[发明专利]一种预防在线教育中辍学行为的方法

说明书

本发明公开了一种预防在线教育中辍学行为的方法，首先对在线教育平台中获取的原始数据进行数据深度挖掘，得到用户的活动时间序列矩阵，上下文信息和“朋友”关系，然后将活动时间序列矩阵、上下文信息和选课特征相似关系分别输入至各自的构建并训练完成的特征提取模块，得到用户的深层序列特征、注意力特征和同学特征，最后将三种特征进行特征融合，将融合后的特征输入至行为预测模型，得到用户的辍学行为预测结果。本发明借助多种影响辍学行为的因素，使得网络的预测能力大大增强，且具有较强的泛化能力。

技术领域

本发明属于在线教育辍学行为预测领域，尤其涉及了一种预防在线教育中辍学行为的方法。

背景技术

近年来，大规模在线开放课程(Massive open online courses,MOOCs)迅速发展，产生了众多优秀的在线教育平台(如Coursera、Udacity、edX和学堂在线等)，它们通过提供数千种精心设计的在线课程，为用户提供了高效、便捷的学习资源和学习机会，使教育不再受时间和地点的限制，使用户能够终身学习，因此吸引了大量的学习用户。

尽管在线教育在不断发展，参加学习的用户也在不断增加，但在线教育的有效性一直在受到质疑。实际上，由于在线教育存在交互性差、用户受教育水平不均等问题，在线教育的高辍学率问题在在线教育平台中广泛存在。据统计显示，在世界著名的在线教育平台edX上的课程平均完成率仅为5％，在由清华大学建立的在线教育平台“学堂在线”上对1000门课程进行统计后发现课程平均完成率也仅有4.5％。因此低完成率已经成为在线教育进一步发展的主要障碍。

公开号为CN110059716A的中国专利申请，公开了一种CNN-LSTM-SVM网络模型的构建及MOOC辍学预测方法，该方法通过对已知学生的原始在线学习行为记录进行处理，得到多个时间片矩阵，根据时间片矩阵进行网络训练，得到训练好的CNN-LSTM网络；最终得到训练好的辍学预测的网络。但方法针对用户的时间片矩阵提取特征，而影响用户辍学行为的因素众多，故提取出的特征还不够全面，从而导致预测性能较为一般。

公开号为CN109558983的中国专利申请，公开了一种网络课程辍学率预测方法及装置，该方法将多种行为属性信息构建行为矩阵，并基于所述行为矩阵进行计算得到该行为矩阵对应的权重向量，通过校验权重向量进行辍学预测。但该方法只考虑了行为信息的特征，实际上，参加在线教育的用户个体差异性较大，不同类型的用户的相同行为对辍学行为造成的影响也各不相同，故该方法没有充分利用数据，从而导致预测性能较为一般。

现有技术普遍存在提取的特征不够全面，预测准确度、精确度较差等问题，由于预测不够准确，难以针对性的提醒用户以预防辍学行为。

发明内容

本申请的目的是提供一种预防在线教育中辍学行为的方法，用以避免现有技术所存在的提取的特征不够全面，预测准确度、精确度较差等问题。

为了实现上述目的，本申请技术方案如下：

一种预防在线教育中辍学行为的方法，包括：

从在线教育平台获得用户的活动时间序列矩阵R，将活动时间序列矩阵R输入至构建并训练完成的时序特征提取模块，得到用户的深层序列特征F_R；

从在线教育平台获得用户的上下文信息N，将上下文信息N与深层序列特征F_R连接，输入至构建并训练完成的注意力特征生成模块，得到用户的注意力特征F_N；

从在线教育平台获得用户的选课特征相似关系G，将选课特征相似关系G输入至构建并训练完成的同学特征提取模块，得到用户的同学特征F_G；

将特征F_R、F_N和F_G进行深度特征融合，得到用户的辍学行为特征F_fision；