[发明专利]多通道信息特征融合的学业预警方法、系统、装置和介质

权利要求书

1.一种多通道信息特征融合的学业预警方法，其特征在于，所述方法包括：

对学生的多类型行为信息进行预设编码，得到所述多类型行为信息的各个类型的向量化表示；

根据所述向量化表示，通过卷积神经网络提取得到所述多类型行为信息的各个类型的抽象特征；

根据注意力机制，获取所述各个类型的抽象特征对应的注意力机制表示；

通过融合算法将所述各个类型的注意力机制表示进行融合，得到所述多类型行为信息的融合特征；

设置预测周期，根据以所述预测周期为间隔的连续时序上的融合特征，通过长短期记忆网络作出序列化的学业预警。

2.根据权利要求1所述的方法，其特征在于，所述多类型行为信息包括学业成绩信息、消费情况信息和常时轨迹信息；

对学生的多类型行为信息进行预设编码，得到所述多类型行为信息的各个类型的向量化表示包括：

分别对学生的学业成绩信息和消费情况信息进行word2vec编码，得到所述学业成绩信息和消费情况信息的向量化表示；

对学生的常时轨迹信息进行one-hot编码，得到所述常时轨迹信息的向量化表示。

3.根据权利要求1或2所述的方法，其特征在于，根据所述向量化表示，通过卷积神经网络提取得到所述多类型行为信息的各个类型的抽象特征包括：

通过卷积神经网络分别对学业成绩信息、消费情况信息和常时轨迹信息的向量化表示进行卷积操作和池化操作，提取得到学业成绩特征、消费情况特征和常时轨迹特征。

4.根据权利要求1所述的方法，其特征在于，通过融合算法将所述各个类型的注意力机制表示进行融合，得到所述多类型行为信息的融合特征包括：

通过融合算法公式将学业成绩特征、消费情况特征和常时轨迹特征的注意力机制表示进行融合，得到融合特征，其中，和分别为所述学业成绩特征的注意力机制表示和映射矩阵，和分别为所述常时轨迹特征的注意力机制表示和映射矩阵，和分别为所述消费情况特征的注意力机制表示和映射矩阵。

5.根据权利要求1所述的方法，其特征在于，设置预测周期，根据以所述预测周期为间隔的连续时序上的融合特征，通过长短期记忆网络作出序列化的学业预警包括：

设置以日作为预测周期，根据连续时序上前一日的状态值和当前日的融合特征，通过长短期记忆网络LSTM结合softmax函数预测所述当前日的学业标签；

根据所述学业标签作出对所述学生的学业预警。

6.根据权利要求1所述的方法，其特征在于，在进行学业预警之前，所述方法还包括：

采用训练集对由所述向量化表示、所述卷积神经网络、所述注意力机制、所述融合算法和所述长短期记忆网络组成的学业预警模型进行训练，基于预设损失函数反向传播更新所述学业预警模型的参数；

采用开发集对所述学业预警模型进行测试，选择预设指标最佳的模型进行保存。

7.根据权利要求6所述的方法，其特征在于，所述预设损失函数为负对数似然函数，所述预设指标为F1指标。

8.一种多类型信息特征融合的学业预警系统，其特征在于，所述系统包括信息编码模块、特征提取模块、注意力模块、融合模块和预测模块；

所述信息编码模块，用于对学生的多类型行为信息进行预设编码，得到所述多类型行为信息的各个类型的向量化表示；

所述特征提取模块，用于根据所述向量化表示，通过卷积神经网络提取得到所述多类型行为信息的各个类型的抽象特征；

所述注意力模块，用于根据注意力机制，获取所述各个类型的抽象特征对应的注意力机制表示；

所述融合模块，用于通过融合算法将所述各个类型的注意力机制表示进行融合，得到所述多类型行为信息的融合特征；

所述预测模块，用于设置预测周期，根据以所述预测周期为间隔的连续时序上的融合特征，通过长短期记忆网络作出序列化的学业预警。