(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111652418.7 (22)申请日 2021.12.3 0 (71)申请人 上海师范大学 地址 200234 上海市徐汇区桂林路10 0号 (72)发明人 张波　徐立　雍睿涵　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 代理人 陈源源 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06F 119/02(2020.01) (54)发明名称 一种基于深度学习的高校专业课程成绩预 测方法 (57)摘要 本发明涉及一种基于深度学习的高校专业 课程成绩预测方法， 包括以下步骤： 选取需要预 测成绩的课程作为后继课程， 根据学生成绩历史 数据， 获取后继课程与前导课程集的关联支撑 度； 选取与后继课程关联支 撑度最大的前导课程 集， 建立后继课程成绩预测神经网络模型； 训练 后继课程 成绩预测神经网络模型， 得到最终训练 模型； 将前导课程集的成绩输入至最终训练模 型， 得到后继课程预测成绩。 与现有技术相比， 本 发明具有预测结果 准确等优点。 权利要求书2页 说明书4页 附图2页 CN 114386327 A 2022.04.22 CN 114386327 A 1.一种基于深度学习的高校专业课程成绩预测方法， 其特 征在于， 包括以下步骤： S1、 选取需要预测成绩的课程作为后继课程， 根据学生成绩历史数据， 获取后继课程与 前导课程 集的关联支撑度； S2、 选取与后继课程关联支撑度最大的前导课程集， 建立后继课程成绩预测神经网络 模型； S3、 训练后继课程成绩预测 神经网络模型， 得到最终训练模型； S4、 将前导课程 集的成绩输入至最终训练模型， 得到后继课程预测成绩。 2.根据权利要求1所述的一种基于深度学习的高校专业课程成绩预测方法， 其特征在 于， 所述关联支撑度co nfidence( κj)的计算表达式为： 其中， M表示权重参数矩阵， ci'表示前导课程， cj表示后继课程， pre(cj)表示cj的前导课 程集， G表示课程成绩。 3.根据权利要求1所述的一种基于深度学习的高校专业课程成绩预测方法， 其特征在 于， 所述后继课程成绩预测神经网络模型包括互相连接的图注意力网络GAT和长短时记忆 网络LSTM 。 4.根据权利要求3所述的一种基于深度学习的高校专业课程成绩预测方法， 其特征在 于， 所述后继课程成绩预测 神经网络模型的训练步骤如下： A1、 获取历年学生前导课程成绩和后继课程成绩， 划分训练集、 验证集和 测试集； A2、 使用交叉熵损失函数对模型中图注意力网络GAT部分进行自监督训练， 得到预训练 模型； A3、 使用图注意力网络GAT融合多阶邻居信息， 得到优化特征矩阵， 将优化特征矩阵输 入LSTM网络中， 使用分段损失函数通过误差反向传播法进行训练， 得到最终训练模型。 5.根据权利要求4所述的一种基于深度学习的高校专业课程成绩预测方法， 其特征在 于， 获取最终训练模型后， 将验证集的前导课程成绩输入最终训练模型得到后 继课程验证 成绩， 当所述后 继课程验证成绩与验证集实际的后继课程成绩差值大于精确阈值时， 增大 训练集样本 重新对后继课程成绩预测 神经网络模型进行训练。 6.根据权利要求4所述的一种基于深度学习的高校专业课程成绩预测方法， 其特征在 于， 所述交叉熵损失函数 表达式如下： 其中， y表示输入训练集的邻接矩阵A中的某个元素值， 为0到1 的任意数值； 表示为训 练后的邻接矩阵 中对应元 素的值， 为0 到1的任意数值， N 为前导课程 集中课程的数量。 7.根据权利要求4所述的一种基于深度学习的高校专业课程成绩预测方法， 其特征在 于， 所述分段损失函数l ossH表达式如下： 权　利　要　求　书 1/2 页 2 CN 114386327 A 2其中， ci表示预测的课程， lo ssH表示预测成绩F(ci)和真实成绩G(ci)之间的误差， N表示 为预测的总课程数， i表示 为课程样本编号， co nfidence( κj)表示关联支撑度。 8.根据权利要求1所述的一种基于深度学习的高校专业课程成绩预测方法， 其特征在 于， 课程的成绩包括分数、 绩点和等第。权　利　要　求　书 2/2 页 3 CN 114386327 A 3