買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉西安交通大學申請的專利一種面向在線教育的學習者異常學習狀態(tài)預測方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114881331B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-09發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202210498953.X，技術(shù)領(lǐng)域涉及：G06F18/20；該發(fā)明授權(quán)一種面向在線教育的學習者異常學習狀態(tài)預測方法是由董博;趙銳;王余藍;阮建飛;師斌設計研發(fā)完成，并于2022-05-09向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種面向在線教育的學習者異常學習狀態(tài)預測方法在說明書摘要公布了：本發(fā)明一種面向在線教育的學習者異常學習狀態(tài)預測方法，包括：將高維在線教育平臺日志信息和學習者注冊信息進行預處理并基于自監(jiān)督學習方法編碼構(gòu)建學習者畫像特征；構(gòu)建學習者狀態(tài)特征，進而基于狀態(tài)特征的產(chǎn)生時序構(gòu)建狀態(tài)特征序列，基于狀態(tài)特征間的余弦相似度構(gòu)造狀態(tài)特征圖；構(gòu)建符合在線教育的學習不良程度預測的長短時記憶?圖注意力深層網(wǎng)絡，確定網(wǎng)絡的層數(shù)、每層的神經(jīng)元個數(shù)以及輸入輸出的維度；基于噪聲標簽構(gòu)造偽標簽以對網(wǎng)絡進行迭代訓練；利用訓練后的網(wǎng)絡預測學習者在待預測學習階段的異常學習狀態(tài)及其程度。本發(fā)明利用學習者注冊信息及學習者日志信息預測學習者狀態(tài)異常程度，為教師對學習者進行針對性指導和幫助提供了參考。

本發(fā)明授權(quán)一種面向在線教育的學習者異常學習狀態(tài)預測方法在權(quán)利要求書中公布了：1.一種面向在線教育的學習者異常學習狀態(tài)預測方法，其特征在于，包括： 首先，將高維在線教育平臺日志信息和學習者注冊信息進行預處理并基于自監(jiān)督學習方法編碼構(gòu)建學習者畫像特征；其次，基于時間窗口對學習者日志信息分片并分別編碼構(gòu)建學習者狀態(tài)特征，進而基于狀態(tài)特征的產(chǎn)生時序構(gòu)建狀態(tài)特征序列，基于狀態(tài)特征間的余弦相似度構(gòu)造狀態(tài)特征圖；再次，構(gòu)建符合在線教育的學習不良程度預測的長短時記憶-圖注意力LSTM-GAT深層網(wǎng)絡，基于所構(gòu)造的學習者狀態(tài)特征、狀態(tài)特征序列和狀態(tài)特征圖來確定網(wǎng)絡的層數(shù)、每層的神經(jīng)元個數(shù)以及輸入輸出的維度；從次，以映射至[0，1]的學習成績作為噪聲標簽，基于噪聲標簽構(gòu)造偽標簽以對網(wǎng)絡進行迭代訓練，每次迭代首先基于多視角特征及偽標簽優(yōu)化網(wǎng)絡，隨后基于狀態(tài)特征的時序局部連續(xù)性、空間局部一致性和樣本預測誤差選取可靠樣本，并為狀態(tài)特征圖中每個未被選取的非可靠樣本構(gòu)建一個以此樣本為中心的子圖，最終在每個子圖聚合可靠樣本標簽實現(xiàn)中心樣本的偽標簽重構(gòu)，并將重構(gòu)后的偽標簽用于下一次迭代訓練；最后，利用訓練后的網(wǎng)絡預測學習者在待預測學習階段的異常學習狀態(tài)及其程度；該方法具體包括以下步驟： 1學習者注冊信息和日志信息處理 對學習者注冊信息以及學習者日志信息進行預處理作為學習者初始特征，對初始特征進行編碼以使其具有統(tǒng)一的數(shù)學表示，隨后基于自監(jiān)督方法訓練一個掩蔽自編碼器，并基于掩蔽自編碼器對編碼后的特征進行再編碼以實現(xiàn)特征降維從而得到學習者畫像特征； 2日志片段信息處理及狀態(tài)特征序列和狀態(tài)特征圖構(gòu)建 將學習者日志信息基于時間窗口劃分為多個日志信息片段，對日志信息片段進行與步驟1中日志信息處理相似的預處理和編碼后獲得學習者狀態(tài)特征；將相同學習者的狀態(tài)特征基于其日志產(chǎn)生的時序構(gòu)造狀態(tài)特征序列，計算所有學習者狀態(tài)特征之間的特征相似度并基于k近鄰的方法構(gòu)造狀態(tài)特征圖； 3LSTM-GAT深層網(wǎng)絡構(gòu)建 構(gòu)建一個由并行的LTSM和GAT組成的深層網(wǎng)絡組來分別提取時序和空間表征，二者輸入分別來自于狀態(tài)特征序列和狀態(tài)特征圖，將經(jīng)過LTSM和GAT深層網(wǎng)絡組處理后輸出的向量與學習者畫像特征向量連接后輸入至全連接層組，全連接層組輸出學習者學習狀態(tài)異常概率； 4基于多視角特征和標簽重構(gòu)的LSTM-GAT深層網(wǎng)絡訓練 將學習成績映射至[0，1]作為噪聲標簽，將學習者狀態(tài)特征和學習者畫像特征作為訓練特征，每次訓練迭代分為網(wǎng)絡參數(shù)更新和偽標簽重構(gòu)兩個部分，模型訓練時將基于噪聲標簽構(gòu)造的偽標簽對網(wǎng)絡參數(shù)進行更新；偽標簽重構(gòu)時，首先選取可靠樣本，然后以非可靠樣本作為中心構(gòu)建子圖，聚合子圖中可靠樣本的偽標簽以重構(gòu)中心非可靠樣本的偽標簽； 5學習者異常學習狀態(tài)預測 將待預測的學習者注冊信息和日志信息進行處理和編碼后作為所訓練LSTM-GAT模型的輸入，經(jīng)過模型處理后輸出學習者學習狀態(tài)異常的概率。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人西安交通大學，其通訊地址為：710049 陜西省西安市咸寧西路28號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。