龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：北京工业大学
摘要：本发明提供了一种基于注意力机制的MOOCs辍学预测模型构建方法，该方法对MOOCs平台学习者原始学习行为数据进行数据预处理，建立二维学习行为计数数据集，首先通过卷积神经网络提取内部特征以及通道注意力提取特征通道之间的相互依赖关系；接着放入LSTM训练保留特征时序关系，并与多头自注意力结合强化有效特征权重；最后将加权特征向量放入分类器训练得到预测结果。针对所构建的模型，设置训练集和测试集，训练集用于模型训练，用训练好的模型对测试集进行预测，得到预测结果。本发明能够实现MOOCs平台学习者在学习一段时间后是否辍学的预测，具有一定的理论价值与实际应用意义。
主权项：1.一种基于注意力机制的MOOCs辍学预测模型构建方法，其特征在于，包括以下步骤：步骤1、建立模型输入数据集，根据MOOCs平台上提供的学习者原始在线学习行为记录，建立二维的学习行为计数矩阵，分为时间和行为两个维度，时间维度描述课程期间的时间切片，学习者的学习行为通常是阶段性的，同时考虑学习行为的稀疏性，将时间片长度定义为10天；行为维度则从数据集原始行为数据中提取更加细化的行为数据；步骤2、将步骤1中得到的二维学习行为计数矩阵放入CNN+通道注意力模块进行训练，首先通过卷积层提取每个时间段的特征，再利用通道注意力机制提取特征通道之间的相互依赖关系，学习并自动获取每个特征通道的权重，最后乘以原始的特征图，完成在通道维度上对原始特征的特征加权；步骤3、针对步骤2得到的加权特征图，采用LSTM+多头注意力模块进一步提取有效特征权重，按照时间片先后顺序抽取特征排列成一维向量，然后放入LSTM训练，通过被称作“门”的结构让信息选择式通过，提取特征时序关系，再通过多头自注意力进行切分点积拼接得到加权特征向量；步骤4、将具有时序关系的加权特征向量通过全连接层输出一维向量，最后放入sigmoid函数进行分类，根据概率得到对应的预测结果；此外为了验证预测结果的有效性，设置对照试验对模型预测结果进行对比分析。
全文数据：
权利要求：
百度查询： 北京工业大学 一种基于注意力机制的MOOCs辍学预测模型构建方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号