[发明专利]一种基于超图神经网络的学生成绩预测方法

说明书

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。

技术领域

本发明主要涉及教育数据挖掘，超图神经网络和深度学习领域，具体是一种基于多源超图神经网络的学生成绩预测技术。

背景技术

利用行为数据，对学生行为进行建模，并实现学习成效的分析评价在学界已有不少的研究成果。传统学习行为理论研究由于技术与工具的限制，只能探讨那些能直接测量的、可观察的行为，而对于学习行为内隐关联的研究，一直缺乏一手事件数据，尚未形成系统的理论分析体系。近年来，随着校园信息系统的建设，逐渐积累了大量学生学习相关的数据，为大数据条件下学习行为分析和建模提供了数据基础，使得数据驱动的学习行为建模分析工作也越来越受到学界的重视。但目前大多研究工作是基于单一数据源进行的，未考虑学生个体间的差异性和多样性，忽略学生行为数据隐含的高阶关联性，导致其研究的普适性较差。

经研究表明，心理健康、文化信仰、体育活动、网络使用、饮食习惯等因素都与学生学业成绩有着紧密的关联。详细来说，由诸如早餐时间、进入图书馆频次、购物消费金额等多种行为反映的特征，在不同程度上或积极或消极地影响着学生成绩。因此，如何利用学生在校园中多源异构行为数据预测学业成绩，并分析不同行为特征构建的行为模式，对学生管理是非常重要的。

随着深度学习的发展，神经网络凭借强大的自适应学习能力在计算机视觉，自然语言处理等方向取得了突破性进展。尤其是图神经网络在节点划分、连接预测等领域上取得了良好的进展。与传统的卷积神经网络不同，图卷积能够使用神经网络模型对不同输入数据的图形结构进行编码。在学习节点特征的同时，捕获异构图的拓扑结构信息。相比于普通卷积神经网络只能更新权重，图神经网络的学习包括对节点、边以及全局信息的更新。图神经网络更适合非结构化数据的学习，也非常适合多种行为间关系的挖掘。

根据图的定义，普通图只能表示成对节点的关系。对于复杂的多对多关系，简单图将会丢失很多有用的信息。因此，对于多元高阶关系反映出的数据结构，传统的图在表述方面存在局限性。学生行为关联作为典型的多对多关系，需要一种新的拓扑结构来表示这种关系。相关论文研究表明，超图作为一种广义的图，不同于普通图结构，超图的一条超边可以连接多个节点。因此可以更加准确的描述存在多元关联的对象之间的关系，更容易表示多模态和异构的数据关联。同时，在节点嵌入特征表示学习上，超图神经网络相对于图神经网络对于高阶的非结构性数据的处理更加灵活。

超图在对高阶关系的处理上具有良好的性能，超图神经网络在多个领域的研究也取得了阶段性的进展。但尚未发现将超图引入到学习行为建模领域中的研究工作。本发明引入超图将有助于提升成绩预测效果，并在一定程度上解决模型可解释性的问题。

发明内容

为了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，本发明提供了一种基于多源超图神经网络的学生行为模式分析的成绩预测方法，将超图引入到学习行为建模领域中，通过提取学生行为特征构建超图来捕获学生多源异构行为数据中隐含的高阶关联关系，通过神经网络训练节点嵌入特征，以达到预测成绩的目的。本发明的具体步骤如下：

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；