CN105512349A - 一种用于学习者自适应学习的问答方法及装置 - Google Patents

Abstract

本发明提供了一种用于学习者自适应学习的问答方法及装置，其中，该方法包括：首先，获取学习者输入的查询信息；对查询信息进行关键词提取，并在预先建立的知识本体库中，根据提取到的关键词检索相应的多条学习内容；然后，利用基于语料库的相似度算法与基于距离的相似度算法相结合的方式，逐一计算查询信息与检索到的多条学习内容间的相似度，并提取相似度大于预设阈值的学习内容；最后，在提取出的学习内容中，采用自适应算法抽取与学习者对应的用户模型相匹配的自适应学习内容。本发明实施例通过在预先建立的知识本体库中查找与学习者用户模型相匹配的自适应学习内容，推荐的学习内容具有针对性，有助于学习者自主学习。

Description

一种用于学习者自适应学习的问答方法及装置

技术领域

本发明涉及学习管理技术领域，具体而言，涉及一种用于学习者自适应学习的问答方法及装置。

背景技术

随着人们生活水平的逐步提高，家长及老师对学生的学习情况越来越重视，随之能够与学习者进行互动的学习系统越来越受到大家的关注，在学习者学习系统中，自动问答功能是学习系统中关键的部分，以学习者提出问题的方式，通过学习系统自动输出与该问题相匹配的答案及相关知识内容，来满足学习者的自主学习需求。

当前，相关技术中提供了一种用于学习者学习的问答方法，该方法包括：学习者通过与具有问答互动功能的机器人进行纠错或者互动来练习英语知识，将学习者的语音或者文本作为输入问句，可以跟机器人进行对话。其中，学习者可以通过两种方式来增加学习，第一是学习者输入问句通过机器人自动发现问句中的语法和拼写错误来加强学习；第二是跟机器人作为聊天伙伴交流互相对话来增强英语知识。上述问答方法通常采用简单的一问一答的方式，针对于不同学习者输入同一个问题而输出的答案是唯一的。

在实现本发明的过程中，发明人发现相关技术中至少存在以下问题：相关技术中为学习者推送学习内容的方式主要是仅仅根据学习者输入的文本或者语音生成相关的学习内容，推送的学习内容不具有针对性，学习效果不佳。

发明内容

有鉴于此，本发明实施例的目的在于提供一种用于学习者自适应学习的问答方法及装置，以解决上述问题。

第一方面，本发明实施例提供了一种用于学习者自适应学习的问答方法，该方法包括：获取学习者输入的查询信息，其中，该查询信息包括：文本信息或者语音信息；对上述查询信息进行关键词提取，并在预先建立的知识本体库中，根据提取到的关键词检索相应的多条学习内容；利用基于语料库的相似度算法与基于距离的相似度算法相结合的方式，逐一计算上述查询信息与检索到的多条上述学习内容间的相似度，并提取相似度大于预设阈值的学习内容；在提取出的学习内容中，采用自适应算法抽取与上述学习者对应的用户模型相匹配的自适应学习内容，其中，该用户模型是从预先建立的用户本体库中根据上述学习者的ID调取的。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，上述利用基于语料库的相似度算法与基于距离的相似度算法相结合的方式，逐一计算上述查询信息与检索到的多条上述学习内容间的相似度，并提取相似度大于预设阈值的学习内容包括：从检索到的多条上述学习内容中逐一选取一条学习内容，对学习者输入的查询信息和选取的上述学习内容进行单词还原处理；对还原后的各个单词进行词性标注，并根据各个单词的词性类型选取可用单词，其中，上述可用单词包括以下中的一种或多种：词性为名词的单词、词性为动词的单词、词性为副词的单词或者词性为形容词的单词；由选取的上述查询信息和上述学习内容中的各个可用单词组成上述查询信息和上述学习内容的联合词集；根据公式 $Sim1(w_0,w_{0i})=e^{-\mathrm{\α}L}\×\frac{1}{2}(\frac{H_c}{H_{w0}}+\frac{H_c}{H_{woi}})$ 逐一计算词性相同的联合词集中的单词与上述查询信息中的可用单词之间的第一词间相似度Sim1(w₀,w_0i)，并根据公式 $Sim1(w_i,w_{0i})=e^{-\mathrm{\α}L}\×\frac{1}{2}(\frac{H_c}{H_{wi}}+\frac{H_c}{H_{woi}})$ 逐一计算词性相同的联合词集中的单词与上述学习内容中的可用单词之间的第一词间相似度Sim1(w_i,w_0i)，其中，w₀表示查询信息中的概念词，w_i表示学习内容中的概念词，w_0i表示联合词集中的概念词，L表示两个概念词之间的最短路径长度，α为常数(取值为0.1)，H_c表示两个概念词的公共上位词集的深度，H_w0表示概念词w₀的深度，H_wi表示概念词w_i的深度，H_w0i表示概念词w_0i的深度；基于语料库的相似度算法逐一计算词性相同的联合词集中的单词与上述查询信息中的可用单词之间的第二词间相似度Sim2(w₀,w_0i)，并基于语料库的相似度算法逐一计算词性相同的联合词集中的单词与上述学习内容中的可用单词之间的第二词间相似度Sim2(w_i,w_0i)；根据公式Sim(w₀,w_0i)＝βSim1(w₀,w_0i)+γSim2(w₀,w_0i)确定词性相同的联合词集中的单词与上述查询信息中的可用单词之间的综合相似度Sim(w₀,w_0i)，并根据公式Sim(w_i,w_0i)＝βSim1(w_i,w_0i)+γSim2(w_i,w_0i)确定词性相同的联合词集中的单词与上述学习内容中的可用单词之间的综合相似度Sim(w_i,w_0i)，其中，β表示第一词间相似度的权重值，γ表示第二词间相似度的权重值；将确定出的联合词集中的单词与上述查询信息中的可用单词之间的多个综合相似度组成的向量作为上述查询信息的公共语义向量，并将确定出的联合词集中的单词与上述学习内容中的可用单词之间的多个综合相似度组成的向量作为上述学习内容的公共语义向量；根据公式计算上述查询信息与上述学习内容之间的相似度，其中，T₀表示查询信息语句，T_i表示学习内容中的第i条语句，S₀表示查询信息的公共语义向量，S_i表示学习内容的公共语义向量；从未被选取的多条上述学习内容中选取下一条学习内容，直到计算得到上述查询信息与各个上述学习内容之间的相似度；提取上述查询信息与各个上述学习内容之间的相似度大于预设阈值的学习内容。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，上述在提取出的学习内容中，采用自适应算法抽取与上述学习者对应的用户模型相匹配的自适应学习内容包括：根据上述学习者对应的用户模型中的知识水平选取各个提取出的学习内容中与上述知识水平匹配的学习内容；根据上述学习者对应的用户模型中的兴趣偏好计算选取的学习内容中各个关联学习资源的推荐度；将推荐度最高的关联学习资源作为最终与上述学习者相匹配的自适应学习内容。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，上述知识本体库通过以下方式建立：

抽取样本教材的知识点，其中，上述样本教材包括：不同版本的教材和不同年级的教材；对抽取到的各个知识点进行分类，并对相同的知识点进行关联；根据分类和关联处理后的知识点分别确定单词本体库的父类结构、属性结构和句子本体库的父类结构、属性结构；根据确定的单词本体库父类结构、属性结构和句子本体库的父类结构、属性结构构建知识本体库。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，上述用户本体库通过以下方式建立：

获取上述学习者的注册信息，其中，上述注册信息包括以下中的一种或多种：上述学习者的用户ID、密码、姓名、性别、年龄、年级、所在学校；根据学习者填写的所罗门风格量表确定上述学习者的学习风格，其中，上述学习风格包括：活跃-沉思型、感悟-直觉型、言语-视觉型或者序列-综合型；根据上述学习者的年级、已学知识点和对知识点的掌握程度确定学习者的知识水平，其中，上述对知识点的掌握程度是通过上述学习者的评测结果确定的；根据记录的上述学习者对学习资源的浏览次数和评价信息确定学习者的学习行为；根据上述学习行为确定上述学习者的兴趣偏好，其中，上述兴趣偏好包括：上述学习者对资源媒体类型的偏好度、对资源对应属性的偏好度、以及对资源难度的偏好度；根据上述学习者的注册信息、学习风格、知识水平、学习行为和兴趣偏好建立各个学习者的用户模型。

结合第一方面至第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，上述方法还包括：实时监听各个学习者对学习资源的浏览次数和评价信息，并向所述学习者对应的浏览及反馈表中存储监听到的所述浏览次数和评价信息，以更新所述学习者对应的浏览及反馈表；当满足预设的学习者的兴趣偏好的更新条件时，根据更新后的浏览及反馈表重新确定所述学习者的兴趣偏好，其中，所述更新条件包括以下中的任意一种：监测到学习者重新登录、更新后的浏览及反馈表中新增加的记录的条数大于预设阈值、或者当前时间与上次重新确定时间的时间间隔达到预设阈值；根据学习者的用户ID查找上述学习者的用户模型；使用重新确定出的所述兴趣偏好更新上述学习者的用户模型中的兴趣偏好。

第二方面，本发明实施例还提供了一种用于学习者自适应学习的问答装置，该装置包括：获取模块，用于获取学习者输入的查询信息，其中，上述查询信息包括：文本信息或者语音信息；检索模块，用于对上述查询信息进行关键词提取，并在预先建立的知识本体库中，根据提取到的关键词检索相应的多条学习内容；相似度计算模块，用于利用基于语料库的相似度算法与基于距离的相似度算法相结合的方式，逐一计算上述查询信息与检索到的多条上述学习内容间的相似度，并提取相似度大于预设阈值的学习内容；资源匹配模块，用于在提取出的学习内容中，采用自适应算法抽取与上述学习者对应的用户模型相匹配的自适应学习内容，其中，上述用户模型是从预先建立的用户本体库中根据上述学习者的ID调取的。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，上述相似度计算模块包括：单词还原单元，用于从检索到的多条上述学习内容中逐一选取一条学习内容，对学习者输入的查询信息和选取的上述学习内容进行单词还原处理；词性标注单元，用于对还原后的各个单词进行词性标注，并根据各个单词的词性类型选取可用单词，其中，上述可用单词包括以下中的一种或多种：词性为名词的单词、词性为动词的单词、词性为副词的单词或者词性为形容词的单词；词集组合单元，用于由选取的上述查询信息和上述学习内容中的各个可用单词组成上述查询信息和上述学习内容的联合词集；第一词间相似度计算单元，用于根据公式 $Sim1(w_0,w_{0i})=e^{-\mathrm{\α}L}\×\frac{1}{2}(\frac{H_c}{H_{w0}}+\frac{H_c}{H_{woi}})$ 逐一计算词性相同的联合词集中的单词与上述查询信息中的可用单词之间的第一词间相似度Sim1(w₀,w_0i)，并根据公式 $Sim1(w_i,w_{0i})=e^{-\mathrm{\α}L}\×\frac{1}{2}(\frac{H_c}{H_{wi}}+\frac{H_c}{H_{woi}})$ 逐一计算词性相同的联合词集中的单词与上述学习内容中的可用单词之间的第一词间相似度Sim1(w_i,w_0i)，其中，w₀表示查询信息中的概念词，w_i表示学习内容中的概念词，w_0i表示联合词集中的概念词，L表示两个概念词之间的最短路径长度，α为常数(取值为0.1)，H_c表示两个概念词的公共上位词集的深度，H_w0表示概念词w₀的深度，H_wi表示概念词w_i的深度，H_w0i表示概念词w_0i的深度；第二词间相似度计算单元，用于基于语料库的相似度算法逐一计算词性相同的联合词集中的单词与上述查询信息中的可用单词之间的第二词间相似度Sim2(w₀,w_0i)，并基于语料库的相似度算法逐一计算词性相同的联合词集中的单词与上述学习内容中的可用单词之间的第二词间相似度Sim2(w_i,w_0i)；综合相似度计算单元，用于根据公式Sim(w₀,w_0i)＝βSim1(w₀,w_0i)+γSim2(w₀,w_0i)确定词性相同的联合词集中的单词与上述查询信息中的可用单词之间的综合相似度Sim(w₀,w_0i)，并根据公式Sim(w_i,w_0i)＝βSim1(w_i,w_0i)+γSim2(w_i,w_0i)确定词性相同的联合词集中的单词与上述学习内容中的可用单词之间的综合相似度Sim(w_i,w_0i)，其中，β表示第一词间相似度的权重值，γ表示第二词间相似度的权重值；公共语义向量确定单元，用于将确定出的联合词集中的单词与上述查询信息中的可用单词之间的多个综合相似度组成的向量作为上述查询信息的公共语义向量，并将确定出的联合词集中的单词与上述学习内容中的可用单词之间的多个综合相似度组成的向量作为上述学习内容的公共语义向量；语句间相似度计算单元，用于根据公式计算上述查询信息与上述学习内容之间的相似度，其中，T₀表示查询信息语句，T_i表示学习内容中的第i条语句，S₀表示查询信息的公共语义向量，S_i表示学习内容的公共语义向量；从未被选取的多条上述学习内容中选取下一条学习内容，直到计算得到上述查询信息与各个上述学习内容之间的相似度；学习内容确定单元，用于提取上述查询信息与各个上述学习内容之间的相似度大于预设阈值的学习内容。

结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，上述资源匹配模块包括：选取单元，用于根据上述学习者对应的用户模型中的知识水平选取各个提取出的学习内容中与上述知识水平匹配的学习内容；推荐度计算单元，用于根据上述学习者对应的用户模型中的兴趣偏好计算选取的学习内容中各个关联学习资源的推荐度；资源匹配单元，用于将推荐度最高的关联学习资源作为最终与上述学习者相匹配的自适应学习内容。

结合第二方面至第二方面的第四种可能的实施方式，本发明实施例提供了第二方面的第五种可能的实施方式，其中，上述所装置还包括：监听模块，用于实时监听各个学习者对学习资源的浏览次数和评价信息，并向所述学习者对应的浏览及反馈表中存储监听到的所述浏览次数和评价信息，以更新所述学习者对应的浏览及反馈表；兴趣偏好确定模块，用于当满足预设的学习者的兴趣偏好的更新条件时，根据更新后的浏览及反馈表重新确定所述学习者的兴趣偏好，其中，所述更新条件包括以下中的任意一种：监测到学习者重新登录、更新后的浏览及反馈表中新增加的记录的条数大于预设阈值、或者当前时间与上次重新确定时间的时间间隔达到预设阈值；查找模块，用于根据学习者的用户ID查找上述学习者的用户模型；用户模型更新模块，用于使用重新确定出的所述兴趣偏好更新上述学习者的用户模型中的兴趣偏好。

在本发明实施例提供的方法及装置中，首先，获取学习者输入的查询信息；对查询信息进行关键词提取，并在预先建立的知识本体库中，根据提取到的关键词检索相应的多条学习内容；然后，利用基于语料库的相似度算法与基于距离的相似度算法相结合的方式，逐一计算查询信息与检索到的多条学习内容间的相似度，并提取相似度大于预设阈值的学习内容；最后，在提取出的学习内容中，采用自适应算法抽取与学习者对应的用户模型相匹配的自适应学习内容。本发明实施例通过在预先建立的知识本体库中查找与学习者用户模型相匹配的自适应学习内容，推荐的学习内容具有针对性，有助于学习者自主学习。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本发明实施例所提供的一种用于学习者自适应学习的问答方法的流程图示意图；

图2示出了本发明实施例所提供的一种用于学习者自适应学习的问答装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

考虑到相关技术中为学习者推送学习内容的方式主要是仅仅根据学习者输入的文本或者语音生成相关的学习内容，推送的学习内容不具有针对性，学习效果不佳。基于此，本发明实施例提供了一种用于学习者自适应学习的问答方法及装置，下面通过实施例进行描述。

如图1所示，本发明实施例提供了一种用于学习者自适应学习的问答方法，该方法包括步骤S102-S108，具体如下：

步骤S102：获取学习者输入的查询信息，其中，学习者输入的查询信息可以是文本信息，还可以是语音信息，当查询信息为语音信息时，需将该语音信息转化为文本信息，以小学英语自适应学习为例，文本信息可以是单词或者短语、还可以是疑问句、也可以是陈述句，学习者可以根据实际需求输入。

步骤S104：对上述查询信息进行关键词提取，并在预先建立的知识本体库中，根据提取到的关键词检索相应的多条学习内容；

其中，以学习者输入的查询信息为疑问句为例，提取该疑问句的疑问词作为该查询信息的关键词，然后，在预先建立的知识本体库中，检索与该疑问词相关的多个疑问句，其中，每个疑问句均有关联的多个关联学习资源，该关联学习资源可以是该疑问句的句型解释，也可以是与该疑问句关联的情景对话，还可以是该疑问句中的重点单词的相关解释等等，即为与该疑问句相关的所有知识点。

具体的，以小学英语自适应学习为例，上述对查询信息进行关键词提取，并在预先建立的知识本体库中，根据提取到的关键词检索相应的多条学习内容，具体包括：

(1)对查询信息进行关键词提取；

(2)关键词查询：通过疑问关键词查询知识本体库，以检索出与提取到的关键词相应的多条学习内容；然后按问句ID把查询到的句子进行排序；

(3)特例处理：当学习者输入的查询信息中的关键字存在特例的情况下，需要同时在预先建立的知识本体库和特例本体库中进行关键词查询。实际上是对疑问词查询中遗漏的句子进行的弥补。

例如：用户提问whataboutyou？，通过疑问词在本体库中只能查到关于带有What的问句，虽然知识本体库中有Howaboutyou这样相似度极高的句子，依然会漏掉，因此采用建立特例句子本体库的方式来弥补。整合出所有可能存在知识本体库中不存在的特例的句式，并将特例句子与知识本体库中的句子进行关联，建立特例句子本体库。通过建立特例句子本体库，可以实现为学习者展示更准确、更全面的学习内容。

步骤S106：利用基于语料库的相似度算法与基于距离的相似度算法相结合的方式，逐一计算上述查询信息与检索到的多条上述学习内容间的相似度，并提取相似度大于预设阈值的学习内容；

具体的，考虑到相关技术中单纯地使用基于语料库的相似度算法或者单纯地使用基于距离的相似度算法来计算词间相似度，得到的相似度的准确度低，从而导致提取出的学习内容与学习者输入的查询信息存在一定的差异，并不是学习者需要的学习内容，因此，在本发明实施例中，利用基于语料库的相似度算法与基于距离的相似度算法相结合的方式来确定词间相似度。

步骤S108：在提取出的学习内容中，采用自适应算法抽取与上述学习者对应的用户模型相匹配的自适应学习内容，其中，上述用户模型是从预先建立的用户本体库中根据上述学习者的ID调取的。

在本发明实施例提供的方法中，首先，获取学习者输入的查询信息；对查询信息进行关键词提取，并在预先建立的知识本体库中，根据提取到的关键词检索相应的多条学习内容；然后，利用基于语料库的相似度算法与基于距离的相似度算法相结合的方式，逐一计算查询信息与检索到的多条学习内容间的相似度，并提取相似度大于预设阈值的学习内容；最后，在提取出的学习内容中，采用自适应算法抽取与学习者对应的用户模型相匹配的自适应学习内容。本发明实施例通过在预先建立的知识本体库中查找与学习者用户模型相匹配的自适应学习内容，推荐的学习内容具有针对性，有助于学习者自主学习。

为了在知识本体库中更加准确地查找到与用户输入的查询信息相匹配的学习内容，因而，提高查询信息与检索到的多条学习内容间的相似度的准确度是非常关键的，基于此，上述利用基于语料库的相似度算法与基于距离的相似度算法相结合的方式，逐一计算上述查询信息与检索到的多条上述学习内容间的相似度，并提取相似度大于预设阈值的学习内容包括：

从检索到的多条上述学习内容中逐一选取一条学习内容，对学习者输入的查询信息和选取的上述学习内容进行单词还原处理；

对还原后的各个单词进行词性标注，并根据各个单词的词性类型选取可用单词，其中，上述可用单词包括以下中的一种或多种：词性为名词的单词、词性为动词的单词、词性为副词的单词或者词性为形容词的单词；

由选取的上述查询信息和上述学习内容中的各个可用单词组成上述查询信息和上述学习内容的联合词集；

根据公式 $Sim1(w_0,w_{0i})=e^{-\mathrm{\α}L}\×\frac{1}{2}(\frac{H_c}{H_{w0}}+\frac{H_c}{H_{woi}})$ 逐一计算词性相同的联合词集中的单词与上述查询信息中的可用单词之间的第一词间相似度Sim1(w₀,w_0i)，并根据公式 $Sim1(w_i,w_{0i})=e^{-\mathrm{\α}L}\×\frac{1}{2}(\frac{H_c}{H_{wi}}+\frac{H_c}{H_{woi}})$ 逐一计算词性相同的联合词集中的单词与上述学习内容中的可用单词之间的第一词间相似度Sim1(w_i,w_0i)，其中，w₀表示查询信息中的概念词，w_i表示学习内容中的概念词，w_0i表示联合词集中的概念词，L表示两个概念词之间的最短路径长度，α为常数(取值为0.1)，H_c表示两个概念词的公共上位词集的深度，H_w0表示概念词w₀的深度，H_wi表示概念词w_i的深度，H_w0i表示概念词w_0i的深度；

基于语料库的相似度算法逐一计算词性相同的联合词集中的单词与上述查询信息中的可用单词之间的第二词间相似度Sim2(w₀,w_0i)，并基于语料库的相似度算法逐一计算词性相同的联合词集中的单词与上述学习内容中的可用单词之间的第二词间相似度Sim2(w_i,w_0i)；

根据公式Sim(w₀,w_0i)＝βSim1(w₀,w_0i)+γSim2(w₀,w_0i)确定词性相同的联合词集中的单词与上述查询信息中的可用单词之间的综合相似度Sim(w₀,w_0i)，并根据公式Sim(w_i,w_0i)＝βSim1(w_i,w_0i)+γSim2(w_i,w_0i)确定词性相同的联合词集中的单词与上述学习内容中的可用单词之间的综合相似度Sim(w_i,w_0i)，其中，β表示第一词间相似度的权重值，γ表示第二词间相似度的权重值；

将确定出的联合词集中的单词与上述查询信息中的可用单词之间的多个综合相似度组成的向量作为上述查询信息的公共语义向量，并将确定出的联合词集中的单词与上述学习内容中的可用单词之间的多个综合相似度组成的向量作为上述学习内容的公共语义向量；

根据公式计算上述查询信息与上述学习内容之间的相似度，其中，T₀表示查询信息语句，T_i表示学习内容中的第i条语句，S₀表示查询信息的公共语义向量，S_i表示学习内容的公共语义向量；

从未被选取的多条上述学习内容中选取下一条学习内容，直到计算得到上述查询信息与各个上述学习内容之间的相似度；

将多个查询信息与各个学习内容之间的相似度组成一个数组，并按照相似度高到低的顺序进行排序；

提取上述查询信息与各个上述学习内容之间的相似度大于预设阈值的学习内容。

具体的，举例说明，以学习者输入的查询信息T₀为“Whatisyourfavouritesports？”，检索到的与该查询信息中提取的关键词相关的多条学习内容中的一条学习内容T_i为“Whatkindofsportsdoyouenjoymost？”为例，计算查询信息T₀与学习内容T_i两个语句间的相似度的过程，具体包括：

对上述查询信息T₀与学习内容T_i分别进行单词还原处理，选取可用单词组成的T₀和T_i的联合词集T为：{Whatbeyourfavouritesportkindofdoyouenjoymost}；

其中，该联合词集是由两个语句中的单词对应的原型形式并去掉冠词、感叹词等不具有真正语义信息的单词组成的，并且两个语句相同的单词只记录一次，因此，联合词集中不带有任何冗余的语义信息，联合词集可以用一个向量来表示，称这个向量为联合语义向量，记作S，同时将查询信息T₀与学习内容T_i也分别用向量来表示，记作S₀和S_i。

语义向量中的每一个分量都对应于联合词集T中的一个单词，即语义向量的长度等于联合词集T中元素的个数，查询信息(或者学习内容)的公共语义向量中的每一个分量的数值表示联合词集单词与查询信息(或者学习内容)中单词间的综合相似度的大小(依次求解选取的联合词集中的各个单词与查询信息或者学习内容中的词性相同的单词间的综合相似度，若有两个词性相同的单词则选择综合相似度高的作为最终的综合相似度)，各个分量均是通过上述综合相似度的算法计算得到的，仍以上述语句为例，查询信息T₀的公共语义向量S₀为：{1,1,1,1,1，0.8,0,0,1,0.8,0.9}，其中，公共语义向量S₀中的各个数值依次为What与What、be与be、your与your、favourite与favourite、sport与sport、kind与favourite、of是介词无比较单词(在查询信息中无与其词性相同的单词)、do与是助动词无比较单词(在查询信息中无与其词性相同的单词)、you与your、enjoy与favourite、most与favourite之间的综合相似度；

学习内容T_i的公共语义向量S₁为：{1,0,1,0.8,1，1,1,1,1,1,1}，其中，公共语义向量S₁中的各个数值依次为What与What、be是系动词无比较单词(在学习内容中无与其词性相同的单词)、your与you、favourite与enjoy、sport与sport、kind与kind、of与of、do与do、you与you、enjoy与enjoy、most与most之间的综合相似度；

确定了查询信息T₀与学习内容T_i的公共语义向量S₀和S_i，然后，根据公式计算得到查询信息T₀与学习内容T_i之间的句间相似度，最后，将句间相似度大于预设阈值的学习内容T_i作为与学习者输入的查询信息T₀相匹配的多条学习内容，后续在与该多条学习内容相关关联的关联学习资源中选取与该学习者的用户模型相适应的关联学习资源。

在本发明提供的实施例中，通过基于语料库的相似度算法与基于距离的相似度算法相结合的方式来确定词间相似度，并在基于距离的相似度算法计算词间相似度的过程中，不仅将两个相比较概念词的公共上位词集的深度作为影响因素，还引入两个相比较概念词的深度作为影响因素，对现有的计算公式进行改进，给出了改进后的具体的计算公式，提高了两个概念词词间相似度，从而保证了后续计算得到的两个语句间相似度的准确性，因此，能够实现在知识本体库中更加准确地查找到与用户输入的查询信息相匹配的学习内容，该步骤是为学习者提供准确的自适应学习内容的关键。

进一步的，为了实现有针对性地向学习者推送个性化的学习资源，提升学习者的学习效果，基于此，上述在提取出的学习内容中，采用自适应算法抽取与上述学习者对应的用户模型相匹配的自适应学习内容包括：

根据上述学习者对应的用户模型中的知识水平选取各个提取出的学习内容中与上述知识水平匹配的学习内容；

根据上述学习者对应的用户模型中的兴趣偏好计算选取的学习内容中各个关联学习资源的推荐度；

将推荐度最高的关联学习资源作为最终与上述学习者相匹配的自适应学习内容。

具体的，根据上述学习者对应的用户模型中的兴趣偏好计算选取的学习内容中各个关联学习资源的推荐度包括：

(1)确定待匹配的学习资源的资源特征中的媒体类型、对应属性和难度；

(2)在学习者对应的用户模型中，根据确定出的媒体类型、对应属性和难度查找用户对所有资源特征不同反馈类别所占比例P(C＝c_i)、以及P(x_m|C＝c_i)、P(x_n|C＝c_i)和P(x_k|C＝c_i)；

(3)根据公式P(X＝x|C＝c_i)＝P(x_m|C＝c_i)×P(x_n|C＝c_i)×P(x_k|C＝c_i)计算得到用户对不同的资源特征在各个反馈类别下所占比例；

(4)采用朴素贝叶斯算法根据P(C＝c_i)、P(X＝x|C＝c_i)和公式P(C＝c_i|X＝x)＝P(X＝x|C＝c_i)×P(C＝c_i)计算得到用户对资源特征为X的学习资源反馈类别为c_i的概率值，其中，C表示反馈类别(C＝1、2或者3)，X表示资源特征向量(X＝{x_m,x_n,x_k},x_m为媒体类型，x_n为对应属性，x_k为难度)，P(C＝c_i|X＝x)表示用户对资源类型为X的学习资源反馈类别为c_i的概率值，P(X＝x|C＝c_i)表示在用户的浏览及反馈表中反馈类别为c_i的历史记录中资源特征为X所占比例，P(C＝c_i)表示在用户的浏览及反馈表中反馈类别为c_i所占比例；

(5)根据公式T＝P_mnk1×2+P_mnk2×1+P_mnk3×(-1)计算待匹配的学习资源的推荐度，其中，P_mnk1表示用户对媒体类型为m、对应属性为n、难度为k的学习资源的反馈类别为1的概率，P_mnk2表示用户对媒体类型为m、对应属性为n、难度为k的学习资源的反馈类别为2的概率，P_mnk1表示用户对媒体类型为m、对应属性为n、难度为k的学习资源的反馈类别为3的概率。

需要说明的是，由于用户模型中存储的兴趣偏好是指对不同的媒体类型在各个反馈类别下所占比例P(x_m|C＝c_i)、用户对不同的对应属性在各个反馈类别下所占比例P(x_n|C＝c_i)、以及用户对不同的难度在各个反馈类别下所占比例P(x_k|C＝c_i)，当计算用户对资源特征为X＝{x_m,x_n,x_k}的学习资源反馈类别为c_i的概率值时，需要考虑各个资源特征，即需要考虑用户对每一资源特征的偏好，由于各个资源特征之间是相互独立的，因此，

P(X＝x|C＝c_i)＝P(x_m|C＝c_i)×P(x_n|C＝c_i)×P(x_k|C＝c_i)。

如表1示出了用户对资源特征为X的学习资源反馈类别为c_i的概率值，其中，X表示资源特征向量(X＝{x_m,x_n,x_k},x_m为媒体类型，x_n为对应属性，x_k为难度)：

表1

其中，表1中P_mnk1表示用户对媒体类型为m，对应属性为n，难度为k的学习资源的反馈类别为1的概率，P_mnk2表示用户对媒体类型为m，对应属性为n，难度为k的学习资源的反馈类别为2的概率，P_mnk3表示用户对媒体类型为m，对应属性为n，难度为k的学习资源的反馈类别为3的概率。

在本发明提供的实施例中，综合考虑各个与用户特征相关的因素，在确定给学习者推荐的学习资源时，先调取该学习者对应的用户模型中的兴趣偏好，进而根据兴趣偏好确定各个待推荐的学习资源的推荐度，再根据学习资源的推荐度排序情况有针对性地向学习者推荐个性化的学习资源，有助于提升学习者的学习效果，从而激发学习者的学习兴趣。

具体的，上述知识本体库通过以下方式建立：

抽取样本教材的知识点，其中，上述样本教材包括：不同版本的教材和不同年级的教材，如6个版本(北京版、北师大版、人教版、朗文版、外研社新标准(供一年级起)、外研社(一年级起点)教育部审定)，主要将小学英语的教材作为样本教材；对抽取到的各个知识点进行分类，并对相同的知识点进行关联；根据分类和关联处理后的知识点分别确定单词本体库的父类结构、属性结构和句子本体库的父类结构、属性结构；根据确定的单词本体库父类结构、属性结构和句子本体库的父类结构、属性结构构建知识本体库。

其中，上述知识本体库使用Protégé构建父类结构和属性结构，而学习资源实例的构建则选择用代码批量添加，具体的，选择用代码从归整好的学习资源Excel中读取内容，添加到Fuseki数据库中。在本发明实施例中，选择Fuseki数据库在于Fuseki数据库是语义数据库，可以更好地进行语义查询和推理，与现有的关系数据库相比，能够更好的兼容语义信息。同时可以利用SPARQL查询语句对Fuseki数据库中的三元组进行查找和筛选，使编程人员更加方便的操作数据库；用代码添加实例完成后，应及时写回.owl文件中，这样可以用于Jena推理，也可以更直观地看到本体中的结构和关联。

上述知识本体库中包含所有用于推理的文字信息，图片类型、音频类型、视频类型、绘本类型的等所有学习资源；另外，还为特例句子单建一个特例句子本体库，与从样本教材中抽取出的句子分开，保证原本句子本体组织格式的一致性；教材组织本体把所有有关教材的属性都整合于此。

具体的，上述用户本体库通过以下方式建立：

获取上述学习者的注册信息，其中，该注册信息包括以下中的一种或多种：上述学习者的用户ID、密码、姓名、性别、年龄、年级、所在学校；根据学习者填写的所罗门风格量表确定上述学习者的学习风格，其中，上述学习风格包括：活跃-沉思型、感悟-直觉型、言语-视觉型或者序列-综合型；根据上述学习者的年级、已学知识点和对知识点的掌握程度确定学习者的知识水平，其中，上述对知识点的掌握程度是通过上述学习者的评测结果确定的；根据记录的上述学习者对学习资源的浏览次数和评价信息确定学习者的学习行为；根据上述学习行为确定上述学习者的兴趣偏好，其中，上述兴趣偏好包括：上述学习者对资源媒体类型的偏好度、对资源对应属性的偏好度、以及对资源难度的偏好度；根据上述学习者的注册信息、学习风格、知识水平、学习行为和兴趣偏好建立各个学习者的用户模型。

其中，上述学习风格体现在四个维度上，表示为LS＝{ls1,ls2,ls3,ls4}，其中lsi取值范围为{-1，0，1}表示用户的第i维学习风格为两个极端或中间型，前期根据学习者填写的所罗门风格量表(用户填写的44道题)，每11道题对应学习风格一个维度，通过用户选择的结果，确定用户在该维度上更偏向于那个极端型，进而确定该用户的学习风格，在前期没有用户浏览数据的情况下，无法确定用户的兴趣偏好时，可以根据用户的学习风格来确定推荐给用户的学习资源类型，如，当确定出用户为视觉型的学习者时，优先向用户推荐媒体类型为视频和图片的学习资源；当确定出用户为言语型的学习者时，优先向用户推荐媒体类型为文本和音频的学习资源。

另外，上述学习行为还可以引入其他学习者的浏览记录，如浏览时长等等。

具体的，根据记录的上述学习者对学习资源的浏览次数和评价信息确定学习者的学习行为包括：

记录用户对学习资源的浏览次数和评价信息，并建立用户的浏览及反馈表，以确定用户的学习行为，如表2所示。

表2

其中，学习资源对应的资源特征包括：学习资源的媒体类型、学习资源的对应属性、学习资源的难度、册数、教材版本，媒体类型可以分为四类(1-文本，2-音频，3-图像，4-视频)，学习资源的对应属性可以根据实际需求进行划分(如，对于句子：1-问题疑问词，2-问题，3-回答，4-情景对话，5-句型，6-相关单词等等；对于单词：1-词性，2-中文含义，3-课文原句，4-情景段落，5-联想，6-同义词，7-反义词，8-百科，9-用法，10-延伸例句等等)，学习资源的难度可以根据实际需求进行划分(1-低，2-中，3-高)；学习资源对应的用户行为包括：对学习资源的浏览次数和评价信息，其中，评价信息包括点赞、收藏、填写的喜欢等级或者分享等等。

下面以评价信息为用户的点赞行为，对于一条学习资源对应的用户行为可以分为三大反馈类别：1表示浏览+点赞，2表示浏览但未赞，3表示未浏览未点赞。

具体的，根据上述学习行为确定上述学习者的兴趣偏好包括：

(1)根据上述用户的浏览及反馈表确定用户对所有资源特征不同反馈类别所占比例P(C＝c_i)，其中，m_ci表示反馈类型为c_i的记录数，M表示总记录数；

(2)根据上述用户的浏览及反馈表分别确定用户对资源特征中不同的媒体类型在各个反馈类别下所占比例P(x_m|C＝c_i)、用户对资源特征中不同的对应属性在各个反馈类别下所占比例P(x_n|C＝c_i)、以及用户对资源特征中不同的难度在各个反馈类别下所占比例P(x_k|C＝c_i)，其中，P(媒体类型＝x_m·C＝c_i)表示在浏览及反馈表中媒体类型为x_m反馈类别为c_i的记录数与总记录数的比值，P(对应属性＝x_n·C＝c_i)表示在浏览及反馈表中对应属性为x_n反馈类别为c_i的记录数与总记录数的比值，P(难度＝x_k·C＝c_i)表示在浏览及反馈表中难度为x_k反馈类别为c_i的记录数与总记录数的比值；

(3)将确定出的P(C＝c_i)、P(x_m|C＝c_i)、P(x_n|C＝c_i)、以及P(x_k|C＝c_i)作为用户的兴趣偏好。

如表3-A示出了用户对不同的媒体类型在各个反馈类别下所占比例P(x_m|C＝c_i)：

表3-A

如表3-B示出了用户对不同的对应属性在各个反馈类别下所占比例P(x_n|C＝c_i)：

表3-B

如表3-C示出了用户对不同的难度在各个反馈类别下所占比例P(x_k|C＝c_i)：

表3-C

进一步的，考虑到用户模型中的用户特征是动态变化的，因此，需要对用户模型进行动态更新，基于此，上述方法还包括：实时监听各个学习者对学习资源的浏览次数和评价信息，并向所述学习者对应的浏览及反馈表中存储监听到的浏览次数和评价信息，以更新所述学习者对应的浏览及反馈表；当满足预设的学习者的兴趣偏好的更新条件时，根据更新后的浏览及反馈表重新确定所述学习者的兴趣偏好，其中，所述更新条件包括以下中的任意一种：监测到学习者重新登录、更新后的浏览及反馈表中新增加的记录的条数大于预设阈值、或者当前时间与上次重新确定时间的时间间隔达到预设阈值；根据学习者的用户ID查找上述学习者的用户模型；使用重新确定出的所述兴趣偏好更新上述学习者的用户模型中的兴趣偏好。

具体的，实时监听各个学习者对学习资源的浏览次数和评价信息，并根据监听到浏览次数和评价信息更新与该学习者对应的浏览及反馈表，以确定用户的学习行为，然后，根据学习者对应的浏览及反馈表中浏览记录信息更新学习者的兴趣偏好，当监测到学习者重新登录、更新后的浏览及反馈表中新增加的记录的条数大于预设阈值、或者当前时间与上次重新确定时间的时间间隔达到预设阈值时，可以根据实际需求设定上述预设阈值，重新确定学习者的兴趣偏好，并使用该兴趣偏好更新该学习者的用户模型中的兴趣偏好，还可以根据实际需求定期清除浏览及反馈表中历史记录，以保证确定出的学习者的兴趣偏好的准确度。

在本发明提供的实施例中，通过实时监听用户对学习资源的浏览行为并更新对应的浏览及反馈表，当满足预设的学习者的兴趣偏好的更新条件时，根据更新后的浏览及反馈表或者删除预设历史记录条数的的浏览及反馈表重新确定用户的兴趣偏好，并使用该兴趣偏好更新该用户的用户模型中的兴趣偏好，从而提高了计算得到的各个学习资源的推荐度的精度，考虑了用户的兴趣偏好的变化趋势，从而保证了给学习者推荐的学习资源的准确性。

另外，上述用于学习者自适应学习的问答方法，还可以包括：

当根据提取到的关键词未检索到相关的学习内容时，从HowNet或者特例本体库中检索，并提示相关人员对知识本体库(数据库)进行更新操作，具体包括：将根据提取到的关键词未检索到相关的学习内容对应的提醒信息提供给教师或者管理人员，以使教师或管理人员根据该提醒信息对知识本体库进行增加、修改、完善。

基于上述分析可知，在本发明实施例提供的用于学习者自适应学习的问答方法中，首先，获取学习者输入的查询信息；对查询信息进行关键词提取，并在预先建立的知识本体库中，根据提取到的关键词检索相应的多条学习内容；然后，利用基于语料库的相似度算法与基于距离的相似度算法相结合的方式，逐一计算查询信息与检索到的多条学习内容间的相似度，并提取相似度大于预设阈值的学习内容；最后，在提取出的学习内容中，采用自适应算法抽取与学习者对应的用户模型相匹配的自适应学习内容。本发明实施例通过在预先建立的知识本体库中查找与学习者用户模型相匹配的自适应学习内容，推荐的学习内容具有针对性，有助于学习者自主学习。

对应于上述问答方法，本发明实施例还提供了一种用于学习者自适应学习的问答装置，如图2所述，该装置包括：获取模块202，用于获取学习者输入的查询信息，其中，该查询信息包括：文本信息或者语音信息；检索模块204，用于对上述查询信息进行关键词提取，并在预先建立的知识本体库中，根据提取到的关键词检索相应的多条学习内容；相似度计算模块206，用于利用基于语料库的相似度算法与基于距离的相似度算法相结合的方式，逐一计算上述查询信息与检索到的多条上述学习内容间的相似度，并提取相似度大于预设阈值的学习内容；资源匹配模块208，用于在提取出的学习内容中，采用自适应算法抽取与上述学习者对应的用户模型相匹配的自适应学习内容，其中，上述用户模型是从预先建立的用户本体库中根据上述学习者的ID调取的。

进一步的，为了在知识本体库中更加准确地查找到与用户输入的查询信息相匹配的学习内容，因而，提高查询信息与检索到的多条学习内容间的相似度的准确度是非常关键的，基于此，上述相似度计算模块206包括：单词还原单元，用于从检索到的多条上述学习内容中逐一选取一条学习内容，对学习者输入的查询信息和选取的上述学习内容进行单词还原处理；词性标注单元，用于对还原后的各个单词进行词性标注，并根据各个单词的词性类型选取可用单词，其中，上述可用单词包括以下中的一种或多种：词性为名词的单词、词性为动词的单词、词性为副词的单词或者词性为形容词的单词；词集组合单元，用于由选取的上述查询信息和上述学习内容中的各个可用单词组成上述查询信息和上述学习内容的联合词集；第一词间相似度计算单元，用于根据公式 $Sim1(w_0,w_{0i})=e^{-\mathrm{\α}L}\×\frac{1}{2}(\frac{H_c}{H_{w0}}+\frac{H_c}{H_{woi}})$ 逐一计算词性相同的联合词集中的单词与上述查询信息中的可用单词之间的第一词间相似度Sim1(w₀,w_0i)，并根据公式 $Sim1(w_i,w_{0i})=e^{-\mathrm{\α}L}\×\frac{1}{2}(\frac{H_c}{H_{wi}}+\frac{H_c}{H_{woi}})$ 逐一计算词性相同的联合词集中的单词与上述学习内容中的可用单词之间的第一词间相似度Sim1(w_i,w_0i)，其中，w₀表示查询信息中的概念词，w_i表示学习内容中的概念词，w_0i表示联合词集中的概念词，L表示两个概念词之间的最短路径长度，α为常数(取值为0.1)，H_c表示两个概念词的公共上位词集的深度，H_w0表示概念词w₀的深度，H_wi表示概念词w_i的深度，H_w0i表示概念词w_0i的深度；第二词间相似度计算单元，用于基于语料库的相似度算法逐一计算词性相同的联合词集中的单词与上述查询信息中的可用单词之间的第二词间相似度Sim2(w₀,w_0i)，并基于语料库的相似度算法逐一计算词性相同的联合词集中的单词与上述学习内容中的可用单词之间的第二词间相似度Sim2(w_i,w_0i)；综合相似度计算单元，用于根据公式Sim(w₀,w_0i)＝βSim1(w₀,w_0i)+γSim2(w₀,w_0i)确定词性相同的联合词集中的单词与上述查询信息中的可用单词之间的综合相似度Sim(w₀,w_0i)，并根据公式Sim(w_i,w_0i)＝βSim1(w_i,w_0i)+γSim2(w_i,w_0i)确定词性相同的联合词集中的单词与上述学习内容中的可用单词之间的综合相似度Sim(w_i,w_0i)，其中，β表示第一词间相似度的权重值，γ表示第二词间相似度的权重值；公共语义向量确定单元，用于将确定出的联合词集中的单词与上述查询信息中的可用单词之间的多个综合相似度组成的向量作为上述查询信息的公共语义向量，并将确定出的联合词集中的单词与上述学习内容中的可用单词之间的多个综合相似度组成的向量作为上述学习内容的公共语义向量；语句间相似度计算单元，用于根据公式计算上述查询信息与上述学习内容之间的相似度，其中，T₀表示查询信息语句，T_i表示学习内容中的第i条语句，S₀表示查询信息的公共语义向量，S_i表示学习内容的公共语义向量；从未被选取的多条上述学习内容中选取下一条学习内容，直到计算得到上述查询信息与各个上述学习内容之间的相似度；学习内容确定单元，用于提取上述查询信息与各个上述学习内容之间的相似度大于预设阈值的学习内容。

进一步的，为了实现有针对性地向学习者推送个性化的学习资源，提升学习者的学习效果，基于此，上述资源匹配模块208包括：选取单元，用于根据上述学习者对应的用户模型中的知识水平选取各个提取出的学习内容中与上述知识水平匹配的学习内容；推荐度计算单元，用于根据上述学习者对应的用户模型中的兴趣偏好计算选取的学习内容中各个关联学习资源的推荐度；资源匹配单元，用于将推荐度最高的关联学习资源作为最终与上述学习者相匹配的自适应学习内容。

进一步的，考虑到用户模型中的用户特征是动态变化的，因此，需要对用户模型进行动态更新，基于此，上述所装置还包括：监听模块，用于实时监听各个学习者对学习资源的浏览次数评价信息，并向所述学习者对应的浏览及反馈表中存储监听到的所述浏览次数和评价信息，以更新所述学习者对应的浏览及反馈表；兴趣偏好确定模块，用于当满足预设的学习者的兴趣偏好的更新条件时，根据更新后的浏览及反馈表重新确定所述学习者的兴趣偏好，其中，所述更新条件包括以下中的任意一种：监测到学习者重新登录、更新后的浏览及反馈表中新增加的记录的条数大于预设阈值、或者当前时间与上次重新确定时间的时间间隔达到预设阈值；查找模块，用于根据学习者的用户ID查找上述学习者的用户模型；用户模型更新模块，用于使用重新确定出的所述兴趣偏好更新上述学习者的用户模型中的兴趣偏好。

基于上述分析可知，在本发明实施例提供的装置中，首先，获取学习者输入的查询信息；对查询信息进行关键词提取，并在预先建立的知识本体库中，根据提取到的关键词检索相应的多条学习内容；然后，利用基于语料库的相似度算法与基于距离的相似度算法相结合的方式，逐一计算查询信息与检索到的多条学习内容间的相似度，并提取相似度大于预设阈值的学习内容；最后，在提取出的学习内容中，采用自适应算法抽取与学习者对应的用户模型相匹配的自适应学习内容。本发明实施例通过在预先建立的知识本体库中查找与学习者用户模型相匹配的自适应学习内容，推荐的学习内容具有针对性，有助于学习者自主学习。

本发明实施例所提供的用于学习者自适应学习的问答装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中。以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种用于学习者自适应学习的问答方法，其特征在于，所述方法包括：

获取学习者输入的查询信息，其中，所述查询信息包括：文本信息或者语音信息；

对所述查询信息进行关键词提取，并在预先建立的知识本体库中，根据提取到的关键词检索相应的多条学习内容；

利用基于语料库的相似度算法与基于距离的相似度算法相结合的方式，逐一计算所述查询信息与检索到的多条所述学习内容间的相似度，并提取相似度大于预设阈值的学习内容；

在提取出的学习内容中，采用自适应算法抽取与所述学习者对应的用户模型相匹配的自适应学习内容，其中，所述用户模型是从预先建立的用户本体库中根据所述学习者的ID调取的。

2.根据权利要求1所述的用于学习者自适应学习的问答方法，其特征在于，所述利用基于语料库的相似度算法与基于距离的相似度算法相结合的方式，逐一计算所述查询信息与检索到的多条所述学习内容间的相似度，并提取相似度大于预设阈值的学习内容包括：

从检索到的多条所述学习内容中逐一选取一条学习内容，对学习者输入的查询信息和选取的所述学习内容进行单词还原处理；

对还原后的各个单词进行词性标注，并根据各个单词的词性类型选取可用单词，其中，所述可用单词包括以下中的一种或多种；词性为名词的单词、词性为动词的单词、词性为副词的单词或者词性为形容词的单词；

由选取的所述查询信息和所述学习内容中的各个可用单词组成所述查询信息和所述学习内容的联合词集；

根据公式 $Sim1(w_0,w_{0i})=e^{-\mathrm{\α}L}\×\frac{1}{2}(\frac{H_c}{H_{w0}}+\frac{H_c}{H_{woi}})$ 逐一计算词性相同的所述联合词集中的单词与所述查询信息中的可用单词之间的第一词间相似度Sim1(w₀,w_0i)，并根据公式逐一计算词性相同的所述联合词集中的单词与所述学习内容中的可用单词之间的第一词间相似度Sim1(w_i,w_0i)，其中，w₀表示查询信息中的概念词，w_i表示学习内容中的概念词，w_0i表示联合词集中的概念词，L表示两个概念词之间的最短路径长度，α为常数(取值为0.1)，H_c表示两个概念词的公共上位词集的深度，H_w0表示概念词w₀的深度，H_wi表示概念词w_i的深度，H_w0i表示概念词w_0i的深度；

基于语料库的相似度算法逐一计算词性相同的所述联合词集中的单词与所述查询信息中的可用单词之间的第二词间相似度Sim2(w₀,w_0i)，并基于语料库的相似度算法逐一计算词性相同的所述联合词集中的单词与所述学习内容中的可用单词之间的第二词间相似度Sim2(w_i,w_0i)；

根据公式Sim(w₀,w_0i)＝βSim1(w₀,w_0i)+γSim2(w₀,w_0i)确定词性相同的所述联合词集中的单词与所述查询信息中的可用单词之间的综合相似度Sim(w₀,w_0i)，并根据公式

Sim(w_i,w_0i)＝βSim1(w_i,w_0i)+γSim2(w_i,w_0i)确定词性相同的所述联合词集中的单词与所述学习内容中的可用单词之间的综合相似度Sim(w_i,w_0i)，其中，β表示第一词间相似度的权重值，γ表示第二词间相似度的权重值；

将确定出的所述联合词集中的单词与所述查询信息中的可用单词之间的多个综合相似度组成的向量作为所述查询信息的公共语义向量，并将确定出的所述联合词集中的单词与所述学习内容中的可用单词之间的多个综合相似度组成的向量作为所述学习内容的公共语义向量；

根据公式计算所述查询信息与所述学习内容之间的相似度，其中，T₀表示查询信息语句，T_i表示学习内容中的第i条语句，S₀表示查询信息的公共语义向量，S_i表示学习内容的公共语义向量；

从未被选取的多条所述学习内容中选取下一条学习内容，直到计算得到所述查询信息与各个所述学习内容之间的相似度；

提取所述查询信息与各个所述学习内容之间的相似度大于预设阈值的学习内容。

3.根据权利要求1所述的用于学习者自适应学习的问答方法，其特征在于，所述在提取出的学习内容中，采用自适应算法抽取与所述学习者对应的用户模型相匹配的自适应学习内容包括：

根据所述学习者对应的用户模型中的知识水平选取各个提取出的学习内容中与所述知识水平匹配的学习内容；

根据所述学习者对应的用户模型中的兴趣偏好计算选取的学习内容中各个关联学习资源的推荐度；

将推荐度最高的关联学习资源作为最终与所述学习者相匹配的自适应学习内容。

4.根据权利要求1所述的用于学习者自适应学习的问答方法，其特征在于，所述知识本体库通过以下方式建立：

抽取样本教材的知识点，其中，所述样本教材包括：不同版本的教材和不同年级的教材；

对抽取到的各个知识点进行分类，并对相同的知识点进行关联；

根据分类和关联处理后的知识点分别确定单词本体库的父类结构、属性结构和句子本体库的父类结构、属性结构；

根据确定的单词本体库父类结构、属性结构和句子本体库的父类结构、属性结构构建知识本体库。

5.根据权利要求1所述的用于学习者自适应学习的问答方法，其特征在于，所述用户本体库通过以下方式建立：

获取所述学习者的注册信息，其中，所述注册信息包括以下中的一种或多种：所述学习者的用户ID、密码、姓名、性别、年龄、年级、所在学校；

根据学习者填写的所罗门风格量表确定所述学习者的学习风格，其中，所述学习风格包括：活跃-沉思型、感悟-直觉型、言语-视觉型或者序列-综合型；

根据所述学习者的年级、已学知识点和对知识点的掌握程度确定学习者的知识水平，其中，所述对知识点的掌握程度是通过所述学习者的评测结果确定的；

根据记录的所述学习者对学习资源的浏览次数和评价信息确定学习者的学习行为；

根据所述学习行为确定所述学习者的兴趣偏好，其中，所述兴趣偏好包括：所述学习者对资源媒体类型的偏好度、对资源对应属性的偏好度、以及对资源难度的偏好度；

根据所述学习者的注册信息、学习风格、知识水平、学习行为和兴趣偏好建立各个学习者的用户模型。

6.根据权利要求1-5任一项所述的用于学习者自适应学习的问答方法，其特征在于，所述方法还包括：

实时监听各个学习者对学习资源的浏览次数和评价信息，并向所述学习者对应的浏览及反馈表中存储监听到的所述浏览次数和评价信息，以更新所述学习者对应的浏览及反馈表；

当满足预设的学习者的兴趣偏好的更新条件时，根据更新后的浏览及反馈表重新确定所述学习者的兴趣偏好，其中，所述更新条件包括以下中的任意一种：监测到学习者重新登录、更新后的浏览及反馈表中新增加的记录的条数大于预设阈值、或者当前时间与上次重新确定时间的时间间隔达到预设阈值；

根据学习者的用户ID查找所述学习者的用户模型；

使用重新确定出的所述兴趣偏好更新所述学习者的用户模型中的兴趣偏好。

7.一种用于学习者自适应学习的问答装置，其特征在于，所述装置包括：

获取模块，用于获取学习者输入的查询信息，其中，所述查询信息包括：文本信息或者语音信息；

检索模块，用于对所述查询信息进行关键词提取，并在预先建立的知识本体库中，根据提取到的关键词检索相应的多条学习内容；

相似度计算模块，用于利用基于语料库的相似度算法与基于距离的相似度算法相结合的方式，逐一计算所述查询信息与检索到的多条所述学习内容间的相似度，并提取相似度大于预设阈值的学习内容；

资源匹配模块，用于在提取出的学习内容中，采用自适应算法抽取与所述学习者对应的用户模型相匹配的自适应学习内容，其中，所述用户模型是从预先建立的用户本体库中根据所述学习者的ID调取的。

8.根据权利要求7所述的用于学习者自适应学习的问答装置，其特征在于，所述相似度计算模块包括：

单词还原单元，用于从检索到的多条所述学习内容中逐一选取一条学习内容，对学习者输入的查询信息和选取的所述学习内容进行单词还原处理；

词性标注单元，用于对还原后的各个单词进行词性标注，并根据各个单词的词性类型选取可用单词，其中，所述可用单词包括以下中的一种或多种：词性为名词的单词、词性为动词的单词、词性为副词的单词或者词性为形容词的单词；

词集组合单元，用于由选取的所述查询信息和所述学习内容中的各个可用单词组成所述查询信息和所述学习内容的联合词集；

第一词间相似度计算单元，用于根据公式逐一计算词性相同的所述联合词集中的单词与所述查询信息中的可用单词之间的第一词间相似度Sim1(w₀,w_0i)，并根据公式 $Sim1(w_i,w_{0i})=e^{-\mathrm{\α}L}\×\frac{1}{2}(\frac{H_c}{H_{wi}}+\frac{H_c}{H_{woi}})$ 逐一计算词性相同的所述联合词集中的单词与所述学习内容中的可用单词之间的第一词间相似度Sim1(w_i,w_0i)，其中，w₀表示查询信息中的概念词，w_i表示学习内容中的概念词，w_0i表示联合词集中的概念词，L表示两个概念词之间的最短路径长度，α为常数(取值为0.1)，H_c表示两个概念词的公共上位词集的深度，H_w0表示概念词w₀的深度，H_wi表示概念词w_i的深度，H_w0i表示概念词w_0i的深度；

第二词间相似度计算单元，用于基于语料库的相似度算法逐一计算词性相同的所述联合词集中的单词与所述查询信息中的可用单词之间的第二词间相似度Sim2(w₀,w_0i)，并基于语料库的相似度算法逐一计算词性相同的所述联合词集中的单词与所述学习内容中的可用单词之间的第二词间相似度Sim2(w_i,w_0i)；

综合相似度计算单元，用于根据公式Sim(w₀,w_0i)＝βSim1(w₀,w_0i)+γSim2(w₀,w_0i)确定词性相同的所述联合词集中的单词与所述查询信息中的可用单词之间的综合相似度Sim(w₀,w_0i)，并根据公式Sim(w_i,w_0i)＝βSim1(w_i,w_0i)+γSim2(w_i,w_0i)确定词性相同的所述联合词集中的单词与所述学习内容中的可用单词之间的综合相似度Sim(w_i,w_0i)，其中，β表示第一词间相似度的权重值，γ表示第二词间相似度的权重值；

公共语义向量确定单元，用于将确定出的所述联合词集中的单词与所述查询信息中的可用单词之间的多个综合相似度组成的向量作为所述查询信息的公共语义向量，并将确定出的所述联合词集中的单词与所述学习内容中的可用单词之间的多个综合相似度组成的向量作为所述学习内容的公共语义向量；

语句间相似度计算单元，用于根据公式计算所述查询信息与所述学习内容之间的相似度，其中，T₀表示查询信息语句，T_i表示学习内容中的第i条语句，S₀表示查询信息的公共语义向量，S_i表示学习内容的公共语义向量；从未被选取的多条所述学习内容中选取下一条学习内容，直到计算得到所述查询信息与各个所述学习内容之间的相似度；

学习内容确定单元，用于提取所述查询信息与各个所述学习内容之间的相似度大于预设阈值的学习内容。

9.根据权利要求7所述的用于学习者自适应学习的问答装置，其特征在于，所述资源匹配模块包括：

选取单元，用于根据所述学习者对应的用户模型中的知识水平选取各个提取出的学习内容中与所述知识水平匹配的学习内容；

推荐度计算单元，用于根据所述学习者对应的用户模型中的兴趣偏好计算选取的学习内容中各个关联学习资源的推荐度；

资源匹配单元，用于将推荐度最高的关联学习资源作为最终与所述学习者相匹配的自适应学习内容。

10.根据权利要求7-9任一项所述的用于学习者自适应学习的问答装置，其特征在于，所述所装置还包括：

监听模块，用于实时监听各个学习者对学习资源的浏览次数和评价信息，并向所述学习者对应的浏览及反馈表中存储监听到的所述浏览次数和评价信息，以更新所述学习者对应的浏览及反馈表；

兴趣偏好确定模块，用于当满足预设的学习者的兴趣偏好的更新条件时，根据更新后的浏览及反馈表重新确定所述学习者的兴趣偏好，其中，所述更新条件包括以下中的任意一种：监测到学习者重新登录、更新后的浏览及反馈表中新增加的记录的条数大于预设阈值、或者当前时间与上次重新确定时间的时间间隔达到预设阈值；

查找模块，用于根据学习者的用户ID查找所述学习者的用户模型；

用户模型更新模块，用于使用重新确定出的所述兴趣偏好更新所述学习者的用户模型中的兴趣偏好。