CN106600065A - 基于有向超图的个性化学习路径的抽取与拼接方法及系统 - Google Patents
基于有向超图的个性化学习路径的抽取与拼接方法及系统 Download PDFInfo
- Publication number
- CN106600065A CN106600065A CN201611169210.9A CN201611169210A CN106600065A CN 106600065 A CN106600065 A CN 106600065A CN 201611169210 A CN201611169210 A CN 201611169210A CN 106600065 A CN106600065 A CN 106600065A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- path
- background
- learning
- learner
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 230000008859 change Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 46
- 238000013507 mapping Methods 0.000 claims description 31
- 239000012634 fragment Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种基于有向超图的个性化学习路径的抽取与拼接方法及系统。该方法根据知识元之间的依赖关系、利用有向超图理论对相关领域知识进行建模,获得相关知识图谱;根据学习者的知识背景和知识目标对相关知识图谱进行相应的处理,得到个性化知识图谱;利用超图的性质和模型上所附加的知识语义,通过逆向回溯找到从开始知识元集到学习目标的个性化学习路径集;给出逆向回溯中学习背景、多输入/输出以及多目标的处理规则;并给出从变化发展的角度进行路径优选的算法。本发明能根据学习者的知识目标及背景给出相对稳定的、优化的学习内容及知识路径;并能根据学习目标和知识背景的变化进行学习内容和学习路径调整。
Description
技术领域
本发明涉及信息与网络技术领域,具体涉及一种基于有向超图的个性化学习路径的自动抽取与拼接方法及系统。
背景技术
随着计算机、网络等技术的发展以及电子教学资源的日益丰富,教学过程正在发生巨大变化,正在从传统的以教师的教为主导的教学过程转向为以学生为中心的、以学生主动学习为主的教学过程。若要实现既能充分发挥新教学技术所支持的新教学过程的优势,又能防止学生在学习过程中迷航的目标,就需要解决如何根据学习者的具体情况及其所处的资源环境状况,从长远、发展的角度为其学习制定个性化的、优化的学习方案这一难题。而如何根据学习者的学习目标和知识背景提供个性化的学习内容又是制定个性化、优化学习方案首要解决的问题。
知识地图是一种以图示化的形式帮助用户知道在什么地方能够找到知识的知识管理工具,知识地图的作用在于帮助人们在短时间内找到所需的知识资源,并为学习者提供全新的界面体验。关于知识地图的描述与构建,不管是从描述方法还是构建方式,不同学者都从不同的角度进行了大量的分析,并给出不同领域的具体知识地图。知识地图作为知识组织与表示工具在导航学习中已经得到了很多应用,例如,应用知识地图来进行学习内容管理;通过合作创建数字化知识地图来培养终生的学习技能;应用领域知识地图来实现领域知识浏览等。总之,无论是知识地图的描述方法,还是知识地图的构建方法都相对成熟,并有学者针对不同领域给出具体模型。通过建立相关领域的知识地图,根据知识地图中知识元之间的关系以及学习者具体情况来生成个性化的学习路径可行。
有向超图是描述多元子集多元关系的方法,它既具有图形学形象直观的特点,又具有形式化的理论基础,适合用于计算机进行表达和求解。正是由于有向超图的特点和知识领域本身的特点的一致性决定了可以应用有向超图进行学习内容和学习者关系的描述,应用超图理论进行个性化学习内容和学习路径的自动推荐。
发明内容
针对网络教学环境下学习者各异、学习内容过多,无法根据学习者的动态目标和知识背景为学习者提供学习内容和学习路径的现状,本发明的目的是提出一种基于有向超图的个性化学习路径的自动抽取与拼接方法。该方法对相关的知识领域进行有向超图建模,利用超图的性质,根据学习者的知识背景和个性化目标,从总体优化和持续发展的角度向学习者推荐学习内容及学习路径。
本发明的技术方案具体包括两个方面,一方面提出了一种基于有向超图的个性化学习路径的抽取与拼接方法,具体包括以下步骤:
步骤1,根据知识元之间的关系,利用有向超图建立相关知识图谱;
步骤2,基于相关知识图谱,根据学习者知识目标和知识背景创建个性化的知识图谱;
步骤3,基于个性化知识图谱,以目标知识元集为起点,采用逆向搜索的方式来进行可达路径的抽取和拼接;
步骤4,根据模型的语义进行学习路径的优选;
步骤5,监测学习目标及知识背景。如果学习目标发生变化,则进行新路径集与原路径集相关性判断,并进行相应处理;如果相关知识背景发生变化,则根据原知识路径的执行情况进行处理。
进一步,本发明所述步骤1中,各模型之间的关系具体为:
相关知识图谱是以知识元为单位对学习内容相关的知识及知识之间的关系进行描述,它是进行路径抽取的基础。
学习者模型包括对学习背景、学习目标、学习内容及学习路径的描述,其中,学习背景是已掌握的、与学习内容相关的知识元的总和;学习目标是指需要掌握的知识元的总和,由一个或多个知识元集构成;
学习路径是为了达到学习目标需要进行学习的内容,此为本发明主要研究对象,并需要自动生成的部分。
进一步,本发明所述步骤2的个性化知识图谱创建又包括以下几步骤:
步骤2.1,进行学习目标的标记。一个学习者可以有多个目标,用包含且仅包含不同目标知识元节点的不同边表示不同的目标,用包含且仅包含目标知识元的的节点和边的边表示学习者的目标。
步骤2.2,进行相关的知识背景测试及标记。用包含仅包含背景知识元节点的边表示学习者的背景知识。背景知识可以通过测试自动获得,也可以学习者手工标记。
进一步,本发明所述步骤3的学习内容和学习路径选择的问题转化为寻找从开始节点集到目标节点集最短路径问题。由于学习目标已知,开始节点不定(开始节点由不同学习者的具体情况来定),因此,我们采用逆向搜索的方式来进行可达路径的抽取和拼接。在可达路径抽取和拼接的过程中采用二次处理的方法,此步骤又包括以下两个分步骤:
步骤3.1,对目标知识元出现的频率进行统计和标记。
进行目标集合运算,计算出每个目标知识元属于几个集合,标定每个知识元出现的频率。
步骤3.2,进行可能路径的抽取和拼接。
在从目标节点集向开始节点集逆向搜索的过程中,对于单一的输入输出节点,我们只要沿着已知的输入、输出边进行逆向搜索就可以;对于没有学过的知识元,我们需要进行相应的学习,对于已掌握的知识元,我们无需再次进行学习。因此,根据模型的语义,我们主要讨论多输入知识元节点及背景知识处理。
在逆向搜索的过程中,对于某一知识,如果它已经包含在学习者的背景知识里,表明该学习者已经具备了该背景知识,不需要再学习;如果该知识元不属于学习者的背景知识,则学习者需要进行该知识元的学习;因此,在从目标知识元集向开始知识元集逆向搜索过程中,对背景知识做如下处理:
背景知识处理规则:对于学习者leri,要求的知识路径为pathi,在从其目标节点向开始节点的逆向搜索的过程中,对于且kei∈pathi,如果某个知识元kej∈BWK(kei),如果BWK(kei)为kei的前序知识元,BCK(ui)为的学习者背景知识,则停止搜索;否则处理kei与kej的关系,使得<kei,kej>∈pathi。
在逆向搜索的过程中,对于输入“与”,在超图模型中表现为一个超边,具有多个尾节点和一个头节点;在从开始节点向目标节点的路径搜索中,只有当输入边的所有尾节点都到达时才可行;对于输入“或”,在超图模型中表现为不同的边。每个边都表示为一个可能的路径,在从开始节点向目标节点的路径搜索中,只要任意一个输入边到达,则该路径可行;
在此处,我们拟找到所有可能路径,之后根据知识元出现的频率进行二次选择。因此,根据上述分析以及模型上所附加的语义,我们给出如下的多输入处理规则:
多输入处理规则:在进行从目标节点集向开始节点集的逆向搜索中,对于有多条输入边的节点,沿着多条边继续搜索,对于输入边为超边的节点,沿着该超边的所有头节点继续搜索,直到遇到背景知识或者开始节点。
这样就获得了一个可达的有向超图模型,超图的开始是一组知识元,结束为一组目标知识元。
进一步,本发明所述步骤3.2中可能的路径的抽取和拼接包括以下判定步骤:
步骤3.2.1,选取一个目标知识元,进行逆向回溯,当遇到多输入时,根据多输入处理规则进行处理,当遇到背景知识元时,根据知识背景处理规则进行处理,并对走过的路径根据目标节点出现的频率进行标记。
步骤3.2.2,选取下一个目标知识元,重复步骤3.2.1,对目标节点走过的路径的次数进行累计,并保留这些路径的原拓扑关系,直到目标节点回溯完毕。
这样即获得所有可能的路径。此路径集为一个可达的有向超图模型,超图的开始是一组开始知识元,结束为一组目标知识元。
进一步,本发明所述步骤4中优化学习路径的选择包括以下判定步骤:
步骤4.1,进行等效路径判断。
在由步骤3.2获得的所有可能的路径中,存在这样的两个路径片段,路径的起点集相同,终点集相同,但是走过的路径不同,这样两个路径片段为等效路径片段。
步骤4.2,路径的优选。
在等效路径片断中,选择性能高的路径,之后与非等效路径集中的路径片段进行拼接,这样即获得优化的路径集,即为我们要求的路径。
学习是一个知识积累的过程,当前学习获得的知识是后面进一步学习的基础。因此,在进行学习过程优化时,我们既要考虑当前的学习效果,又要考虑到后续的学习情况;因此,对于给定的两个等效路径片段,我们在进行路径片段选择时,选择在相应的个性化知识图谱上节点数少、节点出现频率高的路径片段。
此外,本发明的另一方面是提出了一种基于有向超图的个性化学习路径的抽取与拼接系统,所述系统包括:知识图谱的描述工具、学习者描述工具、知识背景测试工具、相关知识图谱的自动生成工具、学习路径的自动生成工具、反馈信息处理工具、模型库管理工具、试题库管理以及相关的数据库这几部分。其中,知识图谱描述既可以采用手工的方式进行描述,也可以利用数据挖掘等技术进行知识元关系的自动生成;学习者的目标描述由学习者来设定,背景描述既可以根据学习者的知识背景手动进行描述,又可以根据测试自动给出相应的背景描述。系统根据学习者的目标和背景自动生成优化的学习路径。所述数据库包括模型数据库、知识图谱库和试题库。
本发明具有如下优点和有益技术效果:
1、本发明提供了一种基于有向超图的个性化学习路径的抽取与拼接方法及系统,可以根据学习者的学习目标进行相应的背景分析,并给出相应的优化的学习内容及学习路径。
2、本发明建立了学习内容、学习路径和学习背景之间的动态关系,可根据学习者学习目标和相关知识背景的变化来动态调整学习内容和学习路径,为个性化学习计划的制定提供理论依据。
3、该方法解决了从未知到已知的学习过程中信息过载,以及学习者不知道如何选择学习路径和学习内容的难题,也为传统的教学计划的制定提供理论基础。
附图说明
图1是本发明所述方法的主要流程图。
图2是本发明所述的基于有向超图的知识图谱。
图3是本发明所述的用于个性化优化的知识图谱。
图4是本发明所述方法的背景及逻辑分支的处理图谱。
图5是本发明所述方法求解特点的示意图。
图6是本发明所述的系统结构示意图。
图7是本发明实施例1的计算机领域相关的知识图谱。
图8是本发明实施例1的个性化知识图谱。
图9是本发明实施例1的相对于LNER1可能的路径与优化的路径。
图10是本发明实施例1的相对于LNER2可能的路径与优化的路径。
图11是本发明实施例1的相对于LNER3可能的路径与优化的路径。
具体实施方式
下面结合说明书附图及较佳实施例对本发明做进一步详细说明,但本发明并不仅限于以下的实施例。
本发明所述的一种基于有向超图的个性化学习路径的抽取与拼接方法,该方法分为三部分:1)知识图谱描述和学习者建模;2)在此建模基础上,利用有向超图的性质,根据学习者目标和知识背景进行个性化的学习路径的抽取和拼接,从而优化学习内容;3)分析学习内容如何随学习目标和学习者知识背景的变化而变化。该方法的具体流程图请参照附图1所示。
步骤1:构建相关知识图谱,具体为:
由于知识元之间存在先后等逻辑关系,并且知识元之间有一定的聚集性,根据知识元的特点以及有向超图的性质,这里采用有向超图对相关学习内同进行描述,建立相关知识图谱。用节点描述知识元,用边来描述知识元之间的关系,用普通边描述简单逻辑,用超边描述逻辑“与”关系,用不同的边描述逻辑“或”关系;根据知识元间的聚集程度,加入知识单元描述,可以是课程,也可以是学科领域等,并用包含不同节点和边的不同超边来描述这种聚集性,我们把这个模型称为知识图谱,可以形式化描述为:KHM=(KV,KE),KE=(UKE,IE,BE),其中KHM为知识模型,KV为超图模型中的节点,表示模型中的知识元;KE为超图模型中的边,UKE为知识单元,内部包含的节点为知识单元内包含的知识元;IE表示课程内部知识元之间的依赖关系,超边表示逻辑“AND”,不同的边描述逻辑“XOR”,可选其中的一边;BE表示不同知识单元之间的知识元之间的依赖关系,可用做知识背景关系描述,此时的知识图谱如图2所示。
步骤2:根据学习者实际的目标和知识背景,在相关知识图谱的基础上,进行学习者描述,得到针对某个学习者的个性化知识图谱,该知识图谱是进一步分析的基础。
对于步骤1得到的知识图谱,根据学习者的具体目标,在知识图谱上进行学习者目标标定;我们用包含且仅包含目标节点的边描述学习者的不同目标,用包含目标节点和不同目标的边来描述学习者的目标;用包含且仅包含背景知识元节点及这些节点之间关系的边来描述学习者的知识背景,此时的知识图谱如图3所示,可以形式化描述为:PKHM=(KV,KE),KV=(KGV,KUV),KE=(UKE,IE,BE,BKE,OKE,ODKE),KUV=(BKV,KOV),其中,KHM为知识模型,KV为超图模型中的节点,表示模型中的知识元;KE为超图模型中的边,KGV为图形中的一般知识元,KUV为用来描述学习者的知识元,BKV为背景知识元,KOV为目标知识元;UKE表示知识单元,可以是课程,也可以是领域,内部包含的节点为课程包含的知识元;IE表示课程内部知识元之间的依赖关系,超边表示逻辑“AND”,不同的边描述逻辑“XOR”;BE表示不同知识单元之间的知识元之间的依赖关系;BKE表示学习者的背景知识,内部包含学习者的背景知识元;OKE为目标集,内部包含不同的知识目标;ODKE为不同的知识目标,内部包含不同的目标知识元。
步骤3:以目标知识元集为起点,采用逆向搜索的方式来进行可达路径的抽取和拼接。
在由步骤2得到的个性化知识模型的基础上,我们以目标知识元集为起点,采用逆向搜索的方式来进行可达路径的抽取和拼接,具体包括以下步骤:
步骤3.1,对目标知识元出现的频率进行统计。
进行目标集合运算,计算出每个目标知识元属于几个集合,标定每个知识元出现的频率。
假设目标集为SODKE={ODKEi},i=1,…,n,
对于任意则该知识元出现的频率数nsj由下列方法进行统计:
nsj=0;
对于到n;
如果oeej∈ODKEi,则nsj++;
nsj即为出现的频率。
在如图3所示的个性化知识图谱中,目标知识元出现的频率分别为:知识元O1出现的频率为1,知识元O3出现的频率为2,知识元O4出现的频率为1。
步骤3.2,进行可能路径的抽取和拼接,此步骤又可描述为:
步骤3.2.1,在由步骤2获得的个性化知识图谱的基础上,选择任意一个目标节点,由此节点向开始节点进行逆向搜索,获得该目标节点的可达路径,并对该目标节点出现的频率进行标记;
步骤3.2.2,选择另外一个节点重复该步骤,直到所有目标节点都遍历,并且这些路径保持原来的拓扑关系。
这样即获得从开始节点到目标节点的所有可能可达路径,其为一个可达的有向超图模型,超图的开始是一组知识元,结束为一组目标知识元。
在从目标节点向开始节点集逆向搜索的过程中,对于单一的输入输出节点,我们只要沿着给定的输入、输出进行逆向搜索就可以;对于没有学过的知识元,我们需要进行相应的学习。因此,这里我们主要讨论多输入知识元节点及背景知识处理。
方面1,进行背景知识的处理。
在逆向搜索的过程中,对于某一知识,如果它已经包含在学习者的背景知识里,表明该学习者已经具备了该背景知识,就不再需要进行相应的知识的学习;如果该知识不属于学习者的背景知识时,则该学习者首先需要进行相应的背景知识学习,之后才能进行相应的知识元的学习,并且必须完成该背景知识元学习之后才能进行相应知识元的学习。因此,在从目标知识元集向开始知识元集逆向搜索过程中,对背景知识做如下处理:
背景知识处理:对于学习者leri,要求的知识路径为pathi,在从其目标节点向开始节点的逆向搜索的过程中,对于且kei∈pathi,如果存在一个知识元kej∈BWK(kei),如果则停止搜索,其中,BWK(kei)为kei的前序知识元集,BCK(ui)为的学习者背景知识;否则处理kei与kej的关系,使得<kei,kej>∈pathi。
在如图3所示的个性化知识图谱中,在进行逆向搜索的过程中,背景知识的处理如图4所示。
方面2,进行逻辑关系的处理。
在逆向搜索的过程中,对于单一的输入输出,我们只要沿着给定的输入、输出进行逆向搜索就可以,因此这里主要规定如何进行多输入、输出的处理。
对于输入“与”,在超图模型中表现为一个超边,具有多个尾节点和一个头节点;在从开始节点向目标节点的路径搜索中,只有当输入边的所有尾节点都到达时才可行;
对于输入“或”,在超图模型中表现为不同的边。每个边都表示为一个可能的路径,在从开始节点向目标节点的路径搜索中,只要任意一个输入边到达,则该路径可行;
在此处,我们拟找到所有可能路径,之后根据知识元出现的频率进行二次选择。因此,根据上述分析以及模型上所附加的语义,我们给出如下的多输入处理规则:
多输入处理规则:在进行从目标节点集向开始节点集的逆向搜索中,对于有多条输入边的节点,沿着多条边继续搜索,对于输入边为超边的节点,沿着该超边的所有头节点继续搜索,直到遇到背景知识或者开始节点。
在如图3所示的个性化知识图谱中,在进行逆向搜索的过程中,多输入的处理如图4所示。
进一步,本发明所述步骤4中优化学习路径的选择包括以下判定步骤:
步骤4.1,等效路径的判断。
在由步骤3.2获得的路径集中,存在这样的一组路径片段集,在这组路径片段中,路经的起点集相同,终点集相同,但它们走过的路径不同,即它们经过的节点存在不同,这样一组路径片段为等效路径片段,该判断可形式化描述为:
等效路径片段判断规则:对于给定的可能路径集的有向超图模型中,存在两个路径片段PP1和PP2,这两个路径片段开始节点集分别为:BV1,BV2,结束节点集分别为:EV1,EV2,经过的节点集分别为:PV1,PV2,如果BV1=BV2,EV1=EV2,且PV1≠PV2,则PP1和PP2为等效路径片段。如在图4中,在知识单元KU11中,k2,k3,k6与k2,k4,k5,k6为等效路径片段;在知识单元KU31中,k2,k3,k6与k2,k4,k5,k6为等效路径片段。
步骤4.2,等效路径的选择。
在等效路径集中,选择性能高的路径,之后与非等效路径集中的路径片段进行拼接,这样即获得优化的路径集,即为我们要求的路径集。
由于学习是一个知识积累的过程,当前学习获得的知识是进一步学习的基础。因此,在进行学习过程优化时,我们既要考虑当前的学习效果,又要考虑到后续的学习情况。对于给定两个等效路径片段,我们在进行路径片段选择时,在相应的个性化知识图谱上选择节点数少、并且出现频率高的路径片段。根据模型的语义以及学习过程本身的特点,本方法给出如下规则进行等效路径的选择。
等效路径片段选择:对于给定的个性化有向超图,假设有k个目标节点,Obj1,Obj2,…,Objk,且出现的频率分别为ns1,ns2,…,nsk,两个等效路径P1和P2,包含的节点分别为P1={kv11,kv12,……,kv1m},P2={kv21,kv22,……,kv2n},m,n分别为为这两个等效路径的节点数,如果则选择路径P2,其中,当w1j不通过P1时,w1j=0;当w1j通过P1时,w1j=1;当w2j不通过P2时,w2j=0;当w2j通过P2时,w2j=1。
对于达到同样的知识目标,考虑与不考虑学习过程的延续性,得到的优化的结构可能不同,例如,对于一个学习过程,其对应的知识模型如图5所示:
当先考虑O1,再考虑O3,在根据O1进行优化路径选择时不考虑过程的可扩展性,则求得的最佳路径如图5中的双点划线所示。
当先考虑O1,再考虑O3,但在根据O1进行优化路径选择时考虑过程的可扩展性,则最佳路径如图5中的点线所示。
因为本文方法是从总体的角度进行路径的选择,因此,优化的结果和优化求解的顺序无关。
步骤5:监测学习目标及知识背景,若出现变化时,则进行相关性判断并进行相应处理。
当学习目标发生变化时,以新目标为起点,根据步骤2和步骤3进行逆向搜索,获得所有可能的路径集;之后判断新的路径集与原路径集是否存在交集;如果不存在交集,则根据步骤4对新的可能的路径集进行路径的优选,并以新的路径作为学习内容及学习路径的依据;如果存在交集,则要根据原路径的执行情况进行处理,如果交集的某些部分在原路径中已执行,则在新的路径集中作为背景知识处理。之后,对处理后的可能路径集依据步骤4进行路径的优选。
当相关知识背景发生变化时,重复步骤2,构建面向新知识背景的知识图谱,并根据原路径的执行情况进行处理。如果与改变相关的知识元已执行完,则改变的知识背景对知识路径无影响;如果与改变相关的知识元未执行,则重复步骤3与步骤4,构建新的知识路径。
此外,基于上述方法,本发明还开发了一种基于有向超图的个性化学习路径的自动抽取与拼接系统。该系统分三个层次,其系统架构如图6所示。
该系统包括:建模层、分析层及数据库层,建模层是对学习者和知识图谱分别建模,并通过位于分析层的各种相应的工具与数据库层的数据进行交互。该建模层包括:相关知识图谱描述和学习者目标和背景的描述;其中的知识图谱描述既可以采用手工的方式进行描述,也可以利用数据挖掘等技术进行知识元关系的自动生成。
学习者的目标描述由学习者来设定,背景描述既可以根据学习者的知识背景手动进行描述,也可以根据相关测试,自动给出相应的背景描述。
该分析层包括:模型库管理工具、模型转换和一致性检查工具、学习路径自动生成工具、反馈信息处理工具、试题库管理工具及知识背景测试工具;数据库层包括模型数据库、相关知识图谱库和试题库。
此外,该系统定义了四个角色:教师、学习者、知识图谱维护人员和系统维护人员,分别进行学习建模、个性化学习方案的使用、知识图谱维护以及系统维护。
实施例1
下面选择有代表性的领域-计算机领域的课程学习进行建模。为了提高模型的通用性,选择有代表性的、抽象的、通用的知识元进行知识图谱描述,没有具体到某些知识元、某些课程;并且采用同样的方式进行学习者的背景和目标描述。
为了进行对比,我们选择了三个有代表性的学习者LNER1,LNER2和LNER3进行分析,其中,LNER1,LNER2知识背景相同,但是知识目标不同,LNER1和LNER3知识背景不同,但知识目标相同。
步骤1:构建相关知识图谱
基于有向超图的知识图谱如图7所示,其中,节点描述知识元,节点之间的连线描述知识元之间的关系,知识单元描述知识元之间的集聚程度。
步骤2:根据学习者的知识目标及知识背景建立个性化知识图谱
根据个性化知识图谱的定义,构建相对于学习者LNER1,LNER2和LNER3的个性化知识图谱,它们的知识目标和知识背景如图8所示。
步骤3:利用逆向回溯,进行个性化、优化的学习路径的抽取与拼接
步骤3.1:对目标集合进行分析,对每个目标知识元出现的频率进行标定,在图8中,对于学习者LNER1和LNER3各个目标知识元出现的频率为:知识元O1出现的频率为1,知识元O3出现的频率为2,知识元O4出现的频率为1。
对于学习者LNER2各个目标知识元出现的频率为:知识元O1出现的频率为2,知识元O3出现的频率为1,知识元O4出现的频率为1。
步骤3.2:进行可能路径集的生成。
根据知识背景处理规则和逻辑处理规则,对于知识背景和多路分支的处理,获得不同学习者所有可能的路径集。为了进行清晰对比,我们分别在三张图上给出不同学习者可能的路径集。
对于学习者LNER1可能的路径集如图9中的双点划线所示。
对于学习者LNER2可能的路径集如图10中的双点划线所示。
对于学习者LNER3可能的路径集如图11中的双点划线所示。
步骤4:进行路径的优选。
在上图中,根据等效路径片段优选规则,进行等效路径片段的优选,优化后的路径为:
对于学习者LNER1可能的路径集如图9中的点线所示。对于学习者LNER2可能的路径集如图10中的点线所示。
对于学习者LNER3可能的路径集如图11中的点线所示。
根据上述的例子我们可以得出如下结论:
(1)两个学习者,如果知识背景相同,但是学习目标包含的知识元不同,得到优化的学习路径不相同。
(2)两个学习者,如果学习目标相同,但是知识背景不同,得到优化的学习路径不同。
(3)两个学习者,学习背景相同,学习目标知识元相同,但是目标知识元出现的频率不同,得到可能的优化路径集相同,但优化的学习路径不一定相同。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (8)
1.一种基于有向超图的个性化学习路径的抽取与拼接方法,其特征在于:具体包括以下步骤:
步骤1,根据知识元之间的关系,利用有向超图建立相关知识图谱;
步骤2,基于相关知识图谱,根据学习者知识目标和知识背景创建个性化的知识图谱;
步骤3,基于个性化知识图谱,以目标知识元集为起点,采用逆向搜索的方式来进行可达路径的抽取和拼接;
步骤4,根据模型的语义进行学习路径的优选;
步骤5,监测学习目标及知识背景。如果学习目标发生变化,则进行新路径集与原路径集相关性判断,并进行相应处理;如果相关知识背景发生变化,则根据原知识路径的执行情况进行处理。
2.根据权利要求1所述的基于有向超图的个性化学习路径的抽取与拼接方法,其特征在于:步骤1中,根据知识元之间的逻辑关系及有向超图的性质,采用有向超图对相关知识进行建模。根据分析问题的需要,并借鉴课堂教学中知识元的表述,根据知识元间的聚集程度,在进行知识建模时,加入知识单元描述,它既可以是课程,也可以是学科领域等,我们把这个模型称为基于有向超图的知识图谱,可形式化描述为:
基于有向超图的知识图谱.KHM=(KV,KE),KE=(UKE,IE,BE),其中KHM为知识模型,KV为超图模型中的节点,表示模型中的知识元;KE为超图模型中的边,UKE为知识单元,表示课程或领域,内部包含的节点为知识单元内包含的知识元;IE表示课程内部知识元之间的依赖关系,超边表示逻辑“AND”,不同的边描述逻辑“XOR”,可选其中的一边;BE表示不同知识单元之间的知识元之间的依赖关系,可用做知识背景关系描述。
3.根据权利要求1所述的基于有向超图的个性化学习路径的抽取与拼接方法,其特征在于:步骤2中,在基于有向超图的知识图谱的基础上,加上学习者描述,主要描述目标知识元和背景知识元,分别用包含不同节点的超边来描述学习者的知识目标和知识背景,这样就得到了用于个性化优化的知识图谱,简称个性化知识图谱,形式化描述为:
个性化知识图谱.PKHM=(KV,KE),KV=(KGV,KUV),KE=(UKE,IE,BE,BKE,OKE,ODKE),KUV=(BKV,KOV),其中,KHM为知识模型,KV为超图模型中的节点,表示模型中的知识元;KE为超图模型中的边,KGV为图形中的一般知识元,KUV为用来描述学习者的知识元,BKV为背景知识元,KOV为目标知识元;UKE表示知识单元,可以是课程,也可以是领域,内部包含的节点为课程包含的知识元;IE表示课程内部知识元之间的依赖关系,超边表示逻辑“AND”,不同的边描述逻辑“XOR”;BE表示不同知识单元之间的知识元之间的依赖关系;BKE表示学习者的背景知识,内部包含学习者的背景知识元;OKE为目标集,内部包含不同的知识目标;ODKE为不同的知识目标,内部包含不同的目标知识元;
目标集的规定:学习者的学习目标由一个或多个知识元集构成,每个集合包含一组知识元,并且知识元之间的关系满足集合的特点,表示完成一项任务目标需要的知识元。不同的集合之间可能存在交集,表示完成不同的任务目标可能需要相同的知识元,如果一个知识元属于多个集合的交集,则说明这个知识元出现的频率较高。
4.根据权利要求1所述的基于有向超图的个性化学习路径的抽取与拼接方法,其特征在于:
步骤3中,学习内容和学习路径选择的问题转化为寻找从开始节点集到目标节点集最短路径问题;由于学习目标已知,开始节点不定(开始节点由不同学习者的具体情况来定),因此,我们采用逆向搜索的方式来进行可达路径的抽取和拼接。在可达路径抽取和拼接的过程中采用二次处理的方法,此步骤又包括以下两个分步骤:
步骤3.1,对目标知识元出现的频率进行统计和标记
进行目标集合运算,计算出每个目标知识元属于几个集合,标定每个知识元出现的频率。
步骤3.2,进行可能路径的抽取和拼接
在从目标节点集向开始节点集逆向搜索的过程中,对于单一的输入输出节点,我们只要沿着已知的输入、输出边进行逆向搜索就可以;对于没有学过的知识元,我们需要进行相应的学习,对于已掌握的知识元,我们无需再次进行学习。因此,根据模型的语义,我们主要讨论多输入知识元节点及背景知识处理;
在逆向搜索的过程中,对于某一知识,如果它已经包含在学习者的背景知识里,表明该学习者已经具备了该背景知识,不需要再学习;如果该知识元不属于学习者的背景知识,则学习者需要进行该知识元的学习;因此,在从目标知识元集向开始知识元集逆向搜索过程中,对背景知识做如下处理:
背景知识处理规则:对于学习者leri,要求的知识路径为pathi,在从其目标节点向开始节点的逆向搜索的过程中,对于且kei∈pathi,如果某个知识元kej∈BWK(kei),如果BWK(kei)为kei的前序知识元,BCK(ui)为的学习者背景知识,则停止搜索;否则处理kei与kej的关系,使得<kei,kej>∈pathi。
在逆向搜索的过程中,对于输入“与”,在超图模型中表现为一个超边,具有多个尾节点和一个头节点;在从开始节点向目标节点的路径搜索中,只有当输入边的所有尾节点都到达时才可行;对于输入“或”,在超图模型中表现为不同的边。每个边都表示为一个可能的路径,在从开始节点向目标节点的路径搜索中,只要任意一个输入边到达,则该路径可行;
在此处,我们拟找到所有可能路径,之后根据知识元出现的频率进行二次选择。因此,根据上述分析以及模型上所附加的语义,我们给出如下的多输入处理规则:
多输入处理规则:在进行从目标节点集向开始节点集的逆向搜索中,对于有多条输入边的节点,沿着多条边继续搜索,对于输入边为超边的节点,沿着该超边的所有头节点继续搜索,直到遇到背景知识或者开始节点;
这样就获得了一个可达的有向超图模型,超图的开始是一组知识元,结束为一组目标知识元。
5.根据权利要求1所述的基于有向超图的个性化学习路径的抽取与拼接方法,其特征在于:
步骤4中,学习是一个知识积累的过程,已获得的知识是进一步学习的基础,因此,在进行学习过程优化时,我们既要考虑当前的学习效果,又要考虑到后续的学习情况;
对于给定两个等效路径片段,我们在进行路径片段选择时,根据模型的语义以及学习过程本身的特点,在相应的个性化知识图谱上选择节点数少、并且出现频率高的路径片段,可形式化描述为:
等效路径片段选择规则:对于给定的个性化有向超图,假设有k个目标节点,Obj1,Obj2,…,Objk,且出现的频率分别为ns1,ns2,…,nsk,两个等效路径P1和P2,包含的节点分别为P1={kv11,kv12,……,kv1m},P2={kv21,kv22,……,kv2n},m,n分别为为这两个等效路径的节点数,如果则选择路径P2,其中,当w1j不通过P1时,w1j=0;当w1j通过P1时,w1j=1;当w2j不通过P2时,w2j=0;当w2j通过P2时,w2j=1。
6.根据权利要求1所述的基于有向超图的个性化学习路径的抽取与拼接方法,其特征在于:
步骤5中,当学习目标发生变化时,以新目标为起点,根据步骤3进行逆向搜索,获得所有可能的路径集;之后判断新的路径集与原路径是否存在交集;如果不存在交集,则根据步骤4对新的可能的路径集进行路径的优选,并以新的路径作为学习内容及学习路径的依据;如果存在交集,则要根据原路径的执行情况进行处理,如果交集的某些部分在原路径中已执行,则在新的路径集中作为背景知识处理。之后,对处理后的可能路径集依据步骤4进行路径的优选。如果交集部分在原路径中未执行,则原路径对新路径无影响,对新路径依据步骤4进行优选;
当相关知识背景发生变化时,重复步骤2,构建面向新知识背景的知识图谱,并根据原路径的执行情况进行处理。如果与改变相关的知识元已执行完,则改变的知识背景对知识路径无影响;如果与改变相关地知识元未执行,则重复步骤3与步骤4,构建新的知识路径。
7.一种基于有向超图的个性化学习路径的抽取与拼接系统,其特征在于:所述系统包括:知识图谱的描述工具、学习者描述工具、知识背景测试工具、相关知识图谱的自动生成工具、学习路径的自动生成工具、反馈信息处理工具、模型库管理工具、试题库管理以及相关的数据库这几部分;系统根据学习者的目标和背景自动生成优化的学习路径。
8.根据权利要求7所述的基于有向超图的个性化学习路径的抽取与拼接系统,其特征在于:知识图谱描述既可以采用手工的方式进行描述,也可以利用数据挖掘等技术进行知识元关系的自动生成;学习者的目标描述由学习者来设定,背景描述既可以根据学习者的知识背景手动进行描述,又可以根据测试自动给出相应的背景描述;所述数据库包括模型数据库、知识图谱库和试题库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611169210.9A CN106600065B (zh) | 2016-12-16 | 2016-12-16 | 基于有向超图的个性化学习路径的抽取与拼接方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611169210.9A CN106600065B (zh) | 2016-12-16 | 2016-12-16 | 基于有向超图的个性化学习路径的抽取与拼接方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106600065A true CN106600065A (zh) | 2017-04-26 |
CN106600065B CN106600065B (zh) | 2020-09-04 |
Family
ID=58599617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611169210.9A Active CN106600065B (zh) | 2016-12-16 | 2016-12-16 | 基于有向超图的个性化学习路径的抽取与拼接方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600065B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784088A (zh) * | 2017-09-30 | 2018-03-09 | 杭州博世数据网络有限公司 | 基于知识点连接关系的知识图谱构建方法 |
CN108038238A (zh) * | 2017-12-27 | 2018-05-15 | 中山大学 | 一种支持个性化教学过程自动生成的教学资源建模方法及系统 |
CN108319705A (zh) * | 2018-02-06 | 2018-07-24 | 中山大学 | 一种基于教学资源的个性化教学过程自动生成方法及系统 |
CN108536799A (zh) * | 2018-03-30 | 2018-09-14 | 上海乂学教育科技有限公司 | 自适应教学监测与洞察信息处理方法 |
CN108665394A (zh) * | 2018-05-07 | 2018-10-16 | 北京文华在线教育科技股份有限公司 | 自适应学习方法及系统 |
CN109241278A (zh) * | 2018-07-18 | 2019-01-18 | 绍兴诺雷智信息科技有限公司 | 科研知识管理方法及系统 |
CN109345047A (zh) * | 2018-12-19 | 2019-02-15 | 中山大学 | 一种基于知识拓扑关系的群体教学内容量化优化方法 |
CN110287327A (zh) * | 2019-07-03 | 2019-09-27 | 中山大学 | 基于教材目录和有向超图的路径适应性知识图谱自动生成方法 |
CN112784064A (zh) * | 2021-01-28 | 2021-05-11 | 电子科技大学 | 一种面向社交网络的层次化超维知识图谱构建方法 |
CN113409634A (zh) * | 2020-03-17 | 2021-09-17 | 艾尔科技股份有限公司 | 任务及路径导向的数字语言学习方法 |
CN115422442A (zh) * | 2022-08-15 | 2022-12-02 | 暨南大学 | 一种面向冷启动推荐的对抗自编码迁移学习方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819769A (zh) * | 2012-07-26 | 2012-12-12 | 孙雪冬 | 一种基于集成化建模的个性化学习资源优化方法 |
CN103942302A (zh) * | 2014-04-16 | 2014-07-23 | 苏州大学 | 一种相关反馈间关系网络的构建与应用方法 |
CN105389622A (zh) * | 2015-10-20 | 2016-03-09 | 西安交通大学 | 一种基于知识地图的多约束学习路径推荐方法 |
-
2016
- 2016-12-16 CN CN201611169210.9A patent/CN106600065B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819769A (zh) * | 2012-07-26 | 2012-12-12 | 孙雪冬 | 一种基于集成化建模的个性化学习资源优化方法 |
CN103942302A (zh) * | 2014-04-16 | 2014-07-23 | 苏州大学 | 一种相关反馈间关系网络的构建与应用方法 |
CN105389622A (zh) * | 2015-10-20 | 2016-03-09 | 西安交通大学 | 一种基于知识地图的多约束学习路径推荐方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784088A (zh) * | 2017-09-30 | 2018-03-09 | 杭州博世数据网络有限公司 | 基于知识点连接关系的知识图谱构建方法 |
CN108038238A (zh) * | 2017-12-27 | 2018-05-15 | 中山大学 | 一种支持个性化教学过程自动生成的教学资源建模方法及系统 |
CN108319705A (zh) * | 2018-02-06 | 2018-07-24 | 中山大学 | 一种基于教学资源的个性化教学过程自动生成方法及系统 |
CN108536799A (zh) * | 2018-03-30 | 2018-09-14 | 上海乂学教育科技有限公司 | 自适应教学监测与洞察信息处理方法 |
CN108665394B (zh) * | 2018-05-07 | 2021-11-30 | 北京文华在线教育科技股份有限公司 | 自适应学习方法及系统 |
CN108665394A (zh) * | 2018-05-07 | 2018-10-16 | 北京文华在线教育科技股份有限公司 | 自适应学习方法及系统 |
CN109241278A (zh) * | 2018-07-18 | 2019-01-18 | 绍兴诺雷智信息科技有限公司 | 科研知识管理方法及系统 |
CN109241278B (zh) * | 2018-07-18 | 2022-04-26 | 绍兴诺雷智信息科技有限公司 | 科研知识管理方法及系统 |
CN109345047A (zh) * | 2018-12-19 | 2019-02-15 | 中山大学 | 一种基于知识拓扑关系的群体教学内容量化优化方法 |
CN109345047B (zh) * | 2018-12-19 | 2021-08-10 | 中山大学 | 一种基于知识拓扑关系的群体教学内容量化优化方法 |
CN110287327B (zh) * | 2019-07-03 | 2022-04-12 | 中山大学 | 基于教材目录和有向超图的路径适应性知识图谱自动生成方法 |
CN110287327A (zh) * | 2019-07-03 | 2019-09-27 | 中山大学 | 基于教材目录和有向超图的路径适应性知识图谱自动生成方法 |
CN113409634A (zh) * | 2020-03-17 | 2021-09-17 | 艾尔科技股份有限公司 | 任务及路径导向的数字语言学习方法 |
CN113409634B (zh) * | 2020-03-17 | 2023-04-07 | 艾尔科技股份有限公司 | 任务及路径导向的数字语言学习方法 |
CN112784064A (zh) * | 2021-01-28 | 2021-05-11 | 电子科技大学 | 一种面向社交网络的层次化超维知识图谱构建方法 |
CN112784064B (zh) * | 2021-01-28 | 2023-05-12 | 电子科技大学 | 一种面向社交网络的层次化超维知识图谱构建方法 |
CN115422442A (zh) * | 2022-08-15 | 2022-12-02 | 暨南大学 | 一种面向冷启动推荐的对抗自编码迁移学习方法 |
CN115422442B (zh) * | 2022-08-15 | 2024-01-19 | 暨南大学 | 一种面向冷启动推荐的对抗自编码迁移学习方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106600065B (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600065A (zh) | 基于有向超图的个性化学习路径的抽取与拼接方法及系统 | |
CN106777127B (zh) | 基于知识图谱的个性化学习过程的自动生成方法及系统 | |
Fire et al. | Predicting student exam’s scores by analyzing social network data | |
KR20180041200A (ko) | 정보 처리 방법 및 장치 | |
CN112287037B (zh) | 一种多实体混合知识图谱构建方法、装置及存储介质 | |
Eagle et al. | Interaction Networks: Generating High Level Hints Based on Network Community Clustering. | |
CN107665473A (zh) | 学习路径规划方法和装置 | |
CN106022531A (zh) | 经过必经顶点的最短路径搜索方法 | |
CN108319705A (zh) | 一种基于教学资源的个性化教学过程自动生成方法及系统 | |
CN105955962A (zh) | 题目相似度的计算方法及装置 | |
CN107665472B (zh) | 学习路径规划方法和装置 | |
Li et al. | Using space syntax to understand knowledge acquisition and wayfinding in indoor environments | |
CN113851020A (zh) | 一种基于知识图谱的自适应学习平台 | |
CN111949306A (zh) | 一种支持开源项目碎片化学习的推送方法和系统 | |
Khomenko et al. | OTSM Network of Problems for representing and analysing problem situations with computer support | |
Sanchez-Torrubia et al. | An approach to automatic learning assessment based on the computational theory of perceptions | |
CN102867034A (zh) | 旨在实现科学教学的知识点间的关联分析系统及方法 | |
Gein et al. | Metacognitive Invariants as Psychological-Pedagogical Factors of Training. | |
Mühling et al. | Dimensions of programming knowledge | |
CN116228361A (zh) | 基于特征匹配的课程推荐方法、装置、设备和存储介质 | |
Teixeira et al. | Broad project: Semantic search and application of learning objects | |
CN109345047A (zh) | 一种基于知识拓扑关系的群体教学内容量化优化方法 | |
Liao et al. | Knowledge graph and its applications in MOOC and SPOC | |
Daniel et al. | A Bayesian belief network approach for modeling complex domains | |
Liu | An evaluation index system of undergraduate education quality based on an analytic hierarchy process model |
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 |