文摘

针对当前研究的局限性心理问题学生的单一属性。摘要多属性的社会网络模型构造了基于学生的社会和心理上的标签数据,改进的鬃毛算法被用来解决这个问题来预测学生的心理问题。此外,DeepWalk和Node2vec网络嵌入算法被用来嵌入学生多属性的社交网络,分别验证了模型的有效性。最后,基于预测模型的学生心理问题,本文使用了Django web框架,MySQL数据库,和引导框架设计个性预测系统,包括数据存储、算法的训练和预测,结果显示,和其他模块。

1。介绍

随着中国高等教育的快速发展,学生训练的数量和质量稳步提高。国家和社会也越来越重视高等教育。然而,许多新生已经完全从事高考在他们进入大学之前,所以他们很少接触社会,使许多学生不能适应他们的环境和生活方式的巨大变化;与其他社会群体相比,他们更有可能有一些心理问题1,2]。大部分的学生已经通过了高级适应时期,但是免费的学习和生活环境,复杂的人际关系,巨大的试验压力,家庭情况的变化仍有一个伟大的对学生心理的影响。

通常,识别心理问题严重依赖心理问卷调查。然而,在不平衡质量的问卷调查,人们倾向于更好的反映他们自己,通常不会显示一个人的真实内心想法。然而,学生的定量强度因人而异的问题,这将导致数据无法描述的受访者。因此,很难准确地识别学生的心理问题通过使用这种嘈杂的数据(3]。多亏了计算机科学的迅速发展,人们已经开始分析社交网络通过使用指标,如学位中心和边介数、可以更好地描述一些社交网络的特征。但是,它只能表达信息在社交网络的一部分,它可能含有更多的噪音。网络学习代表(海军)基于深度学习可以很好地解决这个问题,它通常可以获取更多的信息在网络中进行更详细的分析和识别4]。然而,大多数传统的人格分析方法基于社交网络文本信息是基于心理词典和其他分析工具进行词频统计特征在文本信息,然后使用机器学习的方法来构造一个分类器来完成模型的训练和预测。虽然这个方法实际上已经取得了一些进展,因为它只学浅的数据统计功能,学生性格特征的预测效果是有限的(5,6];此外,基于深度学习的自然语言处理技术有很高的要求的质量和数量数据注释,这是很难被应用在实践中(7]。

因此,本文采用多属性社交网络更好地识别学生的心理问题,提供了一种新的可能的方向自适应网络嵌入技术在不同数据的修改。同时,预测方法相结合的心理问题提出了计算机科学和心理学知识,可以减少数据注释的依赖,改善学生的心理特点。多属性的社会网络模型构造了基于学生的社会和心理上的标签数据,改进的鬃毛算法被用来解决这个问题来预测学生的心理问题。

2。海军研究实验室的理论基础

在网络科学,人们通常使用的数据结构,如邻接矩阵来表示一个网络,它只存储邻接顶点之间的关系。事实上,这个简单的表示不能反映更为复杂和高阶结构关系,如路径、结构,等等。海军研究实验室的目标是代表网络中节点向量的形式,在向量空间推理的能力,所以他们可以作为下游任务的输入和应用于社交网络。

2.1。海军研究实验室的分类

如图1,现有的海军技术可以分为两类:非监督海军研究实验室和semisupervised海军研究实验室。

无人监督的海军是适合学习的顶点表示没有提供顶点所属的标签。因此,它被认为是一个通用的任务后续的学习,独立的顶点表示是学会了以一种无监督的方式。它们是用作各种功能在任何基于矢量算法学习任务。根据网络信息的类型,可用于学习,无监督海军算法可以进一步分为两类:海军研究实验室算法只保留了网络结构,和海军研究实验室算法考虑了顶点属性和网络结构,共同学习、共同顶点嵌入。虽然semisupervised海军学习当有标签适用于表示顶点。自顶点标签扮演重要的角色在决定每个顶点的分类与网络结构有很强的相关性和顶点属性,一个semisupervised海军研究实验室,提出了利用现有网络中顶点标签找到一个更有效的向量表示。

2.2。嵌入方法

在现实生活中,网络数据通常是更复杂,而且可能有多个网络中节点之间的联系。这种网络通常被称为一个多属性的网络,这是由多个网络视图。多属性网络分析已经成为一个重要的工具来理解不同的节点之间的关系和相互作用的复杂系统,多属性网络中的每个视图描述了一组节点的拓扑对应于一个特定的关系。此外,不同属性意味着不同的关系之间的交互作用的拓扑属性。

2.2.1。Deepwalk

Deepwalk是第一个被广泛使用的图嵌入方法,它使用的算法,这是一个概念图理论。只要节点连接图,可以遍历整个图节点之间通过游泳(8,9]。使用下面的方法来完成深走的运动:

在这里,的条件概率表达式,代表了映射函数嵌入图中的每个节点作为一个向量。公式的目的是估计的选择概率中的下一个节点根据前面的节点随机行走的道路。潜在的向量表示的节点作为神经网络的输入,和神经网络预测的分类节点根据路径中的节点的频率。

在获得一系列走序列组成的节点的随机游走方法,深走方法使用Skip-Gram算法嵌入图。正如word2vec算法嵌入的句子,Skip-Gram算法预测的背景下,图中的每个节点,最后学习的向量表示每个节点,这个场景和上下文,代表图像的结构的特点,节点和邻节点。

2.2.2。Node2vec

Node2vec是一个著名的图类似于Deepwalk嵌入方法。它们之间的区别是,随机游走策略Deepwalk完全是随机的。Node2vec认为结构等价性和同质性在网络结构应该被保留下来。两个属性对应宽度优先搜索(BFS)和广度优先搜索(DFS),分别,前者是一个递归算法,后者是一个深度遍历的算法。如图2两个superparameters, node2vec算法集p和问,用于控制行走策略。

的参数p主要控制石,而参数问控制DFS。

如图3BFS是适合学习的地方特色,DFS是全球功能更适合学习。同样的图结构,使用不同的策略,node2vec算法可以返回不同的图嵌入的结果。因此,用户可以根据不同的任务调整参数来选择不同的策略。

3所示。多属性的社会网络模型

3.1。数据采集

本文使用三种类型的学生信息,包括学生的社交网络,心理健康数据,和学生的基本信息。之前收集的数据,数据收集的目的是通知学生参与问卷调查,和所有的数据加密和困惑在这个实验中,为了保护学生的隐私,学号信息可能暴露出学生信息转化为一个全局惟一的ID。

3.1.1。社会网络数据

在本文中,每个测试人员需要列表5 - 8的学生不同的社交场合;也就是说,每个节点的度是5至8,和学生列出的是有序的,也就是说,考虑一个学生提名其他学生的顺序,假设第一个学生提名是最重要的科目,有以下问题:(1)请列出他们的朋友(2)请列出为了学生的id与它们进行交互,使你感到快乐(3)请列出学生的id你认为很聪明(4)请列出学生的ID时将遇到的困难(5)请列出为了学生的ID时你将在生活中遇到困难(6)请列出你为了学生的ID将积极与当你分享一个好消息(7)请列出顺序的ID同学你会分享当你学习一个坏消息(8)请列出为了学生的id你想邀请加入您的团队

然后,处理每个问题的答案并构造成一个属性的一个社交网络,拥有11个属性,反映出学生在不同社会之间的交互情况。通过删除传出和传入的边缘连接到这些学生,也就是说,采取的交集8-attribute网络的节点很容易嵌入和识别在后期阶段,删除网络包含439个节点和221360个边缘。

3.1.2。心理上的标签数据

在本文中,我们使用心理问题的可能性作为分类的标签和使用sci - 90来评估学生的心理健康,这是一个心理测试问卷广泛用于教育。据统计,439名学生(多属性的交集社交网络包含439个节点),99名学生可能有心理问题,这些学生的标签被标记为1,表明他们和其他340名学生心理正常和标记为0。因此,识别问题的学生的心理问题成为一个二分问题。此外,一些学生基本信息(如性别、年龄、国籍)也会在社交网络上有更大的影响,所以他们都是作为附加功能。

3.2。问题描述

本文定义了多属性网络 ,它包含一个节点集吗和一个属性设置 。每个属性 包含一个边缘设置 表示该节点我和节点 在属性有优势吗 。

给定一个网络 ,多属性网络嵌入的目标是为每个节点 学习一个低维向量表示 。为了节省尽可能多的多样性属性,为 和每个属性 ,多层网络嵌入将学习一个中间表示 ,只有商店属性中的信息。最后的代表一个节点是拼接节点的向量在每个视图,也就是说, 在哪里是节点集和属性设置; 设置边的属性吗 中心节点嵌入向量我在属性 节点是context-embedded向量我在属性 是最后的嵌入向量的节点我 表示两个节点的属性 代表了节点的实例我在属性α是一阶的hyperparameter合作体重吗 代表了二阶的hyperparameter合作重量 嵌入后表示每个节点的总尺寸

结果嵌入向量不仅保存在每个属性的多样性;的社会网络数据,一个学生在每一个场景都还保存属性之间可能的相互作用。然而,每个属性描述了同一个人,每个人的内心的想法和习惯会影响他的性能在不同的属性。因此,该模型试图重建每个学生的内心想法和习惯通过集成性能在不同的属性。

3.3。学生心理问题的预测模型

鬃毛算法用于构建学生心理问题的预测模型。鬃毛的概念算法主要是基于多视图三种信息网络:多样性、一阶合作,和二阶合作。其工作流程是首先运行deepwalk算法为每个属性在每个视图保留独特的信息,即多样性;然后,嵌入向量的每个视图更新根据嵌入向量的其他属性年代,捕捉一阶和二阶合作多属性中的信息网络。

多属性网络嵌入的损失函数如下所示:

在这里,α和βhyperparameters用于控制的相对重要性的三个关系。当α=β= 0,鬃毛降解Skip-Gram模型,比如DeepWalk只提取信息在一个单一属性没有利用任何属性之间的协作。当 ,鬃毛捕获只有多样性和一阶合作。而当 ,鬃毛可以捕获多样性,一阶协作和二阶协作和可以选择的最优α和β值根据最终的识别结果。

文献[10)包含的具体描述和 。鬃毛的二阶协作算法认为所有视图之间的交互信息;也就是说,所有视图的所有嵌入式向量将接近context-embedded向量相同的节点在其他属性。然而,可能会有强弱,奖励的或对立的属性之间的关系。如果有敌对的关系,他们相互接近,有些不必要的噪音可能会引入甚至降低识别的准确性。

不同的不同属性之间的协作中提到的鬃毛算法,社会关系特征,没有其他网络。在普通的网络,每个属性可能是相对独立的,但学生的多属性的社会关系网络是不同的。虽然学校的社交场景相对简单,和新的社交网络更喜欢朋友之间的相互作用。也就是说,大多数学生的社会关系是基于友谊友谊或强烈相关。因此,二阶合作的损失函数进行了优化。

好朋友网络被认为是一个特殊的网络,具有很强的相关性与所有其他网络,更容易获得有价值的信息。因此,一阶合作在鬃毛修改网络的定义是好朋友 ,和其他网络集被定义为 ,然后

4所示。模型验证

4.1。评估过程

鉴于数据标签不平衡的特点,识别异常作为普通学生的成本可能比识别普通学生不正常的学生,准确性,F1,记得使用本文所有实验来评估算法的性能和模型评价过程如图4。

假设每个学生的标签(心理异常)是由1/0,T(真实的)是正确的模型分类,F(假)分类误差模型,预测的分类结果值为1,即为代表P(积极的),分类结果的预测价值是0,代表N(负面)。

4.2。结果

摘要各种DeepWalk和Node2vec网络嵌入算法用于嵌入学生分别多属性的社交网络。最后的嵌入、成绩和学生的基本信息由每个算法作为输入,生成和款作为分类器识别学生的心理问题。结果如图5。

网络嵌入向量的精度得到了所有网络嵌入算法一直是高,这可能是由于大标签的不平衡数据,所以本文应该更多的关注F1指数而不是算法的准确性。本文的优化方向hyperparameters最大化F1,实验结果表明,算法的性能基线下DeepWalk和Node2vec等F1指数不如算法提出,这表明本文模型的改进更适合多视图中使用社交网络数据实验和验证改进的鬃毛网络嵌入算法的有效性。

5。预测系统的设计对学生的性格特征

5.1。需求分析

系统的主要功能是帮助用户目标文本信息网络,通过进行个性、网络迁移知识地图的构建算法,嵌入节点矢量,和机器学习算法的嵌入,终于完整的性格特征分析和预测的五大个性。功能需求如图6。

5.1.1。用户管理

为了确保系统的使用权和内部数据安全,此模块主要负责用户的登录和注册。对于用户想要使用这个系统来预测他们的性格特征,他们需要首先登录。只有输入正确的帐号和密码后才能进入系统。为用户提供错误的输入信息,系统将拒绝登录并给出错误提示;对于用户没有一个帐户,他们可以根据系统提示注册账户,然后使用系统正常。用户的相关信息将存储在后台数据库中。

5.1.2中。预测的性格特征

作为系统的核心模块,该模块为用户提供了个性的功能预测。这个模块的详细需求分析如下:(1)用户数据上传。用户上传的数据集和选择标签的训练数据或使用系统内置的数据集作为训练数据根据他们是否有标签的能力(2)数据清洁和特征提取。用户上传的数据清理删除无效数据,和字提取频率特性来构建一个映射(3)网络走。根据旅游出行路径生成策略在上面的算法(4)网络节点嵌入。培养语言模型生成的路径生成节点向量(5)回归模型的训练和预测。机器学习算法和生成的节点矢量用于训练和测试,并得到了测试结果(6)分析结果显示。测试完成后,测试结果生成,包括五大人格得分及其文本描述和词频的特点

5.1.3。数据管理

这个模块主要是为用户提供了与数据库的交互,在那里他们可以浏览系统的内置的数据集。这个函数主要是认为应该使用系统内置的数据集作为训练数据的用户没有注释的能力。提前浏览内置的数据集可以帮助用户做出更好的选择。此外,该系统提供了上传的功能注释的数据集。当系统管理员或其他用户个性特征的注释数据,它们可以上传,方便直接使用在以下预测的人格特征。

5.2。设计系统架构

根据系统的需求分析,本课题使用层次结构设计的系统架构和把它分为三个层次:前端接口,后端服务器和数据存储层。三层负责不同的功能,不同层次之间的接口来完成交互设计,实现系统所需的各种功能。通过这样的分层设计、系统体系结构的每一层之间的耦合程度大大降低。当系统发生故障或其他功能需要添加,只能修改一个特定的层,大大降低了维护的成本和开发,提高系统的可伸缩性。系统的整体架构如图7。

为每个级别的系统架构,根据功能需求选择不同的技术手段。细节如下:。(1)前端界面。在前端界面层,系统使用一个引导框架来构建系统的前端UI界面。引导是一个前端框架开发的推特,目前得到了广泛的应用。以其优秀的网格系统和丰富的组件,它可以很容易地实现一个美丽的和简洁的UI界面,系统使用j查询和Ajax来接收用户的各种操作和完成与后端服务器的交互功能。(2)后端服务器。后端服务器,使用Django框架,这是一个python编写的开源web框架。开发人员能够轻松高效地开发通过Django web项目。采用MTV架构模式;模型,模板,并查看松散耦合的方式连接在一起,负责不同的功能。如图8,当一个用户访问浏览器发出请求,将请求路由的Django URL控制器从浏览器和匹配的处理函数在视图中。视图函数然后处理请求和交互模型的部分负责数据以得到所需的数据;接下来,视图函数完成的处理请求和发送的部分结果显示模板部分负责与用户进行交互。最后,模板显示的页面,并将它返回给浏览器完成用户的请求。(3)数据存储层。系统使用MySQL关系型数据库来存储用户信息和数据集的信息,和设计接口的后端服务器负责与数据库的交互。其中,数据集信息主要包括数据集建立系统中,用于为用户提供数据源没有标签的能力,用户信息主要包括系统用户的帐户信息,用于验证登录和注册。此外,该系统使用Python库与Neo4j Py2neo专门负责对接后端服务器与Neo4j开发交互式界面,以实现扩张,删除,修改和出口的知识图。出口大型地图集数据,系统使用Neo4j图数据库的扩展过程和函数库APOC来实现它。

6。结论

本文基于社交网络的特点和二阶合作多个属性之间的关系,多属性网络嵌入算法,解决了现有多属性问题,网络嵌入算法没有考虑噪声的影响引起的二阶协作关系。模型可以使用网络嵌入数据,学生成绩信息和学生的基本信息来识别可能有心理问题的学生。最后,学生个性的预测系统为用户提供了一个可视化操作平台,其中包括用户管理、算法介绍,人格预测,分析结果显示,数据显示和更新,以确保用户可以轻松快速地完成任务的人格预测。

数据可用性

用来支持研究的数据都包含在本文。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是在2021年四川省级教育部门的支持下,四川大学心理健康教育与培训基地研究课题“调查和积极心理素质的培养高职学生留下经验背景下的意识形态和政治”,在项目没有。2021 sxjp022。