[发明专利]融合自注意力机制和深度矩阵分解的学生成绩预测方法

权利要求书

1.一种融合自注意力机制和深度矩阵分解的学生成绩预测方法，其特征是，包括以下步骤：

步骤一：获取学生历史课程成绩数据，并将获取的原始数据进行预处理，如对数据进行清洗，去掉异常值、缺失值，对数据进行归一化操作使得各阶段的成绩数据在一个范围内，对学生、项目等进行编码，最后得到规范化数据；

步骤二：根据每位学生己获得的历史课程成绩分数，构建学生-课程之间的成绩矩阵，得到训练数据集；

步骤三：从训练数据的成绩矩阵中直接得到学生(行)特征向量、课程(列)特征向量，然后将两个特征向量做非线性变换得到其潜在学生特征向量和课程潜在特征向量，然后作为带有自注意力机制的全连接神经网络的输入，来构建和训练成绩预测模型；

步骤四：将学生下一学期所修课程成绩作为测试数据集，然后对数据进行数据转换、规范化处理后，输入至训练好的融合自注意机制和深度矩阵分解模型进行学生最终成绩预测。

2.根据权利要求1所述的一种融合自注意力机制和深度矩阵分解的学生成绩预测方法，其特征是，所述学生课程成绩，为本科生某专业学生几个学期所学课程取得的成绩，该成绩从课程的学习数据存储的数据库中获取。

3.根据权利要求1所述的一种融合自注意力机制和深度矩阵分解的学生成绩预测方法，其特征是，预处理后得到规范化数据，如对数据进行清洗，去掉异常值、缺失值，对数据进行归一化操作使得各阶段的成绩数据在一个范围内，对学生、课程等进行编码，最后得到规范化数据。原始数据成绩包含着不同的表示形式，如百分制形式、等级制形式通过预处理得到统一表示形式便于模型的构建。原始数据中可能包含着某个学生成绩的缺失或者异常，预处理后使得数据更加标准便于预测模型的精准构建。

4.根据权利要求1所述的一种融合自注意力机制和深度矩阵分解的学生成绩预测方法，其特征是，学生-课程之间的成绩矩阵，其中成绩为0-5，矩阵的每行表示的是每个学生所有的课程成绩记录，矩阵的每列表示的是每一门课程所有学生的成绩。

5.根据权利要求1所述的一种融合自注意力机制和深度矩阵分解的学生成绩预测方法，其特征是，加入自注意力机制，能够快速提取学生和课程的重要潜在特征，让模型更加专注于有用的信息。

6.根据权利要求1所述的一种融合自注意力机制和深度矩阵分解的学生成绩预测方法，其特征是，构建了双线性池化层，提高模型的泛化以及学习能力。

7.根据权利要求1所述的一种融合自注意力机制和深度矩阵分解的学生成绩预测方法，其特征是，深度学习与传统矩阵分解相结合来解决学生成绩预测，将传统的矩阵分解模型扩展到多层神经网络，提升了学生成绩预测的效果。