CN103838733A - 一种基于知识库的电子化学习方法 - Google Patents

Abstract

本发明公开了一种基于知识库的电子化学习方法，包括以下步骤：使用树状信息的结构表示法表示个性化学习问题；进行结构化问题的逻辑化表示；进行个性化学习问题有序求解。由于本发明使用树状信息的结构表示法来描述个性化学习问题，将各种领域和形式的个性化学习问题使用学生要素、学习内容要素和其他要素这三个基本要素表示，将个性化学习问题分为基本要素、基本信息和子信息三个层次，所以可以使大部分领域信息系统的个性化学习问题结构化，进而可以由此设定个性化学习的推荐规则；本发明采用加权搜索所有解的方法，与学生需要学习的知识相关的推理结果权值最大，因此推荐出新的学生对象感兴趣的知识。

Description

一种基于知识库的电子化学习方法

技术领域

本发明涉及一种网络技术，特别是一种基于知识库的电子化学习方法。

背景技术

随着计算机和网络技术的日益发展，深刻影响着教育、学习的方法和途径，使得日常的面授方式正逐渐走向网络化、信息化方向转变。目前利用网络开展电子化学习已经成为社会关注的热点，也是未来学习型社会的根本特性和人们的基本需求。电子化学习系统是以计算机网络为基础的、实现随时随地、交互性强且内容不断更新的教学系统。然而，目前大部分系统使用的是信息共享的个体学习方式，这样的站点仅仅解决了如何利用互联网和网络技术，使得地理位置上分离的一些群体可以共享学习资料的问题，但学习者始终是被动的学习。远程教学的缺点是学员和教员之间缺乏面对面的交流，学员无法立即对自己的问题向教员进行提问；同时教员也无法掌握学员的学习进度、无法了解学员对知识的掌握情况，缺乏整体性把握。这样既浪费了人力物力，又浪费了时间。远程教学的另一个缺点在于教员需要重复多次地向不同的学员解释同一个问题，无法让学员之间互相学习，没有办法模拟真实教学中的学员之间互相学习这一特点。虽然有些智能化的系统增加聊天室，电子白板乃至虚拟教室等功能来改善学习效果，但仅仅是在教学环境上提供支持，并没有真正实现教学模式个性化的定制。有些系统虽然提供了根据具体学生的基本素质进行学习策略调整的功能，但是不能跟踪学生的动态变化而调整学习大纲和教学策略。

本发明针对目前的电子化学习缺乏交互性、缺乏个性化的弊端，提出基于知识库的教学模型。根据学习对象的元数据（Learning Object Metadata，LOM）树型结构的特点，使用基于知识的树状表示法加以描述，并用Prolog语言把实际电子化学习应用问题表述成计算机语言编写的程序。从而达到个性化教学的目的。

发明内容

为解决现有技术存在的上述问题，本发明要设计一种允许自动掌握学员对不同知识点的掌握情况、从而个性化地服务不同的对象。

为了实现上述目的，本发明的技术方案如下：一种基于知识库的电子化学习方法，包括以下步骤：

A、使用树状信息的结构表示法表示个性化服务问题

A1、将个性化服务问题分成基本要素、基本信息和子信息三个层次，每个基本要素包括若干个基本信息，每个基本信息包括若干个子信息；所述的基本要素包括服务内容要素、服务对象要素和其他要素共三个基本要素；

所述的服务内容要素包括网站中产品的基本信息，所述的服务对象要素包括服务对象的个人的基本信息，所述的其他要素是除服务内容要素和服务对象要素以外的其他基本信息；

所述的网站中产品的基本信息是电子商务网站中的商品信息或新闻门户网站中的新闻信息；所述的商品信息包括商品品牌、商品类别和商品产地信息单元；所述的新闻信息包括新闻类别、新闻关键字、新闻发布时间；所述的个人的基本信息包括性别、年龄、学历和收入；所述的其他基本信息包括季节和上线时间；

A2、使用树状信息的结构表示法来描述具有层次化结构特征的实际个性化服务问题，把个性化服务问题的基本要素、基本信息和子信息分别描述为树的信息侧面、信息单元和子句；子句是树的叶子节点，是基本单元，包含个性化服务问题的数据信息，而除了叶子节点以外的节点则是个性化服务问题的结构信息；

A3、将服务内容和服务对象的数据保存在数据库中，使树的结构与该数据库的表结构一致，即：服务对象信息侧面对应数据库中的服务对象表或视图，该侧面中的每个信息单元与服务对象表或视图中的列名相对应，而子句的数据信息对应列中的记录值；同样，服务内容信息侧面的信息单元和子句分别也对应着相应表或视图中的列名和具体值；其他信息侧面可以不与数据库中信息对应；

B、结构化问题的逻辑化表示

将电子化学习问题使用树状信息结构表示法表示后，则电子化学习问题就可以用一组规则和事实进行逻辑化表示；

B1、将学生资源侧面的事实表示为：

student(“信息单元名”，“子句”，“学生”).

B2、将学习资源信息侧面的事实表示为：

know（“信息单元名”，“子句”，“学生”），在学习资源侧面中，学习对象元模型有着树状层次结构。其最上层是一个根节点，根节点包含很多子元素。子元素还可以包含子元素。除根节点以外包含子元素的元素称为中间节点，或集合数据元素，不包含子元素的元素称为叶节点或简单数据元素。

B3、由于其他信息侧面和子句中的信息各种各样，因此对它的描述内容要视具体情况而定，将其他信息侧面描述为：

study（“信息单元名”，“子句”，“学生”）

B4、将学生对象的行为都使用上述三种事实的组合来描述：

$\left(\underset{i=0}{\overset{n}{\∩}}\mathrm{student}(a_i,b_i,X)\right)\∩\left(\underset{j=0}{\overset{m}{\∩}}\mathrm{know}(c_j,d_j,X)\right)$

其中X代表学生对象变量，

n表示其他信息侧面描述的总数，a和b分别表示该信息侧面描述的具体的信息单元名和子句，i则表示多个信息侧面描述中的第i个描述；

m表示学生对象信息侧面描述的总数，c和d分别表示该信息侧面描述的具体的信息单元名和子句，j则表示多个信息侧面描述中的第j个描述；

B5、一个推荐规则的知识本质上是IF-THEN语句，具有以下形式：

if(<前提1><前提2>…<前提n>)then(<结论1><结论2>…<结论n>)

使用规则是要推知学生对象可能还需要学习什么知识，所以将学生对象可能发生的服务内容表示为

study（“信息单元名”，“子句”，“服务对象”）

显然，将要发生的学习内容始终是规则的结论部分；而学生对象信息、已经掌握的知识信息以及其他客观信息构成了规则的条件部分；因此，个性化服务问题的表达式为：

$\left(\underset{i=0}{\overset{n}{\&cap;}}\mathrm{student}(a_i,b_i,X)\right)\&cap;\left(\underset{j=0}{\overset{m}{\&cap;}}\mathrm{know}(c_j,d_j,X)\right)\&RightArrow;\mathrm{study}(y,z,X)$

当想要了解学生对象a可能需要学习的知识时，只要询问“study(Y，Z,a)”，即可遍历得到所有可能的结果，式中Y和Z为变量；

C、知识学习问题的有序求解

基于规则的推荐可以满足学生对象的个性化偏好，还能预测学生对象的行为；但是规则本身没有先后次序，而对学生对象的服务内容是有严格次序的；因此，我们在服务内容信息侧面的事实描述中再加入一个学习顺序的参数，用来描述服务对象第n轮的学习内容：

know（“信息单元名”，“子句”，“服务对象”，n）.

用

done（“信息单元名”，“子句”，“服务对象”，n）

描述学生对象完成第n轮的学习知识后，可能需要学习的内容；而个性化推荐问题的表达式修改为：

$\left(\underset{i=0}{\overset{n}{\&cap;}}\mathrm{student}(a_i,b_i,X)\right)\&cap;\left(\underset{k=0}{\overset{l}{\&cap;}}\mathrm{done}(e_k,f_k,X,n_k)\right)\&cap;\left(\mathrm{Nis}\max (n_0...n_l)\right).\&RightArrow;$

$\mathrm{study}(y,z,X,N)$

N的值表示该解是在服务对象完成第n轮的服务内容后得到的；显然，越靠近当前纪录相关的推理结果N值越大，当N与学生学习知识次数相同时，则该解就是学生对象下一步最可能想要的学习内容；当所有解的N都小于当前轮次数时，则表示没有与当前相关联的规则；这样从N的大小就可以判断学生对象最想要的学习内容；

与现有技术相比，本发明具有以下有益效果：

1、由于本发明使用树状信息的结构表示法来描述个性化服务问题，将各种领域和形式的个性化学习问题使用学生要素、学习知识要素和其他要素这三个基本要素表示，将个性化学习问题分为基本要素、基本信息和子信息三个层次，所以可以使大部分领域信息系统的个性化学习问题结构化；

2、由于本发明将结构化问题进行逻辑化表示，使用学生要素、学习内容要素和其他要素的多个事实表示组合表示个性化学习问题的逻辑，因此可以由此设定个性化学习的推荐规则；

3、如果使用最佳优先搜索法求解个性化服务问题，它会放弃代价较大的路径，造成丢解；而本发明提出的个性化学习问题有序求解的方法实际上是一种加权搜索所有解的方法，因此推荐出新的学生对象感兴趣的学习内容。

附图说明

本发明共有附图3张，其中：

图1是本发明的结构示意图；

图2是本发明的流程框图。

图3是本发明的系统结构示意图。

图中，1、电子化学习系统，2、电子化学习系统数据库，3、电子化学习的个性化系统，4、推荐规则库，5、知识库。

具体实施方式

下面结合附图对本发明进行进一步地描述。如图1-3所示，在网站的系统结构中，电子化学习的个性化系统3与原有电子化学习系统1相对独立，在底层通过电子化学习系统数据库2接口共享数据，这样的结构在实施起来既对原有电子化学习系统1的结构和功能影响很小，也不太受到原有电子化学习系统1的制约。在系统运行过程中，只需要向电子化学习的个性化系统3提供相应的学生对象或学习内容的数据查询结果。由电子化学习的个性化系统3转化为知识，并加载入知识库5。然后利用推荐规则库4和知识库5计算推理结果。对于推理结果，电子化学习的个性化系统3将它转化为查询相关学习信息的SQL语句，由电子化学习系统数据库2检索结果集，并将该集合送入电子化学习系统1即可。

当电子化学习的个性化系统3与电子化学习系统数据库2交互，先将数据动态转化为事实。显然，当一个编号为A的学生对象a登陆电子化学习系统1时，需要将学习知识信息转化为知识，由于电子化学习系统数据库2中的表或视图结构和问题描述树的结构是一致的，因此可以用信息单元名称直接表示表或视图的列名，得到的查询结果就是服务对象信息单元中相应子句的数据信息，

Select学生对象.信息单元1，…，学生对象.信息单元n

From学生对象

Where学生对象.编号=A；

再用事实表达出来：

object(信息单元1,信息单元1中的查询结果，a)......

object(信息单元n,信息单元n中的查询结果，a)

相类似的还有动态加入的学习知识信息，如果这个学生对象第k轮完成了编号为B的知识学习，则要在数据库中查询：

Select学习知识内容.信息单元1，…，学习知识内容.信息单元m

From学习知识内容

Where学习知识内容.编号=B；

然后转化为事实：

done(信息单元1,信息单元1中的查询结果，a，k)......

done(信息单元n,信息单元m中的查询结果，a，k)

另一方面，推理得到的可能服务内容并不是某种具体的服务，只是对服务的某个信息单元中子句数值的描述。因此还要通过查询电子化学习系统数据库2得到符合该种描述的服务集合。假如服务对象在第k轮后得到的推理结果为：

study(信息单元x,子句y，a,k).

这时还要使用该结果生成如下SQL语句，查询电子化学习系统数据库2后的结果就是对服务对象推荐的具体服务内容。

Select学习知识内容.信息单元1，…，学习知识内容.信息单元m

From学习知识内容

Where学习知识内容.信息单元x=子句y；

很明显，推荐规则库4不会根据学生对象行为的不同而改变，只能是当前学生对象是否使用该条规则。但知识库5会随着学生对象和学习内容的不同而变化，所以这部分内容是动态加入的。电子化学习的个性化系统3会根据不同的学生对象推理出完全不同的结果，从而达到个性化服务。

Claims (1)

1.一种基于知识库的电子化学习方法，其特征在于：包括以下步骤：

A、使用树状信息的结构表示法表示个性化服务问题

A1、将个性化服务问题分成基本要素、基本信息和子信息三个层次，每个基本要素包括若干个基本信息，每个基本信息包括若干个子信息；所述的基本要素包括服务内容要素、服务对象要素和其他要素共三个基本要素；

所述的服务内容要素包括网站中产品的基本信息，所述的服务对象要素包括服务对象的个人的基本信息，所述的其他要素是除服务内容要素和服务对象要素以外的其他基本信息；

所述的网站中产品的基本信息是电子商务网站中的商品信息或新闻门户网站中的新闻信息；所述的商品信息包括商品品牌、商品类别和商品产地信息单元；所述的新闻信息包括新闻类别、新闻关键字、新闻发布时间；所述的个人的基本信息包括性别、年龄、学历和收入；所述的其他基本信息包括季节和上线时间；

A2、使用树状信息的结构表示法来描述具有层次化结构特征的实际个性化服务问题，把个性化服务问题的基本要素、基本信息和子信息分别描述为树的信息侧面、信息单元和子句；子句是树的叶子节点，是基本单元，包含个性化服务问题的数据信息，而除了叶子节点以外的节点则是个性化服务问题的结构信息；

A3、将服务内容和服务对象的数据保存在数据库中，使树的结构与该数据库的表结构一致，即：服务对象信息侧面对应数据库中的服务对象表或视图，该侧面中的每个信息单元与服务对象表或视图中的列名相对应，而子句的数据信息对应列中的记录值；同样，服务内容信息侧面的信息单元和子句分别也对应着相应表或视图中的列名和具体值；其他信息侧面可以不与数据库中信息对应；

B、结构化问题的逻辑化表示

将电子化学习问题使用树状信息结构表示法表示后，则电子化学习问题就可以用一组规则和事实进行逻辑化表示；

B1、将学生资源侧面的事实表示为：

student(“信息单元名”，“子句”，“学生”).

B2、将学习资源信息侧面的事实表示为：

know（“信息单元名”，“子句”，“学生”），在学习资源侧面中，学习对象元模型有着树状层次结构；其最上层是一个根节点，根节点包含很多子元素；子元素还可以包含子元素；除根节点以外包含子元素的元素称为中间节点，或集合数据元素，不包含子元素的元素称为叶节点或简单数据元素；

B3、由于其他信息侧面和子句中的信息各种各样，因此对它的描述内容要视具体情况而定，将其他信息侧面描述为：

study（“信息单元名”，“子句”，“学生”）

B4、将学生对象的行为都使用上述三种事实的组合来描述：

$\left(\underset{i=0}{\overset{n}{\&cap;}}\mathrm{student}(a_i,b_i,X)\right)\&cap;\left(\underset{j=0}{\overset{m}{\&cap;}}\mathrm{know}(c_j,d_j,X)\right)$

其中X代表学生对象变量，

n表示其他信息侧面描述的总数，a和b分别表示该信息侧面描述的具体的信息单元名和子句，i则表示多个信息侧面描述中的第i个描述；

m表示学生对象信息侧面描述的总数，c和d分别表示该信息侧面描述的具体的信息单元名和子句，j则表示多个信息侧面描述中的第j个描述；

B5、一个推荐规则的知识本质上是IF-THEN语句，具有以下形式：

if(<前提1><前提2>…<前提n>)then(<结论1><结论2>…<结论n>)

使用规则是要推知学生对象可能还需要学习什么知识，所以将学生对象可能发生的服务内容表示为

study（“信息单元名”，“子句”，“服务对象”）

显然，将要发生的学习内容始终是规则的结论部分；而学生对象信息、已经掌握的知识信息以及其他客观信息构成了规则的条件部分；因此，个性化服务问题的表达式为：

$\left(\underset{i=0}{\overset{n}{\&cap;}}\mathrm{student}(a_i,b_i,X)\right)\&cap;\left(\underset{j=0}{\overset{m}{\&cap;}}\mathrm{know}(c_j,d_j,X)\right)\&RightArrow;\mathrm{study}(y,z,X)$

当想要了解学生对象a可能需要学习的知识时，只要询问“study(Y，Z,a)”，即可遍历得到所有可能的结果，式中Y和Z为变量；

C、知识学习问题的有序求解

基于规则的推荐可以满足学生对象的个性化偏好，还能预测学生对象的行为；但是规则本身没有先后次序，而对学生对象的服务内容是有严格次序的；因此，我们在服务内容信息侧面的事实描述中再加入一个学习顺序的参数，用来描述服务对象第n轮的学习内容：

know（“信息单元名”，“子句”，“服务对象”，n）.

用

done（“信息单元名”，“子句”，“服务对象”，n）

描述学生对象完成第n轮的学习知识后，可能需要学习的内容；而个性化推荐问题的表达式修改为：

$\left(\underset{i=0}{\overset{n}{\&cap;}}\mathrm{student}(a_i,b_i,X)\right)\&cap;\left(\underset{k=0}{\overset{l}{\&cap;}}\mathrm{done}(e_k,f_k,X,n_k)\right)\&cap;\left(\mathrm{Nis}\max (n_0...n_l)\right).\&RightArrow;$ $\mathrm{study}(y,z,X,N)$

N的值表示该解是在服务对象完成第n轮的服务内容后得到的；显然，越靠近当前纪录相关的推理结果N值越大，当N与学生学习知识次数相同时，则该解就是学生对象下一步最可能想要的学习内容；当所有解的N都小于当前轮次数时，则表示没有与当前相关联的规则；这样从N的大小就可以判断学生对象最想要的学习内容。

Images