摘要：学生成绩预测旨在利用学生的相关信息预测其在未来的学业表现.随着校园信息化建设的持续推进,校园网络认证系统越来越完善,各高校逐步积累了丰富的学生校园上网行为数据.考虑到人的行为表现和学习能力密切相关,以校园上网行为感知为切入点,通过挖掘学生的上网行为日志来预测他们的成绩.为此,收集构建了一个同时包含学生校园上网行为和成绩数据的真实数据集,并通过数据分析证明两者之间确实存在一定的关联性.在此基础上,提出了一个端到端的双层自注意力网络(dual-level self-attention network,DEAN),引入级联式的自注意力机制来分别提取学生每一天的局部上网行为特征和长时间的全局上网行为特征,更好地解决了长行为序列建模问题.此外,通过多任务学习策略在统一的框架下同时解决面向不同专业的学生成绩预测问题,并设计了基于学生排名差的代价敏感损失来进一步提升方法的性能.实验结果表明:相比于传统的序列建模方法,所提出的方法具有更好的预测精度.

摘要：在排序学习中引入特征选择可以提高学习的效率和准确率。出于对选择速度的考虑,当前的研究主要从特征选择的角度出发,根据特征对排序的作用和特征之间的相似性选择对排序区分度最大的特征集合。由于特征大都是人工归纳的,因此特征和特征之间难免存在重叠和冗余。为了减少特征之间的冗余,从特征生成的角度出发,对现有特征进行矩阵分解,从而生成新的特征集。考虑到使用奇异值分解(Singular Value Decomposition SVD)等方法进行矩阵分解时不能综合考虑排序结果对特征的影响,基于特征矩阵对排序的效果、特征矩阵与原矩阵之间的差距来构造优化算法,提出了一种基于矩阵分解的排序学习优化方法,并根据该优化方法设计了排序学习特征选择算法MFRank。实验中使用映射随机梯度下降法近似求得优化问题的最优值,在公开测试集MQ2008上的结果显示,所提MFRank方法获得了与当前最优的特征选择方法即RankBoost和RankSVM-Struct等排序算法相当的结果。