[發明專利]基于CNNAE-LSTM的慕課輟學預測方法及系統

在審

• 申請號: 202211418779.X
• 申請日: 2022-11-14
• 公開（公告）號: CN115907123A
• 公開（公告）日: 2023-04-04
• 發明（設計）人: 牛科;魯國強
• 申請（專利權）人: 北京信息科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/20;G06F18/213;G06N3/0464;G06N3/0442;G06N3/048;G06N3/049;G06N3/0455;G06N3/08
• 代理公司: 北京睿智保誠專利代理事務所(普通合伙) 11732
• 代理人: 韓迎之

本發明公開了一種基于CNNAE?LSTM的慕課輟學預測方法及系統，涉及在線教育輟學行為預測技術領域。具體步驟包括如下：獲取學生在線教育平臺上的學習記錄數據；對所述學習記錄數據進行預處理，得到一維時間序列矩陣；將所述一維時間序列矩陣輸入到CNN?AE降維模型中，得到低維代表性特征數據；把所述低維代表性特征數據作為初始編碼特征輸入到LSTM模型中，進行時間序列預測，得到輟學預測結果。在本發明中，CNNAE和LSTM的結合僅通過整合低維潛在學習特征的時間演化，就可以表示學生高維學習行為并得到學習特征與輟學之間的非線性關系，輟學預測精度高，效果好。

技術領域

本發明涉及在線教育輟學行為預測技術領域，更具體的說是涉及一種基于CNNAE-LSTM的慕課輟學預測方法及系統。

背景技術

近年來，慕課(MOOCs)已經成為全世界學習者的主要在線學習方式，但MOOC高輟學率已成為阻礙其自身發展的關鍵因素。因此，研究人員進行輟學預測對教師早期干預并保留用戶至關重要。

深度學習的學習能力更強，能自動的從記錄中提取高級特征，從而大幅度提升了輟學預測的結果。其中，CNN能自動從數據集中隱式地提取局部特征信息的特性，LSTM通過存儲單元保留的長期記憶高效處理時間序列并進行預測。現有技術中，CNN和LSTM憑借自身獨特的優勢，被廣泛應用于輟學預測中，采用CNN與LSTM結合的方法進行輟學預測，相較單獨的神經網絡而言，這種多神經網絡結合的方法使得輟學預測的效果有小幅度提升。然而，CNN和LSTM的組合方式能解決的問題有限的，其中還有更多影響輟學預測效果的關鍵因素值得考慮，例如，學生的長期學習特征形成的高維度時間序列難以處理，特征之間存在的非線性關系難以表示，另外因輟學率較高導致的數據不平衡現象也影響著輟學預測的效果。因此，對本領域技術人員來說，如何克服上述缺陷提高輟學預測精度是亟待解決的問題。

發明內容

有鑒于此，本發明提供了一種基于CNNAE-LSTM的慕課輟學預測方法及系統，以解決背景技術中提出的問題。

為了實現上述目的，本發明采用如下技術方案：一種基于CNNAE-LSTM的慕課輟學預測方法，具體步驟包括如下：

獲取學生在線教育平臺上的學習記錄數據；

對所述學習記錄數據進行預處理，得到一維時間序列矩陣；

將所述一維時間序列矩陣輸入到CNN-AE降維模型中，得到低維代表性特征數據；

把所述低維代表性特征數據作為初始編碼特征輸入到LSTM模型中，進行時間序列預測，得到輟學預測結果。

可選的，所述CNN-AE降維模型由多層CNN構成，所述CNN包括卷積層、池化層和全連接層，在所述CNN-AE降維模型中，使用每兩層卷積一層池化的方式作為所述CNN-AE模型中的編碼器，使用每兩層卷積一層上采樣作為其對應的解碼器，使用ReLU作為激活函數。

通過采用上述技術方案，具有以下有益的技術效果：使用CNN-AE的優勢在于，與完全連接的神經網絡相比，它可以以較低的計算成本將高維流場映射到低維潛在空間，同時保留關鍵特征。在輟學預測中，學習者的學習行為數據比較零散，且頻率低，使用多元時間序列的非線性特征直接用于輟學預測會導致運算成本高且效率低下等問題，因此提前提取特征而不是將原始時間序列直接輸入模型，可以提高預測性能和訓練速度。本發明采用CNN-AE可以以較低的計算成本將高維特征映射到低維潛在空間，同時保留代表性特征并壓縮得到特征之間的非線性關系。

可選的，所述LSTM模型包括輸入層、輸出層以及門控機制，所述門控機制為輸入門、遺忘門、輸出門；所述輸入門，用于更新當前時間步的輸入和上一個時間步的系統狀態，對本循環單元的內部狀態進行更新，所述遺忘門，用于決定上一個時間步的狀態是保留還是遺忘；所述輸出門，用于決定內部狀態對整個系統的狀態的更新。