[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

说明书

本申请涉及一种多通道信息特征融合的学业预警方法、系统、装置和介质，其中，该方法包括：对学生的多类型行为信息进行预设编码，得到多类型行为信息的各个类型的向量化表示，并通过卷积神经网络提取的抽象特征，再获取抽象特征的注意力机制表示；将注意力机制表示进行融合，得到多类型行为信息的融合特征；设置预测周期，根据以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。通过本申请，解决了现有学业预警方法的预测精准率低的问题。实现了多通道学生行为信息特征融合的学业预警，利用长短期记忆网络来强化时序特征信息获取能力，使用注意力机制来融合多类型特征，提升学生学业预警的准确度。

技术领域

本申请涉及机器学习领域，特别是涉及一种多通道信息特征融合的学业预警方法、系统、装置和介质。

背景技术

在大数据时代背景下，教育数据挖掘运用在教育心理学、计算机科学和统计学等多个学科的理论和技术来发现和解决教育研究、教学实践中的各种问题，通过对学生学习成绩、作息轨迹等数据的搜集对其未来的学业情况进行预测，目前常用的方法有机器学习方法比如：支持向量机、贝叶斯等，集成学习的方法比如：xgboost、随机森林、LightGBM等，此外还有神经网络的方法比如：卷积神经网络、循环神经网络等，但是这些方法都没有考虑到学生行为轨迹，学业成绩以及消费数据的时序性规律和周期性变化，而且这些方法考虑的特征维度有所欠缺。

目前针对相关技术中现有学业预警方法的预测精准率低的问题，尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种多通道信息特征融合的学业预警方法、系统、装置和介质，以至少解决相关技术中现有学业预警方法的预测精准率低的问题。

第一方面，本申请实施例提供了一种多通道信息特征融合的学业预警方法，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。

在其中一些实施例中，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。

在其中一些实施例中，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。

在其中一些实施例中，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。

在其中一些实施例中，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：