1.基于深度学习的学生学习成果预测方法，其特征在于，包括；

步骤1：基于预设的授权机制采集目标学生第一学生数据，包括学习行为数据、评估数据、互动数据和属性数据；对所述第一学生数据进行匿名化和预处理获得第二学生数据；

步骤2：基于所述第二学生数据提取特征向量，包括行为特征向量、评估特征向量、互动特征向量和属性特征向量；

步骤3：基于所述特征向量和预设的成果预测模型生成预测结果，所述成果预测模型包括特征融合层、主特征提取层、记忆增强层、注意力决策层和输出层；所述记忆增强层通过引入外部记忆单元动态存储并更新课程知识向量与学习状态向量；

所述特征融合层通过注意力加权机制对所述特征向量进行融合，生成融合特征向量，具体步骤如下：将所述特征向量依次输入预设的第一全连接层，生成注意力分数；

使用softmax函数对注意力分数进行归一化，生成第一特征权重，公式如下：；

其中， 为第a个特征向量的第一特征权重， 为第a个特征向量的注意力分数；

基于所述第一特征权重，对所述特征向量进行加权求和，生成融合特征向量；

所述主特征提取层采用双向门控循环网络处理融合特征向量，通过双向时序建模捕获融合特征向量中的依赖关系，输出第一时序向量；

所述课程知识向量通过从第一时序向量中提取课程核心概念表征生成；

通过步骤1、步骤2、特征融合层与主特征提取层依次处理目标学生的历史学习行为数据及互动数据，以生成第二时序向量；

所述学习状态向量通过从第二时序向量提炼个性化学习模式生成；

定期通过双向门控循环网络更新存储的课程知识向量和学习状态向量；

所述注意力决策层对所述第一时序向量、所述课程知识向量和所述学生的所述学习状态向量进行动态融合，生成向量集合 ：；

其中，为第一时序向量，为课程知识向量，为学习状态向量；

计算所述向量集合的注意力得分，并对注意力得分进行归一化生成第二特征权重；

基于第二特征权重和融合向量通过加权聚合，生成情境感知向量。

2.根据权利要求1所述的方法，其特征在于，将所述行为数据输入预设的双向LSTM网络生成所述行为特征向量；

基于所述评估数据构建特征张量，将特征张量输入至预设的全连接网络生成所述评估特征向量。

3.根据权利要求2所述的方法，其特征在于，将所述互动数据输入至预设的预训练语言模型生成所述互动特征向量，具体步骤如下：将长文本分割为符合预训练语言模型的最大长度限制的多个文本段；

对每个所述文本段生成上下文感知的token向量：；

其中，为第i个token向量；

3）对每个文本段执行全局语义聚合：；

其中， 为第k个文本段语义向量，为当前文本段包含的token数量；

4）汇集所有互动文本的语义向量集合：；

5）通过均值池化生成互动特征向量 ：；

其中，为语义向量的总数。

4.根据权利要求3所述的方法，其特征在于，将所述属性数据输入至预设的嵌入网络生成所述属性特征向量；

使用嵌入网络将所述属性数据中不同类型的数据映射到固定维度的向量生成多个嵌入向量；

对所述多个嵌入向量进行拼接成所述属性特征向量。

5.根据权利要求4所述的方法，其特征在于，所述输出层将情境感知向量映射为预测结果，具体步骤如下：

1）基于预设的第二全连接层对所述情境感知向量进行非线性变换提取精炼特征向量；

2）所述输出层的输出结果基于预测目的分为两类任务，具体包括第一任务和第二任务：所述第一任务为回归任务，基于所述精炼特征向量通过线性变化生成预测值；

将预测值作为预测结果进行输出；

将均方误差作为损失函数：

；

其中， 为第一损失值， 为样本数量， 为第d个样本的真实值， 为第d个样本的预测值；

所述第二任务为分类任务，分类任务中包含有多个标签，基于精炼特征向量 通过Softmax函数输出分类任务中每类标签的概率 ：；

其中， 为预设的分类任务中第 个标签的概率，为标签的总数， 为可训练参数；

将概率最高的标签作为预测结果进行输出；

将交叉熵损失作为损失函数：

；

其中， 为第二损失值， 为 为第d个样本第u类的真实标签， 为第d个样本中第u类的预测值。