1.一种基于超图的计算机支持协作学习异常分组检测方法,其特征在于,包括以下步骤:
S1.获取待检测的学生在线课堂交互数据,将学生表示为原始节点,将学生间的交互作为原始边,当出现三个及以上的原始节点是全连接时视为学生之间存在密集交互,由存在密集交互的学生组成CSCL小组,根据时间顺序将所有交互划分为若干个快照,由所有快照构成离散形式的原始动态图结构;其中,每个快照由各自的学生集合、交互集合、交互的时间戳列表以及学生特征矩阵组成;
S2.将S1中的原始节点作为基序增强节点,保留原始边,并将每个CSCL小组作为一条虚拟超边,每条虚拟超边连接指定的基序增强节点后,得到基序增强图视图,对基序增强图视图进行对偶超图变换,得到基序增强对偶超图视图;
S3.从待检测的学生在线课堂交互数据中获取基序增强对偶超图视图中所有超节点的时序特征,将由原始边得到的超节点作为普通超节点,将由虚拟超边得到的超节点作为基序超节点,分别将普通超节点的时序特征向量与基序超节点的时序特征向量堆叠为矩阵形式,对应得到普通超节点的时序特征矩阵以及基序超节点的时序特征矩阵,将两个时序特征矩阵进行拼接后得到完整时序特征矩阵;
S4.将基序增强对偶超图视图以及完整时序特征矩阵输入到经过训练的异常分组检测模型中,输出学生的总异常得分以及CSCL小组或者交互的总异常得分,CSCL小组或者交互的总异常得分包含CSCL小组异常得分以及学生间交互异常得分。
2.如权利要求1所述的一种基于超图的计算机支持协作学习异常分组检测方法,其特征在于,在所述异常分组检测模型中,由时序模块的编码器对完整时序特征矩阵进行编码,由时序模块的解码器对所述编码器的编码结果进行解码,将解码器的编码结果作为每个快照的时序重构矩阵,将基序增强对偶超图视图中的超边特征作为学生自身特征,将编码器的编码结果与随机初始化的超节点特征加权求和作为每个快照的超节点特征,将取随机值的学生自身特征以及每个快照的超节点特征输入到超图模块的超图联合神经网络中,所述超图联合神经网络由超边卷积网络以及超节点卷积网络构成,所述超边卷积网络和所述超节点卷积网络的层数相同,超边卷积网络每一层的输出与超节点卷积网络对应层的输出用来计算超边卷积网络下一层的输出,超节点卷积网络每一层的输出与超边卷积网络对应层的输出用来计算超节点卷积网络下一层的输出,将超节点卷积网络最后一层输出的超节点特征作为超图联合神经网络对交互信息的编码,将超边卷积网络最后一层输出的超边特征作为超图联合神经网络对学生信息的编码,从超图联合神经网络对学生信息的编码中获取待处理的当前快照信息,将时间戳在当前快照信息前的历史快照信息处理为高频尺度和低频尺度,高频尺度和低频尺度各自进行多头自注意力机制运算,将进行多头自注意力机制运算得到的高频结果和低频结果拼接后作为包含时间信息的学生信息编码,以每个CSCL小组为单位将包含时间信息的学生信息编码以及超节点卷积网络最后一层输出的超节点特征经过带有Token的自注意力机制计算,得到每个快照中每个CSCL小组的编码特征,将每个快照所有CSCL小组的编码特征与超节点卷积网络最后一层输出的超节点特征进行拼接,得到带有分组信息编码的交互信息编码,由带有分组信息编码的交互信息编码和包含时间信息的学生信息编码计算每个快照的重构超图关联矩阵,基于每个快照的完整时序特征矩阵以及时序重构矩阵计算时序异常得分,基于基序增强对偶超图视图的关联矩阵以及每个快照的重构超图关联矩阵计算混合异常得分,将时序异常得分和混合异常得分加权求和计算CSCL小组或者交互的总异常得分,将CSCL小组或者交互的总异常得分中的后
3.如权利要求2所述的一种基于超图的计算机支持协作学习异常分组检测方法,其特征在于,超节点卷积网络第
其中,
4.如权利要求3所述的一种基于超图的计算机支持协作学习异常分组检测方法,其特征在于,超边卷积网络第
其中,
5.如权利要求2所述的一种基于超图的计算机支持协作学习异常分组检测方法,其特征在于,所述高频尺度和所述低频尺度的获取方式如下:对时间戳在当前快照信息前的历史快照信息进行时序权重衰减,时序权重衰减后得到高频尺度,将高频尺度经过池化操作后,得到低频尺度。
6.如权利要求2所述的一种基于超图的计算机支持协作学习异常分组检测方法,其特征在于,得到每个快照中第
7.如权利要求2所述的一种基于超图的计算机支持协作学习异常分组检测方法,其特征在于,步骤S2中,将每个快照中每个CSCL小组或者交互的时序重构矩阵与对应的完整时序特征矩阵相减,得到第一相减结果,将第一相减结果的L2范数作为每个CSCL小组或者交互的时序异常得分;将每个快照中每个CSCL小组或者交互的重构超图关联矩阵与对应的基序增强对偶超图视图的关联矩阵相减,得到第二相减结果,将第二相减结果的L2范数作为每个CSCL小组或者交互的混合异常得分;将每个快照中每个学生的重构超图关联矩阵与对应的基序增强对偶超图视图的关联矩阵相减,得到第三相减结果,将第三相减结果的L2范数作为每个学生的总异常得分。
8.如权利要求2所述的一种基于超图的计算机支持协作学习异常分组检测方法,其特征在于,在所述异常分组检测模型训练过程中,将时序异常得分作为完整时序特征矩阵的重构损失,将混合异常得分作为基序增强对偶超图视图的关联矩阵的重构损失,将完整时序特征矩阵的重构损失和基序增强对偶超图视图的关联矩阵的重构损失加权求和作为异常分组检测模型的总损失,基于最小化所述总损失更新异常分组检测模型的参数,直到所述总损失收敛,得到训练好的异常分组检测模型。
9.如权利要求1所述的一种基于超图的计算机支持协作学习异常分组检测方法,其特征在于,步骤S2中,构建基序增强图视图的具体过程如下:通过在所有快照中搜索获取CSCL小组集合,将CSCL小组集合中的每个CSCL小组作为一条虚拟超边,每条虚拟超边连接各自对应组内的所有原始节点以及与各自对应组内所有原始节点的一阶邻居。
10.一种基于超图的计算机支持协作学习异常分组检测系统,其特征在于,包括:
数据获取及处理模块,用于获取待检测的学生在线课堂交互数据,将学生表示为原始节点,将学生间的交互作为原始边,当出现三个及以上的原始节点是全连接时视为学生之间存在密集交互,由存在密集交互的学生组成CSCL小组,根据时间顺序将所有交互划分为若干个快照,由所有快照构成离散形式的原始动态图结构;其中,每个快照由各自的学生集合、交互集合、交互的时间戳列表以及学生特征矩阵组成;
基序增强对偶超图视图获取模块,用于将数据获取及处理模块中的原始节点作为基序增强节点,保留原始边,并将每个CSCL小组作为一条虚拟超边,每条虚拟超边连接指定的基序增强节点后,得到基序增强图视图,对基序增强图视图进行对偶超图变换,得到基序增强对偶超图视图;
完整时序特征矩阵获取模块,用于从待检测的学生在线课堂交互数据中获取基序增强对偶超图视图中所有超节点的时序特征,将由原始边得到的超节点作为普通超节点,将由虚拟超边得到的超节点作为基序超节点,分别将普通超节点的时序特征向量与基序超节点的时序特征向量堆叠为矩阵形式,对应得到普通超节点的时序特征矩阵以及基序超节点的时序特征矩阵,将两个时序特征矩阵进行拼接后得到完整时序特征矩阵;
结果获取模块,用于将基序增强对偶超图视图以及完整时序特征矩阵输入到经过训练的异常分组检测模型中,输出学生的总异常得分以及CSCL小组或者交互的总异常得分,CSCL小组或者交互的总异常得分包含CSCL小组异常得分以及学生间交互异常得分。