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！

龙图腾网获悉浙江师范大学申请的专利大语言模型辅助图节点分类的慕课辍课预测方法及系统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：CN119323293B 。

龙图腾网通过国家知识产权局官网在2025-07-22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：202411881677.0，技术领域涉及：G06Q10/04；该发明授权大语言模型辅助图节点分类的慕课辍课预测方法及系统是由黄昌勤;杨佳辉;黄琼浩;王译;王希哲设计研发完成，并于2024-12-19向国家知识产权局提交的专利申请。

本大语言模型辅助图节点分类的慕课辍课预测方法及系统在说明书摘要公布了：本发明公开了一种大语言模型辅助图节点分类的慕课辍课预测方法及系统，属于慕课辍课预测领域。本发明首先从慕课平台中获取目标课程中每个学习者的课程行为信息数据并编码，得到学习者的课程行为特征数据并以此构建最终讨论图，然后基于随机化奇异值分解方法微调大语言模型，由微调后的大语言模型执行认知层次分析以及边伪标签鉴别两个任务，分别得到认知特征矩阵以及最终讨论图中每条边的伪标签，最终训练慕课辍课预测模型，并完成慕课辍课预测。本发明的方法能够更准确地预测学生的辍课风险，并及时采取干预措施，提高了课程的完成率和在线教育的整体效果。

本发明授权大语言模型辅助图节点分类的慕课辍课预测方法及系统在权利要求书中公布了：1.一种大语言模型辅助图节点分类的慕课辍课预测方法，其特征在于，包括以下步骤： S1：从慕课平台中获取目标课程中每个学习者的课程行为信息数据，对预处理后的课程行为信息数据进行编码，得到学习者的课程行为特征数据； S2：将每个学习者作为讨论图中的节点，将讨论区中学习者之间的交互关系作为讨论图中连接节点的边，将学习者的课程行为特征数据作为节点特征，得到初始讨论图，对初始讨论图进行处理，得到最终讨论图； S3：采用随机化奇异值分解方法替换O-LoRA方法中对LoRA参数矩阵的随机初始化过程，基于随机化奇异值分解后的LoRA参数矩阵由O-LoRA方法对预训练的大语言模型进行微调，得到微调后的大语言模型； S4：将一组包含提问和回答的第一示例和第一额外提问构成第一提示词输入至微调后的大语言模型，由微调后的大语言模型按照第一示例中的回答输出学习者在目标章节下对应的认知层次分类结果，并基于认知层次分类结果得到认知特征矩阵； S5：将一组包含提问和回答的第二示例和第二额外提问构成第二提示词输入至微调后的大语言模型，由微调后的大语言模型判断两个学习者的课程行为类型是否相同，并按照第二示例中的回答输出课程行为类型判断结果，并将课程行为类型判断结果进行编码，将课程行为类型编码结果作为最终讨论图中每条边的伪标签； S6：将学习者的认知特征矩阵以及最终讨论图共同作为慕课辍课预测模型的输入，训练慕课辍课预测模型； S7：将待预测的学习者的课程行为信息数据输入到训练好的慕课辍课预测模型中，输出学习者属于辍课者的预测概率； 步骤S6中，在慕课辍课预测模型的训练过程中，由所有学习者的课程行为信息数据构成课程行为信息矩阵，将课程行为信息矩阵与学习者的认知特征矩阵拼接后作为学习者特征矩阵，使用两个多层感知机根据最终讨论图中的边集合输出每条边的同配概率，利用最终讨论图每条边的伪标签对同配概率进行调整，得到调整后的同配概率，由调整后的同配概率作为低通邻接矩阵中的元素，构建低通邻接矩阵，将学习者特征矩阵输入至简化的图卷积网络中，先将学习者特征矩阵经过第三个多层感知机处理，输出初始的低通特征矩阵，将初始的低通特征矩阵经过多次低通滤波处理，每次低通滤波处理中均将上一次得到的低通滤波处理结果与低通邻接矩阵相乘得到当前的低通滤波处理结果，将最后一次得到的低通滤波处理结果作为学习者低通特征矩阵，将1与调整后的同配概率相减后的结果作为高通邻接矩阵中的元素，构建高通邻接矩阵，将单位矩阵与加权后的高通邻接矩阵相减得到处理后的高通邻接矩阵，将学习者特征矩阵输入至Lap-SGC模型中，先将学习者特征矩阵经过第四个多层感知机处理，输出初始的高通特征矩阵，将初始的高通特征矩阵经过多次高通滤波处理，每次高通滤波处理中均将上一次得到的高通滤波处理结果与处理后的高通邻接矩阵相乘得到当前的高通滤波处理结果，将最后一次得到的高通滤波处理结果作为学习者高通特征矩阵，将学习者低通特征矩阵与学习者高通特征矩阵拼接后作为学习者综合表示矩阵，对最终讨论图进行位置空间嵌入后得到最近邻图，将最近邻图输入到图卷积网络中，得到学习者编码矩阵，将学习者综合表示矩阵与学习者编码矩阵拼接后输入到第五个多层感知机中，输出每个学习者属于辍课者的预测概率，基于每个学习者属于辍课者的预测概率和学习者真实课程行为标签计算两者之间的交叉熵损失，基于最小化所述交叉熵损失更新慕课辍课预测模型参数，直至达到预设的迭代轮次阈值，慕课辍课预测模型收敛，得到训练好的慕课辍课预测模型； 使用两个多层感知机输出每条边的同配概率的具体过程为：将每条边对应的两个节点的学习者特征向量各自经过第一个多层感知机，对应输出分别代表两个学习者的第一中间表示向量和第二中间表示向量，将第一中间表示向量和第二中间表示向量拼接后经过第二个多层感知机，得到第三中间表示向量，将第二中间表示向量和第一中间表示向量拼接后经过第二个多层感知机，得到第四中间表示向量，将第三中间表示向量和第四中间表示向量求平均，得到对应每条边的同配概率；其中，学习者特征向量为学习者特征矩阵中的一行； 对同配概率进行调整的具体过程为：当两个学习者的课程行为类型不同时，在和0中间取最小值作为调整后的同配概率；当两个学习者的课程行为类型相同时，在和0中间取最大值作为调整后的同配概率；为调整前的同配概率；为预设的超参数。

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浙江师范大学，其通讯地址为：321017 浙江省金华市婺城区迎宾大道688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”。