摘要
一种基于多层注意力机制的学生毕业去向预测方法,包括如下步骤:首先,获取已毕业学生的多维度在校数据并进行预处理;其次,对预处理后的数据,通过节点级注意力为每个邻居节点计算注意力得分,得到自定义元路径视图下各邻居节点对中心节点的重要程度;另外,通过语义级注意力学习不同元路径的权重,对中心节点实现元路径感知的聚合;然后,通过时间级注意力学习各节点在不同时间步快照下的重要性,进而跨一系列时间快照聚合节点嵌入;最后,使用多分类焦点损失函数进行端到端优化;本发明通过集成节点级、语义级和时间级的多层注意力机制,实现了深度时空特征的高效挖掘,显著增强了模型的强鲁棒性和泛化能力,提高预测学生毕业去向预测分类的准确性。
技术关键词
毕业去向预测方法
多层注意力机制
节点
邻居
焦点损失函数
快照
融合时序信息
学生
深度时空特征
程序存储介质
数据
语义
掩码矩阵
训练集
计算中心
预测系统
处理器
参数
系统为您推荐了相关专利信息
磁性纳米粒子
图像重建方法
编码特征
时序图像处理
变换特征
碳化硅功率器件
性能预测方法
神经网络模型
器件结构
分区
爆破振动预测方法
特征参量
引入粒子群优化
BP神经网络
粒子群优化算法
数字化管理方法
大语言模型
节点
工程现场
材料特征