CN108280153A - 一种碎片化知识智能化聚合方法 - Google Patents

Abstract

本发明涉及一种碎片化知识智能化聚合方法，步骤如下：步骤1.定义知识元本体；步骤2.定义碎片化知识本体关联聚合；步骤3.建立基于本体蕴涵的关联聚合规则；步骤4.聚合关联规则判定；步骤5.基于知识元本体的碎片知识关联规则判定；步骤6.碎片知识聚合关联发现；步骤7.实现碎片化知识聚合。本方法通过支持度及置信度判定，判定两个或多个知识元本体关联关系，通过强关联方法实现碎片化知识聚合；该方法分析了碎片化知识特征，面向在线学习要求，将原有固态的知识结构进行重新分割与动态聚合为具有自组织能力的知识簇，最终完成碎片化知识聚合，引导学习者充分利用碎片化时间获取精准有意义的知识内容。

Description

一种碎片化知识智能化聚合方法

技术领域

本发明属于人工智能领域，尤其是一种碎片化知识智能化聚合方法。

背景技术

在“互联网+”时代，信息技术与教育教学深度融合产生了一系列以微课、慕课为代表的 在线教育新模式，以其“短小精悍”的特点契合了网络时代的个性化学习、碎片化学习、移 动学习等需求。随着新媒体和智能媒介设备的广泛应用，越来越多的人倾向在利用手中的智 能手机、平板电脑等智能移动终端进行阅读和学习，根据新浪发布的《2016年度在线教育用 户白皮书》中调查显示，在碎片时间使用在线教育产品的用户占比45％。可见，这种新型的 碎片化学习方式的普及标志着碎片化时代已经到来。碎片化学习突破了时空的限制，同时满 足了现代人快节奏的心理需求。在碎片化学习过程中，学习者运用碎片化思维方式，利用碎 片化时间，获取有意义的知识碎片，并对知识碎片汲取、存储、加工来建构新知识体系。然 而，学习者面对的是海量信息资源，极大地加重了学习者获取自己真正所需资源的负担。新 的学习方式和新的学习需求对现有知识的组织方式提出了双重挑战。

针对碎片化学习状况，北京师范大学、清华大学等团队提出了“学习元”等理念，采用 KDS网络方式聚合学习资源，既可以将不同的学习素材聚合成学习元，也可以将不同的学习 元聚合成更大结构的学习元或数字课程。依据知识分享理论，讨论了开放教育资源聚合与分 享的影响因素，并对其之间的相互作用关系进行了梳理，提出了开放教育资源共建共享可持 续发展机制的概念模型。

但是，现有技术存在如下缺点：一方面，当前基于慕课、微课、精品课等的在线教育， 其课程内容的组织方式依然是传统的、结构化、系统化的组织方式，粒度过粗、过于单一， 必须通过有效的内容拆分，实现知识的精细化、多维化、个性化组织；另一方面，要想提高 从海量、无序、异构的知识中快速提供用户所需要内容的能力，就必须提高计算机准确识别 用户需求并准确定位相关知识点的能力，而这又依赖于在知识的组织过程中实现计算机“感 知”人的需求和“理解”相应数字化知识内容的语义。

面向碎片化学习方法目前还处于初期阶段，目前尚无比较完善的方法可以完成从个体画 像塑造，到碎片化知识整合相融合的方法。

通过检索，尚未发现与本发明相关的专利公开文献。

发明内容

本发明的目的在于克服原有技术的不足之处，提供一种碎片化知识智能化聚合方法，该 方法通过支持度及置信度判定，判定两个或多个知识元本体关联关系，通过强关联方法实现 碎片化知识聚合；该方法分析了碎片化知识特征，面向在线学习要求，将原有固态的知识结 构进行重新分割与动态聚合为具有自组织能力的知识簇，最终完成碎片化知识聚合，引导学 习者充分利用碎片化时间获取精准有意义的知识内容。

本发明解决技术问题所采用的技术方案是：

一种碎片化知识智能化聚合方法，步骤如下：

步骤1.定义知识元本体：

将知识进行合理地碎片化分割，成为具有最小知识点集合的粒度，所述粒度是一个具有 完整语义单元的知识元，所述知识元的知识元本体结构描述为如下四元组:

K＝(C,P,M,R) (1)；

其中，K表示知识元本体结构，C表示某个领域概念，P，M分别是概念C上的一组 属性和方法，R是建立在C上的与其他概念的一组关系；

步骤2.定义碎片化知识本体关联聚合：

为进一步明确知识元本体结构的语义内容和语义关联，公式(1)分解为:

(C,P,M) (2)

(C,R) (3)

其中，公式(2)是对领域概念C自身的描述，体现为对属性集P和方法集M的定义 和描述；公式(3)则是对概念C与领域中其他概念之间的一组特定的领域关系R的描述；

每个碎片化知识能够由若干知识元本体构成；

步骤3.建立基于本体蕴涵的关联聚合规则：

对于碎片化知识，建立相关关联规则表示为一个形如的蕴含式，其中且关联规则的支持度support是指搜索集D中同时包含知识点X和知识点Y的搜索次数与所有搜索次数之比，即

关联规则的置信度Confidence是指搜索集D中包含知识点X和知识点Y的 搜索次数与包含知识点X的搜索次数之比，即

当支持度和置信度均较高时，关联规则才是用户感兴趣的、有用的关联规则；

关联规则的最小支持度记为sup_min，用于衡量关联规则需要满足的最低重要性；最小置信 度记为conf_min，表示关联规则需要满足的最低可靠性；

步骤4.聚合关联规则判定：

如果两个碎片化知识点之间的关联规则满足且 则关联规则为强关联规则，否则为弱关联规则；

步骤5.基于知识元本体的碎片知识关联规则判定：

在任意两个碎片知识本体结构K₁＝(C₁,P₁,M₁,R₁)和K₂＝(C₂,P₂,M₂,R₂)中，若 K₁∈K，K₂∈K，并有C₂∈∪(C₁)，其中∪(C₁)是概念C₁的关联概念集合，则称K₁本体蕴涵K₂，记做K₁→K₂，概念C₁的关联概念集合∪(C₁)是指以节点K₁为原点，进行语义 链接，所能关联到的所有节点的集合；因此，本体蕴涵实质是在碎片知识本体语义网络图中， 如果有C₂∈∪(C₁)，则节点K₁和节点K₂之间至少存在一条语义链接；

步骤6.碎片知识聚合关联发现：

设S和T分别为知识元的数据源，K₁和K₂为碎片知识本体结构，即K₁∈K，K₂∈K， 若ξ₁(K₁,S)，ξ₂(K₂,T)，且K₁→K₂，则称碎片知识元T构成到碎片知识S的一个知识聚合 关联发现；

步骤7.实现碎片化知识聚合：

根据以上对碎片知识本体结构及聚合关联方法，若碎片知识本体由n个本体元素组成， 即概念集C＝{C₁,C₂,…,C₃}和建立在C上的关系集R＝{R₁,R₂,…,R₃}将共同组成一个语 义关联聚合网络图:

G＝{X,E} (6)；

其中，X为语义关联网络的节点集，E为语义链接集，X的值域为概念集C，E的值域为关系集R；基于此，知识元本体通过概念之间的关系集R构成了相对完善的碎片知识语义内容体系和网络化语义关联结构；

通过公式(6)即可实现碎片化知识智能化聚合。

本发明取得的优点和积极效果是：

1、本方法通过支持度及置信度判定，判定两个或多个知识元本体关联关系，通过强关联 方法实现碎片化知识聚合；该方法分析了碎片化知识特征，面向在线学习要求，将原有固态 的知识结构进行重新分割与动态聚合为具有自组织能力的知识簇，最终完成碎片化知识聚合， 引导学习者充分利用碎片化时间获取精准有意义的知识内容。

2、“互联网+”技术及移动智能设备的广泛应用促进了知识的碎片化传播，也成为在线知 识获取的新模式。随着大数据、行为分析、语义分析、本体技术、机器学习等技术的发展， 为面向用户个性化的知识聚合成为可能，同时，用户画像在商业领域得到广泛应用，对用户 的描述精准度高，个性化推荐准确，实现碎片化学习的有计划集成提供解决方法，提供一种 新的教育及学习方式方法。

具体实施方式

为能进一步了解本发明的内容、特点及功效，兹例举以下实施例，并配合详细说明如下。 需要说明的是，本实施例是描述性的，不是限定性的，不能由此限定本发明的保护范围。

实施例1

一种碎片化知识智能化聚合方法，步骤如下：

步骤1.定义知识元本体：

将知识进行合理地碎片化分割，成为具有最小知识点集合的合适粒度，即知识元。同时， 该粒度是一个具有完整语义单元的知识元，进而能够把一个概念、一个定理、一个公式、一 个数据或者一个实验过程等等能够阐释某个知识的最小的知识单元提炼出来。

知识元本体(KnowledgeUnitOntology，KUO)结构可描述为如下四元组:

K＝(C,P,M,R) (1)

其中，K表示知识元本体结构，C表示某个领域概念，P，M分别是概念C上的一组 属性和方法，R是建立在C上的与其他概念的一组关系。

步骤2.定义碎片化知识本体关联聚合：

为进一步明确知识元本体结构的语义内容和语义关联，公式(1)可分解为:

(C,P,M) (2)

(C,R) (3)

其中，公式(2)是对领域概念C自身的描述，体现为对属性集P和方法集M的定义 和描述；公式(3)则是对概念C与领域中其他概念之间的一组特定的领域关系R的描述， 例如并列、隶属(度)、关联(度)、蕴涵、双向蕴涵、继承关系等。

每个碎片化知识可以由若干知识元本体构成。

步骤3.建立基于本体蕴涵的关联聚合规则：

对于碎片化知识，建立相关关联规则(AssociationRule)可以表示为一个形如的蕴含式，其中且关联规则的支持度(support) 是指搜索集D中同时包含知识点X和知识点Y的搜索次数与所有搜索次数之比，即

关联规则的置信度(Confidence)是指搜索集D中包含知识点X和知识点Y 的搜索次数与包含知识点X的搜索次数之比，即

当支持度和置信度均较高时，关联规则才是用户感兴趣的、有用的关联规则。

关联规则的最小支持度记为sup_min，用于衡量关联规则需要满足的最低重要性。最小置信 度记为conf_min，表示关联规则需要满足的最低可靠性。

步骤4.聚合关联规则判定：

如果两个碎片化知识点之间的关联规则满足且 则关联规则为强关联规则，否则为弱关联规则。

步骤5.基于知识元本体的碎片知识关联规则判定：

在任意两个碎片知识本体结构K₁＝(C₁,P₁,M₁,R₁)和K₂＝(C₂,P₂,M₂,R₂)中，若 K₁∈K，K₂∈K，并有C₂∈∪(C₁)(其中∪(C₁)是概念C₁的关联概念集合)，则称K₁本 体蕴涵K₂，记做K₁→K₂，概念C₁的关联概念集合∪(C₁)是指以节点K₁为原点，进行语义链 接，所能关联到的所有节点的集合。因此，本体蕴涵实质是在碎片知识本体语义网络图中， 如果有C₂∈∪(C₁)，则节点K₁和节点K₂之间至少存在一条语义链接。

步骤6.碎片知识聚合关联发现：

碎片知识的语义关联发现。设S和T分别为知识元的数据源，K₁和K₂为碎片知识本体结构，即K₁∈K，K₂∈K，若ξ₁(K₁,S)，ξ₂(K₂,T)，且K₁→K₂，则称碎片知识元T构成 到碎片知识S的一个知识聚合关联发现。

步骤7.实现碎片化知识聚合：

根据以上对碎片知识本体结构及聚合关联方法，若碎片知识本体由n个本体元素组成， 即概念集C＝{C₁,C₂,…,C₃}和建立在C上的关系集R＝{R₁,R₂,…,R₃}将共同组成一个语 义关联聚合网络图:

G＝{X,E} (6)

其中，X为语义关联网络的节点集，E为语义链接集，X的值域为概念集C，E的值域为关系集R。基于此，知识元本体通过概念之间的关系集R构成了相对完善的碎片知识语义内容体系和网络化语义关联结构。

通过公式(6)实现碎片化知识聚合。

实施例2

一种碎片化知识智能化聚合方法，步骤如下：

步骤1.定义知识元本体：

将知识进行合理地碎片化分割，成为具有最小知识点集合的合适粒度，即知识元。同时， 该粒度是一个有完整语义单元的知识元，所述知识元的知识元本体结构描述为如下四元组:

K＝(C,P,M,R) (1)；

其中，K表示知识元本体结构，C表示某个领域概念，P，M分别是概念C上的一组 属性和方法，R是建立在C上的与其他概念的一组关系；

步骤2.定义碎片化知识本体关联聚合：

为进一步明确知识元本体结构的语义内容和语义关联，公式(1)分解为:

(C,P,M) (2)

(C,R) (3)

其中，公式(2)是对领域概念C自身的描述，体现为对属性集P和方法集M的定义 和描述；公式(3)则是对概念C与领域中其他概念之间的一组特定的领域关系R的描述；

每个碎片化知识能够由若干知识元本体构成；

步骤3.建立基于本体蕴涵的关联聚合规则：

对于碎片化知识，建立相关关联规则表示为一个形如的蕴含式，其中且关联规则的支持度support是指搜索集D中同时包含知识点X和知识点Y的搜索次数与所有搜索次数之比，即

关联规则的置信度Confidence是指搜索集D中包含知识点X和知识点Y的 搜索次数与包含知识点X的搜索次数之比，即

当支持度和置信度均较高时，关联规则才是用户感兴趣的、有用的关联规则；

关联规则的最小支持度记为sup_min，用于衡量关联规则需要满足的最低重要性；最小置信 度记为conf_min，表示关联规则需要满足的最低可靠性；

步骤4.聚合关联规则判定：

如果两个碎片化知识点之间的关联规则满足且 则关联规则为强关联规则，否则为弱关联规则；

步骤5.基于知识元本体的碎片知识关联规则判定：

在任意两个碎片知识本体结构K₁＝(C₁,P₁,M₁,R₁)和K₂＝(C₂,P₂,M₂,R₂)中，若 K₁∈K，K₂∈K，并有C₂∈∪(C₁)，其中∪(C₁)是概念C₁的关联概念集合，则称K₁本体蕴涵K₂，记做K₁→K₂，概念C₁的关联概念集合∪(C₁)是指以节点K₁为原点，进行语义 链接，所能关联到的所有节点的集合；因此，本体蕴涵实质是在碎片知识本体语义网络图中， 如果有C₂∈∪(C₁)，则节点K₁和节点K₂之间至少存在一条语义链接；

步骤6.碎片知识聚合关联发现：

设S和T分别为知识元的数据源，K₁和K₂为碎片知识本体结构，即K₁∈K，K₂∈K， 若ξ₁(K₁,S)，ξ₂(K₂,T)，且K₁→K₂，则称碎片知识元T构成到碎片知识S的一个知识聚合 关联发现；

步骤7.实现碎片化知识聚合：

根据以上对碎片知识本体结构及聚合关联方法，若碎片知识本体由n个本体元素组成， 即概念集C＝{C₁,C₂,…,C₃}和建立在C上的关系集R＝{R₁,R₂,…,R₃}将共同组成一个语 义关联聚合网络图:

G＝{X,E} (6)；

其中，X为语义关联网络的节点集，E为语义链接集，X的值域为概念集C，E的值域为关系集R；基于此，知识元本体通过概念之间的关系集R构成了相对完善的碎片知识语义内容体系和网络化语义关联结构；

通过公式(6)即可实现碎片化知识智能化聚合。

Claims (1)

1.一种碎片化知识智能化聚合方法，其特征在于：步骤如下：

步骤1.定义知识元本体：

将知识进行合理地碎片化分割，成为具有最小知识点集合的粒度，所述粒度是一个具有完整语义单元的知识元，所述知识元的知识元本体结构描述为如下四元组:

K＝(C,P,M,R) (1)；

其中，K表示知识元本体结构，C表示某个领域概念，P，M分别是概念C上的一组属性和方法，R是建立在C上的与其他概念的一组关系；

步骤2.定义碎片化知识本体关联聚合：

为进一步明确知识元本体结构的语义内容和语义关联，公式(1)分解为:

(C,P,M) (2)

(C,R) (3)

其中，公式(2)是对领域概念C自身的描述，体现为对属性集P和方法集M的定义和描述；公式(3)则是对概念C与领域中其他概念之间的一组特定的领域关系R的描述；

每个碎片化知识能够由若干知识元本体构成；

步骤3.建立基于本体蕴涵的关联聚合规则：

对于碎片化知识，建立相关关联规则表示为一个形如的蕴含式，其中且关联规则的支持度support是指搜索集D中同时包含知识点X和知识点Y的搜索次数与所有搜索次数之比，即

关联规则的置信度Confidence是指搜索集D中包含知识点X和知识点Y的搜索次数与包含知识点X的搜索次数之比，即

当支持度和置信度均较高时，关联规则才是用户感兴趣的、有用的关联规则；

关联规则的最小支持度记为sup_min，用于衡量关联规则需要满足的最低重要性；最小置信度记为conf_min，表示关联规则需要满足的最低可靠性；

步骤4.聚合关联规则判定：

如果两个碎片化知识点之间的关联规则满足且则关联规则为强关联规则，否则为弱关联规则；

步骤5.基于知识元本体的碎片知识关联规则判定：

在任意两个碎片知识本体结构K₁＝(C₁,P₁,M₁,R₁)和K₂＝(C₂,P₂,M₂,R₂)中，若K₁∈K，K₂∈K，并有C₂∈∪(C₁)，其中∪(C₁)是概念C₁的关联概念集合，则称K₁本体蕴涵K₂，记做K₁→K₂，概念C₁的关联概念集合∪(C₁)是指以节点K₁为原点，进行语义链接，所能关联到的所有节点的集合；因此，本体蕴涵实质是在碎片知识本体语义网络图中，如果有C₂∈∪(C₁)，则节点K₁和节点K₂之间至少存在一条语义链接；

步骤6.碎片知识聚合关联发现：

设S和T分别为知识元的数据源，K₁和K₂为碎片知识本体结构，即K₁∈K，K₂∈K，若ξ₁(K₁,S)，ξ₂(K₂,T)，且K₁→K₂，则称碎片知识元T构成到碎片知识S的一个知识聚合关联发现；

步骤7.实现碎片化知识聚合：

根据以上对碎片知识本体结构及聚合关联方法，若碎片知识本体由n个本体元素组成，即概念集C＝{C₁,C₂,…,C₃}和建立在C上的关系集R＝{R₁,R₂,…,R₃}将共同组成一个语义关联聚合网络图:

G＝{X,E} (6)；

其中，X为语义关联网络的节点集，E为语义链接集，X的值域为概念集C，E的值域为关系集R；基于此，知识元本体通过概念之间的关系集R构成了相对完善的碎片知识语义内容体系和网络化语义关联结构；

通过公式(6)即可实现碎片化知识智能化聚合。