CN104504228A - 基于目标视角的知识网络展现方法和系统 - Google Patents

Abstract

一种基于目标视角的知识网络展现方法，包括：S101，基于本体模型从领域知识划分的多个知识节点以及知识节点之间的二元关系构建多重关系的知识网络，针对知识网络的二元关系构建m个有向图，m表示关系类型数，将m个有向图合并为一个基本关系图，构建出基于m+1个有向图的知识网络；S102，针对目标知识节点集合中每一个目标知识节点，计算目标知识节点在m+1个有向图中的传递闭包图；S103，对所有传递闭包图进行合并，得到最小知识节点集合和边集合，将所述最小知识节点集合的基本关系图作为基本参照关系图；S104，在基本参照关系图上，依照传递闭包图对基本参照关系图进行渲染。本发明能够基于目标视角，以图形化方式查看与目标知识点相关的知识节点以及关系。

Description

基于目标视角的知识网络展现方法和系统

技术领域

本发明涉及基于有向图的图形化展现方法，更具体地，涉及一种基于目标视角的知识网络展现方法及其对应的系统。

背景技术

当前知识网络的展现主要靠人工经验的积累，主要来源于教师，专家及培训机构，并未见有基于知识网络图谱的统一的自动计算方案。另外,学习路径可以理解为“课程学习过程中的知识点序列”，多为基于已有教学大纲和经验的积累来制定。

根据个人的理解不同，专家、教师总结的图表展现形式各式各样、表达的信息量也各不相同。对于学习者来说，同一学习内容，不同的教师由于教学水平的不同和教学方法的不同，教师总结的学习路径会有差异。在学习者学习某项知识之前，如果不能清晰地掌握和了解知识体系，会使学习者得到不同的学习路径，依据不合理的学习路径学习会加大学习难度，削弱学习效果，而且不利于学习者后续的兴趣扩展。因此，在开始学习和阅读之前，有必要让学习者了解目标知识体系在完整的知识网络中的演变情况，有助于学习者根据自身的需求定制更加具体的学习路线和规划，发现新的可用学习资源，而现有固化的教学大纲及序列化的学习资源清单并不能体现出知识体系内在逻辑以及知识节点之间的关系。

发明内容

本发明的目的是为了实现：基于已知目标知识点集合，根据多种关系类型计算出该知识点集合的必要的前驱知识点集合以及后继的知识点集合，并且通过有向图完成知识网络展现的渲染计算，用统一的图示来进行表达，本发明是基于传递闭包算法和拓扑排序算法的进一步拓展和创新，可确保每一种关系的知识体系的完整性。具有完整性的知识点集合更加精准的符合用户的需求。

学习者的学习活动带有直接的学习目的，学习者根据学习的目的来自主选择学习资源，完整的知识体系展现可以帮助学习者，了解知识的内在关系，为后续的学习做好更高效率的规划和更直接的拓展目标。

本发明的基于目标视角的知识网络展现方法，包括：

步骤S101，基于本体模型从领域知识划分的多个知识节点以及知识节点之间的二元关系构建多重关系的知识网络，针对知识网络的二元关系构建m个有向图，其中m表示所述二元关系的关系类型数，将所述m个有向图合并为一个基本关系图，从而构建出基于m+1个有向图的知识网络；

步骤S102，针对目标知识节点集合中的每一个目标知识节点，计算该目标知识节点在所述m+1个有向图中的传递闭包图；

步骤S103，对步骤S102中得到的所有传递闭包图进行合并，得到最小的知识节点集合和边集合，将所述最小的知识节点集合的基本关系图作为基本参照关系图；

步骤S104，在所述基本参照关系图上，依照传递闭包图对所述基本参照关系图进行渲染。

本发明还提出一种基于目标视角的知识网络展现系统，包括：

本体模型关系描述模块，其配置为基于本体模型从领域知识划分的多个知识节点以及知识节点之间的二元关系构建多重关系的知识网络，针对知识网络的二元关系构建m个有向图，其中m表示所述二元关系的关系类型数，将所述m个有向图合并为一个基本关系图，从而构建出基于m+1个有向图的知识网络；

传递闭包图生成模块，其配置为针对目标知识节点集合中的每一个目标知识节点，计算该目标知识节点在所述m+1个有向图中的传递闭包图；

传递闭包图合并模块，其配置为对所述传递闭包图生成模块中得到的所有传递闭包图进行合并，得到最小的知识节点集合和边集合，将所述最小的知识节点集合的基本关系图作为基本参照关系图；

渲染模块，其配置为在所述基本参照关系图上，依照传递闭包图对所述基本参照关系图进行渲染。

与现有技术相比，本发明能清晰的展示所学知识的知识网络架构，并准确查看到用户所学知识点所需要掌握的前置知识点以及后继知识点，并呈现为一个完整的知识演变过程。该发明能克服现有教学及自学过程中，知识点组织相对分散，关联模糊的问题，并能够确保无遗漏、按照知识网络提供的关系指示来进行系统性的学习规划，对于用户拓展和深入学习提供帮助。

基于知识网络中关系运算，本发明提出的技术方案还提供二种应用形式：1)对知识网络渲染和展现，2)动态创建学习课程。

附图说明

图1为本发明的方法的第一实施方式的流程图；

图2A-2C为本发明的方法的一个实例的不同关系的有向图；

图3A为本发明的方法的一个实例的包含关系的有向图；

图3B为本发明的方法的一个实例的演变关系的有向图；

图4为图3所示实例的目标节点的包含关系的有向图；

图5为图3所示实例的目标节点的演变关系的有向图；

图6为图3和图4所示的有向图的叠加；

图7为图3所示实例的目标节点的基本关系图；

图8为图3所示实例的依据本发明的方法展示的目标节点视角的知识网络；

图9为根据本发明的方法展示的又一个实例的目标节点集合视角的知识网络；

图10为图9所示实例的提取后的知识必要条件子图；

图11为本发明的系统的框图。

具体实施方式

本发明涉及如下专有名词，其含义解释如下：

本体模型:本体(Ontologies)是概念化的明确的规范说明，由Grube提出。目前本体模型广泛应用于人工智能领域。本体模型就是按照现实生活中的概念、概念间的关系、概念所具有的特征(即属性)以及概念的实例抽象出现实的模型。例如，在计算机领域，可以抽象出：“计算机、CPU、存储器、计算机配件”等概念，而“计算机”和“CPU”是包含关系，及“计算机”和“CPU”具有“是…一部分”或“具有”等属性。

二元关系：集合X与集合Y上的二元关系是R＝(X,Y,G(R))，其中G(R)，称为R的图，是笛卡儿积X×Y的子集。若(x,y)∈G(R)，则称x是R-关系于y，并记作xRy或R(x,y),即二元关系。否则称a与b无关系R。在上面的本体模型示例中，“计算机”和“CPU”之间的关系，“CPU是计算机的一部分”、“计算机具有CPU”就是二元关系。

有向图：直观来说，若图中的每条边都是有方向的，则称为有向图。有向图是一个二元组<V,E>，其中，V是非空集合，称为顶点集。E是V×V的子集，称为弧集。有向图中的边是由两个顶点组成的有序对，有序对通常用尖括号表示，如<vi,vj>表示一条有向边，其中vi是边的始点，vj是边的终点。<vi,vj>和<vj,vi>代表两条不同的有向边。

有向无环图：在图论中，如果一个有向图无法从某个顶点出发经过若干条边回到该点，则这个图是一个有向无环图(DAG图)。如果知识网络中存在环，譬如概念关系成了一个环，那么，环状关系无起点和无终点，那这则表示的知识概念有冲突。

本发明的目的是为了实现：基于已知目标知识点集合，根据多种关系类型计算出该知识点集合的必要的前驱知识点集合以及后继的知识点集合，并且通过有向图完成知识网络展现的渲染计算，用统一的图示来进行表达。本发明是基于传递闭包算法和拓扑排序算法的进一步拓展和创新，可确保每一种关系的知识体系的完整性。具有完整性的知识点集合更加精准的复合用户的需求。

学习者的学习活动带有直接的学习目的，学习者根据学习的目的来自主选择学习资源，完整的知识体系展现可以帮助学习者，了解知识的内在关系，为后续的学习做好更高效率的规划和更直接的拓展目标。

下面参照附图来描述本发明，其中相似的附图标记表示相似的步骤或部件。

第一实施方式(对知识网络进行展现和渲染)

如图1所示的基于目标视角的知识网络展现方法的一个实施方式中。

在步骤S101，基于本体模型从领域知识划分的多个知识节点以及知识节点之间的二元关系构建一知识网络，针对知识网络的二元关系构建m个有向图，其中m表示所述二元关系的关系类型数，将所述m个有向图合并为一个基本关系图，从而构建出基于m+1个有向图的知识网络。

本发明中的知识网络指的是基于领域知识的本体模型，将领域知识划分为多个知识节点(知识点)，知识节点之间存在二元关系。知识节点可以认为是领域知识系统的特定语义范围，知识节点之间的关系可以认为语义之间的谓词，即知识节点之间原生是何种联系。知识节点和知识节点之间的二元关系构成了一个知识网络。

对于一个知识网络，每一种关系可以用一个有向图表示，那么就有m个向图，m表示知识网络中的知识节点之间的二元关系的类型数。再将各种类型的关系图合并为一张完整的有向图，作为该知识网络的基本关系图，基本关系图的通途是建立全局非视角知识网络，即非视角关系有向图。因此，知识网络可以由m+1个有向图来表示。也就是说，知识网络是由知识节点以及知识节点之间的关系组成的多重关系网络。

优选地，若任何一种关系中出现环，则认为出现语义二义性，需要重新构建知识节点之间的关系。

假设基于本体模型的一个知识网络V包括n个知识节点v₁，v₂，…，v_n，V＝{v₁，v₂，…，v_n}；知识节点之间的二元关系有m种，E₁，E₂，…E_m。知识网络的有向图可以表示为：

G＝[G₀，G₁，G₂…G_m]＝[V，E₀，E₁，E₂…E_m]；V＝{v₁，v₂，…，v_n}，V为全部知识节点集合，E为各种关系的有向图边的集合，E₀全部节点边的总和集合(该关系图全部视为非视角关系)。E₁为第一种关系，E₂为第二种关系，依次类推。其中，n为图中节点的个数，也就是知识节点的个数；m为关系类型的个数。那么，该知识网络的m+1个有向图为：

G₀＝[V，E₀]，全部关系的有向图；

G₁＝[V，E₁]，第一种关系的有向图；

…

G_m＝[V，E_m]，第m种关系的有向图。

例如，知识网络V由五个知识节点组成，V＝{v₁，v₂，v₃，v₄，v₅}，v₁-v₅为五个知识节点。知识节点之间存在两个关系类型E₁和E₂。E₁＝{<v₁，v₂>，<v₂,v₃>，<v₂,v₄>，<v₂,v₅>},E₂＝{<v₅，v₄>，<v₄，v₃>}，E₀＝{<v₁，v₂>，<v₂,v₃>，<v₂,v₄>，<v₂,v₅>，<v₅,v₄>，<v₄,v₃>}。E₀为基本参考关系，E₁和E₂分别为不同类型的关系。那么如图2A-2C所示，该知识网络的有向图G＝[G₀，G₁，G₂]＝[V，E₀，E₁，E₂]表示为：

G₀＝[V，E₀]，全部关系的有向图；

G₁＝[V，E₁]，第一种关系的有向图；

G₂＝[V，E₂]，第二种关系的有向图。

但是，当前人机交互过程中，如何根据目标知识节点集合来搜索出完整的知识体系，并以目标集合为视角来展现知识体系，仍然是困难所在。

参照图1，在步骤S102中，针对目标知识节点集合中的每一个目标知识节点，计算该目标知识节点在所述m+1个有向图中的传递闭包图。

下面以一个实例来描述该步骤。设定一知识网络“推拿基本手法”，该知识网络包括16个知识节点(16种推拿手法)，V＝{v₁，v₂，…，v₁₆}；知识节点之间的二元关系有两种：E₁-“包含关系”，E₂-“演变关系”。

包含关系可以认为是：知识概念的细分关系，如汽车包括发动机、底盘、变速器、车架、轮胎、刹车等。演变关系可以认为是知识之间的进化关系阶段，如：数学上的公理、定理、推理，就属于演变关系。再如：数学上的“傅里叶变换”有几个变种：连续傅里叶变换、傅里叶级数、离散傅里叶变换、离散时间傅里叶变换。这四个就是明确的演变关系。当然也可以有其他的关系分类，本发明不限制关系的类型，在该实例中，仅以“包含关系”和“演变关系”来描述本发明的技术实现原理。

该知识网络V具有2+1个有向图：

G₀＝[V，E₀]＝[v₁，v₂，…，v₁₆，E₀]，全部关系的有向图；

G₁＝[V，E₁]＝[v₁，v₂，…，v₁₆，E₁]，包含关系的有向图(如图3A所示)；

G₂＝[V，E₂]＝[v₁，v₂，…，v₁₆，E₂]，演变关系的有向图(如图3B所示)。.

针对目标知识节点集合V’中的每一个目标知识节点，计算该目标知识节点在3个有向图(即G₀，G₁和G₂)中的传递闭包图。传递闭包图的计算例如可以采用Warshall算法。基于图论，传递闭包计算的输出仍然为有向图。对于目标知识节点v’，其在一个有向图中的传递G_t’，图G_t’＝[E_t’，V_t’],图G_t’中的顶点集V_t’为指向该目标节点的在原图中所能到达的所有节点，边集E_t’指的是从顶点集V中的节点出发的所有边。

图3显示了该知识网络的包含关系G₁的有向图。图4显示了目标知识节点“一指禅推法”的“包含关系”的传递闭包图G₁’。图5显示了目标知识节点“一指禅推法”的“演变关系”的传递闭包图G₂’。

再参照图1，在步骤S103中，对步骤S102中得到的所有传递闭包图进行合并，得到最小的知识节点集合和边集合，将所述最小的知识节点集合的基本关系图作为基本参照关系图。

合并的步骤是以“基本关系图”E₀为基础，合并可以去掉重复的知识节点和边，从而获得与目标知识节点相关的最小知识节点集合和边集合。得到最小知识节点集合后，可以采用步骤S101中的方法，构建出该最小知识节点集合的基本关系图，作为下面要用到的基本参照关系图。图6示出了目标知识节点“一指禅推法”的“包含关系”的传递闭包图G₁’和“演变关系”的传递闭包图G₂’合并后的传递闭包图。图7示出了基于该最小知识节点集合和边集合的基本参照关系图。

再参照图1，在步骤S104中，在所述基本参照关系图上，依照传递闭包图对所述基本关系图进行渲染。

渲染是基于传递闭包图进行，因为传递闭包图代表的是一种关系类型，因此，实质上是基于每一种关系类型进行渲染。所谓的渲染可以理解为“标识”，即，在基本关系图上，用不同的颜色(文字颜色，背景颜色)或线条等来标示不同的关系类型中的知识节点和边,以及用不同的颜色和轮廓形状来区分目标知识节点和其他节点。

例如，如果用绿色标识“包含关系”中的知识节点和边，用黄色标识“演变关系”中的知识节点和边。那么，渲染的结果可能会出现“基本关系图”中部分节点和边没有被渲染，这就是知识网络图中非目标视角的部分，相对应地，标识有颜色的即是目标视角的部分。渲染后的有向图是基于目标视角的，同时也可以认为是基于学习者视角的知识网络。

图7显示了渲染后的基于目标视角的知识网络。圆形黑色节点为当前目标节点视角，粗黑线表示“包含关系”，细黑线表示“演变关系”，虚线表示非目标节点视角关系。

图6所示的知识网络不是图4和图5的有向图在图3上的简单叠加，而是以“一指禅推法”为视角的知识网络，清楚地展现了该目标知识节点与其他相关知识节点的包含关系和演变关系。同时，还展现了其他基本关系。方形节点标识经过传递闭包计算出的相关节点。

本发明的能够为用户展现出他所关心的知识节点集合在完整知识领域中的存在形式以及相关节点的脉络关系，并能够通过图示化的结果让用户清楚的了解知识体系的关系，对比以往的文字说明，极大的提高了层次网络关系逻辑的可读性。

步骤S103的输出结果可以使用很多图形控件来完成渲染，只要其能够设定节点的颜色和边的颜色。例如可以采用arborjs.org html5控件。

另外，上述实例仅基于一个目标知识节点，但是，目标知识节点可以是多个，从而构成一个目标知识节点集合，重复采用如上步骤S101-S104，即可构建出基于多个目标视角的知识网络。

第二实施方式：生成学习路径

在所述第一实施方式的基础上，还可以包括步骤S105，提取目标知识节点的上游的全部节点集合组成的子图，即删除所有目标节点的出发边及节点得到的剩余图部分。

假定目标知识节点集合＝{一指禅推法、滚法}，图9为步骤S104获得的目标知识节点集合{一指禅推法、滚法}的完整知识网络。粗线表示包含关系，细线表示演变关系，虚线表示基本关系。其中“一指禅推法”和“滚法”之间是演变关系

去掉所有直接或者间接接入该目标集合的节点及边，结果如图10所示，图10为去掉目标节点集合的直接或者间接能够达到的所有节点的边及相关节点后的子图。图10展现出了目标节点“一指禅推法”和“滚法”两个知识节点的全部必要前提条件。

在步骤S106，针对所述子图进行拓扑排序，得到目标知识节点的学习路径。

所述子图也是传递闭包图，拓扑排序是根据传递闭包图的边集合的方向关系。拓扑排序具体步骤如下：

(1)在子图中选一个无前驱的顶点，删除该顶点。

(2)从子图中删除该顶点，且删除以它该节点出发的所有的边。

(3)重复上述步骤(1)和(2)，直至全部顶点均已删除或者子图中不存在无前驱节点为止，并记录删除顺序。

(4)删除无前驱节点的顺序就是图谱排序的结果。

对于有向无环图，其一定有一个无前驱节点。每次删除一个无前趋节点剩下的图仍然是一个有向无环图，即可重复1～3步骤。

用拓扑排序就能判断图中是否有环，如果有环，拓扑排序的过程中将不会找到“无前驱节点”(在有向图中没有其他节点指向它的节点)。如果图中不存在无前驱节点，同后一种情况则说明有向图中存在环，表明知识节点之间关系设定有误。可以返回到步骤S101，重新设定知识节点之间的关系类型。

针对图10进行拓扑排序，排序结果为：推拿基本手法--摆动类手法--一指禅推法--滚法。这即是学习以上两个知识节点的完整学习路径，也称作课程。

本发明的方法将知识节点及其关系语义化，以语义搜索和推理方式实现展现逻辑。生成以目标视角(用户视角)查看领域知识模型中任意数量组合的知识节点集合的完整体系知识体系,并能够以的图形化网络呈现。用户视角，即在一个相对较小的完整知识体系中，以图形化方式查看与目标知识点集合相关的知识节点以及关系。

本发明还提出一种基于目标视角的知识网络展现系统，其与上述的展现方法相对应。图11显示了本发明的基于目标视角的知识网络展现系统的框图。

如图所示，所述系统包括本体模型关系描述模块，其配置为基于本体模型从领域知识划分的多个知识节点以及知识节点之间的二元关系构建一知识网络，针对知识网络的二元关系构建m个有向图，其中m表示所述二元关系的关系类型数，将所述m个有向图合并为一个基本关系图，从而构建出基于m+1个有向图的知识网络。

所述系统还包括传递闭包图生成模块，其配置为针对目标知识节点集合中的每一个目标知识节点，计算该目标知识节点在所述m+1个有向图中的传递闭包图。

所述系统还包括传递闭包图合并模块，其配置为对所述传递闭包图生成模块中得到的所有传递闭包图进行合并，得到最小的知识节点集合和边集合，将所述最小的知识节点集合的基本关系图作为基本参照关系图。

所述系统还包括渲染模块，其配置为在所述基本参照关系图上，依照传递闭包图对所述基本参照关系图进行渲染。

进一步，所述系统还包括：提取模块，其配置为提取目标知识节点的上游的全部节点集合组成的子图。

进一步，所述系统还包括学习路径生成模块，其配置为针对所述子图进行拓扑排序，得到目标知识节点的学习路径。

进一步，所述学习路径生成模块包括：顶点删除模块，其配置为在子图中选一个无前驱的顶点，删除该顶点；边删除模块，其配置为从子图中删除该顶点，且删除以它为尾的所有的边；检测模块，其配置为令顶点删除模块和边删除模块分别重复删除所述顶点和所述边，直至全部顶点均已删除或者图中不存在无前驱节点为止，并记录删除顺序；排序模块，其配置为将检测模块记录的所述删除顺序作为拓扑排序的结果。

进一步，所述渲染模块被配置为基于图形展示控件，对传递闭包关系图进行图形化显示。

虽然已经结合目前被认为可行的示例性实施方式描述了本发明，但是将理解，本发明不限于所公开的示例性实施方式，而是相反地，本发明旨在覆盖被包括在权利要求书的精神和范围内的各种变形和等同布置。

Claims (10)

1.一种基于目标视角的知识网络展现方法，其特征在于，包括：

步骤S101，基于本体模型从领域知识划分的多个知识节点以及知识节点之间的二元关系构建一知识网络，针对知识网络的二元关系构建m个有向图，其中m表示所述二元关系的关系类型数，将所述m个有向图合并为一个基本关系图，从而构建出基于m+1个有向图的知识网络；

步骤S102，针对目标知识节点集合中的每一个目标知识节点，计算该目标知识节点在所述m+1个有向图中的传递闭包图；

步骤S103，对步骤S102中得到的所有传递闭包图进行合并，得到最小的知识节点集合和边集合，将所述最小的知识节点集合的基本关系图作为基本参照关系图；

步骤S104，在所述基本参照关系图上，依照传递闭包图对所述基本参照关系图进行渲染。

2.根据权利要求1所述的基于目标视角的知识网络展现方法，其特征在于，还包括：

步骤S105，提取目标知识节点的上游的全部节点集合组成的子图；

步骤S106，针对所述子图进行拓扑排序，得到目标知识节点的学习路径。

3.根据权利要求1所述的基于目标视角的知识网络展现方法，其特征在于，所述步骤S106包括：

1)在子图中选一个无前驱的顶点，删除该顶点；

2)从子图中删除该顶点，且删除以它为尾的所有的边；

3)重复上述步骤1)和2)，直至全部顶点均已删除或者图中不存在无前驱节点为止，并记录删除顺序；

4)将所述删除顺序的作为拓扑排序的结果。

4.根据权利要求1所述的基于目标视角的知识网络展现方法，其特征在于，用Warshall算法进行传递闭包计算，用图形展示控件Arbor.js控件进行渲染。

5.根据权利要求1所述的基于目标视角的知识网络展现方法，其特征在于，所述渲染包括用不同的颜色、线条来表示不同关系的知识节点和边,以及用不同的颜色和轮廓形状来区分目标知识节点和其他知识节点。

6.一种基于目标视角的知识网络展现系统，其特征在于，包括：

本体模型关系描述模块，其配置为基于本体模型从领域知识划分的多个知识节点以及知识节点之间的二元关系构建多重关系的知识网络，针对知识网络的二元关系构建m个有向图，其中m表示所述二元关系的关系类型数，将所述m个有向图合并为一个基本关系图，从而构建出基于m+1个有向图的知识网络；

传递闭包图生成模块，其配置为针对目标知识节点集合中的每一个目标知识节点，计算该目标知识节点在所述m+1个有向图中的传递闭包图；

传递闭包图合并模块，其配置为对所述传递闭包图生成模块中得到的所有传递闭包图进行合并，得到最小的知识节点集合和边集合，将所述最小的知识节点集合的基本关系图作为基本参照关系图；

渲染模块，其配置为在所述基本参照关系图上，依照传递闭包图对所述基本参照关系图进行渲染。

7.根据权利要求6所述的基于目标视角的知识网络展现系统，其特征在于，还包括：

提取模块，其配置为提取目标知识节点的上游的全部节点集合组成的子图；

学习路径生成模块，其配置为针对所述子图进行拓扑排序，得到目标知识节点的学习路径。

8.根据权利要求7所述的基于目标视角的知识网络展现系统，其特征在于，所述学习路径生成模块包括：

顶点删除模块，其配置为在子图中选一个无前驱的顶点，删除该顶点；

边删除模块，其配置为从子图中删除该顶点，且删除以它为尾的所有的边；

检测模块，其配置为令顶点删除模块和边删除模块分别重复删除所述顶点和所述边，直至全部顶点均已删除或者图中不存在无前驱节点为止，并记录删除顺序；

排序模块：其配置为将检测模块记录的所述删除顺序作为拓扑排序的结果。

9.根据权利要求8所述的基于目标视角的知识网络展现系统，其特征在于，所述渲染模块被配置为基于图形展示控件，对传递闭包关系图进行图形化显示。

10.根据权利要求6所述的基于目标视角的知识网络展现系统，其特征在于，所述渲染模块被配置为用不同的颜色、线条来表示不同关系的知识节点和边,以及用不同的颜色和轮廓形状来区分目标知识节点和其他知识节点。