(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111408575.3 (22)申请日 2021.11.24 (71)申请人 西安交通大 学 地址 710049 陕西省西安市咸宁西路28号 (72)发明人 陈妍　郝怡然　魏刚林　陈运帷　 田锋　朱海萍　郑庆华　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 代理人 崔方方 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/20(2012.01) G06N 3/04(2006.01) (54)发明名称 基于行为特征的大学生成绩预测方法、 装 置、 设备及存 储介质 (57)摘要 本发明公开了基于行为特征的大学生成绩 预测方法、 装置、 设备及存储介质， 属于成绩预测 领域。 与现有算法相比， 本发明采用的数据表示 方法和行为特征提取方法能够提取更有效的行 为特征。 具体表现为， 在第一学期成绩预测场景 下， 本发明提出的算法相比于 现有算法在预测精 度上有较大优势， 其中不及格预测任务中， 本发 明的F1‑measure为0.5051， 经典的机器 学习算法 中精度最高的GBDT算法取得的F1 ‑measure为 0.4849， 综合成绩预测任务中， 本发明取得的R2 为0.2734， 经 典机器学习算法中精度最高的随机 森林算法取得的R2为0.25 32。 权利要求书3页 说明书7页 附图4页 CN 114266380 A 2022.04.01 CN 114266380 A 1.一种基于行为特 征的大学生成绩预测方法， 其特 征在于， 包括以下步骤： 1)获取校园卡行为数据， 采用行为类型加时间戳的方式将校园卡行为数据抽象为三维 张量， 得到校园卡行为数据的数 学表示； 2)接收预测请求； 判断所述预测请求是否为第一学期成绩预测； 若为第一学期成绩预 测， 则： 获取学生的个人信息特 征； 将本学期的校园卡行为数据的数学表示输入基于多头自注意机制的分层递进的神经 网络中提取本学期行为特 征； 将个人信 息特征和本学期行为特征进行连接， 将连接后的特征同时输入到两个多层感 知机， 一个感知机的输出层经过Softmax函数激活后输出是否存在不及格科目的预测结果， 另一个感知机 输出综合成绩的预测结果。 2.根据权利要求1所述的基于行为特征的大学生成绩预测方法， 其特征在于， 步骤2)若 非第一学期成绩预测， 则： 获取学生的个人信息特 征和历史成绩特 征； 将上学期和本学期的校园卡行为数据的数学表示输入基于多头自注意机制的分层递 进的神经网络中提取 上学期行为特 征和本学期行为特 征； 基于本学期的行为特征和上一学期的行为特征， 计算行为特征模式差， 基于行为特征 模式差修 正历史成绩特 征， 得到修 正后的历史成绩特 征； 将个人信息特征、 本学期行为特征和修正后的历史成绩特征进行连接， 将连接后的特 征同时输入到两个多层感知机， 一个感知机的输出层经过Softmax函数激活后输出是否存 在不及格科目的预测结果， 另一个感知机 输出综合成绩的预测结果。 3.根据权利要求1所述的基于行为特征的大学生成绩预测方法， 其特征在于， 步骤1)的 具体操作为： 获取校园卡5种行为数据； 对所述5种行为数据进行编码， 转化为one ‑hot形式， 将校园卡记录表示为六维向量 actｉ， 具体形式为(avec， t)， 其中， avec为行为类型编码的one ‑hot形式， t为时间戳， acti为学 生在t时间进行了行为avec； 将一天内个人的所有的校园卡数据进行拼接， 得到日行为矩阵M， 维度为(lmax， 6)， 其 中， lmax为最大序列长度， 6为序列中每条 行为向量的维度； 将一周内每天的日行为矩阵进行拼接， 得到周行为张量T， 维度 为(7， lmax， 6)， 其中， 7表 示每周包 含七个日行为矩阵； 将整个学期每周的行为张量进行拼接， 得到新的四维张量， 维度为(wmax， 7， lmax， 6)， 其 中， wmax为截取数据的最大周数。 4.根据权利要求3所述的基于行为特征的大学生成绩预测方法， 其特征在于， 校园卡5 种行为数据为： 进出图书馆、 消费、 考勤正常、 迟到和缺勤； 或者， 进出图书馆、 消费、 考勤正常、 迟到和早退。 5.根据权利要求3所述的基于行为特征的大学生成绩预测方法， 其特征在于， 步骤2)中 的学期行为特 征提取具体过程 为： 对于每个日行为矩阵Mi， 使用多头自注意力层进行特征处理， 从全量二阶交叉行为组合权　利　要　求　书 1/3 页 2 CN 114266380 A 2特征中提取高阶行为组合特征， 将提取出的高阶特征输入第一级LSTM层， 输出dmax个日行为 特征； 将每7个日行为特征连接， 得到日行为特征序列， 经过第二级LSTM处理， 得到wmax个周行 为特征； 将所有周行为特征连接， 得到周行为特征序列， 经过第三级LSTM处理， 得到学期行为特 征。 6.根据权利要求2所述的基于行为特征的大学生成绩预测方法， 其特征在于， 步骤2)中 行为特征模式差为前后两个学期行为特 征的相似度， 具体 计算过程 为： 连接本学期行为特征和上学期行为特征， 经过线性层处理后进行Softmax操作， 得到行 为特征模式差 。 7.根据权利要求2所述的基于行为特征的大学生成绩预测方法， 其特征在于， 步骤2)中 基于行为特 征模式差修 正历史成绩特 征具体为： 连接行为特征模式差和历史成绩特征， 连接后的特征经过线性层处理后使用Relu函数 激活后输出修 正后的历史成绩特 征； 步骤2)中， 从入学 数据中提取生源省份、 入学类型、 性别、 政治面貌作为个人信息特 征； 从上学期的历史成绩数据中提取平均分、 最高分、 最低分、 平均绩点、 标准差和不及格 科目数作为历史成绩特 征。 8.一种基于行为特征的大学生成绩预测装置， 其特征在于， 包括获取数据模块、 学期判 断模块和预测成绩模块； 所述获取数据模块用于获取校园卡行为数据， 采用行为类型加时间戳的方式将校园卡 行为数据抽象为 三维张量， 得到校园卡行为数据的数 学表示； 所述学期判断模块用于根据预测请求， 判断所述预测请求是否为第一学期成绩预测； 所述预测成绩模块 根据所述学期判断模块进行成绩预测， 若为第一学期成绩预测， 则： 获取学生的个人信息特 征； 将本学期的校园卡行为数据的数学表示输入基于多头自注意机制的分层递进的神经 网络中提取本学期行为特 征； 将个人信 息特征和本学期行为特征进行连接， 将连接后的特征同时输入到两个多层感 知机， 一个感知机的输出层经过Softmax函数激活后输出是否存在不及格科目的预测结果， 另一个感知机 输出综合成绩的预测结果； 若非第一学期成绩预测， 则： 获取学生的个人信息特 征和历史成绩特 征； 将上学期和本学期的校园卡行为数据的数学表示输入基于多头自注意机制的分层递 进的神经网络中提取 上学期行为特 征和本学期行为特 征； 基于本学期的行为特征和上一学期的行为特征， 计算行为特征模式差， 基于行为特征 模式差修 正历史成绩特 征， 得到修 正后的历史成绩特 征； 将个人信息特征、 本学期行为特征和修正后的历史成绩特征进行连接， 将连接后的特 征同时输入到两个多层感知机， 一个感知机的输出层经过Softmax函数激活后输出是否存 在不及格科目的预测结果， 另一个感知机 输出综合成绩的预测结果。 9.一种计算机设备， 包括存储器、 处理器以及存储在所述存储器中并可在所述处理器权　利　要　求　书 2/3 页 3 CN 114266380 A 3