CN111339258B - 基于知识图谱的大学计算机基础习题推荐方法 - Google Patents

基于知识图谱的大学计算机基础习题推荐方法 Download PDF

Info

Publication number
CN111339258B
CN111339258B CN202010132847.0A CN202010132847A CN111339258B CN 111339258 B CN111339258 B CN 111339258B CN 202010132847 A CN202010132847 A CN 202010132847A CN 111339258 B CN111339258 B CN 111339258B
Authority
CN
China
Prior art keywords
knowledge
nodes
graph
exercises
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010132847.0A
Other languages
English (en)
Other versions
CN111339258A (zh
Inventor
朱磊
刘尧林
黑新宏
冯林林
吕泓瑾
张晋源
王一川
姬文江
孟海宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Technology
Original Assignee
Xian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN202010132847.0A priority Critical patent/CN111339258B/zh
Publication of CN111339258A publication Critical patent/CN111339258A/zh
Application granted granted Critical
Publication of CN111339258B publication Critical patent/CN111339258B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3335—Syntactic pre-processing, e.g. stopword elimination, stemming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G06Q50/2057—Career enhancement or continuing education service
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
    • G09B7/04—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student characterised by modifying the teaching programme in response to a wrong answer, e.g. repeating the question, supplying a further explanation

Abstract

本发明公开了一种基于知识图谱的大学计算机基础习题推荐方法，基于大学计算机基础知识点构建的知识图谱，使用图团体检测算法从知识点之间的关系结构上分析知识点间的关联性，从而推荐与学生错误知识点关联性较高的知识点给学生进行学习；通过中文分词提取习题语义特征构建word2vec模型，使用RWMD方法计算学生的错题与其他习题在内容上的相似度，选取相似度高的习题进行推荐。通过分析学生的错题为学生推荐相应的知识点和习题，可以帮助学生尽快扫除知识盲点，更好地掌握大学计算机基础这门课，同时也减轻了任课教师的压力。

Description

基于知识图谱的大学计算机基础习题推荐方法
技术领域
本发明属于人工智能领域的一个重要方向，具体涉及一种基于知识图谱的大学计算机基础习题推荐方法。
背景技术
随着信息技术的发展，互联网信息总量呈现爆炸性增长，同时也伴生了信息的组织结构松散等问题。传统的信息检索方式已经难以适应现状，知识图谱以其强大的语义处理能力与开放互连能力为解决这些问题提供了新的思路。大学计算机基础对于当代大学生是一门非常重要的基础课。这门课程包含计算机的起源与发展、硬件组成、操作系统、计算机网络、算法与数据结构、常用的办公软件操作等内容。通过学习大学计算机基础，学生对计算机可以有一个全面清楚的认识。由于大学计算机基础这门课程知识覆盖面广、知识点繁杂，学生在复习的时候短时间内难以入手。同时大学计算机基础作为一门公共基础课，每一个班级的学生数量多，任课教师难以通过分析每一个学生的错题从而对其薄弱的知识点进行梳理，以此制定适合该学生的复习方案。并且大多数学生因为自身对知识的掌握度不高，也难以从做错的习题中分析自己的知识盲区。因此形成一套可以自动从学生的错题中分析该学生的知识盲区，从而给学生推荐需要学习的知识点和相应的习题的方法是十分有必要的。
目前使用的推荐算法大多为基于内容的推荐，通过计算得到与用户偏好相似度高的内容进行推荐。但是在进行大学计算机基础的知识点与习题推荐时，不仅要考虑习题在内容上的相似性，还需要考虑知识点之间的关联性。因为每一个知识点都不是独立的，是具有相互关系的。本发明旨针对此种情况提出了一种新的解决方法。
发明内容
本发明旨在提供一种基于知识图谱的大学计算机基础习题推荐方法。利用以大学计算机基础知识点为节点构建的知识图谱，通过分析学生错误的习题得到该学生可能未掌握的知识点以及与错题内容相似的习题推荐给学生，帮助学生扫除知识盲区，解决了现有技术中存在的无法根据学生知识盲区进行针对性的做题训练的问题。
本发明的关键在于如何衡量两道习题在内容上的相似性以及如何查询与学生未掌握的知识点相关联的知识点。
本发明基于知识图谱的大学计算机基础习题推荐方法，运用大学计算机基础知识点构建的知识图谱，使用图团体检测算法从知识点之间的关系结构上分析关联性，从而推荐与学生错误知识点关联性较高的知识点进行学习；通过中文分词提取习题语义特征构建word2vec模型，使用RWMD方法计算学生的错题与其他习题在内容上的相似度，选取相似度高的习题并进行推荐。
推荐方法具体包括以下步骤：
步骤1，读取学生的某一道错题；
步骤2，对步骤1中读取的学生的错题，在习题数据库中查询其对应的知识点，并在大学计算机基础知识图谱中查询与该知识点对应的节点P1；
步骤3，对步骤2中得到的节点P1，在大学计算机基础知识图谱中查询流入P1并且与其关系为包含关系的节点P2；
步骤4，对步骤3中得到的节点P2，在大学计算机基础知识图谱中查询从P2流出并且与其关系为包含关系的所有节点，定义为集合W1；
步骤5，对步骤3中得到的节点P2，在大学计算机基础知识图谱中查询流入P2并且与其关系为前驱关系的节点P3；
步骤6，对步骤5中得到的节点P3，在大学计算机基础知识图谱中查询从P3流出与其关系为包含关系的所有节点，定义为集合W2；
步骤7，对步骤4、步骤6中得到的节点的集合W1与W2，在大学计算机基础知识图谱中提取包含W1、W2中所有节点的图结构，并且依据图结构形成邻接矩阵；
步骤8，对步骤7中得到的邻接矩阵，使用图团体检测算法进行聚类分析，得到与步骤2中得到的节点聚为一类的节点集合，该集合中的节点对应的知识点即为与错误知识点关联性高的知识点；
步骤9，对步骤8得到的知识点，整合后推荐给学生；
步骤10，对习题数据库中的每道习题使用中文分词提取N个关键词，将N个关键词的集合作为每道习题的语义特征；
步骤11，构建word2vec模型并输入步骤10中提取的习题的语义特征进行训练，旨在得到每道习题的关键词词向量；
步骤12，使用RWMD算法计算学生错误的习题与其他习题之间的词移距离；
步骤13，在习题数据库中查询步骤8得到的知识点所对应的习题；
步骤14，将步骤13得到的习题整合后推荐给学生。
步骤3中，节点分为两种类型，分别为知识面节点和知识点节点。知识面节点为概括性的知识，知识点节点为知识面节点下更为具体的知识。知识面节点与知识点节点之间存在包含关系，知识面节点和知识面节点之间存在前驱关系，知识点节点与知识点节点之间存在并列关系和因果关系。通过查询知识点节点所属的知识面节点，可以得到该知识面节点包含的全部知识点节点以及该知识面节点的前驱知识面节点；
步骤7中，以邻接矩阵的形式在大学计算机基础知识图谱中提取的节点的图结构，其中0表示两个节点没有连接关系，1表示两个节点具有包含关系和并列关系，2表示两个节点具有因果关系和前驱关系；
步骤8中，对步骤7得到的邻接矩阵，使用图团体检测算法进行聚类分析以得到与错误知识点关联性高的其他知识点，对聚类结果使用模块性这一指标进行衡量，模块性是衡量团体划分质量的一种标准，值越大表明划分的越好；计算模块性的公式为
Figure BDA0002396265710000041
Figure BDA0002396265710000042
其中L表示图所包含的边的数量，N表示图所包含的节点的数量，ki表示节点i的度，Aij为邻接矩阵中的值，ci表示节点i的类别。本发明重新定义了δ函数；δ函数的逻辑为当节点i、节点j为同一聚类时，如果Aij的值为2，则δ(ci，cj)返回值为2；如果Aij的值为1或0，则δ(ci，cj)返回值为1；当节点i、节点j不属于同一聚类，δ(ci，cj)返回值为0；
步骤10中，对习题数据库中的每道习题使用中文分词提取N个关键词x，将N个关键词x的集合作为每道习题的语义特征，例如对于习题Qi可以表示为：Qi＝{xi1，xi2，xi3…，xin}；
步骤11中，构建word2vec模型并输入步骤10中提取的习题的语义特征进行训练，将每一个关键词表示为m维的词向量w，则习题Qi的习题向量可以表示为：Vi＝{wi1，wi2，wi3…，win}；
步骤12中，使用RWMD算法计算错误习题与其他习题之间的词移距离，词移距离越短，代表两道习题的相似度越高，通过计算词移距离挖掘与错误习题在内容上相似度高的N道习题。
本发明的有益效果是：
本发明针对大学计算机基础的知识点繁复，知识点之间的关联性高的特点，对传统的基于内容的推荐方法进行了改进，提出了一种基于知识图谱的大学计算机基础习题推荐方法。所采用的推荐方法是基于大学计算机基础知识点构建的知识图谱，使用图团体检测算法从知识点之间的关系结构上分析知识点间的关联性，从而推荐与学生未掌握的知识点关联性较高的知识点给学生进行学习；通过中文分词提取习题语义特征构建word2vec模型，使用RWMD方法计算学生的错题与其他习题在内容上的相似度，选取相似度高的习题进行推荐。通过分析学生的错题为学生推荐相应的知识点和习题，可以帮助学生尽快扫除知识盲点，更好地掌握大学计算机基础这门课，同时也减轻了任课教师的压力。
附图说明
图1为本发明基于知识图谱的大学计算机基础习题推荐方法总流程图；
图2为本发明基于大学计算机基础知识图谱提取图结构的过程；
图3为本发明基于图团体检测算法对知识点的图结构进行聚类分析的过程；
图4为本发明建立word2vec模型并进行训练的过程；
图5为本发明基于RWMD算法计算习题之间相似度的过程。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1，本发明基于知识图谱的大学计算机基础习题推荐方法，具体包括以下步骤：
步骤1，读取学生的错题，例如学生在填空题“计算机网络的功能是信息交换，资源共享和______。”出现错误，则读取该题目；
步骤2，对步骤1中所读取的学生错题，在习题数据库中查询其对应的知识点为“计算机网络功能”，并在大学计算机基础知识图谱中查询其对应的节点P1；
步骤3，对步骤2中得到的知识点节点P1，在大学计算机基础知识图谱中查询流入P1并且与具有包含关系的知识面节点P2；
步骤4，对步骤3中得到的知识面节点P2，在大学计算机基础知识图谱中查询从P2流出并且与具有包含关系的所有知识点节点，定义为集合W1；
步骤5，对步骤3中得到的知识面节点P2，在大学计算机基础知识图谱中查询流入P2并且与其之间的关系为前驱关系的知识面节点P3；
步骤6，对步骤5中得到的知识面节点P3，在大学计算机基础知识图谱中查询从P3流出并且与其之间的关系为包含关系的所有知识点节点，定义为集合W2；
步骤7，对步骤4、步骤6中得到的知识点节点的集合W1和W2，如图2在大学计算机基础知识图谱中提取包含W1与W2中的节点的图结构并形成邻接矩阵，伪代码如下：
Figure BDA0002396265710000071
步骤8，对步骤7形成的邻接矩阵，如图3使用图团体检测算法进行聚类分析，得到与步骤2得到的知识点节点聚为一类的知识点节点。对聚类结果使用模块性这一指标进行衡量，模块性是衡量团体划分质量的一种标准，值越大表明划分的结果越好。计算模块性的公式为
Figure BDA0002396265710000081
其中L表示图所包含的边的数量，N表示图所包含的顶点的数量，ki表示顶点i的度，Aij为邻接矩阵中的值，ci表示顶点i的类别。δ函数的逻辑为当顶点i、顶点j为同一聚类时，如果Aij的值为2，则δ(ci，cj)返回值为2；如果Aij的值为1或0，则δ(ci，cj)返回值为1；当顶点i、顶点j不属于同一聚类，δ(ci，cj)返回值为0。使用图团体检测算法进行聚类分析的伪代码如下：
Figure BDA0002396265710000082
完成上述步骤后，与步骤2中得到的知识点节点聚为一类的节点集合，即可视为与错误知识点关联性高的知识点。
步骤9，对步骤8中得到的知识点，整合后推荐给学生；
步骤10，对习题数据库中的习题使用中文分词提取关键词作为语义特征，例如对步骤1中读取的题目，提取的语义特征为{“计算机网络”，“功能”，“信息交换”，“资源共享”}；
步骤11，构建word2vec模型并且输入步骤10中提取的习题的语义特征对模型进行训练，word2vec模型的构建过程如图4所示，伪代码如下：
Figure BDA0002396265710000091
完成上述步骤后，即可得到每道习题的关键词词向量；
步骤12，通过步骤11中生成的关键词词向量，采用RWMD算法计算错误习题与其他习题之间的词移距离。该算法的基础是WMD算法，其通过计算文档之间的词移距离来衡量文档与文档之间的相似度。计算词移距离的公式为：
Figure BDA0002396265710000101
Figure BDA0002396265710000102
其中d表示权重，di表示词i在文档中的权重，计算公式为
Figure BDA0002396265710000103
c表示词在文档中出现的次数；c(i，j)表示词i与词j的距离，使用欧式距离计算；T表示权重矩阵，Tij表示词i转移到词j的代价。通过最小化目标函数，得到文档之间的词移距离，词移距离越小表示两个文档相似度越高。RWMD算法是对WMD算法的优化，降低了时间复杂度。RWMD算法基于WMD算法的目标函数，分别去掉两个约束条件中的一个来求解最小值，使用两个最小值中的最大值作为词移距离。算法的过程如图5所示；
完成上述步骤后，即可得到与错误习题在内容上相似度高的习题；
步骤13，对步骤8中得到的知识点，在知识点数据库中查询其所属的习题；
步骤14，对步骤12、步骤13中得到的习题，整合后推荐给学生。
本发明针对大学计算机基础的知识点繁复，知识点之间的关联性高的特点，对传统的基于内容的推荐方法进行了改进，提出了一种基于知识图谱的大学计算机基础习题推荐方法。通过分析学生的错题为学生推荐相应的知识点学习和相应的习题练习，可以帮助学生尽快扫除知识盲点，更好地掌握大学计算机基础这门课，同时也减轻了任课教师的压力。

Claims (7)

1.基于知识图谱的大学计算机基础习题推荐方法，其特征在于，运用大学计算机基础知识点构建的知识图谱，使用图团体检测算法从知识点之间的关系结构上分析关联性，从而推荐与学生错误知识点关联性较高的知识点进行学习；通过中文分词提取习题语义特征构建word2vec模型，使用RWMD方法计算学生的错题与其他习题在内容上的相似度，选取相似度高的习题并进行推荐；
具体包括以下步骤：
步骤1，读取学生的某一道错题；
步骤2，对步骤1中读取的学生的错题，在习题数据库中查询其对应的知识点，并在大学计算机基础知识图谱中查询与该知识点对应的节点P1；
步骤3，对步骤2中得到的节点P1，在大学计算机基础知识图谱中查询流入P1并且与其关系为包含关系的节点P2；
步骤4，对步骤3中得到的节点P2，在大学计算机基础知识图谱中查询从P2流出并且与其关系为包含关系的所有节点，定义为集合W1；
步骤5，对步骤3中得到的节点P2，在大学计算机基础知识图谱中查询流入P2并且与其关系为前驱关系的节点P3；
步骤6，对步骤5中得到的节点P3，在大学计算机基础知识图谱中查询从P3流出与其关系为包含关系的所有节点，定义为集合W2；
步骤7，对步骤4、步骤6中得到的节点的集合W1与W2，在大学计算机基础知识图谱中提取包含W1、W2中所有节点的图结构，并且依据图结构形成邻接矩阵；
步骤8，对步骤7中得到的邻接矩阵，使用图团体检测算法进行聚类分析，得到与步骤2中得到的节点聚为一类的节点集合，该集合中的节点对应的知识点即为与错误知识点关联性高的知识点；
步骤9，对步骤8得到的知识点，整合后推荐给学生；
步骤10，对习题数据库中的每道习题使用中文分词提取N个关键词，将N个关键词的集合作为每道习题的语义特征；
步骤11，构建word2vec模型并输入步骤10中提取的习题的语义特征进行训练，旨在得到每道习题的关键词词向量；
步骤12，使用RWMD算法计算学生错误的习题与其他习题之间的词移距离；
步骤13，在习题数据库中查询步骤8得到的知识点所对应的习题；
步骤14，将步骤13得到的习题整合后推荐给学生。
2.根据权利要求1所述的基于知识图谱的大学计算机基础习题推荐方法，其特征在于，所述步骤3中，节点分为两种类型，分别为知识面节点和知识点节点；知识面节点为概括性的知识，知识点节点为知识面节点下更为具体的知识；知识面节点与知识点节点之间存在包含关系，知识面节点和知识面节点之间存在前驱关系，知识点节点与知识点节点之间存在并列关系和因果关系；通过查询知识点节点所属的知识面节点，可以得到该知识面节点包含的全部知识点节点以及该知识面节点的前驱知识面节点。
3.根据权利要求1所述的基于知识图谱的大学计算机基础习题推荐方法，其特征在于，所述步骤7中，以邻接矩阵的形式在大学计算机基础知识图谱中提取的节点的图结构，其中0表示两个节点没有连接关系，1表示两个节点具有包含关系和并列关系，2表示两个节点具有因果关系和前驱关系。
4.根据权利要求1所述的基于知识图谱的大学计算机基础习题推荐方法，其特征在于，所述步骤8中，对于步骤7得到的邻接矩阵，使用图团体检测算法进行聚类分析以得到与错误知识点关联性高的其他知识点，对聚类结果使用模块性这一指标进行衡量，模块性是衡量团体划分质量的一种标准，值越大表明划分的越好；计算模块性的公式为
Figure QLYQS_11
，其中
Figure QLYQS_13
表示图所包含的边的数量，
Figure QLYQS_14
表示图所包含的节点的数量，
Figure QLYQS_16
表示节点
Figure QLYQS_17
的度，
Figure QLYQS_18
为邻接矩阵中的值，
Figure QLYQS_19
表示节点
Figure QLYQS_1
的类别，本发明重新定义了
Figure QLYQS_3
函数；
Figure QLYQS_5
函数的逻辑为当节点
Figure QLYQS_7
、节点
Figure QLYQS_8
为同一聚类时，如果
Figure QLYQS_10
的值为2，则
Figure QLYQS_12
返回值为2；如果
Figure QLYQS_15
的值为1或0，则
Figure QLYQS_2
返回值为1；当节点
Figure QLYQS_4
、节点
Figure QLYQS_6
不属于同一聚类，
Figure QLYQS_9
返回值为0。
5.根据权利要求1所述的基于知识图谱的大学计算机基础习题推荐方法，其特征在于，所述步骤10中，对习题数据库中的每道习题使用中文分词提取N个关键词
Figure QLYQS_20
，将N个关键词
Figure QLYQS_21
的集合作为每道习题的语义特征，对于习题
Figure QLYQS_22
可以表示为：
Figure QLYQS_23
。
6.根据权利要求1所述的基于知识图谱的大学计算机基础习题推荐方法，其特征在于，所述步骤11中，构建word2vec模型并输入步骤10中提取的习题的语义特征进行训练，将每一个关键词表示为m维的词向量
Figure QLYQS_24
，则习题
Figure QLYQS_25
的习题向量可以表示为：
Figure QLYQS_26
。
7.根据权利要求1所述的基于知识图谱的大学计算机基础习题推荐方法，其特征在于，所述步骤12中，使用RWMD算法计算错误习题与其他习题之间的词移距离，词移距离越短，代表两道习题的相似度越高，通过计算词移距离挖掘与错误习题在内容上相似度高的N道习题。
CN202010132847.0A 2020-02-29 2020-02-29 基于知识图谱的大学计算机基础习题推荐方法 Active CN111339258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010132847.0A CN111339258B (zh) 2020-02-29 2020-02-29 基于知识图谱的大学计算机基础习题推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010132847.0A CN111339258B (zh) 2020-02-29 2020-02-29 基于知识图谱的大学计算机基础习题推荐方法

Publications (2)

Publication Number Publication Date
CN111339258A CN111339258A (zh) 2020-06-26
CN111339258B true CN111339258B (zh) 2023-03-03

Family

ID=71182109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010132847.0A Active CN111339258B (zh) 2020-02-29 2020-02-29 基于知识图谱的大学计算机基础习题推荐方法

Country Status (1)

Country Link
CN (1) CN111339258B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111813920B (zh) * 2020-07-06 2021-04-13 龙马智芯（珠海横琴）科技有限公司 一种学习策略生成方法、装置、生成设备及可读存储介质
CN113065986A (zh) * 2021-03-22 2021-07-02 深圳童年科技有限公司 一种基于智能交互的教育资源生成方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273490A (zh) * 2017-06-14 2017-10-20 北京工业大学 一种基于知识图谱的组合错题推荐方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180366013A1 (en) * 2014-08-28 2018-12-20 Ideaphora India Private Limited System and method for providing an interactive visual learning environment for creation, presentation, sharing, organizing and analysis of knowledge on subject matter

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273490A (zh) * 2017-06-14 2017-10-20 北京工业大学 一种基于知识图谱的组合错题推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王家辉 ; 文欣秀 ; 赵敏 ; 范贵生 ; 唐佳诚 ; 张嘉寅 ; .基于知识图谱的微信智能刷题系统.2018,(11),全文. *
黄华升 ; .基于知识图谱的个性化学习资源推荐研究.2018,(10),全文. *

Also Published As

Publication number Publication date
CN111339258A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN103473283B (zh) 一种文本案例匹配方法
CN105393265A (zh) 人机交互学习中的主动特征化
Wang et al. Preference-based spatial co-location pattern mining
CN104573130A (zh) 基于群体计算的实体解析方法及装置
CN108959305A (zh) 一种基于互联网大数据的事件抽取方法及系统
CN110633365A (zh) 一种基于词向量的层次多标签文本分类方法及系统
CN104199826A (zh) 一种基于关联分析的异构媒体相似性计算方法和检索方法
CN112328800A (zh) 自动生成编程规范问题答案的系统及方法
Verma et al. A novel approach for text summarization using optimal combination of sentence scoring methods
CN111339258B (zh) 基于知识图谱的大学计算机基础习题推荐方法
CN114254093A (zh) 多空间知识增强的知识图谱问答方法及系统
CN114997288A (zh) 一种设计资源关联方法
Ma et al. Matching descriptions to spatial entities using a siamese hierarchical attention network
CN113901224A (zh) 基于知识蒸馏的涉密文本识别模型训练方法、系统及装置
Wang et al. An improved clustering method for detection system of public security events based on genetic algorithm and semisupervised learning
CN113610626A (zh) 银行信贷风险识别知识图谱构建方法、装置、计算机设备及计算机可读存储介质
Chai et al. An error consistency based approach to answer aggregation in open-ended crowdsourcing
CN117273134A (zh) 一种基于预训练语言模型的零样本知识图谱补全方法
CN117010373A (zh) 一种电力设备资产管理数据所属类别和组的推荐方法
CN116561264A (zh) 一种基于知识图谱的智能问答系统的构建方法
CN115712720A (zh) 一种基于知识图谱的降雨动态预警方法
CN112579775A (zh) 非结构化文本的分类方法及计算机可读存储介质
Wei Recommended methods for teaching resources in public English MOOC based on data chunking
CN111723301A (zh) 基于层次化主题偏好语义矩阵的关注关系识别及标注方法
Wang et al. Construction of a Knowledge Map Based on Text CNN Algorithm for Maritime English Subjects

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant