[发明专利]一种基于多层门控神经网络的学情预测方法

说明书

本发明属于学情预测技术领域，具体公开了一种基于多层门控神经网络的学情预测方法，该学情预测方法不仅考虑学生个体成绩的变化，还会统计该课程的总体成绩作为参考；此外，在学情预测中，学生的性别、籍贯以及奖学金情况也会被收集作为预测因子，因而本发明能够全面考虑成绩的影响因素，处理复杂繁琐的学情状况，用时短、效率高；此外，本发明还采用迁移学习方法，对多层门控神经网络进行二次训练优化，使多层门控神经网络不仅可以有效预测学生成绩，也可以预测排名情况，提高了学情预测的准确性和效率。

技术领域

本发明属于学情预测技术领域，尤其涉及一种基于多层门控神经网络的学情预测方法。

背景技术

本科生的成绩关系着未来的奖学金、毕业乃至未来的研究生录取、工作录取情况。若缺少事先的提醒与督促，学生们很可能会对某一学课程缺少重视，而导致低分甚至挂科，影响未来生活。因此，根据学生的当前成绩等因素，如何精确地预测其未来的成绩走向，是当前教育领域重点关注的问题。目前，对学生未来成绩的判断主要基于人工评判，即教师观察学生的以往成绩，对于以往成绩不好的学生进行提醒与教育，以督促其通过后续的考试。

另外，奖学金、优秀学生等的评选多依靠学生排名而非成绩，因此，如何能够对学生的未来排名做出精确地预测，也具有重要的意义，而目前无法对学生排名进行有效预测。

总体而言，现有的人工学情预测方法存在以下不足之处：(1)基于人工为主的经验的模型，严重依赖于教师的个人能力，效率不足、准确性低、推广性差；(2)只考虑到了学生自身的往常成绩，而未考虑到课程自身的难易更是影响成绩的重要因素；(3)除了学生往年的成绩外，性别、籍贯、奖学金等也能在一定程度反映出未来成绩，但这些因素在目前的预测时并未被考虑；(4)只使用学生的前一次或所有的成绩情况进行预测，但未考虑输入成绩的先后顺序，损失了成绩的变化趋势这一信息；(5)只能预测学生未来分数，无法预测排名情况。

发明内容

本发明的目的在于提出一种基于多层门控神经网络的学情预测方法，基于多层门控循环神经网络方法对学生的未来成绩与排名进行预测，从而提高预测的准确性和效率。

本发明为了实现上述目的，采用如下技术方案：

一种基于多层门控神经网络的学情预测方法，包括如下步骤：

步骤1.从教务系统数据库中收集原始数据，包括学生的性别、籍贯、前两学期的成绩与奖学金情况，并统计待预测课程在前两学期的总体成绩情况；

步骤2.对原始数据首先进行量化以及标准化预处理操作，然后将预处理后的数据进行拼接操作，得到对应于每个学生的两个一维向量数据；

其中，每个一维向量分别对应该学生前两个学期中一个学期的数据；

同时，将从教务系统数据库中采集到的每个学生在当前学期的真实成绩与真实排名区间段，分别作为该学生的真实成绩标签数据以及真实排名标签数据；

真实成绩标签数据与真实排名标签数据作为真实值，分别对应一个一维输入向量；

将对应于同一学生的两个一维输入向量数据、真实成绩标签数据以及真实排名标签数据，作为该学生的样本数据；将所有学生的样本数据分为训练样本数据集以及测试样本数据集；

步骤3.根据输入输出数据维度，搭建多层门控神经网络，作为成绩预测模型；

步骤4.将训练样本数据集中每个训练样本的两个一维向量数据作为成绩预测模型的输入，输入到成绩预测模型中，得到成绩预测数据；

计算成绩预测数据与真实成绩标签数据的损失值，选取优化器，对多层门控神经网络参数进行优化，得到优化后的网络参数，进而得到训练后的成绩预测模型；

步骤5.根据输入输出数据维度，搭建多层门控神经网络，作为排名预测模型；