张 阳，鲁鸣鸣，郑一基，李海峰

1.中南大学 计算机学院，长沙410083

2.中南大学 地球科学与信息物理学院，长沙410083

“数据驱动学校，分析变革教育”的大数据时代已经来临，如何利用大数据的优势，挖掘出教育中的模式从而针对性改进教学成为亟需解决的问题。经济合作与发展组织在2018 年发布的《2018 教育概览》[1]调查数据发现，学生期末成绩不合格之后再让学生留级并不能达到让学生跟上进度的目的，想要学生跟上学业进度，最好的方式是尽早干预。能够根据学生的表现较早准确预测学生成绩，并分析影响学生成绩的因素，可以便于学校尽早干预学生学习中出现的问题，使得学生能够跟上学习进度，也能为改进培养方案、教学大纲，以及为学生选课提供指导意见。

现有的成绩预测方法主要可分为贝叶斯网络模型[2-4]、决策树模型[5-7]和推荐算法[8-11]等。这些工作往往需要手动提取特征、先验知识、专家知识，或者只能预测指定的某一门课程的成绩，并且预测的效果往往也不太好。深度学习是一种新兴的能自动提取特征的算法，其中的卷积神经网络和循环神经网络在处理图像数据及序列化数据领域甚至超过了人类的水平。但是，卷积神经网络和循环神经网络无法直接对图结构的数据进行预测。为此，文献[12-13]提出图卷积神经网络（Graph Convolutional Networks，GCN）。将卷积神经网络拓展到图结构形式的数据输入。GCN因为可以很好地融合图结构数据的结构特征和属性特征并且有较好的组合泛化能力，而被广泛使用[14-16]。……