买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安交通大学申请的专利一种面向在线教育的学习者异常学习状态预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114881331B 。

龙图腾网通过国家知识产权局官网在2025-09-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210498953.X，技术领域涉及：G06F18/20；该发明授权一种面向在线教育的学习者异常学习状态预测方法是由董博;赵锐;王余蓝;阮建飞;师斌设计研发完成，并于2022-05-09向国家知识产权局提交的专利申请。

本一种面向在线教育的学习者异常学习状态预测方法在说明书摘要公布了：本发明一种面向在线教育的学习者异常学习状态预测方法，包括：将高维在线教育平台日志信息和学习者注册信息进行预处理并基于自监督学习方法编码构建学习者画像特征；构建学习者状态特征，进而基于状态特征的产生时序构建状态特征序列，基于状态特征间的余弦相似度构造状态特征图；构建符合在线教育的学习不良程度预测的长短时记忆‑图注意力深层网络，确定网络的层数、每层的神经元个数以及输入输出的维度；基于噪声标签构造伪标签以对网络进行迭代训练；利用训练后的网络预测学习者在待预测学习阶段的异常学习状态及其程度。本发明利用学习者注册信息及学习者日志信息预测学习者状态异常程度，为教师对学习者进行针对性指导和帮助提供了参考。

本发明授权一种面向在线教育的学习者异常学习状态预测方法在权利要求书中公布了：1.一种面向在线教育的学习者异常学习状态预测方法，其特征在于，包括： 首先，将高维在线教育平台日志信息和学习者注册信息进行预处理并基于自监督学习方法编码构建学习者画像特征；其次，基于时间窗口对学习者日志信息分片并分别编码构建学习者状态特征，进而基于状态特征的产生时序构建状态特征序列，基于状态特征间的余弦相似度构造状态特征图；再次，构建符合在线教育的学习不良程度预测的长短时记忆-图注意力LSTM-GAT深层网络，基于所构造的学习者状态特征、状态特征序列和状态特征图来确定网络的层数、每层的神经元个数以及输入输出的维度；从次，以映射至[0，1]的学习成绩作为噪声标签，基于噪声标签构造伪标签以对网络进行迭代训练，每次迭代首先基于多视角特征及伪标签优化网络，随后基于状态特征的时序局部连续性、空间局部一致性和样本预测误差选取可靠样本，并为状态特征图中每个未被选取的非可靠样本构建一个以此样本为中心的子图，最终在每个子图聚合可靠样本标签实现中心样本的伪标签重构，并将重构后的伪标签用于下一次迭代训练；最后，利用训练后的网络预测学习者在待预测学习阶段的异常学习状态及其程度；该方法具体包括以下步骤： 1学习者注册信息和日志信息处理 对学习者注册信息以及学习者日志信息进行预处理作为学习者初始特征，对初始特征进行编码以使其具有统一的数学表示，随后基于自监督方法训练一个掩蔽自编码器，并基于掩蔽自编码器对编码后的特征进行再编码以实现特征降维从而得到学习者画像特征； 2日志片段信息处理及状态特征序列和状态特征图构建 将学习者日志信息基于时间窗口划分为多个日志信息片段，对日志信息片段进行与步骤1中日志信息处理相似的预处理和编码后获得学习者状态特征；将相同学习者的状态特征基于其日志产生的时序构造状态特征序列，计算所有学习者状态特征之间的特征相似度并基于k近邻的方法构造状态特征图； 3LSTM-GAT深层网络构建 构建一个由并行的LTSM和GAT组成的深层网络组来分别提取时序和空间表征，二者输入分别来自于状态特征序列和状态特征图，将经过LTSM和GAT深层网络组处理后输出的向量与学习者画像特征向量连接后输入至全连接层组，全连接层组输出学习者学习状态异常概率； 4基于多视角特征和标签重构的LSTM-GAT深层网络训练 将学习成绩映射至[0，1]作为噪声标签，将学习者状态特征和学习者画像特征作为训练特征，每次训练迭代分为网络参数更新和伪标签重构两个部分，模型训练时将基于噪声标签构造的伪标签对网络参数进行更新；伪标签重构时，首先选取可靠样本，然后以非可靠样本作为中心构建子图，聚合子图中可靠样本的伪标签以重构中心非可靠样本的伪标签； 5学习者异常学习状态预测 将待预测的学习者注册信息和日志信息进行处理和编码后作为所训练LSTM-GAT模型的输入，经过模型处理后输出学习者学习状态异常的概率。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安交通大学，其通讯地址为：710049 陕西省西安市咸宁西路28号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。