勝獻(xiàn)利

(河南大學(xué) 濮陽工學(xué)院， 河南 濮陽 457000)

高校學(xué)生資助具有公益性、選擇性、幫扶性，因此選拔資助對象時需要保證公平、公正和公開。在現(xiàn)實工作實踐中，由于人的認(rèn)知能力有限，高校學(xué)生資助工作運行得并非一帆風(fēng)順，時常遇到各類型因素影響和阻礙學(xué)生資助工作，在學(xué)生家庭情況調(diào)研、貧困生等級認(rèn)定和過程性評價時均存在一定問題[1]。由于學(xué)生家庭調(diào)研成本較高，因此尚無高校采用家庭訪談形式開展貧困學(xué)生實際情況調(diào)查工作，籠統(tǒng)地要求貧困生填寫家庭情況調(diào)查表，由生源地的鄉(xiāng)村街道辦事處或民政局加蓋公章。但以此種方式認(rèn)定的貧困生真實情況得不到確認(rèn)。即便有些學(xué)生通過抽樣調(diào)查方式，由于成本高、覆蓋面窄等情況也無法起到應(yīng)有的效果。隨著家庭調(diào)研方式的改革，一些學(xué)校認(rèn)定貧困生時開始綜合考慮日常因素，比如學(xué)生的一卡通消費、日常的穿著打扮、手機電腦品牌價格等，但是由于這些數(shù)據(jù)斷斷續(xù)續(xù)，所以收效甚微。部分學(xué)校別出心裁地采取一些方法，比如讓學(xué)生自己拍攝家庭生活視頻照片資料、提供死亡證明、低保證、殘疾證等，公開實施“比慘大賽”，既影響了學(xué)生的心理健康，又讓本是扶危救困的學(xué)生資助政策在大學(xué)生中產(chǎn)生不良影響。學(xué)生困難等級認(rèn)定也較為困難，由于學(xué)生家庭數(shù)據(jù)采集不準(zhǔn)確，生活水平不能準(zhǔn)確判定，因此無法準(zhǔn)確地認(rèn)定學(xué)生困難等級，學(xué)生資助無法準(zhǔn)確實施[2]。學(xué)生生活狀況評定完成之后就固定不變，影響資助政策的有效實施。學(xué)生資助過程性管理弱，許多學(xué)校采用年度審核制度，每年的評價方式都一成不變，因此學(xué)生資助評價固化滯后，無法反映多變的貧困生活狀況，影響學(xué)生受資助的情況。大學(xué)生學(xué)習(xí)和成長過程中，學(xué)生資助是一個剛性支出，需要給予足夠的關(guān)注，但是這些剛性支出已經(jīng)成為學(xué)生評價的生活瓶頸，如果不使用動態(tài)的評估過程就無法適應(yīng)學(xué)生資助模式[3]。

目前，隨著人工智能、深度學(xué)習(xí)、云計算、互聯(lián)網(wǎng)等技術(shù)的發(fā)展，公安、民政、銀行、高校等機構(gòu)已經(jīng)開發(fā)了自動化軟件，積累了大量的數(shù)據(jù)資源，覆蓋了每一個家庭，因此可以利用深度學(xué)習(xí)構(gòu)建一個關(guān)聯(lián)分析模式，將多個部門的數(shù)據(jù)整合在一起，分析學(xué)生家庭經(jīng)濟生活狀態(tài)，從而準(zhǔn)確判定大學(xué)生資助情況，動態(tài)管理大學(xué)生資助過程。

1 深度學(xué)習(xí)

深度學(xué)習(xí)算法是一種先進(jìn)的前饋型人工神經(jīng)網(wǎng)絡(luò)，其包括兩個卷積層，分別是特征提取層和特征映射層[4]。特征提取層的輸入神經(jīng)元與前一層局部連接，可以提取局部特征，確定特征與特征位置關(guān)系。特征映射層將特征映射到一個平面上，每一個平面上的神經(jīng)元擁有相同的權(quán)值[5]。卷積神經(jīng)網(wǎng)絡(luò)利用Sigmoid函數(shù)作為激活函數(shù)，使得特征及其映射具有位移不變性，從而大幅度減少設(shè)置的自有參數(shù)數(shù)量[6]。深度學(xué)習(xí)概念源于人工神經(jīng)網(wǎng)絡(luò)，是一種包含多個隱藏層的深度學(xué)習(xí)結(jié)構(gòu)，能夠通過組合底層特征形成更加抽象的高層類別或特征，以便發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示[7]。深度指的是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到的函數(shù)中非線性運算組合水平的數(shù)量，當(dāng)前神經(jīng)網(wǎng)絡(luò)多是較低水平的網(wǎng)絡(luò)結(jié)構(gòu)，比如1個輸入層、1個隱藏層和1個輸出層。深度學(xué)習(xí)則是非線性運算組合水平較高的神經(jīng)網(wǎng)絡(luò)，比如1個輸入層、3個隱藏層和1個輸出層[8]。深度學(xué)習(xí)可以表示高階抽象概念的復(fù)雜函數(shù)，解決目標(biāo)識別、語音感知和語言理解等人工智能相關(guān)的任務(wù)。研發(fā)發(fā)現(xiàn)：可以使用多種方式描述深度學(xué)習(xí)的觀測值，比如特征向量、輪廓區(qū)域等，更容易從海量數(shù)據(jù)中進(jìn)行實例學(xué)習(xí)，生成一個準(zhǔn)確的網(wǎng)絡(luò)結(jié)構(gòu)，提高機器學(xué)習(xí)的準(zhǔn)確度[9-10]。

深度學(xué)習(xí)經(jīng)過多年研究，已經(jīng)得到了極大的改進(jìn)，引入了形狀建模[11]、模糊數(shù)學(xué)、因子分析、信息論等技術(shù)，準(zhǔn)確度和魯棒性均有提升。深度學(xué)習(xí)利用形狀建模技術(shù)，可以提高圖像識別、特征檢測的準(zhǔn)確度，進(jìn)一步提高圖像處理和識別的有效性。深度學(xué)習(xí)可以利用模糊數(shù)學(xué)和因子分析技術(shù)，強化卷積神經(jīng)網(wǎng)絡(luò)求解空間的啟發(fā)式規(guī)則，提高深度學(xué)習(xí)的處理速度和效率。利用信息論等技術(shù)，深度學(xué)習(xí)可提高數(shù)據(jù)度量的有效性，進(jìn)一步提高數(shù)據(jù)相似性度量準(zhǔn)確度。目前，深度學(xué)習(xí)已經(jīng)在很多領(lǐng)域取得了顯著的應(yīng)用成效，比如置信神經(jīng)網(wǎng)絡(luò)等，同時也廣泛應(yīng)用于圖像識別[12]、語音識別[13]、基因識別、視覺導(dǎo)航等領(lǐng)域，并吸引了谷歌、百度、騰訊、微軟、阿里巴巴、英特爾等公司的關(guān)注，獲得了越來越多的研究成果[14]。

2 基于深度學(xué)習(xí)的大學(xué)生資助管理模式研究

大學(xué)生資助管理利用深度學(xué)習(xí)可以實現(xiàn)精準(zhǔn)化、動態(tài)化、實時化、共享化和智能化管理模式，以適應(yīng)高等教育改革的發(fā)展需要，促進(jìn)各地區(qū)發(fā)展，滿足大學(xué)生成長成才的需求。深度學(xué)習(xí)在大學(xué)生資助管理模式中的應(yīng)用架構(gòu)如圖1所示。

大學(xué)生資助管理模式采集的數(shù)據(jù)來源于公安、民政、銀行和高校。利用先進(jìn)的企業(yè)服務(wù)總線技術(shù)，可從多個源頭獲取數(shù)據(jù)信息，這些數(shù)據(jù)包括家庭生活數(shù)據(jù)、民政生活數(shù)據(jù)、高校生活數(shù)據(jù)、銀行存貸數(shù)據(jù)等。利用先進(jìn)的深度學(xué)習(xí)技術(shù)，針對抓取的數(shù)據(jù)進(jìn)行模式分析，實現(xiàn)學(xué)生家庭經(jīng)濟標(biāo)準(zhǔn)評估、學(xué)生貸款使用跟蹤、學(xué)生信用追蹤評估，這樣就可以動態(tài)、靈活地增強大學(xué)生資助管理能力?；谏疃葘W(xué)習(xí)的大學(xué)生資助管理模式業(yè)務(wù)處理流程如下：

圖1 大學(xué)生資助管理模式

1) 數(shù)據(jù)采集。從公安、民政、銀行和高校等機構(gòu)的分布式管理系統(tǒng)采集數(shù)據(jù)，這些數(shù)據(jù)覆蓋了學(xué)生家庭的經(jīng)濟收入、工作職業(yè)、存貸信用、資助記錄、學(xué)習(xí)成績等。然后針對這些數(shù)據(jù)進(jìn)行處理，實現(xiàn)數(shù)據(jù)的連接、融合，將其存儲到大學(xué)生資助管理數(shù)據(jù)庫中。

2) 信息數(shù)據(jù)整合。使用歸一化工具處理采集到的所有數(shù)據(jù)，刪除稀疏數(shù)據(jù)和噪聲數(shù)據(jù)，然后生成一個數(shù)據(jù)集。該數(shù)據(jù)集中包含600萬條大學(xué)生數(shù)據(jù)，數(shù)據(jù)的屬性包括個人信息、學(xué)習(xí)成績、家庭信息、金融銀行存貸信息等，然后形成一個數(shù)據(jù)矩陣。

3) 深度學(xué)習(xí)算法挖掘分析。在大學(xué)生資助管理模式構(gòu)建和分析時，本文使用ReLU激活函數(shù)加快深度學(xué)習(xí)算法的收斂速度，減少卷積神經(jīng)網(wǎng)絡(luò)設(shè)置參數(shù)。卷積層Conv1由20個4×4的卷積核與輸入數(shù)據(jù)進(jìn)行卷積，卷積步長為2，得到20個13×13的特征數(shù)據(jù)；卷積層Conv2的卷積核大小為3×3，卷積步長為2，卷積后得到50個6×6的特征數(shù)據(jù)；卷積層Conv3的卷積核大小為3×3，卷積步長為1，卷積后生成60個4×4的特征數(shù)據(jù)；池化層步長為2，采樣后可以獲取80個2×2的特征數(shù)據(jù)；全連接層1神經(jīng)元個數(shù)為100；全連接層2的神經(jīng)元個數(shù)為10。Conv1、Conv2、Conv3、池化層1、全連接層1的激活函數(shù)均為ReLU函數(shù)，全連接層2的激活函數(shù)為sigmoid激活函數(shù)。

3 深度學(xué)習(xí)應(yīng)用實驗及結(jié)果分析

3.1 實驗環(huán)境

大學(xué)生資助管理模式采用深度學(xué)習(xí)作為數(shù)據(jù)挖掘算法，這樣就可以利用大數(shù)據(jù)分析技術(shù)，提高大學(xué)生經(jīng)濟生活狀況的評估準(zhǔn)確度。本文為了能夠更好地分析深度學(xué)習(xí)的應(yīng)用效果，對其進(jìn)行了實驗驗證。實驗環(huán)境：實驗平臺的軟件操作系統(tǒng)為Windows7，編譯軟件采用Matlab10.1軟件，編程使用的語音為Matlab語言，硬件采用Intel 第8代 酷睿 i5-8300H 2.3 GHz，內(nèi)存為4G。

3.2 實驗數(shù)據(jù)

采集了600萬條大學(xué)生資助數(shù)據(jù)，數(shù)據(jù)的類別包括重點貧困、中度貧困和一般貧困，每一個類別包括200萬條數(shù)據(jù)。類別是指具有相同貧困程度的學(xué)生信息集合，具有類似的結(jié)構(gòu)。數(shù)據(jù)集合中單個對象之間的相似性非常高，但是類別之間的非相似性很高。本文將這些數(shù)據(jù)混合在一起，構(gòu)建了低維度數(shù)據(jù)集和高維度數(shù)據(jù)集。

1) 低維度數(shù)據(jù)集。低維度數(shù)據(jù)集經(jīng)過預(yù)處理后，保護20個關(guān)鍵屬性，利用這些屬性的共享對數(shù)據(jù)進(jìn)行排序和篩選，分成3個子數(shù)據(jù)集?；谶@些數(shù)據(jù)集進(jìn)行實驗，低維度數(shù)據(jù)集類別如表1所示。

表1 低維度數(shù)據(jù)集類別

2) 高維度數(shù)據(jù)集。高維度數(shù)據(jù)集經(jīng)過預(yù)處理后，包含100個關(guān)鍵屬性，利用這些屬性的共享對數(shù)據(jù)進(jìn)行排序和篩選，分成3個子數(shù)據(jù)集?；谶@些數(shù)據(jù)集進(jìn)行實驗，高維度數(shù)據(jù)集類別如表2所示。

表2 高維度數(shù)據(jù)集類別

3.3 算法實驗評價標(biāo)準(zhǔn)

為了驗證深度學(xué)習(xí)算法的有效性，同時引入了關(guān)聯(lián)規(guī)則算法、K-means算法，在同樣的實驗環(huán)境進(jìn)行操作和分析。本文指定每一個數(shù)據(jù)集的真實歸類，以便更好地驗證算法運行的準(zhǔn)確度[11]。算法實驗過程中，本文針對算法實驗效果進(jìn)行準(zhǔn)確評估，使用準(zhǔn)確度評估每一個算法執(zhí)行結(jié)果的可靠度。正確率標(biāo)準(zhǔn)規(guī)定第i個簇的類標(biāo)是由該簇中最多數(shù)對象的類標(biāo)決定，并統(tǒng)計這些對象的個數(shù)為n，共有k個簇。算法準(zhǔn)確度計算公式如式(1)所示。

(1)

其中：T描述劃分好的數(shù)據(jù)簇；C表示數(shù)據(jù)集中的真實的類標(biāo)號；A1(c,T)表示屬于真實類別C的數(shù)據(jù)準(zhǔn)確地劃分到簇T中的數(shù)量；A2(c,T)表示屬于真實類別C但是錯誤地劃分到簇T中的數(shù)據(jù)對象數(shù)量。聚類結(jié)果的正確率越高，代表聚類質(zhì)量越佳。

3.4 算法實驗結(jié)果及分析

1)低維度數(shù)據(jù)實驗結(jié)果。關(guān)聯(lián)規(guī)則算法、K-means算法和深度學(xué)習(xí)算法的實驗環(huán)境完全相同。在同樣的實驗環(huán)境下進(jìn)行實驗，實驗結(jié)果顯示深度學(xué)習(xí)算法的準(zhǔn)確度較高，能夠分析不同學(xué)生貧困的類型，準(zhǔn)確定位這些學(xué)生的資助檔次。將深度學(xué)習(xí)算法接入大學(xué)生資助管理系統(tǒng)中，可準(zhǔn)確地根據(jù)學(xué)生的實際貧困需求進(jìn)行分析，準(zhǔn)確度達(dá)到了98.51%，提高了大學(xué)生資助管理的有效性。低維度數(shù)據(jù)實驗結(jié)果準(zhǔn)確度對比如表3所示。

表3 低維度數(shù)據(jù)實驗結(jié)果準(zhǔn)確度對比 %

在上述6個數(shù)據(jù)集上，當(dāng)數(shù)據(jù)集的類別較少時，低維數(shù)據(jù)實驗結(jié)果的準(zhǔn)確度達(dá)到了98.51%，遠(yuǎn)高于傳統(tǒng)的關(guān)聯(lián)規(guī)則算法和K-Means推薦算法。因此可以獲知，如果高校的某個貧困類別的學(xué)生較少時，可以更加精準(zhǔn)地判定學(xué)生的資助檔次，提高低維數(shù)據(jù)分析準(zhǔn)確度，具有重要的作用和意義。

2) 高維數(shù)據(jù)實驗結(jié)果。本文提出的基于深度學(xué)習(xí)算法在分析高維學(xué)生資助數(shù)據(jù)時也具有很大的優(yōu)勢。在高維數(shù)據(jù)集上進(jìn)行同樣的實驗，分析3種算法的實驗結(jié)果，如表4所示。

表4 高維數(shù)據(jù)實驗結(jié)果準(zhǔn)確度對比 %

在高維大學(xué)生資助數(shù)據(jù)分析中，深度學(xué)習(xí)算法準(zhǔn)確度雖然有所降低，但是與關(guān)聯(lián)規(guī)則算法和K-means算法相比，深度學(xué)習(xí)算法依然保持較高的準(zhǔn)確度，說明利用深度學(xué)習(xí)算法可以更好地預(yù)估高維度貧困學(xué)生數(shù)據(jù)資源的內(nèi)部結(jié)構(gòu)。但是由于每一次數(shù)據(jù)簇心的選擇也是隨機的，因此難免存在一些問題，導(dǎo)致算法的準(zhǔn)確度不穩(wěn)定或降低。比如算法的簇心越多，算法執(zhí)行的準(zhǔn)確度越低。對于兩類數(shù)據(jù)集來講，深度學(xué)習(xí)算法的執(zhí)行準(zhǔn)確度為92.64%，但是在三類數(shù)據(jù)集上算法執(zhí)行準(zhǔn)確度卻下降。這說明深度學(xué)習(xí)算法面對較多的類別時無法取得最優(yōu)化效果。

4 大學(xué)生資助管理模式實際應(yīng)用效果分析

與人工判定模式進(jìn)行比較，可突出深度學(xué)習(xí)算法的自動化、高性能、高效率、高準(zhǔn)確度。實驗結(jié)果顯示：大學(xué)生資助管理模式采用深度學(xué)習(xí)的準(zhǔn)確度較高，能夠分析不同學(xué)生家庭經(jīng)濟生活的類型，準(zhǔn)確地定位這些學(xué)生的貧困程度。將應(yīng)用效果進(jìn)行量化分析，大學(xué)生資助管理模式應(yīng)用準(zhǔn)確度對比如表5所示。

表5 大學(xué)生資助管理模式應(yīng)用準(zhǔn)確度對比 %

家庭經(jīng)濟標(biāo)準(zhǔn)評估準(zhǔn)確度采用人工管理模式時為69.17%，利用深度學(xué)習(xí)管理模式時則達(dá)到了98.14%，提高了28.97%；學(xué)生貸款使用跟蹤準(zhǔn)確度采用人工管理模式時為63.48%，利用深度學(xué)習(xí)管理模式時則達(dá)到了97.29%，提高了33.81%；學(xué)生信用追蹤評估準(zhǔn)確度采用人工管理模式時為64.56%，利用深度學(xué)習(xí)管理模式時則達(dá)到了98.51%，提高了33.95%。分析效率方面，人工分析1年1次，比較固定，而利用深度學(xué)習(xí)的結(jié)果則是實時的，可以根據(jù)需求隨時獲取大學(xué)生的資助數(shù)據(jù)。

5 結(jié)束語

深度學(xué)習(xí)是一種先進(jìn)的大數(shù)據(jù)分析算法，利用深度學(xué)習(xí)建立大學(xué)生資助管理平臺，可從多個部門獲取大學(xué)生家庭狀況的數(shù)據(jù)，并基于“互聯(lián)網(wǎng)+”創(chuàng)新大學(xué)生資助管理模式整合現(xiàn)有資源提高數(shù)據(jù)利用率，從而進(jìn)一步改進(jìn)大學(xué)生資助成效。