1.一种基于关联关系和视频交互的在线课程辍学预测方法，其特征在于，所述基于关联关系和视频交互的在线课程辍学预测方法，包括：根据用户的课程选修记录、用户的视频观看记录和课程的视频资源记录，构建用户学习课程视频的异构信息图G，经过节点嵌入模块，得到图G中各个节点分别对应的节点嵌入；

将所述各个节点的节点嵌入按照预先定义的用户三元组集tu输入至深层关联关系特征提取模块，得到用户的关联特征表示fu；

将所述各个节点的节点嵌入按照预先定义的课程三元组集tc输入至深层关联关系特征提取模块，得到课程的关联特征表示fc；

基于用户和课程选修关系对，将用户的关联特征fu和课程的关联特征fc进行特征融合，得到用户和课程选修关系对的深层关联关系特征FR；

根据用户的课程选修记录和用户的视频观看记录，构建视频交互时序矩阵A，将视频交互时序矩阵A输入至交互特征提取模块，得到交互特征FT；

基于所述深层关联关系特征FR和交互特征FT，计算用户在其选修课程上的辍学概率；

其中，所述将所述各个节点的节点嵌入按照预先定义的用户三元组集tu输入至深层关联关系特征提取模块，得到用户的关联特征表示fu，包括：步骤2.1、根据用户节点与任意节点所存在的关联关系，构造用户三元组集tu；

步骤2.2、基于任意三元组η∈tu，对不同用户节点采样邻居节点，得到所有用户的一阶邻居节点集，再依次对所有用户节点的一阶邻居节点采样邻居节点，得到用户的二阶邻居节点集；

步骤2.3、基于任意三元组η∈tu，采用相关性度量方法，得到所有用户节点与其各个二阶邻居节点的相似度矩阵；

步骤2.4、基于任意三元组η∈tu，将用户节点与其二阶邻居节点的相似度值和二阶邻居节点自身的节点嵌入相乘，得到所有用户节点在三元组η下的二阶邻居节点基于相似度引导的嵌入表示；

步骤2.5、基于任意三元组η∈tu，应用软注意力机制，得到用户在三元组η下的关联特征表示，遍历三元组集tu，得到所有用户在不同三元组下的关联特征表示；

步骤2.6、对所有用户在不同三元组下的关联特征表示进行自注意力机制操作，得到用户的关联特征表示；

所述将所述各个节点的节点嵌入按照预先定义的课程三元组集tc输入至深层关联关系特征提取模块，得到课程的关联特征表示fc，包括：步骤3.1、根据课程节点与任意节点所存在的关联关系，构造课程三元组集tc；

步骤3.2、基于任意三元组ξ∈tc，对不同课程节点采样邻居节点，得到所有课程的一阶邻居节点集，再依次对所有课程节点的一阶邻居节点采样邻居节点，得到课程的二阶邻居节点集；

步骤3.3、基于任意三元组ξ∈tc，采用相关性度量方法，得到所有课程节点与其各个二阶邻居节点的相似度矩阵；

步骤3.4、基于任意三元组ξ∈tc，将课程节点与其二阶邻居节点的相似度值和二阶邻居节点自身的节点嵌入相乘，得到所有课程节点在三元组ξ下的二阶邻居节点基于相似度引导的嵌入表示；

步骤3.5、基于任意三元组ξ∈tc，应用软注意力机制，得到课程在三元组ξ下的关联特征表示，遍历三元组集tc，得到所有课程在不同三元组下的关联特征表示；

步骤3.6、对所有课程在不同三元组下的关联特征表示进行自注意力机制操作，得到课程的关联特征表示fc；

所述根据用户的课程选修记录和用户的视频观看记录，构建视频交互时序矩阵A，将视频交互时序矩阵A输入至交互特征提取模块，得到交互特征FT，包括：步骤5.1、基于用户的课程选修记录和其学习课程前d天的视频观看记录，得到视频交互时序矩阵集A；

步骤5.2、将视频交互时序矩阵A输入至交互特征提取模块，所述交互特征提取模块为双向LSTM模型，得到交互特征FT。

2.根据权利要求1所述的基于关联关系和视频交互的在线课程辍学预测方法，其特征在于，所述根据用户的课程选修记录、用户的视频观看记录和课程的视频资源记录，构建用户学习课程视频的异构信息图G，经过节点嵌入模块，得到图G中各个节点分别对应的节点嵌入，包括：根据用户的课程选修记录、用户的视频观看记录和课程的视频资源记录，形成一个异构信息图G(U，C，V)，其中U表示所有用户节点的集合，C表示所有课程节点的集合，V表示所有视频节点的集合，用户与课程之间的边表示用户与课程的选修关系，用户与视频之间的边表示用户和视频的观看关系，课程与视频之间的边表示视频和课程的从属关系；

基于异构信息图G，使用独热编码唯一标识图G中所有的用户节点、课程节点和视频节点；

将上一步得到的所有节点的独热编码输入至节点嵌入模块，所述节点嵌入模块包括一个全连接层，获取所述全连接层的参数矩阵，通过查找所述全连接层的参数矩阵得到所述各个节点分别对应的节点嵌入。

3.根据权利要求1所述的基于关联关系和视频交互的在线教育辍学预测方法，其特征在于，所述基于用户和课程选修关系对，将用户的关联特征fu和课程的关联特征fc进行特征融合，得到用户和课程选修关系对的深层关联关系特征FR，包括：步骤4.1、根据用户的课程选修记录，得到用户和课程选修关系对的集合E；

步骤4.2、基于用户和课程选修关系对的集合E，将用户的关联特征fu及其所选修课程的关联特征fc拼接起来并展平，然后送入全连接层并使用sigmoid函数激活，得到最终的深层关联关系特征FR。

4.根据权利要求1所述的一种基于关联关系和视频交互的在线教育辍学预测方法，其特征在于，所述基于所述深层关联关系特征FR和交互特征FT，计算用户在其选修课程上的辍学概率，包括：步骤6.1、将深层关联关系特征FR和交互特征FT拼接之后送入多层感知机中，并使用sigmoid函数约束输出在0和1之间，得到用户在其选修课程上的辍学概率：其中y表示用户在其选修课程上的辍学概率，MLP(·)表示多层感知机；

步骤6.2、以上模型中所有的参数通过随机梯度下降法最小化以下目标函数进行优化：其中Θ是参数集，yk对应着选修关系Ek中用户ui是否从课程cj中辍学的真实值，λ是正则化系数，K表示选修记录的条数。