CN107085618A - 面向5w的基于数据图谱、信息图谱和知识图谱的目标驱动的学习点及学习路径推荐 - Google Patents

Abstract

本发明是一种面向5W的基于数据图谱、信息图谱和知识图谱的目标驱动的学习点及学习路径推荐方法，属于分布式计算和软件工程学技术交叉领域。通过分析建立不同学习者的学习情况，建立学习者模型，有针对性地为不同学习者提供个性化的学习指导。将学习点从数据、信息和知识三个有递进关系的层面上进一步地细化，将学习者的学习目标映射为由5W(谁(Who)/什么时候(When)/在哪里(Where)、什么(What)和如何(How))引导的问题，分层向学习者推荐合理的学习点内容和学习策略，引导学习者达成学习目标，帮助学习者提高学习效率，优化学习效果。

Description

面向5W的基于数据图谱、信息图谱和知识图谱的目标驱动的 学习点及学习路径推荐

技术领域

本发明是一种面向5W的基于数据图谱、信息图谱和知识图谱的目标驱动的学习点及学习路径推荐方法。主要用于使学习者花费最少时间和精力（假定时间、精力均匀分布，单位时间和精力获得的知识一样多）得到最高效的学习指导，使学习者避开不必要去学习的知识，只在不会或者不熟练的知识上花费时间和精力，属于分布式计算和软件工程学技术交叉领域。

背景技术

随着知识经济的发展，当今社会对人们的知识掌握程度提出了更高的要求，智能教学系统中选择合适的学习点推荐给学习者和个性化学习路径的推荐与优化已经成为重要课题。目前，在线学习面临的问题是网上数据庞杂，导致学习者难以快速找到适合自己的学习资源。适应性学习是远程教育发展质的飞跃，其直接原因是以计算机、远程通信和认知科学结合的知识媒体的综合运用。适应性学习能根据学习者的特征选择合适的学习内容和学习方法作为推荐。学习路径是指学习活动的路线与序列，是学习者在一定的学习策略指导下，根据学习目标和学习内容对所需完成的学习活动的排序。学习路径是把学习的资源、方法、目标、程序、评价和监控等有机成和在一起，把学习内容以不同的策略展现给学习者。

知识图谱于2012年5月17日被Google正式提出，其初衷是为了提高搜索引擎的能力，增强用户的搜索质量以及搜索体验。目前，随着智能化和个性化信息服务应用的不断发展，知识图谱被广泛地应用于智能搜索、智能问答、个性化推荐等领域。知识图谱已经成为用标记的有向图形式表示知识的强大工具，并给出文本信息的语义。知识图谱是通过将每个项目、实体或用户作为结点表示，并且通过边缘将彼此相互作用的那些结点链接起来构造的图形。结点之间的边可以表示任意关系。知识点是学习活动中传递知识信息的基本单元，单独的知识点应能体现知识内容本身的拒不完整性，知识点的集合能保证专业知识体系的全局完整性知识点之间的关系是连接知识点的纽带，使分散的知识点形成相互关联的知识结构。本发明提出了一种面向5W的基于数据图谱、信息图谱和知识图谱的目标驱动的学习点及学习路径推荐方法，将学习点从数据、信息和知识三个有递进关系的层面上进一步地细化，根据学习者的当前学习状况和学习目标有针对性地为学习者提供一个高效的导学策略，保证学习者按需学习。

发明内容

技术问题：本发明的目的是提供一种面向5W的基于数据图谱、信息图谱和知识图谱的目标驱动的学习点及学习路径推荐方法，针对学习者的学习需求和学习目标，将学习点从数据、信息和知识三个有递进关系的层面上进一步地细化，向学习者推荐合理的学习点内容和学习策略，引导学习者达成学习目标，帮助学习者提高学习效率，优化学习效果。

技术方案：本发明是一种策略性方法，可以应用于为学习者提供学习指导，有助于解决网络学习环境下，大量学习资源导致的认知过载和学习迷航问题。在一个知识点图谱上，本发明假设学习者单位时间下和单位精力可学知识是固定的，知识图谱上的结点不一定是独立的，本发明划分知识点的依据是根据教科书的组织为基础，将知识点划分为元知识、章知识和篇知识，元知识是知识体系中相对独立、不能再分割的基本知识点；章知识是由相关元知识关联组合得到的，表达一定范围内比较完整的知识；篇知识是对章知识进一步的分类和总结得到的。对于知识结点之间的关系本发明定义有以下有五种（语义）关系如图1所示：

1.先序关系：必须先学习结点A才能学习结点B，即学习知识点B需要知识点A的支持。先序关系具有传递性，包括直接先序关系和间接先序关系。如果学习知识点A后可以直接学习知识点B，则两者满足直接先序关系。如果学习知识点A后还需要学习其他知识点才能学习知识点B，则两者满足间接先序关系;

2.涵盖关系：结点A包含的知识点涵盖了结点B，学了结点A可以不用再去学习结点B;

3.或关系：对于最终学习目标，学习结点A和结点B都可以达成学习目标；

4.与关系（平行关系）：即结点间是独立的，具有与关系的知识点在学习过程中不存在先后顺序；

5.必要结点：对于最终学习目标，一定要去学习的结点；

6.游离结点：对于某个知识体系来讲，游离结点是对这个知识体系无用的知识点。

方法流程：

1. 一种面向5W的基于数据图谱、信息图谱和知识图谱的目标驱动的学习点及学习路径推荐方法，其特征在于学习点推荐和路径优化的步骤：

步骤1).利用各种渠道获取到的学习和培训资源，基于按照图2中001、002和003步骤在数据、信息和知识三个层次逐层构建处理资源架构，反应知识体系中的内在知识关联；

步骤 2).建立学习者模型，004获取学习者的当前学习状态，005遍历处理资源架构，006在处理资源架构上标记出学习者已学知识点，每个结点的权重作为学习者获取对应知识点所需时间和花费精力的衡量；

步骤3).构建学习目标模式库，本发明将图谱上的知识划分为元知识、章知识和篇知识，分别对应于5W里的“谁（Who）/什么时候（When）/在哪里（Where）、什么（What）和如何（How）”；

步骤4).流程图中007获取学习者的学习目标，基于步骤3在图谱上标记出目标知识点；

步骤5).依赖于步骤4所得到的结果，对应流程图中008转到与学习目标模式相对应的图谱上进行处理；

步骤6).依赖于步骤5所得到的结果，找出目标知识点的所有先序知识点；

步骤7).依赖于步骤6所得到的结果，选择合适的出发点，即与最终学习目标结点之间有完整路径的结点；

步骤8).依赖于步骤7所得到的结果，图2步骤010规划学习点路径；

步骤9).将步骤6产生的所有未学知识点，将存在或关系的知识结点按学习该知识点所需时间和精力（即权重）进行排序；

步骤10).对于存在涵盖关系的结点，假定结点A涵盖结点B和结点C所含知识，判断结点B和结点C是否都是学习者为达成学习目标所需要的知识。若需要，计算学习结点A和同时学习结点B和结点C所需的时间和精力；若不需要，选择需要时间和精力较少的结点添加到学习路径中；

步骤11).基于步骤10产生的结果，将其它必要结点和并行结点添加至学习路径中；

步骤12).将学习路径推荐给学习者；

步骤13).图2中对应步骤013，获取学习者满意度反馈和建议，更新学习状态；

步骤14).返回步骤4；

步骤15).学习者满意后，输出推荐的学习路径。

体系结构：

图2给出了一种面向5W的基于数据图谱、信息图谱和知识图谱的目标驱动的学习点及学习路径推荐方法的体系结构，首先获取学习者的当前学习状况和最终要实现的学习目标，构建相应学科的知识体系图谱，并在知识图谱上标记出学习者的已学知识点和未学知识点，以及学习每个知识点学习者要花费的时间和精力，本发明用权值来体现。将学习者的学习目标根据目标模式匹配，识别出所属类别。基于数据图谱向学习者推荐元数据，即离散的知识点；基于信息图谱向学习者推荐章数据，即相关知识点的集合；基于知识图谱向学习者推荐篇知识。通过遍历图谱，向学习者推荐需要学习的知识点以及高效的学习策略。

学习者模型：学习者模型中包含学习者的基本信息和学习过程中的动态信息，包括历史学习记录、学习目标和当前学习进程。历史学习记录中包括知识点名称、学习该知识点的时间和学习次数；学习目标表示未学习到的知识点；当前学习进程中包括知识点名称、学习进度。

下面给出数据图谱、信息图谱和知识图谱的具体说明。

数据图谱：数据图谱能记录元知识出现的频度，包括结构、时间和空间三个层次的频度。我们定义结构频度为元知识出现在不同数据结构中的次数，时间频度为元知识的时间轨迹，空间频度被定义为元知识的空间轨迹。数据图谱上可以描述图中各个结点之间关联的紧密程度，我们称为密度，可以反映出哪些元知识联系紧密，哪些元知识联系稀疏。但数据图谱上未对元知识的准确性进行分析，可能出现不同名称的元知识但表示同一基本知识点，即知识冗余。综上，数据图谱只能对图谱上表示的数据进行静态分析，无法分析和预测数据的动态变化。

数据是通过观察获得的数字或其他类型信息的基本个体项目，但是在没有上下文语境的情况下，它们本身没有意义。数据图谱可以通过数组、链表、队列、树、栈、图等数据结构来表达。在数据图谱上，通过计算数据的频度，得出数据在数据图谱上的支持度和置信度来删除错误或无用数据，删除的条件是必须同时满足支持度和置信度的阈值要求，阈值过大不利于图谱表达的准确性，过小会不利于表达的完整性，可以根据计算图谱反馈的结果信息动态调整。

信息图谱：信息是通过数据和数据组合之后的上下文传达的，经过概念映射和相关关系组合之后的适合分析和解释的信息。信息图谱的可以通过关系数据库来表达。信息图谱上进行数据清洗，消除冗余数据，根据结点之间的交互度进行初步抽象，提高设计的内聚性，将元数据集成到章数据。通过圈定特定数量的实体，计算内部交互度和外部交互度，内聚性（cohesion）等于内部交互度和外部交互度的比值，我们设定所圈定的知识点之间必须相互连通。

知识图谱：知识是从积累的信息中获得的总体理解和意识，将章知识进行进一步的抽象和归类可以形成篇知识。知识图谱的可以通过包含结点和结点之间关系的有向图来表达。知识图谱上可以包含各种语义关系，并能进行信息推理和实体链接，知识图谱的无结构特性使得知识图谱可以无缝链接，从而提高知识图谱的边缘密度和结点密度。信息推理需要有相关关系规则的支持，这些规则可以由人手动构建，但往往耗时费力。目前，它主要依赖于关系的同现，并使用关联挖掘技术自动查找推理规则。路径排序算法使用每个不同的关系路径作为一维特征，通过在知识图中构建大量的关系路径来构建关系分类的特征向量和关系分类器来提取关系。关系的正确度Cr可以通过以下公式衡量，Q表示实体E1到实体E2的所有关系，π表示一类关系，表示关系的权重，可由训练得出，最后正确度超过某一阈值后认为该关系成立。

有益效果：本发明方法提出了一种面向5W的基于数据图谱、信息图谱和知识图谱的目标驱动的学习点及学习路径推荐方法。具有如下一些显著优点：

（1）合理配置资源，提高学习资源的使用效率：学习资源的合理配置和有效使用是我国远程教育发展的重要内容，网络上的学习资源丰富，质量良莠不齐，基于知识图谱的目标驱动的学习点推荐帮助学习者按需学习，不必花费大量时间在海量的资源中寻找自己需要的学习资源；

（2）为学习者指引学习方向，避免知识迷航：向学习者推荐和优化学习路径，提供学习高效的策略，帮助学习者建立合适的知识体系，使学习者有针对性的进行学习，提高学习效率；

（3）通过分析建立不同学习者的学习情况，建立学习者模型，有针对性地为不同学习者提供个性化的学习指导。

附图说明

图1是知识图谱上结点之间可能含有的关联关系的展示。

图2是面向5W的基于数据图谱、信息图谱和知识图谱的目标驱动的学习点及学习路径推荐方法的体系结构。

具体实施方式

一种面向5W的基于数据图谱、信息图谱和知识图谱的目标驱动的学习点及学习路径推荐方法的具体实施方案为：

步骤1).构建相应的有向的学习点知识图谱，反应知识体系中的内在知识关联，将所有的知识点用一个数组knowledgePoint[N]存储，将学习路径用数组bestPath[P]存储；

步骤 2).建立学习者模型，假定单位之间内单位精力学习者能掌握的知识点的固定的，在知识图谱上标记出每个结点的权重作为学习者获取对应知识点所需时间和花费精力的衡量；

步骤3).获取学习者的当前学习进度和学习目标，在知识图谱上用红色标记已学知识，用绿色标记目标知识点，把学习者的目标知识点存放在数组target_knowledge[M]里；

步骤4).构建学习目标模式库，本发明将知识图谱上的知识划分为元知识、篇知识、章知识和书知识，分别对应于5W里的“谁（Who）/什么时候（When）/在哪里（Where）、什么（What）和如何（How）”；

步骤5).依赖于步骤4所得到的结果，转到与学习目标模式相对应的图谱上进行处理；

步骤6).依赖于步骤5所得到的结果，将学习者为达到学习目标待学习的知识点用黄色标记出来；

步骤7).依赖于步骤5所得到的结果，选择合适的出发点，即与最终学习目标结点之间有完整路径的结点；

步骤8).依赖于步骤7所得到的结果，从每个目标知识结点出发，一直寻找与当前结点有先序关系的结点，添加至bestPath[P]数组，直到当前结点的先序结点是出发结点；

步骤9).将步骤6产生的所有未学知识点，将存在或关系的知识结点按学习该知识点所需时间和精力（即权重）进行排序；

步骤10).对于存在涵盖关系的结点，假定结点A涵盖结点B和结点C所含知识，判断结点B和结点C是否都是学习者为达成学习目标所需要的知识。若需要，计算学习结点A和同时学习结点B和结点C所需的时间和精力；若不需要，选择需要时间和精力较少的结点添加到学习路径中；

步骤11).基于步骤10产生的结果，将其它必要结点和并行结点添加至学习路径中；

步骤12).优化的路径存放在数组bestPath[P]里，输出完整的学习路径，将学习路径推荐给学习者；

步骤13).获取学习者满意度反馈和建议，更新学习状态；

步骤14).返回步骤4；

步骤15).学习者满意后，输出推荐的学习路径。

Claims (1)

1.一种面向5W的基于数据图谱、信息图谱和知识图谱的目标驱动的学习点及学习路径推荐方法，其特征在于学习点推荐和学习路径优化的步骤：

步骤1).基于数据、信息和知识等层次构建处理资源架构，反应知识体系中的内在知识关联；

步骤 2).建立学习者模型，在知识图谱上标记出每个结点的权重作为学习者获取对应知识点所需时间和花费精力的衡量；

步骤3).构建学习目标模式库，本发明将图谱上的知识划分为元知识、章知识和篇知识，分别对应于5W里的“谁（Who）/什么时候（When）/在哪里（Where）、什么（What）和如何（How）”；

步骤4).获取学习者的当前学习进度和学习目标，在知识图谱上标记已学知识和目标知识点；

步骤5).依赖于步骤4所得到的结果，转到与学习目标模式相对应的图谱上进行处理；

步骤6).依赖于步骤5所得到的结果，将学习者为达到学习目标待学习的知识点标记出来；

步骤7).依赖于步骤5所得到的结果，选择合适的出发点，即与最终学习目标结点之间有完整路径的结点；

步骤8).依赖于步骤7所得到的结果，将含有先序关系的知识结点连接起来；

步骤9).将步骤6产生的所有未学知识点，将存在或关系的知识结点按学习该知识点所需时间和精力（即权重）进行排序；

步骤10).对于存在涵盖关系的结点，假定结点A涵盖结点B和结点C所含知识，判断结点B和结点C是否都是学习者为达成学习目标所需要的知识，若需要，计算学习结点A和同时学习结点B和结点C所需的时间和精力；若不需要，选择需要时间和精力较少的结点添加到学习路径中；

步骤11).基于步骤10产生的结果，将其它必要结点和并行结点添加至学习路径中；

步骤12).将学习路径推荐给学习者；

步骤13).获取学习者满意度反馈和建议，更新学习状态；

步骤14).返回步骤4；

步骤15).学习者满意后，输出推荐的学习路径。