[发明专利]一种基于元学习和支持向量描述的学业预警方法

权利要求书

1.一种基于元学习和支持向量描述的学业预警方法，其特征在于，所述方法包括以下步骤：

S100，基于深度神经网络建立学业预测初始模型，获取学生在历史学年的不同学科的历史课程数据，预处理历史课程数据，建立跨任务数据集，根据跨任务数据集对学业预测初始模型进行预训练，得到学业预测基模型；

S200，获取历史课程数据对应的历史学习行为数据，建立单任务数据集，利用单任务数据集对学业预测基模型进行微调训练，得到学业预测主模型；

S300、获取学生在当前学年的第一阶段的当前学习行为数据，将学习行为数据输入至学业预测主模型中，获得该学生的第一学业结果；

其中，所述第一学业结果包括第二时刻对应的未来课程数据，所述第二时刻在所述第一阶段之后；

S400，基于支持向量描述建立学业预测辅助模型，获取学生在当前学年的第二阶段的当前学习行为数据输入至学业预测辅助模型中，得到该学生的第二学业结果；

其中，所述第二学业结果为第二阶段对应的未来学业预警概率，所述第二阶段在所述第一阶段之后、第二时刻之前；

S500，设定学业预警条件，根据第一学业结果和第二学业结果判断该学生是否满足学业预警条件，当该学生满足学业预警条件时，针对该学生进行学业预警。

2.根据权利要求1所述的一种基于元学习和支持向量描述的学业预警方法，其特征在于，步骤S100中根据跨任务数据集对学业预测初始模型进行预训练，得到学业预测基模型的步骤具体为：

S110，初始化学业预测初始模型的网络参数给定N个训练任务分类器，将网络参数赋予给这N个训练任务分类器的网络结构θ_N，即

S120，将跨任务数据集分为N组训练数据，每一组训练数据均有其对应的训练任务分类器，每一组训练数据均分为查询集和支持集；

S130，每一个训练任务分类器分别在其对应的支持集上训练，并根据每个训练任务分类器对应的查询集计算得出所有训练任务分类器的总损失函数，利用梯度下降法和总损失函数更新学业预测初始模型的网络参数；

S140，设定学业预测初始模型的网络参数的预期值区间，判断学业预测初始模型的网络参数是否位于预期值区间内，如果是，则转至步骤S141；

S141，输出学业预测基模型；

如果学业预测初始模型的网络参数位于预测值区间之外，则转至步骤S142；

S142，循环执行步骤S130至S140。

3.根据权利要求2所述的一种基于元学习和支持向量描述的学业预警方法，其特征在于，步骤S130具体包括：

S131，通过随机采样从N个训练任务分类器中选择n个训练任务分类器，采样得出的n个训练任务分类器分别在其对应的支持集上进行训练，并通过梯度下降法更新一次各自的网络参数θ_n为θ_n^*，n＝1,2,3…；

S132，根据步骤S131中得到的网络参数θ_n^*，这n个训练任务分类器分别在其对应的查询集上进行测试，并计算得出每个训练任务分类器所对应的第一子损失函数L_n(θ_n^*)；

S133，根据所有第一子损失函数计算得到总损失函数；其中所述总损失函数满足以下公式：

其中，表示总损失函数；

S134，根据总损失函数更新学业预测初始模型的网络参数所述更新学业预测初始模型的网络参数满足以下公式：

其中，β表示学业预测初始模型的学习率，表示总损失函数关于学业预测初始模型的网络参数的导数。