1.一种在粒计算支持下基于图聚合与恢复的异常学习者检测方法,其特征在于,包括以下步骤:获取在线学习平台的学习者数据;
对所述学习者数据进行数据粒化,得到学习者关系图;
将所述学习者关系图输入学习者异常检测模型,预测得到学习者的学习异常检测结果;
其中,所述学习者异常检测模型通过以下步骤构建:采用基于模块度的图算法构建聚合层;
采用跳跃连接算法构建恢复层;
基于所述聚合层和所述恢复层构建输出层;
所述对所述学习者数据进行数据粒化,得到学习者关系图,包括:在所述学习者数据中提取与学习者异常相关的特征,并计算与学习者异常相关的特征的权重;
根据所述与学习者异常相关的特征和所述权重,生成学习者关系图;
所述在所述学习者数据中提取与学习者异常相关的特征,并计算与学习者异常相关的特征的权重,包括:在所述学习者数据中提取与学习者异常相关的特征,得到学习者特征集、待确定重要性特征集和学习者异常情况集;
将所述学习者特征集、所述待确定重要性特征集和所述学习者异常情况集代入粗糙集理论计算,得到学习者特征集下学习者异常情况集的第一正定义域和待确定重要性特征集下学习者异常情况集的第二正定义域;
根据所述第一正定义域和所述第二正定义域,确定所述待确定重要性特征集关于学习者异常情况集的重要性定义;
根据所述重要性定义对所述待确定重要性特征集进行筛选;
计算筛选后的待确定重要性特征集中每个特征的权重;
所述根据所述与学习者异常相关的特征和所述权重,生成学习者关系图,包括:根据所述与学习者异常相关的特征的类型对所述与学习者异常相关的特征进行粒化;
根据粒化结果和每个特征的权重计算所述学习者关系图中每个节点的边的权值;
根据所述与学习者异常相关的特征和所述每个节点的边的权值生成学习者关系图。
2.根据权利要求1所述的一种在粒计算支持下基于图聚合与恢复的异常学习者检测方法,其特征在于,所述将所述学习者关系图输入学习者异常检测模型后,所述学习者异常检测模型执行以下步骤:通过所述聚合层对所述学习者关系图中的特征节点进行分区;
通过所述恢复层调节所述聚合层的分区过程;
通过所述输出层的分类器预测所述学习者关系图中无标签节点的标签概率。
3.根据权利要求2所述的一种在粒计算支持下基于图聚合与恢复的异常学习者检测方法,其特征在于,所述通过所述聚合层对所述学习者关系图中的特征节点进行分区,包括:根据所述学习者关系图预测得到图拓扑和图表示,采用图小波卷积提取隐藏的特征节点;
将所述学习者关系图中的所有特征节点分别定义为一个社区,初始化社区为未标记状态,所述特征节点包括隐藏的特征节点和未隐藏的特征节点;
计算预设社区的模块度;
根据所述模块度调节未标记状态的社区与预设社区的从属关系,并标记确定从属关系的社区对应的节点;
获取未标记的节点,并计算未标记的节点的所有一阶邻居节点的边的归一化权值;
将所述未标记的节点放入最高归一化权值所属社区中,并对所述未标记的节点进行标记;
根据标记后的节点构建聚合图。
4.根据权利要求3所述的一种在粒计算支持下基于图聚合与恢复的异常学习者检测方法,其特征在于,所述根据所述模块度调节未标记状态的社区与预设社区的从属关系,并标记确定从属关系的社区对应的节点,包括:确定将未标记状态的社区移动到预设社区的模块度的预设差值;
确定所述预设差值大于零且所述预设社区对应节点的邻居社区内节点数小于预设个数,将未标记状态的社区移动到预设社区;
确定所述模块度处于稳定状态,停止所述未标记状态的社区的移动过程。
5.根据权利要求3所述的一种在粒计算支持下基于图聚合与恢复的异常学习者检测方法,其特征在于,所述通过所述恢复层调节所述聚合层的分区过程,包括:采用图小波卷积网络的特征变换和图卷积生成所述恢复层的输入图中隐藏的特征节点;
根据所述恢复层的输入图中隐藏的特征节点,采用匹配矩阵恢复所述输入图的图表示。
6.根据权利要求5所述的一种在粒计算支持下基于图聚合与恢复的异常学习者检测方法,其特征在于,所述通过所述恢复层调节所述聚合层的分区过程,还包括:采用跳跃连接将采用图小波卷积提取隐藏的特征节点和所述恢复层的输入图中隐藏的特征节点进行结合。
7.根据权利要求1所述的一种在粒计算支持下基于图聚合与恢复的异常学习者检测方法,其特征在于,所述学习者异常检测模型为预先训练的模型,训练过程包括:采用深度学习优化算法对所述学习者异常检测模型进行全局训练。