对于高校学生来说,除了学习以外还有其他的业余活动,有的学生有丰富的兴趣爱好,还有的学生兴趣爱好比较匮乏。在心理学中,兴趣作为人们内在的一种力量,对个人未来的发展起重大影响。通过调研发现,当前关于学生兴趣的研究大多基于社交网络或者单一维度特征,很少从多元特征出发对学生兴趣进行研究,本文基于教育数据从多元特征出发对学生兴趣进行了研究。本文首先对学生数据进行了分析,希望从海量数据集中挖掘有效的学生兴趣信息。在信息化时代,每个人每天都会产生大量的数据,本文从国内某高校的在线系统中提取了大量的教育数据。然后,本文还从多元维度出发,从复杂的学习环境中提取出能够表示学生特点的特征。将特征进行标签化,依据时效性将学生的所有属性分为了静态标签属性和动态标签属性,对学生属性特征标签化得到学生画像。通过相关性分析方法筛选出和学生兴趣相关性较高的属性,这些属性共同表示学生的兴趣。最后,本文还将学生成绩作为学生兴趣预测的一个重要特征,本文提出一个N-hot算法,该算法能够有效实现成绩特征的嵌入,从而实现特征转换,能够有效节约空间成本并降低计算复杂度。在本文中,将学生兴趣预测问题重新定义为一个顺序事件预测问题,并提出了一种新的基于深度学习的学生兴趣预测模型IN-TCN,该模型建立在时序卷积网络（Temporal Convolutional Networks,TCN）的基础上。本文基于教育数据集做了实验,学生兴趣预测得出的结果显示,该模型不仅始终优于标准的基于逻辑回归的方法,还优于一些深度学习模型。