公开(公告)号：CN114662748A

公开(公告)日：2022-06-24

申请号：CN202210250344.2

申请日：2022-03-07

Applicant: 北京工业大学

Inventor： 张勇 ,  周菲菲 ,  李小勇 ,  张鹏宇 ,  李孟燃 ,  尹宝才

IPC: G06Q10/04 ,  G06Q50/20 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出一种基于图结构学习的多行为融合神经网络分类预测方法，涉及模式识别与机器学习，尤其是面向基于多源异构校园大数据的学生成绩预测任务。该方法利用多源异构的校园大数据集进行学生行为特征提取，引入K邻近算法构建多行为融合特征图，在此基础上，提出了优化的图结构学习模块学习。相比于单行为节点特征在特征图上进行传播，多行为特征图能够为学习节点嵌入提供更加全面的特征信息。同时，优化的图结构学习模块能够为节点特征图的学习提供共享的信息表示。相比于现有的分类预测模型，本发明方法显著提升了分类预测准确率。

公开(公告)号：CN114662748B

公开(公告)日：2024-06-25

申请号：CN202210250344.2

申请日：2022-03-07

Applicant: 北京工业大学

Inventor： 张勇 ,  周菲菲 ,  李小勇 ,  张鹏宇 ,  李孟燃 ,  尹宝才

IPC: G06Q10/04 ,  G06Q50/20 ,  G06F18/214 ,  G06F18/2431 ,  G06F18/2413 ,  G06F18/23213 ,  G06F18/25 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/0895

Abstract: 本发明提出一种基于图结构学习的多行为融合神经网络分类预测方法，涉及模式识别与机器学习，尤其是面向基于多源异构校园大数据的学生成绩预测任务。该方法利用多源异构的校园大数据集进行学生行为特征提取，引入K邻近算法构建多行为融合特征图，在此基础上，提出了优化的图结构学习模块学习。相比于单行为节点特征在特征图上进行传播，多行为特征图能够为学习节点嵌入提供更加全面的特征信息。同时，优化的图结构学习模块能够为节点特征图的学习提供共享的信息表示。相比于现有的分类预测模型，本发明方法显著提升了分类预测准确率。

公开(公告)号：CN111583048A

公开(公告)日：2020-08-25

申请号：CN202010303786.X

申请日：2020-04-17

Applicant: 北京工业大学

Inventor： 尹宝才 ,  李新海 ,  张勇 ,  周菲菲 ,  韩昊知 ,  方略

IPC: G06Q50/00 ,  G06Q50/20

Abstract: 本发明公开了一种基于活动序列的学生社交关联分析方法，本发明方法首先将高校中学生的各种校园活动数据进行收集合并，然后进行数据清洗，接下来生成学生活动序列，下一步选择两个不同的学生对应的活动序列进行社交关联强度计算，最后将两个学生的社交关联强度值为正数的保留，则认为这两个学生具有社交关系。通过对高校数据集中不同的学生之间相互两两配对计算，即可得到不同学生之间的社交关系，从而构成学生社交关系网。

公开(公告)号：CN111709575A

公开(公告)日：2020-09-25

申请号：CN202010551141.8

申请日：2020-06-16

Applicant: 北京工业大学

Inventor： 李小勇 ,  张勇 ,  尹宝才 ,  周菲菲

IPC: G06Q10/04 ,  G06Q50/20 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出了一种基于深度学习技术的成绩分类预测方法，整体分为数据汇集、数据预处理、数据建模三个阶段。数据汇集阶段负责将学生的多源异构数据进行汇集，包括基础信息、一卡通消费数据、进入图书馆的记录数据、上网日志数据；数据预处理阶段主要对数据进行标准化、去重或合并操作。数据建模阶段则首先分别对不同的行为数据提取特征，然后联合所有的行为特征以及基础信息特征进行分类预测。本发明汇集学生的多源行为数据，经过数据预处理后，直接利用深度学习模型自主学习特征并进行成绩的分类预测，无需人工提取特征，预测分析的结果具有较高的准确率。