[發明專利]一種基于混合神經網絡的高校學生畫像技術的應用方法

有效

• 申請號: 202010050299.7
• 申請日: 2020-01-17
• 公開（公告）號: CN111291173B
• 公開（公告）日: 2022-02-15
• 發明（設計）人: 李旭陽;于磊;劉子豪;丁治明
• 申請（專利權）人: 北京工業大學
• 主分類號: G06F16/335
• 分類號: G06F16/335;G06F16/35;G06F16/9535;G06F16/9536;G06N3/04;G06N3/08;G06F16/24
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

1.一種基于混合神經網絡的高校學生畫像技術的應用方法，其特征在于：包括以下步驟：

步驟S1:基于高維度聚類的學生畫像進行標簽設計；

步驟S2：基于混合神經網絡建立學生畫像分類模型；混合神經網絡包括卷積神經網絡和前饋神經網絡，在卷積神經網絡和前饋神經網絡中所得出的學生畫像標簽中會有重合部分，需要利用卷積神經網絡和前饋神經網絡中所得出的學生畫像標簽進行合并；所述步驟S2中的前饋神經網絡模型建立，指的是用前反饋神經網絡FNN對學生的基本信息和教務信息組成的靜態數據進行數據挖掘，來確定學生畫像的對應標簽，

所述步驟S2中的混合神經網絡模型建立，指的是在卷積神經網絡和前饋神經網絡中所得出的學生畫像標簽中的標簽結果既受到學生長期靜態屬性影響，也受到短期行為影響，利用卷積神經網絡和前饋神經網絡中所得出的學生畫像標簽進行合并；

步驟S3：利用合并結果得出最優解，進而得出學生畫像；

所述步驟S2中的卷積神經網絡建立，包括：

對于學生的行為數據，在對數據進行清洗和整理后采用矩陣的形式對其進行存儲；數據情況包括每個學生的食堂消費總額、食堂消費標準差、超市消費總額、超市消費標準差、網絡消費總額、浴室消費總額數據；

動態數據以二維矩陣形式存在，采用一維卷積神經網絡對學生動態數據進行處理；

一維卷積神經網絡模型的結構為：輸入層、卷積層、池化層、三層全連接層以及輸出層；

卷積層表述為：

C＝f(xk+b)

其中x代表輸入，k代表卷積核，b代表偏置值；f為激活函數，采用的是relu函數,公式如下：

f(x)＝max(0,x)

卷積層C在序列化數據集上做滑動與原始數據進行卷積后得到特征層；

池化層S，池化層是指下采樣層，把前層神經元的一個集群的輸出與下層單個神經元相結合；池化運算在非線性激活之后執行，其中池化層有助于減少參數的數量并避免過擬合，同樣作為一種平滑手段消除不想要的噪音；S層表述為：

S＝βdown(C)+b

其中β和b為標量參數，down為下采樣選擇的函數，有平均池化層和最大池化層；

輸出層采用的是Softmax函數分類器，一維卷積神經網絡的輸出為y₁，y₂，…，y_n，經過softmax層后輸出為：

在最大池化層與平均池化層間，引入兩層長短期記憶網絡，利用其循環神經網絡所具備的記憶性和參數共享特點，提升了學生畫像標簽中聯系上下教學周進行預測的關聯性；

x₁,x₁,...,x_n表示上一層MaxPooling層的輸出，結構為1行8列40通道，x_n對應第n列數組，數組包括40個特征值，h₁,h₁,...,h_n表示x₁,x₁,...,x_n分別經過cell的各個輸出，當LSTM結構為1行8列80通道時，h_n表示x_n經過cell后的輸出；

訓練目標函數

采用交叉熵損失函數，公式如下：

當y＝1時，預測輸出越接近真實樣本標簽1，損失函數L越小；預測輸出越接近0，L越大，因此，函數的變化趨勢完全符合實際需要的情況；當y＝0時，預測輸出越接近真實樣本標簽0，損失函數L越小；預測函數越接近1，L越大，函數的變化趨勢也完全符合實際需要的情況。

2.根據權利要求1所述的一種基于混合神經網絡的高校學生畫像技術的應用方法，其特征在于：所述步驟S1包括：學生在高校學習生活中的各類數據包括學生基本數據、教務數據、一卡通消費數據、門禁數據、圖書館借閱數據、網關流量瀏覽數據，這些數據分為有結構數據和無結構數據；有結構數據即結構化的數據；無結構數據包括半結構化數據和非結構化數據；利用高維度聚類進行數據挖掘，將復雜的多源異構數據轉換為簡單的語義標簽；

采用基于CLIQUE聚類算法，即自動子空間聚類算法，對學生的各項數據進行聚類，發掘學生在靜態數據和動態數據中的潛在聯系，從而確立學生畫像標簽；子空間聚類的模式確定特定屬性或行為對學生的影響。