CN105335374A - 知识点关联方法及装置、及包含该装置的服务器和客户端 - Google Patents

Abstract

本发明提供一种知识点关联方法及装置、及包含该装置的服务器和客户端，该知识点关联方法，包括从知识库中获取所有目标知识点，然后确定第一目标知识点和其余的第二目标知识点的关系强度，根据该关系强度确定与第一目标知识点相关的第二目标知识点，然后再将第一目标知识点与所有相关的目标知识点相关联，这样就获得了与任一目标知识点相关联的其余目标知识点。本方案中通过借助获取的目标知识点作为基础，根据目标知识点间的关系强度的大小确定相关的目标知识点，然后进行关联，用于后续知识点的推荐，便于用户进行关联学习。避免了现有技术中的推荐方法，需要借助用户的历史数据进行推荐，对于首次使用时无法为用户进行合理的推荐的技术问题。

Description

知识点关联方法及装置、及包含该装置的服务器和客户端

技术领域

本发明涉及电数字数据处理技术和电子学习技术，具体地说是一种用于电子学习的知识点关联方法及装置、以及包含该装置的服务器和客户端。

背景技术

随着电子信息技术的发展，数字出版资源已成为信息提供的主要方式之一。人们已从纸质阅读大量地转向电子阅读。数字出版资源包含电子图书、数字百科全书、数字期刊、数字报刊等。数字出版资源提供的信息通常比互联网更加权威和正确。因此，如何根据数字出版资源的特点提高人们学习或阅读体验变得尤为重要。在技术增强学习(TechnologyEnhancedLearning)中，开发推荐系统越来越得到更多的重视。

目前，大部分的推荐系统使用用户的偏好或用户的历史访问数据进行计算，如中国专利文献CN101661483A中公开了一种推荐系统及方法，包括：保存从源历史数据集中选择的部分源历史数据组成的样本历史数据集；建立样本历史数据集中的样本历史数据与源历史数据集中的源历史数据之间的链接，每一个样本历史数据与每一个源历史数据之间的链接具有各自的第一权值；基于用户当前输入的查询信息，从样本历史数据集中选择至少一个样本历史数据组成第一推荐结果，第一推荐结果中的每个样本历史数据对于用户当前输入的查询信息具有各自的第二权值；根据第一权值和第二权值从源历史数据中选择至少一个源历史数据组成第二推荐结果。该方案基于用户的历史访问数据进行推荐，当数字资源刚刚上线，没有阅读历史，不存在历史访问数据时，则无法完成上述推荐。

现有的数字资源中，存在一些汇集了多种知识信息的数据知识资源，如百科全书，百科全书是一种数字出版资源，通常领域百科全书包含了该领域内的重要知识点。此外，像百度百科、维基百科等，作为知识点收集库，也汇集了一些领域中的知识点。

发明内容

为此，本发明所要解决的技术问题在于现有技术中的推荐方法和系统，需要借助用户的历史访问数据，当不存在该历史数据时，无法进行推荐，从而提出一种无需用户的访问记录即可完成推荐的知识点关联方法及装置、以及包含该装置的服务器和客户端。

为解决上述技术问题，本发明提供一种知识点关联方法，包括如下步骤：

获取所有目标知识点；

选取第一目标知识点，确定所述第一目标知识点与每个第二目标知识点的关系强度，其中，第二目标知识点为所有目标知识点中除所述第一目标知识点之外的所有目标知识点；

根据确定的每个关系强度，确定与所述第一目标知识点相关的第二目标知识点；

将所述第一目标知识点与所有相关的第二目标知识点相关联。

此外，本发明还提供一种知识点关联装置，包括：

目标知识点获取单元：获取所有目标知识点；

关系强度计算单元：选取第一目标知识点，确定所述第一目标知识点与每个第二目标知识点的关系强度，其中，第二目标知识点为所有目标知识点中除所述第一目标知识点之外的所有目标知识点；

相关知识点确定单元：根据确定的每个关系强度，确定与所述第一目标知识点相关的第二目标知识点；

关联单元：将所述第一目标知识点与所有相关的第二目标知识点相关联。

另外，本发明还提供一种服务器，包括上述知识点关联装置。

此外，本发明还提供一种客户端，包括上述知识点关联装置。

本发明的上述技术方案相比现有技术具有以下优点，

(1)本发明提供一种知识点关联方法，包括从知识库中获取所有目标知识点，然后确定第一目标知识点和其余的第二目标知识点的关系强度，根据该关系强度确定与第一目标知识点相关的第二目标知识点，然后再将第一目标知识点与所有相关的目标知识点相关联，这样就获得了与任一目标知识点相关联的其余目标知识点。本方案中通过借助获取的目标知识点作为基础，根据目标知识点间的关系强度的大小确定相关的目标知识点，然后进行关联，用于后续知识点的推荐，便于用户进行关联学习。避免了现有技术中的推荐方法，需要借助用户的历史数据进行推荐，对于首次使用时无法为用户进行合理的推荐的技术问题。

(2)本发明的知识点关联方法，获取所有相关的第二目标知识点的属性信息，这样在进行知识点关联时可以获得相关知识点的精准信息，提供更多的信息为用户推荐或者学习，为了后续其他知识点计算时方便，也可以获取所有的目标知识点的属性信息，这样获取的比较完整。

(3)本发明的知识点关联方法，获取所有知识点的过程，包括获取某一个领域中的所有知识点，或者获取相关的或者关注的多个领域的所有知识点，或者根据所需的知识点的类别，在一个或多个领域内获取所需类别的知识点，知识点获取的方式根据需要来选择，这样，得到的知识点便是所需领域或类别的知识点，为知识点的关联提供合理的基础数据。

(4)本发明的知识点关联方法，确定所述第一目标知识点与每个第二目标知识点的关系强度时，根据显性关系强度和隐形关系强度来构建关系强度矩阵，关系强度可以很好的表征两个知识点之前的相关程度，将相关程度高的数据推荐给用户，更加符合用户的需求。

(5)本发明的知识点关联方法，计算知识点间的关系强度通过计算所述显性关系强度和隐性关系强度来获得，避免了现有技术中知识点关系强度的判断缺乏一个绝对的可衡量值、关系强度的度量不够准确以及部分更强的语义关系强度不能被发现的问题，是一种可以很好的表达出知识点间的相关程度的计算方法。

(6)本发明的知识点关联方法，确定与所述第一目标知识点相关的第二目标知识点时，可以采用预设阈值的方式，将关系强度大于该阈值的第二目标知识点作为相关的目标知识点，也可以采用将关系强度降序排列，选取排列在前的部分第二目标知识点作为相关的目标知识点，选择的方式和个数根据需要灵活设置。

(7)本发明的知识点关联方法，将所述第一目标知识点与所有相关的第二目标知识点相关联时，将所述第一目标知识点的标识作为主体，每个第二目标知识点的标识作为客体，通过与关联相关的谓词，将主体、谓词和客体作为三元组，通过三元组的方式，可以将目标知识点的关联关系清晰明确的表示出来。

(8)本发明的知识点关联方法，将所述第一目标知识点与所有相关的第二目标知识点相关联的处理包括采用数据库的方式进行表示。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中

图1是本发明所述的知识点关联方法的流程图；

图2是本发明所述的知识点关联方法的流程结构示意图；

图3是本发明所述的知识点关联方法的关系强度示意图；

图4是本发明所述的知识点关联方法的知识点的名称和解释示意图；

图5是本发明所述的知识点关联方法的知识点的内容的显示图；

图6是本发明所述的知识点关联方法的关联示意图；

图7是本发明所述的知识点关联装置的结构图。

具体实施方式

实施例1：

本实施例中提供一种知识点关联方法，用于用户在阅读数字电子资源时，为用户推荐相关知识，或者为用于提供关联学习。

本实施例中的知识点关联方法，包括

1、获取所有目标知识点

在获取知识点时，可以选择合适的知识库，如领域百科全书、网络百科等，如相关的知识点为历史类的，可以选择历史百科全书作为数据源，从历史百科全书中获取目标知识点，作为获取相关知识点的来源。

获取所有知识点的过程，可以获取某一个领域中的所有知识点，或者获取相关的或者关注的多个领域的所有知识点，或者根据所需的知识点的类别，在一个或多个领域内获取所需类别的知识点，知识点获取的方式根据需要来选择，这样，得到的知识点便是所需领域或类别的知识点，为知识点的关联提供合理的基础数据。

例如：当关注的知识点为历史领域时，可以选择历史百科全书，提取其中的所有历史领域的知识点作为目标知识点。当关注的是历史和经济领域的知识点时，可以同时在提取历史百科全书和经济学中提取出目标知识点。当关注的是某个类别的知识点时，如当关注的是历史领域中的人物时，则从历史百科权书中提取出所有人物相关的知识点。

2、选取第一目标知识点，确定所述第一目标知识点与每个第二目标知识点的关系强度，其中，第二目标知识点为所有目标知识点中除所述第一目标知识点之外的所有目标知识点。

在此，选定一个目标知识点作为第一目标知识点，其余的知识点都是第二目标知识点，然后计算第一目标知识点与所有第二目标知识点的关系强度，本实施例中关系强度的计算方法可以采用现有技术中的方式来计算，这样就获得了第一目标知识点与所有第二目标知识点的关系强度。

3、根据确定的每个关系强度，确定与所述第一目标知识点相关的第二目标知识点。

在此，可以设定关系强度阈值，将与第一目标知识点的关系强度大于该阈值的第二目标知识点作为与所述第一目标知识点相关的第二目标知识点。

在其他的实施方式中，还可以将第一目标知识点与每个第二目标知识点的关系强度降序排列，选取排列在前的预设数量的第二目标知识点作为与所述第一目标知识点相关的第二目标知识点。

本方案中，确定与所述第一目标知识点相关的第二目标知识点时，可以采用预设阈值的方式，将关系强度大于该阈值的第二目标知识点作为相关的目标知识点，也可以采用将关系强度降序排列，选取排列在前的部分第二目标知识点作为相关的目标知识点，选择的方式和个数根据需要灵活设置。

4、将所述第一目标知识点与所有相关的第二目标知识点相关联。

本实施例中，将所述第一目标知识点作为主体，每个第二目标知识点作为客体，通过与关联相关的谓词，将主体、谓词和客体作为三元组。

如经过计算得出第一目标知识点“秦始皇”与“秦朝”是相关的知识点，可以表示为三元组{秦始皇，相关知识点，秦朝}，但是由于存在重名的知识点，为了保证其唯一性，也可以采用知识点的ID来表示，如秦始皇的ID为12345，秦朝的ID为12346，则可以将该关联关系表示为{12345，相关知识点，12346}。此外，对于与关联相关的谓词，还可以附加上其相关程度的标识，如1为最相关，2为次相关，依次相关度递减，则可以表示为{12345，相关知识点_1,12346}，其他相关度其次的知识点“李斯”ID12347，可以表示为{12345，相关知识点_2，12347}。

当用户学习某个知识点时，从上述获得的数据中获取与该知识点相关程度较高的关联的知识点，以便用户进行关联学习。

本方案中通过借助获取的目标知识点作为基础，根据目标知识点间的关系强度的大小确定相关的目标知识点，然后进行关联，用于后续知识点的推荐，便于用户进行关联学习。避免了现有技术中的推荐方法，需要借助用户的历史数据进行推荐，对于首次使用时无法为用户进行合理的推荐的技术问题。而本方案中使用知识点关联进行推荐时，可以不使用用户的访问记录，只根据相关的知识点进行推荐。当然，在获取了用户的访问记录后，也可以结合用户的访问记录进行更加个性化的推荐，如用户访问某一类知识点比较多时，如在用户的访问记录中，访问的人物类知识点比较多，当使用本方案中的关联的知识点结合用户访问记录进行推荐时，可以把人物相关的知识点优先推荐给用户，这样为用户的推荐具有更好的针对性，实现了个性化的知识点推荐。

实施例2：

本实施例中也提供一种知识点关联方法，包括如下步骤：

1、获取所有目标知识点，例如从知识库中抽取全部知识点作为目标知识点，此处从网络百科(包含百度百科、维基百科、互动百科、搜搜百科等中的一种或几种)中抽取知识点作为基础进行计算。

2、选取第一目标知识点，确定所述第一目标知识点与每个第二目标知识点的关系强度，其中，第二目标知识点为所有目标知识点中除所述第一目标知识点之外的所有目标知识点。

具体的过程为：

(1)计算第一目标知识点与所有第二目标知识点的显性关系强度。

首先，获取第一目标知识点和第二目标知识点的名称和解释，根据该名称和解释来进行显性关系强度的计算。

从知识点o_i到知识点o_j的显性关系强度其中 $f_P(i,j)=\frac{2}{1+\exp (-\mathrm{\μ})}-1,f_N(i,j)=\frac{f_P(j,i)}{\mathrm{\α}},$ α＞0是反向关联因子，α越大表明反向关联越弱，μ≥0是x_j在y_i中的出现次数，x_j表示知识点o_j的名称，y_i表示知识点o_i的解释。

(2)计算第一目标知识点与所有第二目标知识点的隐性关系强度。主要包括根据第一目标知识点与第二目标知识点的显性关系强度构建显性关系图，并根据该显性关系图构建辅助图；根据所述辅助图计算第一目标知识点与第二目标知识点的的隐性关系强度。具体如下：

构建显性关系图G＝(V,E)，其中V是由知识点组成的顶点集合，从知识点o_i到知识点o_j的边的权重设置为f_E(i,j)，f_E(i,j)为从知识点o_i到知识点o_j的显性关系强度；

根据图G＝(V,E)构建辅助图G'＝(V',E')，其中V'＝V，从知识点o_i到知识点o_j的边的权重设置为-ln(f_E(i,j))，如果f_E(i,j)＝0，则在G'中不存在从知识点o_i到知识点o_j的边；

根据图G'＝(V',E')，计算知识点o_i到知识点o_j隐性关系强度其中是在图G'中从知识点o_i到知识点o_j的最短路径的长度。

(3)根据所述显性关系强度和隐性关系强度创建第一目标知识点与所有第二目标知识点的关系强度矩阵。过程为：

关系强度矩阵为M，如果f_E(i,j)≥f_I(i,j)，则设置M_ij＝f_E(i,j)；否则，设置M_ij＝f_I(i,j)，其中f_E(i,j)为显性关系强度，f_I(i,j)为隐性关系强度。

3、根据确定的每个关系强度，确定与所述第一目标知识点相关的第二目标知识点。

当计算出每个关系强度后，将关系强度高的第二目标知识点作为相关知识点，此处可以通过预设一定阈值，将关系强度超过该阈值的第二知识点作为相关的第二目标知识点。也可以得到的关系强度降序排列，选取一定数量的排序在前的第二目标知识点作为相关的第二目标知识点。

4、将所述第一目标知识点与所有相关的第二目标知识点相关联。

在进行关联时，可以采用数据库的方式进行关联，例如：在数据库中创建一个关系表，该表中设置两个字段，分别是“知识点1”和“知识点2”，字段“知识点1”保存第一目标知识点的ID，字段“知识点2”保存第二目标知识点的ID，每条数据记录对应从第一目标知识点到第二目标知识点的一条关系。

如果需要表示两个目标知识点之间的相关程度，还可以增加一个字段，如关系强度，在该字段中，表示的是两个知识点的关系强度，如字段“知识点1”保存第一目标知识点的ID，字段“知识点2”保存第二目标知识点的ID，字段“关系强度”则表示知识点1与知识点2的关系强度的大小。该数据库的关系表中，还可以根据需要增加其他的字段。

除此之外，还包括获取所有相关的第二目标知识点的属性信息，便于知识点关联后可以提供知识点的精准信息。或者此处可以获取所有的知识点的属性信息，获取后为后续其他的知识点的计算提供数据，以后就不需要再重复获取了。

在获取所有相关的第二目标知识点的属性信息时，将第二目标知识点包含的信息进行了归纳和整理。在获取各个目标知识点包含的信息时，可以首先创建知识结构，在知识结构中表达该知识点的类别以及其对应的属性信息，如类别可以分为人物、事件、法规等，各个类别又通过定义不同的属性来具体说明这个类别中的一些特征数据。将这些数据组合作为该知识点所包含的信息。为了将这些数据清楚、有条理的进行表示，可以三元组数据的方式来表示。如“张三、出生日期、1971”、“李四、性别、女”等等。

此处的目标知识点的属性信息的数据来源，可以是数字出版资源也可以来自网络资源，从现有的公开的资源中获取所需的数据信息，填充到上述属性字段中，便得到该知识点的所包含的信息。

这样，当第一目标知识点与相关的第二目标知识点关联，相关的第二目标知识点的属性信息表示其精准信息，在用户后续学习或推荐时，可以获得相关的知识点的精准信息。用户学习某个知识点时，从数据库中获取该知识点的相关知识点，并从数据库中调取这些相关的知识点的属性数据，推荐给用户使用。

大部分的推荐系统使用用户的偏好或用户的历史访问数据进行计算，当缺乏这些数据时，如何进行学习推荐就是一个问题。本实施例中的知识点关联方法，是一种基于语义和本体的电子学习推荐技术，基于领域百科全书或者其他数字资源，不需要用户访问记录或用户的偏好信息即可为用户推荐知识点。其中使用的百科全书是一种数字出版资源，通常领域百科全书包含了该领域内的重要知识点。在其他的可替换的实现方式中，也可以使用网络百科、领域词典等作为基础进行推荐。

实施例3：

本实施例中也提供一种知识点关联方法，流程结构框图如图2所示，具体的包括如下步骤：

步骤1、获取所有的目标知识点，从领域百科全书中抽取知识点O＝{o₁,o₂,…,o_n}，作为目标知识点。

步骤2、选取第一目标知识点，确定所述第一目标知识点与每个第二目标知识点的关系强度，其中，第二目标知识点为所有目标知识点中除所述第一目标知识点之外的所有目标知识点。具体计算方式如下。

2.0、首先，对于所有目标知识点O＝{o₁,o₂,…,o_n}，抽取目标知识点的名称X＝{x_i|i＝1,...,n}和解释Y＝{y_i|i＝1,...,n}。如图3所示，给出了一个知识点名称和其解释的对应图表。此处的知识点的名称和解释为后续计算关系强度提供数据基础。

2.1、计算目标知识点间的显性关系强度。从目标知识点o_i到目标知识点o_j的显性关系强度其中 $f_P(i,j)=\frac{2}{1+\exp (-\mathrm{\μ})}-1,f_N(i,j)=\frac{f_P(j,i)}{\mathrm{\α}},$ α＞0是反向关联因子，α越大表明反向关联越弱，μ≥0是x_j在y_i中的出现次数，即目标知识点o_j的目标知识点名称在目标知识点o_i的解释中出现的次数。

2.2、构建显性关系图G＝(V,E)，其中V是由目标知识点组成的顶点集合，从目标知识点o_i到目标知识点o_j的边的权重设置为f_E(i,j)。

2.3、根据图G＝(V,E)构建辅助图G'＝(V',E')，其中V'＝V，从目标知识点o_i到目标知识点o_j的边的权重设置为-ln(f_E(i,j))。如果f_E(i,j)＝0，则在G'中不存在从目标知识点o_i到目标知识点o_j的边。

2.4、计算目标知识点间的隐性关系强度。根据图G'＝(V',E')，计算目标知识点o_i到目标知识点o_j隐性关系强度其中是在图G'中从目标知识点o_i到目标知识点o_j的最短路径的长度。

2.5、计算语义关系。创建关系强度矩阵M，如果f_E(i,j)≥f_I(i,j)，则设置M_ij＝f_E(i,j)；否则，设置M_ij＝f_I(i,j)。这样就得到了任意两个目标知识点之间的关系强度的值，在关系强度矩阵M中查找即可得到。

步骤三、根据确定的每个关系强度，确定与所述第一目标知识点相关的第二目标知识点。

对于每个目标知识点o_i，从关系强度矩阵M中获取与其关系强度最强的m个目标知识点O′_i＝{o'₁,o'₂,…,o'_m}，作为该目标知识点o_i的相关知识点。

步骤四、将所述第一目标知识点与所有相关的第二目标知识点相关联。

将关系强度最强的m个目标知识点O′_i＝{o'x,o'₂,…,o'_m}与目标知识点o_i形成m个三元组，加入图数据库。三元组的形式为(o_i的编号，相关知识点，o_j的编号)，其表示的o_i相关知识点为o_j，其中o_j∈O′_i。当o_i有m个相关知识点时，形成m行上述三元组，来表示知识点o_i相关的m个知识点。

此外，为了可以提供相关的目标知识点的精准信息，还可以获得所有相关的第二目标知识点的属性信息，或者获取所有知识点的属性信息，本实施例中为了对所有数据计算方便，获取所有知识点的属性信息，过程如下。

4.1、通过领域专家创建领域知识结构。该知识结构中定义领域实体的类别信息、类别之间的关系、谓词以及谓词的domain(定义域)和range(值域)。

4.2、从数字出版资源和web资源中抽取知识点O＝{o₁,o₂,…,o_n}对应的三元组。将领域知识结构和三元组按OWL标准存入图数据库，领域知识结构中定义领域知识点的类别信息、类别之间的关系、谓词以及谓词的domain(定义域)和range(值域)等信息。此处的通过三元组数据来对知识点的精准信息进行表达，如“张三、出生日期、1971”、“李四、性别、女”等等，使得该信息具有很强的条理性，且可以包括任意多的信息，顺序存储即可，便于信息的收集和整理。将形成的所有三元组存入图数据库。

当用户学习某个知识点时，从图数据库中获取与该知识点相关的其他知识点，将表达这些知识点具体包含的信息的三元组数据信息，推荐给用户进行关联学习。知识点的三元组信息描述了知识点的精准属性值，让用户更加直观、清晰、有条理的获得了相关知识点的内容，便于用户学习。

本实施例提供的知识点关联方法，以本体组织领域的知识为基础，通过百科全书计算知识点的语义关系强度，并将知识点的关系及精准三元组信息存入图数据库，当用户学习某一个知识点时，从图数据库中获取与该知识点相关的知识点及其精准的三元组信息推荐给用户，以便用户进行关联学习。

实施例4：

本实施例中，以历史领域为例，人工选择《中国大百科全书.中国历史》共3册，这3册百科全书包含了历史领域的重要知识点。

第一部分、获取所有目标知识点的过程，包括以下：

第一步，从领域百科全书中抽取所有目标知识点O＝{o₁,o₂,…,o_n}，选择其中的2680个目标知识点,即n＝2680。部分目标知识点的信息如图3所示。第一列为目标知识点名称，第二列为目标知识点的部分解释。

第二步，通过领域专家创建领域知识结构。例如，创建类别“人物”、“事件”和“法律法规”等，这些类别继承“OWL：Thing”。定义谓词“中文名”、“出生日期”、“出生地”、“主要成就”、“发生日期”等。其中“中文名”、“出生日期”、“出生地”的domain是“人物”，“发生日期”的domain是“事件”。“中文名”和“出生地”的range是string，“出生日期”和“发生日期”的range是date。该知识结构中定义领域实体的类别信息、类别之间的关系、谓词以及谓词的domain(定义域)和range(值域)。

第三步，从数字出版资源和web资源中抽取目标知识点对应的三元组。将领域知识结构和三元组按OWL标准(WebOntologyLanguage)存入图数据库。通过三元组的方式表达，简单方便，且一目了然，让目标知识点的信息更加有条理、表达更清晰、更灵活。

第二部分、选取一个目标知识点，计算该目标知识点与其他目标知识点的关系强度的过程如下：

第四步，对于所有目标知识点O＝{o₁,o₂,…,o_n}，抽取目标知识点名称X＝{x_i|i＝1,...,n}和解释Y＝{y_i|i＝1,...,n}。

第五步，计算目标知识点间的显性关系强度。从目标知识点o_i到目标知识点o_j的显性关系强度其中 $f_P(i,j)=\frac{2}{1+\exp (-\mathrm{\μ})}-1,f_N(i,j)=\frac{f_P(j,i)}{\mathrm{\α}},$ α＞0是反向关联因子，α越大表明反向关联越弱，此处α取2，μ≥0是x_j在y_i中的出现次数。

第六步，构建显性关系图G＝(V,E)，其中V是由目标知识点组成的顶点集合，从目标知识点o_i到目标知识点o_j的边的权重设置为f_E(i,j)。

第七步，根据图G＝(V,E)构建辅助图G'＝(V',E')，其中V'＝V，从目标知识点o_i到目标知识点o_j的边的权重设置为-ln(f_E(i,j))。

第八步，计算目标知识点间的隐性关系强度。根据图G'＝(V',E')，计算目标知识点o_i到目标知识点o_j隐性关系强度其中是在图G'中从目标知识点o_i到目标知识点o_j的最短路径的长度。

第九步，计算语义关系。创建关系强度矩阵M，如果f_E(i,j)≥f_I(i,j)，则设置M_ij＝f_E(i,j)；否则，设置M_ij＝f_I(i,j)。通过该关系强度矩阵可以获得任一两个目标知识点之间的关系强度。

第三部分、根据确定的每个关系强度，确定与所述第一目标知识点相关的第二目标知识点，并将所述第一目标知识点与所有相关的第二目标知识点相关联，过程如下：

第十步，对于每个目标知识点o_i，从关系强度矩阵M中获取与其关系最强的m个目标知识点O′_i＝{o'₁,o'₂,…,o'_m}，形成m个三元组，加入图数据库。三元组的形式为(o_i的编号，相关目标知识点，o_j的编号)，其中o_j∈O′_i。当m＝15时，对于目标知识点“秦始皇”，我们得到的15个目标知识点见图4，其中Concept字段是目标知识点，Relation字段是关系强度。

图4中的关联关系，可以通过目标知识点关联示意图如图6表示出来，在该图中，表示出了与知识点“秦始皇”关联的相关的知识点，以知识点“秦始皇”为中心，其余的知识点根据关系强度(见图4)的大小由近到远分布在其周围，并且按照知识点所述的类别分布在不同的区域，如分为相关国家、相关人物、相关朝代等等类别划分不同的区域，属于这些类别的知识点分布在同一区域。在图6中给出了“秦始皇”相关的15个知识点的关联分布，当选择某个关联的知识点时，如选择“李斯”这个知识点，可以获取该知识点的精准信息。相似的，如果以“李斯”这个知识点为中心知识点，其周围也会形成相关联的知识点。

第十一步，当用户学习某个知识点时，从图数据库中获取与该知识点相关的其他知识点，将这些知识点的三元组信息，推荐给用户进行关联学习。知识点的三元组信息描述了知识点的精准属性值。例如，当用户学习知识点“秦始皇”时，显示“秦始皇”的详细三元组信息，(见图5)。此外，当用户完成该知识点的学习时，我们推荐相关的知识点见图6中，如“秦朝”、“李斯”、“蒙恬”等，用户可以通过选择这些关联的知识点进行学习。

本实施例中的领域知识点的推荐方法，基于领域百科全书，采用了基于语义和本体的电子学习推荐技术，不需要用户访问记录或用户的偏好信息即可为用户推荐知识点。

实施例5：

在本实施例中给出一个具体的应用实例。

如要建立与“秦始皇”相关联的知识点，包括以下过程：

首先，在历史知识库中选取知识点,此处为了简化描述，只选择五个知识点{秦始皇、秦朝、李斯、蒙恬、战国}进行举例说明，在实际应用中知识点的数量会远远大于该数据。

然后，计算知识点“秦始皇”与其他四个知识点的关系强度，在计算关系强度时，根据该知识点的名称和其解释对应的内容来计算，具体的计算方法同上。经过计算得到的关系强度的大小见图4中。

接着，根据计算出的关系强度的大小确定与“秦始皇”相关的知识点，如选择一个阈值为0.8，如果关系强度大于该阈值则认为该知识点是“秦始皇”的相关知识点，小于的则不认为是相关的知识点。从图4中可以看出，知识点“秦朝”、“李斯”、“蒙恬”与“秦始皇”的关系强度都大于0.8，因此认为这三个知识点是“秦始皇”相关的知识点。

最后，将“秦始皇”与其余的三个相关的知识点进行关联，将知识点“秦始皇”或其ID标识作为主体，相关的知识点或其标识作为客体，通过与关联相关的谓词，将主体、谓词和客体作为三元组。如：

“秦始皇(或其ID12345)、相关知识点、秦朝(或其ID234567)”；

“秦始皇(或其ID12345)、相关知识点、李斯(或其ID234568)”；

“秦始皇(或其ID12345)、相关知识点、蒙恬(或其ID234569)”。

这样，就得到了与知识点“秦始皇”相关的知识点。

此外，为了得到相关知识点的精准信息，还可以针对“秦朝”、“李斯”、“蒙恬”这些知识点建立属性信息表，如通过三元组的方式，获得这些知识点的属性信息，如针对“李斯”这个知识点，将其属性以三元组的形式存储，例如：“李斯(或其ID)、出生日期、XXXX”，“李斯(或其ID)、类别、人物”，或“李斯(或其ID)、性别、男”，……，等等，通过此类属性信息表的方式，可以将该知识点的所有信息存储到该表中，获得该知识点的精准信息。

在此基础上，则可以形成如图6所示的关联关系，当用户学习时，可以获得相关的知识点和这些知识点的精准信息，通过本方案实现了知识点之间的关联，为后续知识点的学习和推荐提供了基础。

实施例6：

本实施例中提供一种对应上述实施例1-5知识点关联方法的装置，结构框图如图7所示，包括：

目标知识点获取单元：获取所有目标知识点；

关系强度计算单元：选取第一目标知识点，确定所述第一目标知识点与每个第二目标知识点的关系强度，其中，第二目标知识点为所有目标知识点中除所述第一目标知识点之外的所有目标知识点；

相关知识点确定单元：根据确定的每个关系强度，确定与所述第一目标知识点相关的第二目标知识点；

关联单元：将所述第一目标知识点与所有相关的第二目标知识点相关联。

上述装置进一步还包括属性获取单元：获取所有相关的第二目标知识点的属性信息。

优选地，目标知识点获取单元包括：

第一获取子单元：获取一个领域的所有知识点作为目标知识点。

或第二获取子单元：获取多个领域的所有知识点作为目标知识点。

或第三获取子单元：获取一个或多个领域内一个或多个类别的知识点作为目标知识点。

进一步优选地，所述关系强度计算单元，包括：

显性关系强度计算单元：计算第一目标知识点与所有第二目标知识点的显性关系强度；

隐形关系强度计算单元：计算第一目标知识点与所有第二目标知识点的隐性关系强度；

关系强度计算单元：根据所述显性关系强度和隐性关系强度确定第一目标知识点与所有第二目标知识点的关系强度。

其中，所述显性关系强度计算单元包括：

从知识点o_i到知识点o_j的显性关系强度其中 $f_P(i,j)=\frac{2}{1+\exp (-\mathrm{\μ})}-1,f_N(i,j)=\frac{f_P(j,i)}{\mathrm{\α}},$ α＞0是反向关联因子，α越大表明反向关联越弱，μ≥0是x_j在y_i中的出现次数，x_j表示知识点o_j的名称，y_i表示知识点o_i的解释。

其中，所述隐性关系强度计算单元，包括：

根据第一目标知识点与第二目标知识点的显性关系强度构建显性关系图，并根据该显性关系图构建辅助图；根据所述辅助图计算第一目标知识点与第二目标知识点的的隐性关系强度。

进一步优选地，隐性关系强度计算单元，包括：

构建显性关系图G＝(V,E)，其中V是由知识点组成的顶点集合，从知识点o_i到知识点o_j的边的权重设置为f_E(i,j)，f_E(i,j)为从知识点o_i到知识点o_j的显性关系强度；

根据图G＝(V,E)构建辅助图G'＝(V',E')，其中V'＝V，从知识点o_i到知识点o_j的边的权重设置为-ln(f_E(i,j))，如果f_E(i,j)＝0，则在G'中不存在从知识点o_i到知识点o_j的边；

根据图G'＝(V',E')，计算知识点o_i到知识点o_j隐性关系强度其中是在图G'中从知识点o_i到知识点o_j的最短路径的长度。

进一步地，关系强度计算单元，包括

关系强度矩阵创建单元：创建关系强度矩阵为M，如果f_E(i,j)≥f_I(i,j)，则设置M_ij＝f_E(i,j)；否则，设置M_ij＝f_I(i,j)，其中f_E(i,j)为显性关系强度，f_I(i,j)为隐性关系强度；

关系强度获取单元：在该关系强度矩阵M中，获取第一目标知识点对应的一行数据，作为第一目标知识点与对应的每列第二目标知识点的关系强度。

此外，相关知识点确定单元包括：

阈值确定子单元：设定关系强度阈值，将与第一目标知识点的关系强度大于该阈值的第二目标知识点作为与所述第一目标知识点相关的第二目标知识点。

作为可以替换的实施方式，相关知识点确定单元包括

降序排列子单元：将第一目标知识点与每个第二目标知识点的关系强度降序排列，

选取子单元：选取排列在前的预设数量的第二目标知识点作为与所述第一目标知识点相关的第二目标知识点。

其中，所述关联单元包括：

三元组关联子单元：将所述第一目标知识点或其标识作为主体，每个第二目标知识点或其标识作为客体，通过与关联相关的谓词，将主体、谓词和客体作为三元组。

在其他的实施方式中，所述关联单元包括：

数据库关联子单元：采用数据库的方式将第一目标知识点与相关的第二目标知识点关联。

另外，本实施例中还提供一种服务器，包括上述知识点关联装置。

此外，本实施例中还提供一种客户端，包括上述知识点关联装置。

本实施例中的知识点关联装置、服务器以及客户端，可以实现知识点的关联，使用该装置可实现：以本体组织领域的知识，通过百科全书计算知识点的语义关系强度，并将知识点的关系存入图数据库，当用户学习某一个知识点时，从图数据库中获取与该知识点相关的知识点及其精准的三元组信息推荐给用户，以便用户进行关联学习。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (16)

1.一种知识点关联方法，其特征在于，包括如下步骤：

获取所有目标知识点；

选取第一目标知识点，确定所述第一目标知识点与每个第二目标知识点的关系强度，其中，第二目标知识点为所有目标知识点中除所述第一目标知识点之外的所有目标知识点；

根据确定的每个关系强度，确定与所述第一目标知识点相关的第二目标知识点；

将所述第一目标知识点与所有相关的第二目标知识点相关联。

2.根据权利要求1所述的知识点关联方法，其特征在于，所述方法还包括：

获取所有相关的第二目标知识点的属性信息；

或者获取所有目标知识点的属性信息。

3.根据权利要求1或2所述的知识点关联方法，其特征在于，所述获取所有目标知识点的过程，包括：

获取一个领域的所有知识点作为目标知识点；

或者获取多个领域的所有知识点作为目标知识点；

或者获取一个或多个领域内一个或多个类别的知识点作为目标知识点。

4.根据权利要求1-3任一所述的知识点关联方法，其特征在于，所述选取第一目标知识点，确定所述第一目标知识点与每个第二目标知识点的关系强度的处理包括：

计算第一目标知识点与所有第二目标知识点的显性关系强度；

计算第一目标知识点与所有第二目标知识点的隐性关系强度；

根据所述显性关系强度和隐性关系强度确定第一目标知识点与所有第二目标知识点的关系强度。

5.根据权利要求4所述的知识点关联方法，其特征在于，计算第一目标知识点与所有第二目标知识点的显性关系强度的处理包括：

从知识点o_i到知识点o_j的显性关系强度其中 $f_P(i,j)=\frac{2}{1+\exp (-\mathrm{\μ})}-1,f_N(i,j)=\frac{f_P(j,i)}{\mathrm{\α}},$ α＞0是反向关联因子，α越大表明反向关联越弱，μ≥0是x_j在y_i中的出现次数，x_j表示知识点o_j的名称，y_i表示知识点o_i的解释。

6.根据权利要求5所述的知识点关联方法，其特征在于，计算第一目标知识点与所有第二目标知识点的隐性关系强度，包括：

根据第一目标知识点与第二目标知识点的显性关系强度构建显性关系图，并根据该显性关系图构建辅助图；根据所述辅助图计算第一目标知识点与第二目标知识点的的隐性关系强度。

7.根据权利要求6所述的知识点关联方法，其特征在于，计算隐性关系强度的过程，包括：

构建显性关系图G＝(V,E)，其中V是由知识点组成的顶点集合，从知识点o_i到知识点o_j的边的权重设置为f_E(i,j)，f_E(i,j)为从知识点o_i到知识点o_j的显性关系强度；

根据图G＝(V,E)构建辅助图G'＝(V',E')，其中V'＝V，从知识点o_i到知识点o_j的边的权重设置为-ln(f_E(i,j))，如果f_E(i,j)＝0，则在G'中不存在从知识点o_i到知识点o_j的边；

根据图G'＝(V',E')，计算知识点o_i到知识点o_j隐性关系强度其中是在图G'中从知识点o_i到知识点o_j的最短路径的长度。

8.根据权利要求7所述的知识点关联方法，其特征在于，根据所述显性关系强度和隐性关系强度确定第一目标知识点与所有第二目标知识点的关系强度的过程，包括

创建关系强度矩阵为M，如果f_E(i,j)≥f_I(i,j)，则设置M_ij＝f_E(i,j)；否则，设置M_ij＝f_I(i,j)，其中f_E(i,j)为显性关系强度，f_I(i,j)为隐性关系强度；

在该关系强度矩阵M中，获取第一目标知识点对应的一行数据，作为第一目标知识点与对应的每列第二目标知识点的关系强度。

9.根据权利要求1-8任一所述的知识点关联方法，其特征在于，所述根据确定的每个关系强度，确定与所述第一目标知识点相关的第二目标知识点的处理包括：

设定关系强度阈值，将与第一目标知识点的关系强度大于该阈值的第二目标知识点作为与所述第一目标知识点相关的第二目标知识点。

10.根据权利要求1-8任一所述的知识点关联方法，其特征在于，所述根据确定的每个关系强度，确定与所述第一目标知识点相关的第二目标知识点的处理包括：

将第一目标知识点与每个第二目标知识点的关系强度降序排列；

选取排列在前的预设数量的第二目标知识点作为与所述第一目标知识点相关的第二目标知识点。

11.根据权利要求1-10任一所述的知识点关联方法，其特征在于，所述将所述第一目标知识点与所有相关的第二目标知识点相关联的处理包括：

将所述第一目标知识点或其标识作为主体，每个第二目标知识点或其标识作为客体，通过与关联相关的谓词，将主体、谓词和客体作为三元组。

12.根据权利要求1-10任一所述的知识点关联方法，其特征在于，所述将所述第一目标知识点与所有相关的第二目标知识点相关联的处理包括：采用数据库的方式将第一目标知识点与相关的第二目标知识点关联。

13.一种知识点关联装置，其特征在于，包括：

目标知识点获取单元：获取所有目标知识点；

关系强度计算单元：选取第一目标知识点，确定所述第一目标知识点与每个第二目标知识点的关系强度，其中，第二目标知识点为所有目标知识点中除所述第一目标知识点之外的所有目标知识点；

相关知识点确定单元：根据确定的每个关系强度，确定与所述第一目标知识点相关的第二目标知识点；

关联单元：将所述第一目标知识点与所有相关的第二目标知识点相关联。

14.根据权利要求13所述的知识点关联装置，其特征在于，目标知识点获取单元包括：

第一获取子单元：获取一个领域的所有知识点作为目标知识点。

或第二获取子单元：获取多个领域的所有知识点作为目标知识点。

或第三获取子单元：获取一个或多个领域内一个或多个类别的知识点作为目标知识点。

15.一种服务器，包括上述权利要求13-14所述的装置。

16.一种客户端，包括上述权利要求13-14所述的装置。