1 绪 论
1.1 研究背景
1.2 国内外研究现状
1.2.1 孤独诊断研究发展现状
1.2.2 社交网络分析方法发展现状
1.3.1 论文研究的主要内容
1.3.2 论文主要贡献
1.4 论文组织结构
2 相关技术
2.1 社交网络分析方法
2.1.1 社区发现算法
2.1.2 社交网络分析常用指标
2.2 分类算法
2.2.1 逻辑回归算法
2.2.2 决策树算法
2.2.3 随机森林算法
2.2.4 朴素贝叶斯算法
2.2.5 图卷积神经网络分类算法
2.2.6 分类算法评估方法
2.3 SMOTE过采样算法
2.4 本章小结
3 数据分析与可视化
3.1 数据集
3.1.1 课程分组协作记录
3.1.2 课程成绩记录
3.1.3 标签记录
3.2 协作网络构建与可视化分析
3.3 候选特征
3.3.1 网络相关特征
3.3.2 学业成绩相关特征
3.4 本章小结
4 基于GCN的孤独学生的识别算法
4.1 整体框架
4.2 基于GCN的方案
4.2.1 实验设置
4.2.2 实验结果及分析
4.3 一种GCN过采样算法
4.3.1问题及解决方案
4.3.2 实验设置
4.3.3 实验结果及分析
4.4 本章小结
5 一种可解释的孤独学生的识别框架
5.1 整体框架
5.2.1 新特征构建
5.2.2 特征可视化
5.3 模型训练
5.4 实验
5.4.1 实验设置
5.4.2 实验结果
5.4.3 实验结果分析
5.5 可解释性分析
5.5.1 GNB分类结果的可解释性
5.5.2 特征重要性分析
5.6 本章小结
6 总结与展望
6.1 本文工作总结
6.2 后续工作及展望
参考文献
A. 作者在攻读学位期间申请的专利目录
B. 学位论文数据集
致谢
重庆大学;