[发明专利]一种基于超图神经网络的学生成绩预测方法

权利要求书

1.一种基于超图神经网络的学生成绩预测方法，其特征在于包括以下步骤：

1)根据学生多源异构数据提取多源行为特征:学生行为数据分为学生基本信息、消费行为、进出图书馆行为以及网关登录行为四个来源，其中，除学生基本信息外，其余行为均为典型的时序数据，每条记录都有明确的时间信息，根据时间信息提取多源行为特征；

2)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：分别计算每组行为的特征影响力，并保留影响力高的特征；

3)利用影响力特征构建多源行为超图：在构建超图时，本发明提出了DBKNN方法，具体如下，

首先，通过单行为的影响力特征对学生进行聚类，每个学生作为一个节点，学生被分为不同的类别或者不属于任意类别，不属于任意类别的情况称为噪声；若某学生不属于任何类别，则以该节点为中心构成超边的邻居节点为该节点本身；若某学生节点属于类别z，则运用k近邻在类别z的集合中选择距离当前学生节点最近的前k个邻居节点；

构建单行为超图：选择每一个学生节点作为超边的中心点，每条超边由中心点与相同类别的k个最近邻学生节点连接而成；

最后，将4个单行为超图进行拼接合并，形成学生的多源超图H；

4)为了学习到高维数据的隐含特征，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，深度网络包括第一超边卷积HGNN_conv_1，第二超边卷积HGNN_conv_2，Dropout，激活函数Relu，全连接层Linear，具体连接关系为HGNN_conv_1→Relu→Dropout→HGNN_conv_2Relu→Dropout→Linear，具体预测过程为：

输入H和X到HGNN_conv_1层，并通过激活函数Relu学习嵌入特征X1，输入到Dropout解决过拟合问题得到X2，接下来采取相同操作：输入H和X2到HGNN_conv_2层，并通过激活函数Relu学习嵌入特征X3，输入到Dropout解决过拟合问题得到X4，最后通过全连接层Linear得到成绩类别y，模型搭建后经过交叉熵损失函数进行梯度下降训练。

2.根据权利要求1所述的一种基于超图神经网络的学生成绩预测方法，其特征在于：

进一步的，

学生基本信息为学生记录在册的信息；

消费行为为参考学校的作息时间以及每个地点的功能划分，细分为多种类型的消费行为。

3.根据权利要求2所述的一种基于超图神经网络的学生成绩预测方法，其特征在于：

进一步的，

学生基本信息包括性别、学院、专业、年级、生源地、毕业中学、是否应届生、课程成绩，学生生源信息和学生的课程成绩，学生生源信息包括毕业中学属性，毕业中学属性利用三个属性进行表达，分别是毕业中学所在城市的行政级别，即省级、市级、县级，毕业中学的办学性质，即公办、民办，以及毕业中学的办学水平，即国家级重点、省级重点、市级重点、县级重点、普通中学；学生的课程成绩选择课程信息和历史成绩作为特征，学生成绩在预处理的过程中将非百分制的成绩转化为百分制；

消费行为包括早餐行为、午餐行为、晚餐行为、购物行为，根据每种类型提取日期、时间、地点、消费金额和消费类型五个特征；

进出图书馆行为包括进入的时间、图书馆名称、学生在图书馆预约座位、借还书的信息；

网关登录行为包括学生上网时间、网址域名、上网地点和浏览网页类型信息。

4.根据权利要求1所述的一种基于超图神经网络的学生成绩预测方法，其特征在于：

学生多源行为数据的特征用于描述不同学生行为的时间地点分布集中情况以及规律性，特征分为定性和定量两种结构，

学生基本信息特征为定性特征，采用one-hot编码表示学生基本信息；

其他为定量特征，分别计算平均值、范围、众数以表达其分行为的集中趋势，采用最小值、第一分位数、中位数、第三分位数以及最大值表达其行为的分散情况，同时，分别计算时间和地点两个属性的香农熵以表达行为的规律性。