公开(公告)号：CN111461394A

公开(公告)日：2020-07-28

申请号：CN202010110903.0

申请日：2020-02-24

Applicant: 桂林电子科技大学

Inventor： 刘铁园 ,  郭宗鑫 ,  常亮 ,  古天龙 ,  李龙

IPC: G06Q10/04 ,  G06Q50/20 ,  G06N3/04 ,  G06F17/16

Abstract: 本发明提供的是一种基于深度矩阵分解的学生成绩预测方法。其特征是：将本科生某一门专业课程每个章节的测试成绩、每个章节的课堂作业成绩、课程最终成绩作为输入数据，通过矩阵分解法将输入数据分解成学生特征、项目特征，然后通过前向传播的全连接神经网络进行学习，将简单的特征组合成更加复杂的特征。本发明设计了一个带有注意力机制的全连接神经网络，通过构建学生、项目的特征向量，得到学生潜在特征向量和项目潜在特征向量，最后计算余弦相似度得到预测成绩，以此提高预测结果的准确度和可解释性。

公开(公告)号：CN111860942A

公开(公告)日：2020-10-30

申请号：CN202010509378.X

申请日：2020-06-08

Applicant: 桂林电子科技大学

Inventor： 刘铁园 ,  郭宗鑫 ,  常亮

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

Abstract: 本发明提供的是一种融合自注意力机制和深度矩阵分解的学生成绩预测方法。其特征是：构建学生，课程，成绩的三元组成绩矩阵，通过将深度学习与矩阵分解融合的模型实现成绩预测。本发明设计了一个带有注意力机制的深度矩阵分解模型，通过构建学生、课程的成绩矩阵，然后将成绩矩阵对应的学生和课程向量作为输入，对其进行投影，得到其学生(课程)的潜在特征向量；然后，分别对学生(课程)的潜在特征向量加入自注意力机制构建多层感知器网络；最后，通过构建双线性池化层，将行和列的输出向量进行融合，得到成绩预测值，以此提高预测结果的准确度和可解释性。

公开(公告)号：CN112116142A

公开(公告)日：2020-12-22

申请号：CN202010961528.0

申请日：2020-09-14

Applicant: 桂林电子科技大学

Inventor： 常亮 ,  郭宗鑫 ,  李龙 ,  古天龙

IPC: G06Q10/04 ,  G06Q50/20 ,  G06N3/08 ,  G06K9/62 ,  G06F16/28 ,  G06F16/2458 ,  G06F16/2455 ,  G06F16/21

Abstract: 本发明公开了一种基于深度学习的学生成绩预测系统及方法，涉及深度学习技术领域，包括数据管理模组和模型运作模组，所述数据管理模组包括用户信息模块和成绩信息模块，用户信息模块用以实现用户注册、用户登录和用户信息修改的功能，所述成绩信息模块用以实现用户对成绩信息的查询以及对成绩信息的修改，所述模型运作模组包括模型训练模块和模型预测模块，所述模型训练模块实现对多次的模型初训练，所述模型预测模块与所述模型训练模块通信，实现对初训练后模型的成绩预测，利用了深度学习算法，深度学习能够快速提取稀疏数据的重要特征，并处理复杂的非线性数据，从而提高预测模型的准确率。