MAFFCL:基于掩码注意力机制的校园网络日志特征融合模型  

作　　者：黄礼成 于春燕[2] 

机构地区：[1]安徽理工大学计算机科学与工程学院,安徽淮南232000 [2]滁州学院计算机与信息工程学院,安徽滁州239000

出　　处：《滁州学院学报》2024年第2期62-69,共8页Journal of Chuzhou University

基　　金：安徽省高等教育研究计划项目“基于多模态数据融合的特征建模与应用”(2022AH040153);滁州学院重点项目“面向行为干预的特征建模研究与应用”(2022XJZD13)。

摘　　要：校园网络日志反映了学生用户的上网行为特征。近年来,应用深度学习技术分析海量的校园网络日志数据,受到越来越多研究人员的关注。由于每个学生上网的时间和频率不同,校园网络日志数据在记录时间和存储空间上的分布存在不规则性。这类教育数据在深度学习中通常存在高维稀疏矩阵问题,这导致了难以直接有效地从中提取特征。现有研究大多采用具备先验知识的特征工程方法来筛选相关特征来解决高维稀疏矩阵问题。显然,这些方法不能完全避免高维稀疏矩阵带来的影响。文章提出的对比学习模型MAFFCL(Masked Attentional Feature Fusion Contrastive Learning)能够进行特征融合,从而有效地提取特征。MAFFCL在对比学习中进行特征融合,并在融合时屏蔽高维稀疏矩阵中的填充向量。此外,MAFFCL还通过随机调换原始数据部分特征的顺序来进行数据增强,以此增强模型学习能力。为了验证模型的性能,利用真实的校园网络日志进行了两个下游预测任务,一个是对学生学业风险情况的预测,另一个是学生成绩分级的预测。实验结果表明,在两个下游任务中,使用MAFFCL模型预测的准确率分别比其他经典模型高出5.2%和6%。

关 键 词：MAFFCL 特征融合 教育数据挖掘 对比学习 学生成绩预测 

分 类 号：TP39[自动化与计算机技术—计算机应用技术]