑HGNN方法，从群体的角度考虑了多源行为特征构建的行为模式对学生成绩的影响，灵活地表示了学生行为多元关联，在提高模型预测准确性的同时赋予了一定的可解释性。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.029 seconds)
