一种基于超图神经网络的在线学习同伴互评分数聚合方法技术

本发明专利技术公开了一种基于超图神经网络的在线学习同伴互评分数聚合方法，包括：构建学生间的社交关系超图及对应的第一矩阵、学生间分数互评超图及对应的第二矩阵和学生分数自评超图及对应的第三矩阵；将第一矩阵、第二矩阵和第三矩阵分别输入至预设的深层超图卷积模型，对应得到第一输出特征、第二输出特征和第三输出特征；深层超图卷积模型包括卷积网络、图注意力网络以及残差网络；将第一输出特征、第二输出特征和第三输出特征进行特征交互，得到模态交互特征；聚合模态交互特征并根据聚合后的模态交互特征计算每一学生的预测分数。本发明专利技术可以实现在线学习同伴互评分数的精准预测，可广泛应用于互评预测领域。可广泛应用于互评预测领域。可广泛应用于互评预测领域。

【技术实现步骤摘要】
一种基于超图神经网络的在线学习同伴互评分数聚合方法


[0001]本专利技术涉及互评预测
，尤其是一种基于超图神经网络的在线学习同伴互评分数聚合方法。

技术介绍

[0002]在计算机技术的支持下，建立在线学习的环境，使教师与学生、学生与学生在讨论、交流的基础上进行在线学习成为当下的主流学习方式。而面对在线学习环境中海量的作业任务，同伴互评成为主流的作业评价方式，面对同伴评分的海量数据，以及同伴学习之间的复杂关系，如何处理学生的评价数据以更精准地聚合学生的真实成绩，得出学生的真实完成情况是当下的研究问题之一。目前关于同伴互评分数聚合算法的研究并不少，且取得了较好的研究成果，这些传统模型以特征向量作为输入，并输出聚合的最终成绩，但是这些方法将每个学生孤立地看待，往往忽略了进行互评的学生之间潜在的关系等问题，无法充分捕捉学生数据的复杂性，忽视了同伴之间的高阶关系信息，但实际上，同伴的关系会对评分的结果产生潜移默化的影响，如何捕捉这种同伴之间的关系，对同伴的得分准确程度进行描述是非常重要的，所以在聚合模型上还有待改进提升的空间。
[0003]因此，上述问题亟待解决。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供一种基于超图神经网络的在线学习同伴互评分数聚合方法，以实现在线学习同伴互评分数的精准预测。
[0005]本专利技术实施例的一方面提供了一种基于超图神经网络的在线学习同伴互评分数聚合方法，包括：
[0006]构建学生间的社交关系超图及对应的第一矩阵、学生间分数互评超图及对应的第二矩阵和学生分数自评超图及对应的第三矩阵；
[0007]将所述第一矩阵、所述第二矩阵和所述第三矩阵分别输入至预设的深层超图卷积模型，对应得到第一输出特征、第二输出特征和第三输出特征；所述深层超图卷积模型包括卷积网络、图注意力网络以及残差网络；
[0008]将所述第一输出特征、第二输出特征和第三输出特征进行特征交互，得到模态交互特征；
[0009]聚合所述模态交互特征并根据聚合后的模态交互特征计算每一学生的预测分数。
[0010]可选地，所述构建学生间的社交关系超图及对应的第一矩阵、学生间分数互评超图及对应的第二矩阵和学生分数自评超图及对应的第三矩阵，包括：
[0011]将学生作为超图顶点，将学生间存在社交关系作为超边，构建社交关系超图，并根据所述社交关系超图构建第一矩阵；
[0012]将学生作为超图顶点，将学生间进行过分数互评作为超边，构建分数互评超图，并根据所述分数互评超图构建第二矩阵；
[0013]将学生作为超图顶点，将学生自评分数作为超边，构建分数自评超图，并根据所述分数自评超图构建第三矩阵。
[0014]可选地，所述将所述第一矩阵、所述第二矩阵和所述第三矩阵分别输入至预设的深层超图卷积模型，对应得到第一输出特征、第二输出特征和第三输出特征，包括：
[0015]将所述第一矩阵输入所述深层超图卷积模型，并依次经过所述卷积网络、图注意力网络以及残差网络处理，并结合由所述深层超图卷积模型训练得到的社交关系权重向量确定第一输出特征；
[0016]将所述第二矩阵输入所述深层超图卷积模型，并依次经过所述卷积网络、图注意力网络以及残差网络处理，并结合由所述深层超图卷积模型训练得到的分数互评权重向量确定第二输出特征；
[0017]将所述第三矩阵输入所述深层超图卷积模型，并依次经过所述卷积网络、图注意力网络以及残差网络处理，并结合由所述深层超图卷积模型训练得到的分数自评权重向量确定第三输出特征。
[0018]可选地，所述第一输出特征、第二输出特征和第三输出特征的确定过程，包括：
[0019]将所述卷积网络、图注意力网络以及残差网络分别对所述第一矩阵的输出，与所述社交关系权重向量中对应的社交关系权重子向量相乘，并加权平均，得到第一输出特征；
[0020]将所述卷积网络、图注意力网络以及残差网络分别对所述第二矩阵的输出，与所述分数互评权重向量中对应的分数互评权重子向量相乘，并加权平均，得到第二输出特征；
[0021]将所述卷积网络、图注意力网络以及残差网络分别对所述第三矩阵的输出，与所述分数自评权重向量中对应的分数自评权重子向量相乘，并加权平均，得到第三输出特征。
[0022]可选地，所述将所述第一输出特征、第二输出特征和第三输出特征进行特征交互，得到模态交互特征，包括：
[0023]分别计算所述第一输出特征、第二输出特征和第三输出特征中各特征之间的关联关系，对应得到第一交互特征、第二交互特征和第三交互特征；
[0024]将所述第一输出特征、第二输出特征和第三输出特征两两进行特征交互，对应得到第四交互特征、第五交互特征和第六交互特征；
[0025]将所述第一输出特征、第二输出特征和第三输出特征进行特征交互，得到第七交互特征。
[0026]可选地，在所述聚合所述模态交互特征之前，所述方法还包括：
[0027]将第一至第七交互特征的矩阵维度转换为同一维度。
[0028]可选地，所述聚合所述模态交互特征，包括：
[0029]通过图注意力网络计算第一至第七交互特征的加权平均值，以聚合所述模态交互特征。
[0030]本专利技术实施例的另一方面还提供了一种基于超图神经网络的在线学习同伴互评分数聚合装置，包括：
[0031]第一聚合单元，用于构建学生间的社交关系超图及对应的第一矩阵、学生间分数互评超图及对应的第二矩阵和学生分数自评超图及对应的第三矩阵；
[0032]第二聚合单元，用于将所述第一矩阵、所述第二矩阵和所述第三矩阵分别输入至预设的深层超图卷积模型，对应得到第一输出特征、第二输出特征和第三输出特征；所述深
层超图卷积模型包括卷积网络、图注意力网络以及残差网络；
[0033]第三聚合单元，用于将所述第一输出特征、第二输出特征和第三输出特征进行特征交互，得到模态交互特征；
[0034]第四聚合单元，用于聚合所述模态交互特征并根据聚合后的模态交互特征计算每一学生的预测分数。
[0035]本专利技术实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
[0036]所述存储器用于存储程序；
[0037]所述处理器执行所述程序实现上述的方法。
[0038]本专利技术实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现上述的方法。
[0039]本专利技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的方法。
[0040]本专利技术构建了构建学生间的社交关系超图及对应的第一矩阵、学生间分数互评超图及对应的第二矩阵和学生分数自评超图及对应的第三矩阵，超图对于刻画同伴之间的高阶关系具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超图神经网络的在线学习同伴互评分数聚合方法，其特征在于，包括：构建学生间的社交关系超图及对应的第一矩阵、学生间分数互评超图及对应的第二矩阵和学生分数自评超图及对应的第三矩阵；将所述第一矩阵、所述第二矩阵和所述第三矩阵分别输入至预设的深层超图卷积模型，对应得到第一输出特征、第二输出特征和第三输出特征；所述深层超图卷积模型包括卷积网络、图注意力网络以及残差网络；将所述第一输出特征、第二输出特征和第三输出特征进行特征交互，得到模态交互特征；聚合所述模态交互特征并根据聚合后的模态交互特征计算每一学生的预测分数。2.根据权利要求1所述的一种基于超图神经网络的在线学习同伴互评分数聚合方法，其特征在于，所述构建学生间的社交关系超图及对应的第一矩阵、学生间分数互评超图及对应的第二矩阵和学生分数自评超图及对应的第三矩阵，包括：将学生作为超图顶点，将学生间存在社交关系作为超边，构建社交关系超图，并根据所述社交关系超图构建第一矩阵；将学生作为超图顶点，将学生间进行过分数互评作为超边，构建分数互评超图，并根据所述分数互评超图构建第二矩阵；将学生作为超图顶点，将学生自评分数作为超边，构建分数自评超图，并根据所述分数自评超图构建第三矩阵。3.根据权利要求1所述的一种基于超图神经网络的在线学习同伴互评分数聚合方法，其特征在于，所述将所述第一矩阵、所述第二矩阵和所述第三矩阵分别输入至预设的深层超图卷积模型，对应得到第一输出特征、第二输出特征和第三输出特征，包括：将所述第一矩阵输入所述深层超图卷积模型，并依次经过所述卷积网络、图注意力网络以及残差网络处理，并结合由所述深层超图卷积模型训练得到的社交关系权重向量确定第一输出特征；将所述第二矩阵输入所述深层超图卷积模型，并依次经过所述卷积网络、图注意力网络以及残差网络处理，并结合由所述深层超图卷积模型训练得到的分数互评权重向量确定第二输出特征；将所述第三矩阵输入所述深层超图卷积模型，并依次经过所述卷积网络、图注意力网络以及残差网络处理，并结合由所述深层超图卷积模型训练得到的分数自评权重向量确定第三输出特征。4.根据权利要求3所述的一种基于超图神经网络的在线学习同伴互评分数聚合方法，其特征在于，所述第一输出特征、第二输出特征和第三输出特征的确定过程，包括：将所述卷积网络、图注意力网络以及残差网络分别对所述第一矩阵的输出，与所述社交关系权重向量中对应的社交关系权重子向量相乘，并加权平均，得到第一输出特征...

【专利技术属性】
技术研发人员：李明，段嘉峰，黄昌勤，陈雨婷，杨沙沙，
申请(专利权)人：浙江师范大学，
类型：发明
国别省市：