CN108664615A - 一种面向学科教育资源的知识图谱构建方法 - Google Patents

Abstract

本发明公开了一种面向学科教育资源的知识图谱构建方法，该方法包括了以下步骤：(1)提取学科教育资源中的实体、关系信息；(2)对信息进行清理整合，剔除信息冗余和错误信息，从而确保信息的质量；(3)将信息进行分类和语义关联，形成“实体‑关系‑实体”三元组的知识表现形式，利用可视化工具构建学科资源知识图谱；(4)通过知识推理进一步挖掘隐含的知识，对知识图谱进行进化更新，从而丰富、扩展知识库。本方法提出构建学科资源的知识图谱，实现学科资源内容的连续性和一致性，为学习者提供系统化和体系化的学科知识图谱，促进知识图谱技术在教育资源管理、信息检索、知识推荐等领域的实际应用。

Description

一种面向学科教育资源的知识图谱构建方法

技术领域

本发明涉及中文知识库应用技术，尤其涉及一种面向学科教育资源的知识图谱构建方法。

背景技术

随着信息技术的快速发展，互联网中的各类学科学习资源愈来愈丰富，在一定程度下解决了大规模用户同时在线学习、获取教学服务、共享教育资源的问题，在提供规模化群体服务的同时也为个性化学习创造了条件。

但是在现有的学科学习资源系统中只有简单的资源存储和检索功能,无法为网上海量、异构、动态的教学资源表达、组织、管理以及利用提供了一种更为有效的方式，如何使得资源之间的联系程度更高，更加接近于人类的认知思维，解决学习者“知识迷航”的问题，需要我们寻找合适的方法。幸运地是，中文知识图谱为这一问题的解决提供了合适的方法，这也是本发明专利的主要目的和手段。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种面向学科教育资源的知识图谱构建方法。

本发明解决其技术问题所采用的技术方案是：一种面向学科教育资源的知识图谱构建方法，包括以下步骤：

1)学科资源信息抽取：从经过数字化处理、能在多媒体计算机及网络环境下运行的多媒体教学材料中抽取学科领域词汇和关系，具体如下：

1.1)基于语言学规则的方法对学科资源中的文本信息进行分词和词性标注；

1.2)使用TF-IDF统计学基准比较分析词汇分布特征，计算词汇在资源中的相对重要程度；

1.3)对学科资源中的文本信息中的学科领域词汇进行抽取；

2)词汇和关系信息的清理整合：对步骤1)中抽取的信息在同一框架规范下进行数据处理操作，形成高质量的知识库；具体步骤如下：

2.1)输入抽取的词汇和关系的详细信息，包括数据名称、地址和对应的资源，并且给每个预设定的质量维度分配一个权重；

2.2)利用专家系统得到实体信息的重要程度，并结合质量维度的权重计算实体信息相应的分值；

2.3)统计所有实体信息对应的权重和分值，得到实体数据的得分，然后过滤得分后50％的实体信息；

3)根据知识库构建学科资源图谱，构建的具体步骤如下：

3.1)在步骤2)高质量知识库的基础上，对这些知识进行语义关联，形成“实体-关系-实体”三元组的知识表现形式；

3.2)将知识库中的每个三元组(h，r，t)的头实体和尾实体向关系空间中投影，让其满足头实体h加对应关系r等于尾实体t(h+r≈t)的条件，据此思路构建一个实体表征模型的损失函数：

其中，d(h+r，t)是一个距离函数用于度量h+r与t之间的距离，S为知识库中的三元组，S’是负采样的三元组，[x]₊表示正值函数；

通过使损失函数值趋近于最小值优化上述目标函数即可得到关于知识的特征表达；

4)知识图谱进化更新，具体步骤如下：

4.1)对知识图谱本体中的元素进行更新，包括概念的增加、修改和删除，以及概念属性的更新；

4.2)通过新增实体数据对知识图谱进行更新，包括添加和删除实体，修改实体的基本信息和属性值。

按上述方案，步骤1.2)中基于TF-IDF方法统计资源中词汇的重要程度的方法具体步骤如下：

a.统计某个词汇w在一个资源中出现的总次数，计算出该词汇的出现频率tf(w)；

b.统计包含词汇w的资源数目，计算出该词汇出现在全部资源N中的频率df(w)；

c.统计总资源中词汇w的重要程度

按上述方案，所述步骤1.3)中采用基于Bootstrapping机器学习技术的FWB-Model学习模型。

按上述方案，所述步骤1.3)中基于FWB-Model学习模型的资源信息抽取方法，其具体步骤如下：

a.统计语料中的单字字频C(x)，其中x为语料中出现过的单字，和与x有相邻关系的双字(x,y)的共现频率C(x,y)，使其满足C(x,y)＞cThresh，其中cThresh为阈值，得到双字候选项(x,y)的集合L；

b.对于一个多字项c，所述多字项为两个或两个以上的字项，如果在语料中有单字w与其相邻，且满足共现频率H(w,c)＞H(c₁,c₂)-k；c₁,c₂为c分拆的两部分，k为阈值，则获得多字词汇cw；得到多字词汇的集合T；

c.通过步骤b得到词汇集合T，利用通用词表和一般语料进行对比过滤，对于t∈T，如果满足C(t)>termCountThresh，其中C(t)为t在通用词表和一般语料中出现的频率，termCountThresh为阈值，则推断其为一般词汇，需要从集合中过滤出来，剩下的词汇作为抽取结果输出。

按上述方案，所述步骤2)中的处理操作包括数据整合、消歧、加工和推理验证操作。

按上述方案，所述步骤2)中的专家系统包括采用调查问卷或向专家咨询形式。

本发明产生的有益效果是：本专利构建了一种面向学科教育资源的知识图谱动态构建方法，为网上海量学科教学资源表达、组织、管理以及利用提供了一种更为有效的方式，使得资源之间的联系程度更高，更加接近于人类的认知思维。通过可视化形式将知识间的相互关系联结成网状知识结构，描述了知识实体与实体之间的属性，揭示了学科资源中各种实体间存在的相互关系。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的方法示意图；

图2是学科资源信息抽取示意图；

图3是以“JavaWeb”为例建立的知识图谱示例；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明一种面向学科教育资源的知识图谱构建方法，包括以下步骤：

步骤1：学科资源信息抽取，这些资源可以是数字化教学资源平台中的文本、网页、音频、视频等各种类型。如果是文本资源，可以直接提取文本全文内容或部分资源文字简介，如果是文本以外的资源，则提取资源文字简介。

从海量的学科学习资源中的文本信息中抽取出各个领域的专业词汇，如计算机领域的“Java”、“C++”等，都可以视作为专业词汇。

步骤1中的资源信息抽取方法示意图如图2所示，具体步骤如下；

步骤11，基于语言学规则的方法进行分词和词性标注，分析出常用的“形容词-名词”、“名词-名词”和“形容词-名词-名词”等短语；

步骤12，使用TF-IDF统计学基准比较分析词汇分布特征，计算词汇在资源中的相对重要程度。

a.统计某个词汇w在一个资源中出现的总次数，计算出该词汇的出现频率tf(w)；

b.统计包含词汇w的资源数目，计算出该词汇出现在全部资源N中的频率df(w)；

c.统计总资源中词汇w的重要程度

步骤13，采用基于Bootstrapping机器学习技术的FWB-Model学习模型对学科领域词汇进行抽取。

a.统计语料中的单字字频(C(x),x为语料中出现过的单字)和有相邻关系的双字(如(x,y))的共现频率(C(x,y)),使其满足C(x,y)＞cThresh，其中cThresh为阈值，得到双字候选项(x,y)的集合L。

b.对于一个多字项c(包括双字项)，如果在语料中有单字w与其相邻，且满足H(w,c)＞H(c₁,c₂)-k(c₁,c₂为c分拆的两部分，k为阈值)，则可以获得多字词汇cw。

c.通过步骤b得到词汇集合T，利用通用词表和一般语料进行对比过滤，对于t∈T，如果满足C(t)＞termCountThresh，其中C(t)为t在通用词表和一般语料中出现的频率，termCountThresh为阈值，则可以推断其为一般词汇，需要从集合中过滤出来，剩下的词汇就可以作为抽取结果输出。

步骤2：对步骤1输出的抽取结果作为实体信息进行清理整合，将抽取的信息在同一框架规范下进行数据整合、消歧、加工、推理验证等操作，形成高质量的知识库，具体步骤如下：

步骤21，输入资源数据的详细信息，包括数据名称、地址和对应的资源，并且给每个预设定的质量维度分配一个权重。

步骤22，采用调查问卷或向专家咨询形式得到实体信息的重要程度，并结合质量维度的权重计算实体信息相应的分值。

步骤23，统计对应的权重和计算值，得到实体数据的得分，过滤部分得分较低的实体信息。

步骤3：完成学科资源图谱的构建，其构建结果示意图如图3所示。

步骤31，在步骤2)高质量知识库的基础上，对这些知识进行语义关联，形成“实体-关系-实体”三元组的知识表现形式。

步骤32，将知识库中的每个三元组(h，r，t)的头实体和尾实体向关系空间中投影，让其满足头实体h加对应关系r等于尾实体t(h+r≈t)的条件，据此思路构建一个实体表征模型的损失函数：

其中，d(h+r，t)是一个距离函数用于度量h+r与t之间的距离，S为知识库中的三元组，S’是负采样的三元组，[x]₊表示正值函数。通过优化上述目标函数即可得到关于知识的特征表达。

步骤4：通过知识推理进一步挖掘隐含的知识，从而丰富、扩展知识库，完成知识图谱的进化更新。

步骤41，对知识图谱本体中的元素进行更新，包括概念的增加、修改和删除，以及概念属性的更新。

步骤42，通过新增实体数据对知识图谱进行更新，包括添加和删除实体，修改实体的基本信息和属性值。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (5)

1.一种面向学科教育资源的知识图谱构建方法，其特征在于，包括以下步骤：

1)学科资源信息抽取：从经过数字化处理、能在多媒体计算机及网络环境下运行的多媒体教学材料中抽取学科领域词汇和关系，具体如下：

1.1)基于语言学规则的方法对学科资源中的文本信息进行分词和词性标注；

1.2)使用TF-IDF统计学基准比较分析词汇分布特征，计算词汇在资源中的相对重要程度；

1.3)对学科资源中的文本信息中的学科领域词汇进行抽取；

2)词汇和关系信息的清理整合：对步骤1)中抽取的信息在同一框架规范下进行数据处理操作，形成高质量的知识库；具体步骤如下：

2.1)输入抽取的词汇和关系的详细信息，包括数据名称、地址和对应的资源，并且给每个预设定的质量维度分配一个权重；

2.2)利用专家系统得到实体信息的重要程度，并结合质量维度的权重计算实体信息相应的分值；

2.3)统计所有实体信息对应的权重和分值，得到实体数据的得分，然后过滤得分后50％的实体信息；

3)根据知识库构建学科资源图谱，构建的具体步骤如下：

3.1)在步骤2)高质量知识库的基础上，对这些知识进行语义关联，形成“实体-关系-实体”三元组的知识表现形式；

3.2)将知识库中的每个三元组(h，r，t)的头实体和尾实体向关系空间中投影，让其满足头实体h加对应关系r等于尾实体t(h+r≈t)的条件，据此思路构建一个实体表征模型的损失函数：

其中，d(h+r，t)是一个距离函数用于度量h+r与t之间的距离，S为知识库中的三元组，S’是负采样的三元组，[x]₊表示正值函数；

通过使损失函数值趋近于最小值优化上述目标函数即可得到关于知识的特征表达；

4)知识图谱进化更新，具体步骤如下：

4.1)对知识图谱本体中的元素进行更新，包括概念的增加、修改和删除，以及概念属性的更新；

4.2)通过新增实体数据对知识图谱进行更新，包括添加和删除实体，修改实体的基本信息和属性值。

2.根据权利要求1所述的面向学科教育资源的知识图谱构建方法，其特征在于，步骤1.2)中基于TF-IDF方法统计资源中词汇的重要程度的方法具体步骤如下：

a.统计某个词汇w在一个资源中出现的总次数，计算出该词汇的出现频率tf(w)；

b.统计包含词汇w的资源数目，计算出该词汇出现在全部资源N中的频率df(w)；

c.统计总资源中词汇w的重要程度

3.根据权利要求1所述的面向学科教育资源的知识图谱构建方法，其特征在于，所述步骤1.3)中采用基于Bootstrapping机器学习技术的FWB-Model学习模型。

4.根据权利要求1所述的面向学科教育资源的知识图谱构建方法，其特征在于，所述步骤1.3)中基于FWB-Model学习模型的资源信息抽取方法，其具体步骤如下：

a.统计语料中的单字字频C(x)，其中x为语料中出现过的单字，和与x有相邻关系的双字(x,y)的共现频率C(x,y)，使其满足C(x,y)＞cThresh，其中cThresh为阈值，得到双字候选项(x,y)的集合L；

b.对于一个多字项c，所述多字项为两个或两个以上的字项，如果在语料中有单字w与其相邻，且满足共现频率H(w,c)＞H(c₁,c₂)-k；c₁,c₂为c分拆的两部分，k为阈值，则获得多字词汇cw；得到多字词汇的集合T；

c.通过步骤b得到词汇集合T，利用通用词表和一般语料进行对比过滤，对于t∈T，如果满足C(t)>termCountThresh，其中C(t)为t在通用词表和一般语料中出现的频率，termCountThresh为阈值，则推断其为一般词汇，需要从集合中过滤出来，剩下的词汇作为抽取结果输出。

5.根据权利要求1所述的面向学科教育资源的知识图谱构建方法，其特征在于，所述步骤2)中的专家系统包括采用调查问卷或向专家咨询形式。