CN109947915B - 一种基于知识管理系统的人工智能专家系统及其构建方法 - Google Patents

Abstract

本发明公开了一种基于知识管理系统的人工智能专家系统及其构建方法，其通过知识管理系统获取教材信息、问答信息和用户行为信息；通过对所述教材信息进行数据结构化处理，并根据得到的结构化数据进行构建知识图谱；根据所述问答信息中的问题和匹配的答案得到第一关联信息，并将所述第一关联信息更新至所述知识图谱中；根据所述用户行为信息及用户行为所对应的所述知识图谱中的结构化数据挖掘得到第二关联信息，并将所述第二关联信息更新至所述知识图谱中；从而直接利用线上教育内容作为知识输入源，降低知识获取成本；并根据线上教育的知识类信息和行为类信息进一步挖掘更多的隐性知识，提高了知识图谱的信息广度和信息深度。

Description

一种基于知识管理系统的人工智能专家系统及其构建方法

技术领域

本发明涉及知识管理技术领域，特别是一种基于知识管理系统的人工智能专家系统的构建方法及其应用该方法的系统。

背景技术

人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

人工智能是两条腿走路的：数据驱动和知识驱动，但是目前发展的现状是数据驱动的发展大大领先于知识驱动。尤其是以卷积神经网络为代表的深度学习等的机器学习模型在这几年迅速发展，市面上大部分的人工智能概念公司的核心技术都是数据驱动的。但是纯数据驱动的发展开始遇到瓶颈，所有数据驱动的公司面临着落地难的问题。而且数据驱动的人工智能模型存在“黑盒”效应：即无法解释得到结果的过程，这使得数据驱动的人工智能产品只能在公司内部使用而无法进入交易环节来解释法律正当程序。

原因在于：

1.数据驱动本质上是通过大量的数据来训练一个精确模型，是举十反一，原理上是无法做到知识迁移的；而知识驱动通过知识图谱的构建是可以做到知识迁移的，即举一反三。

2.数据驱动只是在人工智能的感知领域做得很好，但是由于没有对世界认知的基础知识积累，无法将人工智能带入认知领域。只有知识驱动和构建知识图谱才能把人工智能带入认知领域；人工智能的认知阶段的完成，则标志真正意义上的人工智能完成(即进入场景应用级)。

深度学习和知识图谱其实是AI的两个分支，简单地说，深度学习其实就是聪明的AI，能够进行感知、识别和判断；而知识图谱是有学识的AI，它能够进行思考和推理。所以目前既要有聪明的算法提供强大的学习能力，又要有丰富的知识在缺失大量数据的状况下能够通过推理表示出来的能力。AI的未来离不开联结和符号的相结合、学习和推理的相结合、感知和认知的相结合。AI的核心其实就是学习和推理的过程。

因此，很多大企业开始专注投入专家系统，企图通过专家系统来构建知识图谱。但是，传统的专家系统的知识获取常常会遇到以下问题：

1.由于成本过大、无法开源兼容、受限于计算机算力不足的原因，专家系统多是显性的系统理论纲要，无法整理出需要近端触发的隐性知识。

2.在书籍文献等显性知识材料下，很多知识是难于表达的，因为它是一种隐性知识，过程知识。隐性知识本身具有难以成文化、难以挖掘、需要近端触发的特点。人是可以通过生活常识或者不相连基础教育信息迁移理解的，但是机器学习的话，没有信息输入就无法理解。

3.与人的知识获取不一样，人的知识获取是从上至下(top-down)，即在一个知识纲要里填充细分领域的专业知识。而现有主流的知识图谱的构建方式是从下至上(bottom-up)，从海量的网页里爬取知识。但是这样的结果就是机器对世界的认知无法形成一个系统的知识框架，对一个事物的认知没办法周全、系统而严谨，因为是从众多碎片化的网页里爬来的知识。

发明内容

本发明为解决上述问题，提供了一种基于知识管理系统的人工智能专家系统及其构建方法，一方面，将专家系统与知识管理系统相对接，可直接利用线上教育内容作为知识输入源，降低知识获取成本；另一方面，知识管理系统具有较完整的基础学科理论知识，能够形成从上到下的体系化的知识框架。

为实现上述目的，本发明采用的技术方案为：

一种基于知识管理系统的人工智能专家系统的构建方法，其特征在于，包括以下步骤：

通过所述知识管理系统获取教材信息、问答信息和用户行为信息；

通过对所述教材信息进行数据结构化处理，并根据得到的结构化数据进行构建知识图谱；

根据所述问答信息中的问题和匹配的答案得到第一关联信息，并将所述第一关联信息更新至所述知识图谱中；

根据所述用户行为信息及用户行为所对应的所述知识图谱中的结构化数据挖掘得到第二关联信息，并将所述第二关联信息更新至所述知识图谱中。

优选的，所述教材信息包括以下任一项或者两项以上的结合：文档教材、图像教材、视频教材、音频教材、教材习题；所述用户行为信息包括以下任一项或者两项以上的结合：学生访问内容、学生访问时间、学生提问内容、学生评论内容、教师教学内容、教师教学方式。

优选的，所述对所述教材信息进行数据结构化处理，进一步包括以下步骤：

信息抽取：根据RDF框架对所述教材信息进行实体抽取、关系抽取、属性抽取，得到所述教材信息的章节内容、章节知识点、知识点关联的问答信息；

信息融合：通过自然语义解析技术引入第三方知识库对抽取的实体进行共指解析和实体消歧，得到初步RDF数据；

质量评估：通过机器评估和/或专家人工评估的方法对所述RDF数据进行监督和调试，得到清洁的结构化的RDF数据。

优选的，所述问答信息包括用户向所述知识管理系统发起的问题和系统回复的答案，和/或，所述知识管理系统向用户推送的问题和答案；并进一步通过所述的问题和答案获取相关联的教材信息；根据所述问题、答案、和所述教材信息的关联性得到所述第一关联信息。

优选的，所述知识管理系统向用户推送问答信息后，根据用户选择的问答信息进入问答详细界面；并且，在所述问答详细界面设置问答内容区和教材引用区，通过所述问答内容区展示所述问答信息的详细内容，通过所述教材引用区展示所述问答信息相关联的教材信息。

优选的，所述问答信息是指在用户主界面展示的问题列表；用户从所述问题列表中选择任一问题，进入该问题对应的问答详细界面；并且，如果用户有购买课程,则在所述问题列表中推送课程教材内的最新问答信息或关联课程类别内的其他课程教材下的问答信息；如果用户未购买课程，则在所述问题列表中推送用户订阅的课程教材下的最新问答信息和/或关联课程类别内的其他课程教材下的问答信息。

优选的，所述问题列表中包括问题和教材引文的摘要；所述问答详细界面展示完整的问题内容及完整的教材引文信息；并且，所述教材引用区定位至所述教材引文信息的对应位置，并可通过上下移动操作或左右移动操作进行展示所述教材引文信息的上下文信息。

优选的，进一步将所述问题列表根据所述问答信息的所属类别分类展示于移动终端的首页界面；所述问答信息的所属类别是根据所属的教材信息或者所属的专题类型进行分类展示，不同所属类别的问答信息的展示界面之间切换显示。

优选的，所述问答内容区和所述教材引用区采用上下布局；所述问答内容区和所述教材引用区之间的分界线可上下移动调整；或者，所述问答内容区展示于所述问答详细界面的主显示区域，所述教材引用区通过图标触发操作或手势触发操作悬浮展示于所述问答内容区的上方。

优选的，所述教材引用区展示所述问答信息相关联的教材信息，是指直接跳转至所述问答信息的所述文档教材的对应文档页面或者所述图像教材的对应图像页面或者所述视频教材的对应视频帧或者所述音频教材的对应音频帧或者所述教材习题的对应题号。

优选的，所述问答详细界面还包括论坛区，所述论坛区与所述教材引用区共用一个区域，且所述论坛区与所述教材引用区之间切换显示；所述论坛区用于展示所述问答信息相关联的当前用户的提问信息或老师的回答信息或或其他用户的讨论信息，或者，所述论坛区用于展示所述教材引用区的教材信息相关联的历史问答信息或评论信息或解析信息。

优选的，所述的根据所述用户行为信息及用户行为所对应的所述知识图谱中的结构化数据挖掘得到第二关联信息，是指根据所述用户行为信息与所述结构化数据的关联性，通过知识推理得到所述用户行为信息的反馈信息，作为所述第二关联信息。

对应的，本发明还提供一种基于知识管理系统的人工智能专家系统，其包括：

人机接口模块，其通过所述知识管理系统获取教材信息、问答信息和用户行为信息；

知识图谱构建模块，其通过对所述教材信息进行数据结构化处理，并根据得到的结构化数据进行构建知识图谱；

解释器模块，根据所述问答信息中的问题和匹配的答案得到第一关联信息，并将所述第一关联信息更新至所述知识图谱中；

行为分析模块，其根据所述用户行为信息及用户行为所对应的所述知识图谱中的结构化数据挖掘得到第二关联信息，并将所述第二关联信息更新至所述知识图谱中；

知识库，用于存储所述知识图谱。

本发明的有益效果是：

(1)构建和更新成本较低：将专家系统与知识管理系统相对接，可直接利用线上教育内容作为知识输入源，不需要投入大量的资源请专家从零整理一个行业的知识。构建好模型之后产生知识以及更新知识成本直接是线上教育的内容研发和服务成本，降低知识获取成本。

(2)较完整的基础学科理论知识：知识管理系统具有较完整的基础学科理论知识，相对于从碎片化网站爬取内容的从下至上(bottom-up)结构，基于知识管理系统的线上教育内容来自于学科系统知识，是从上至下(top-down)的结构更加完整严谨系统；而且，同理于人类学习的教育过程，人工智能形成成熟周密严谨的知识框架认识不是通过不完整的、碎片化的、无法确保真伪的网站信息来源为基础，而是应该基于有纲要联系的、严谨真实的、信息完整的学术教学资源为基础入手。

(3)逻辑结构更优：在从上至下的构建方式以及学科纲要的辅助下，构建的知识图谱对实体概念的层级分类和归属区别更方便，延伸出的实体关系链接更多。

(4)能够挖掘和整理隐性知识：传统知识工程或专家系统知识获取中存在的长期难题就是难以获取整理隐性知识(常理性知识)，原因就在于隐性知识的难以成文化，难以挖掘性和近端触发特性；本发明通过知识管理系统的教材信息、问答信息、用户行为信息之间的关联性进一步挖掘隐性知识，能够极大的提高信息广度和信息深度。

(5)本发明的知识管理系统通过向用户推送问答信息，根据用户选择的问答信息进入问答详细界面，并在问答详细界面设置问答内容区和教材引用区，通过教材引用区展示所述问答信息相关联的教材信息，使得用户可根据感兴趣的问答信息索引到所需的教材信息，无需向用户直接推送教材，不仅更能够吸引用户的关注，而且更注重经验类的隐性知识，学习体验感更好；

(6)兼具知识类信息和行为数据信息：本发明的专家系统由于接入了知识管理系统，兼具了传统知识管理系统的语义数据和线上教育的行为数据，除了以实体概念为基础的语义网络，还可以拉取学习研究人员(学生、教师专家等)的行为轨迹数据，能够在知识图谱的基础上以研究人员的行为数据研究知识图谱的内容价值，兼具科学知识图谱(MappingKnowledge domain)和google知识图谱(Google Knowledge Graph)的信息深度，能够为专家系统里的推理机提供行为参数。

(7)本发明在问答详细界面同时设置问答内容区和教材引用区，使得用户在浏览问答信息的详细内容时即可同步浏览关联的教材信息，便于用户将理论知识与实际问题相结合，提高学习效率；再者用户无需额外的操作，使用更方便；

(8)本发明的问题列表是根据用户的订阅教材或者根据用户的历史浏览记录或者根据用户的关注主题进行推送，从而实现每个用户都具有定制化首页，无需用户在海量问答信息中进行查找，节省用户信息查找的时间；

(9)本发明的问题列表还进一步根据所属的教材信息或者所属的专题类型进行分类展示，节省用户信息筛选的时间；

(10)本发明在问答详细界面除了设置问答内容区和教材引用区，还进一步还设置论坛区，使得用户便于浏览关联教材信息的关联历史问答信息或者评论信息或者解析信息，从而触发更多的隐性知识，提高交互效果和学习效率。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明一种基于知识管理系统的人工智能专家系统的构建方法流程图；

图2为本发明一种基于知识管理系统的人工智能专家系统的构建方法的问题列表界面示意图；

图3为本发明一种基于知识管理系统的人工智能专家系统的构建方法的第一实施例的问答详细界面示意图(问答内容区和教材引用区采用上下布局)；

图4为本发明一种基于知识管理系统的人工智能专家系统的构建方法的第二实施例的问答详细界面示意图(教材引用区悬浮展示于问答内容区的上方)；

图5为本发明一种基于知识管理系统的人工智能专家系统的构建方法的第三实施例的问答详细界面示意图(问答内容区、教材引用区、论坛区三者切换显示)；

图6为本发明一种基于知识管理系统的人工智能专家系统的构建方法的第四实施例的问答详细界面示意图(教材信息为文档教材)；

图7为本发明一种基于知识管理系统的人工智能专家系统的构建方法的第五实施例的问答详细界面示意图(教材信息为图像教材)；

图8为本发明一种基于知识管理系统的人工智能专家系统的构建方法的第六实施例的问答详细界面示意图(教材信息为视频教材)；

图9为本发明一种基于知识管理系统的人工智能专家系统的构建方法的第七实施例的问答详细界面示意图(教材信息为音频教材)；

图10为本发明一种基于知识管理系统的人工智能专家系统的构建方法的第八实施例的问答详细界面示意图(教材信息为教材习题)

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图及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。

知识管理系统(Knowledge management system)，是收集、处理、分享一个组织的全部知识的信息系统，通常是基于计算机系统的支持。广泛应用于企业内部知识管理系统、行业知识管理系统、教育机构知识培训系统等。

知识管理系统相对于传统软件数据库能够挖掘收集到显性知识(理论类知识、易于成文化)之外的隐形知识(经验类知识、难以成文化、且需要近端触发特性)，即，将隐性知识显性化，并且通过计算机系统进行储存分享形成规模效应。

本发明通过将专家系统与知识管理系统相对接，一方面，可直接利用线上教育内容作为知识输入源，降低知识获取成本；另一方面，知识管理系统具有较完整的基础学科理论知识，能够形成从上到下的体系化的知识框架，从而实现快速构建人工智能专家系统。

如图1所示，本发明的一种基于知识管理系统的人工智能专家系统的构建方法，其包括以下步骤：

信息获取步骤：通过所述知识管理系统获取教材信息、问答信息和用户行为信息；

知识图谱构建步骤：通过对所述教材信息进行数据结构化处理，并根据得到的结构化数据进行构建知识图谱；

第一关联信息获取步骤：根据所述问答信息中的问题和匹配的答案得到第一关联信息，并将所述第一关联信息更新至所述知识图谱中；

第二关联信息获取步骤：根据所述用户行为信息及用户行为所对应的所述知识图谱中的结构化数据挖掘得到第二关联信息，并将所述第二关联信息更新至所述知识图谱中。

其中，所述教材信息包括以下任一项或者两项以上的结合：文档教材(如图6所示)、图像教材(如图7所示)、视频教材(如图8所示)、音频教材(如图9所示)、教材习题(如图10所示)；所述用户行为信息包括以下任一项或者两项以上的结合：学生访问内容、学生访问时间、学生提问内容、学生评论内容、教师教学内容、教师教学方式。不以此为限。

所述的知识图谱构建步骤中，对所述教材信息进行数据结构化处理，进一步包括以下步骤：

信息抽取：根据RDF框架对所述教材信息进行实体抽取、关系抽取、属性抽取，得到所述教材信息的章节内容、章节知识点、知识点关联的问答信息；本实施例中，进一步加入了知识纲要信息进行辅助抽取，即除了自然语义识别教材信息之外，还可以通过知识纲要以及提问、评论的属性对实体进行登记的分类，从而构建出围绕学科教学纲要关联延伸出的章节内容、章节知识点、知识点的具体实用案例问答；

信息融合：通过自然语义解析技术引入第三方知识库对抽取的实体进行共指解析和实体消歧，得到初步RDF数据；该步骤主要是针对多个词汇表达同一个实体的情况，通过自然语义解析(NLP)技术引入第三方知识库(维基、百度、以及对应学术库等)对多种实体指一种概念和同名实体产生歧义的做法；初期在构建的时候需要专家手动操作部分概念进行合并和清理，在整理出框架之后，系统后续可自动在框架内自动添加内容，不需要专家在岗监督；

质量评估：通过机器评估和/或专家人工评估的方法对所述RDF数据进行监督和调试，得到清洁的结构化的RDF数据。

所述的信息抽取步骤中，还进一步对所述教材信息相关联的问答信息进行信息抽取。具体的，可直接从课程级别的阅读教材、视频(例如ppt+教师声音解读)、练习以及每一个资料下延伸出的讨论提问内容进行拉取。其中，提问以阅读教材选中文字知识点为单位粒度、以视频时段为单位粒度、以单位练习题为单位粒度。抽取之后通过自然语义识别技术导出成基础RDF或同类数据库语言(NLP2RDF过程)进行信息融合，最后通过质量评估得到最终的RDF数据，与教材信息的结构化处理过程相类似，在此不进行赘述。

所述的第一关联信息获取步骤中，所述问答信息包括用户向所述知识管理系统发起的问题和系统回复的答案，和/或，所述知识管理系统向用户推送的问题和答案；并进一步通过所述的问题和答案获取相关联的教材信息；根据所述问题、答案、和所述教材信息的关联性得到所述第一关联信息。

具体的，所述知识管理系统向用户推送问答信息后，根据用户选择的问答信息进入问答详细界面；并且，在所述问答详细界面设置问答内容区和教材引用区，通过所述问答内容区展示所述问答信息的详细内容，通过所述教材引用区展示所述问答信息相关联的教材信息。

本发明在手机端的问答详细界面上除了问答内容区，还可以切换到查看提问出处教学材料(即上下文)的教材引用区，从而实现双重信息结构的交互设计。并且，传统的线上教育网站通常都是直接销售课程或者发布通知类的文章，本发明采用在线上教育网站的首页或者外网以信息流模式向用户推送问答信息，作为所述问答详细界面的入口，使得用户可根据感兴趣的问答信息索引到所需的教材信息，无需向用户直接推送教材，不仅更能够吸引用户的关注，而且更注重经验类的隐性知识，学习体验感更好。

本实施例中，所述问答信息是指在用户主界面展示的问题列表；所述问题列表可仅单独展示问题内容，优选的，所述问题列表中包括问题和教材引文的摘要，以便用户能够快速预览答案内容；并且，当问题列表较长时，为了便于排版和快速查找问题，如图2所示，本实施例还进一步将所述问题列表根据所述问答信息的所属类别分类展示于移动终端的首页界面；所述问答信息的所属类别是根据所属的教材信息或者所属的专题类型进行分类展示，不同所属类别的问答信息的展示界面之间切换显示。

用户从所述问题列表中选择任一问题，进入该问题对应的问答详细界面；本实施例中，所述问答详细界面展示完整的问题内容及完整的教材引文信息；并且，所述教材引用区定位至所述教材引文信息的对应位置，并可通过上下移动操作或左右移动操作进行展示所述教材引文信息的上下文信息。并且，如果用户有购买课程,则在所述问题列表中推送课程教材内的最新问答信息或关联课程类别内的其他课程教材下的问答信息；如果用户未购买课程，则在所述问题列表中推送用户订阅的课程教材下的最新问答信息和/或关联课程类别内的其他课程教材下的问答信息。

并且，所述教材引用区展示所述问答信息相关联的教材信息，是指直接跳转至所述问答信息的所述文档教材的对应文档页面或者所述图像教材的对应图像页面或者所述视频教材的对应视频帧或者所述音频教材的对应音频帧或者所述教材习题的对应题号；并可通过上下移动操作或左右移动操作进行展示所述教材引文信息的上下文信息。

所述问答详细界面可采用多种布局结构，举例如下：

1)所述问答详细界面包括问答内容区和教材引用区，并且，所述问答内容区和所述教材引用区采用上下布局；

如图3所示，本实施例中，上下区域之间可相对固定也可设置为可调；优选的，所述问答内容区和所述教材引用区之间的分界线可上下移动调整，例如，可自动根据问答内容区的内容多少进行自适应调整，或者根据用户对分界线的操作进行上下调整。

2)所述问答详细界面包括问答内容区和教材引用区，并且，所述教材引用区采用隐藏式布局；

如图4所示，本实施例中，所述问答内容区展示于所述问答详细界面的主显示区域，所述教材引用区通过图标触发操作或手势触发操作悬浮展示于所述问答内容区的上方。

3)所述问答详细界面包括问答内容区、教材引用区、论坛区；

即，所述问答详细界面还包括论坛区，可采用所述问答内容区、教材引用区、论坛区共用一个区域，且所述问答内容区、教材引用区、论坛区之间切换显示；或者，所述问答内容区、教材引用区、论坛区的其中之任一区固定显示，其中之另二区之间切换显示。

如图5所示，本实施例中，所述问答内容区固定显示，并且，所述论坛区与所述教材引用区共用一个区域，且所述论坛区与所述教材引用区之间切换显示；所述论坛区用于展示所述问答信息相关联的当前用户的提问信息或老师的回答信息或或其他用户的讨论信息，或者，所述论坛区用于展示所述教材引用区的教材信息相关联的历史问答信息或评论信息或解析信息。

本实施例的论坛区，是做在所述教材信息的框架纲要(显性知识，易成文化)上的带有上下文引用的问答论坛(隐性知识，难成文化，需要近端触发)；该论坛区中的历史问答信息可作为问答信息在移动终端的首页进行精准推送，从而能够在学习流程上重构一个翻转课堂班级的场景，能够更加充实学生理论框架下的知识结构，加快隐性知识的挖掘和积累。

所述翻转课堂，是一种将教学流程调整优化，学生在课前完成课程教材的预习，在课上进行提问和实例讨论加强知识理解的教学模式。这种教学模式将课堂的主动权交给了学生，学生的参与感更强。实验成功的翻转课堂有明显的研究表明整体教学结果有大量的提高。翻转课堂成功的本质是：(1).将显性知识(课本内容)隐性化，即在课堂讨论的时候转变为类似经验的记忆，并且在课堂讨论的时候将理论应用在作为隐形知识的生活经验；(2).在课堂讨论的过程中利用隐性知识近端触发的特性用学生的隐性知识(经验)触发更多学生的隐性知识，形成知识量的积累。

但是,现有技术的翻转课堂具有非常大的定制性，即老师在线下面授的时候需要根据学生学习状况和进度做调整。而且摆脱不了传统班级教学形式对时间空间的限制。学生隐性知识的近端触发限制在一个班级的同学和上课时间内，无法扩大和有效保留下来。

本实施例中，学生(所述用户)在在阅读/看视频/做练习等教材信息学习时遇到不懂的问题的情况下，可以根据当前位置的教材信息对应的历史问答信息展示于所述论坛区；如果所述历史问答信息触发了学生的隐性知识，则学生还可以加入所述论坛区的讨论；并且，若学生在所述论坛区未找到所需的答案，还可以自行提出新的问题；从而能够在线上重构一个翻转课堂的讨论场景，可以近端触发学生的隐性知识，并且随着所述隐性知识的积累形成规模效应。

所述的第一关联信息获取步骤中，用户向所述知识管理系统发起的问题，主要是通过SPARQL从知识库中搜索结构化信息，对于学生的问题，SPARQL根据图谱知识库进行检索并能够智能地回答学生提出的该课程的相关问题。可用于自动回答学生在论坛的提问以及其他端口导入的问题。提问之后除了在论坛上留下人类自然语义的回答数据，还在数据库中生成新的关联数据(第一关联信息)。

所述的第二关联信息获取步骤中，根据所述用户行为信息及用户行为所对应的所述知识图谱中的结构化数据挖掘得到第二关联信息，是指根据所述用户行为信息与所述结构化数据的关联性，通过知识推理得到所述用户行为信息的反馈信息，作为所述第二关联信息。

其中，所述的用户行为信息的分析主要是通过对学生阅读、看视频、做练习、看其他问答帖、提问、回复帖子的几种行为进行API埋点提取数据进入行为分析模块做大数据分析处理。所述用户行为信息即用户行为API信息，所述API带有实体(Entity)的维度信息，以表示用户在不同场景下对不同实体的反应程度。这些带有图谱内容的数据信息在经过各类模型建模进行数据处理之后能够搭建成科学的知识图谱。

知识推理步骤除了从知识库中抽取可视化的知识图谱，还从综合数据库中抽取带有实体标签的用户行为数据(API)模型进行多维度对比，从而使得信息维度更深，能够挖掘的有价值的信息更多。知识推理产生的新的知识发现会再进入到质量评估环节由专家人工进行评估，并将符合质量评估要求的新的知识(第二关联信息)导出到知识库。

另外，与所述构建方法相对应的，本发明还提供一种基于知识管理系统的人工智能专家系统，如图1所示，其包括：人机接口模块(图中最顶部)，知识图谱构建模块(中间的流程)，行为分析模块(左边的流程)，解释器模块(右边的流程)，以及知识库(最底部)。具体的，

人机接口模块，其通过所述知识管理系统获取教材信息、问答信息和用户行为信息；

知识图谱构建模块，其通过对所述教材信息进行数据结构化处理，并根据得到的结构化数据进行构建知识图谱；

解释器模块，根据所述问答信息中的问题和匹配的答案得到第一关联信息，并将所述第一关联信息更新至所述知识图谱中；

行为分析模块，其根据所述用户行为信息及用户行为所对应的所述知识图谱中的结构化数据挖掘得到第二关联信息，并将所述第二关联信息更新至所述知识图谱中；

知识库，用于存储所述知识图谱。

所述知识库的主要功能包括：a.接收记录知识图谱架构模块里清理干净的RDF(或相似)结构化数据；b.供解释器模块的SPARQL检索并生成新的关联记录(第一关联信息)；c.生成视觉化知识图谱供知识推理环节进行分析发现得到第二关联信息。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于专家系统的实施例而言，由于其与专家系统的构建方法的实施例基本相对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

并且，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外，本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

上述说明示出并描述了本发明的优选实施例，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (11)

1.一种基于知识管理系统的人工智能专家系统的构建方法，其特征在于，包括以下步骤：

通过所述知识管理系统获取教材信息、问答信息和用户行为信息；

通过对所述教材信息进行数据结构化处理，并根据得到的结构化数据进行构建知识图谱；

根据所述问答信息中的问题和匹配的答案得到第一关联信息，并将所述第一关联信息更新至所述知识图谱中；

根据所述用户行为信息及用户行为所对应的所述知识图谱中的结构化数据挖掘得到第二关联信息，并将所述第二关联信息更新至所述知识图谱中；

其中，所述的根据所述用户行为信息及用户行为所对应的所述知识图谱中的结构化数据挖掘得到第二关联信息，是指根据所述用户行为信息与所述结构化数据的关联性，通过知识推理得到所述用户行为信息的反馈信息，作为所述第二关联信息；

所述用户行为信息的分析是通过对学生阅读、看视频、做练习、看其他问答帖、提问、回复帖子的一种以上行为进行API埋点提取数据做大数据分析处理；所述用户行为信息即用户行为API信息，所述API信息是带有实体的维度信息，以表示用户在不同场景下对不同实体的反应程度；所述结构化数据、所述用户行为信息及所述第二关联信息经数据处理之后搭建成所述知识图谱；

并且，除了从知识库中抽取可视化的知识图谱，还从综合数据库中抽取带有实体标签的用户行为数据模型进行多维度对比；知识推理产生的新的知识发现再进入到质量评估环节由专家人工进行评估，并将符合质量评估要求的第二关联信息导出到知识库。

2.根据权利要求1所述的一种基于知识管理系统的人工智能专家系统的构建方法，其特征在于：所述教材信息包括以下任一项或者两项以上的结合：文档教材、图像教材、视频教材、音频教材、教材习题；所述用户行为信息包括以下任一项或者两项以上的结合：学生访问内容、学生访问时间、学生提问内容、学生评论内容、教师教学内容、教师教学方式。

3.根据权利要求1所述的一种基于知识管理系统的人工智能专家系统的构建方法，其特征在于：所述对所述教材信息进行数据结构化处理，进一步包括以下步骤：

信息抽取：根据RDF框架对所述教材信息进行实体抽取、关系抽取、属性抽取，得到所述教材信息的章节内容、章节知识点、知识点关联的问答信息；

信息融合：通过自然语义解析技术引入第三方知识库对抽取的实体进行共指解析和实体消歧，得到初步RDF数据；

质量评估：通过机器评估和/或专家人工评估的方法对所述RDF数据进行监督和调试，得到清洁的结构化的RDF数据。

4.根据权利要求2所述的一种基于知识管理系统的人工智能专家系统的构建方法，其特征在于：所述知识管理系统向用户推送问答信息后，根据用户选择的问答信息进入问答详细界面；并且，在所述问答详细界面设置问答内容区和教材引用区，通过所述问答内容区展示所述问答信息的详细内容，通过所述教材引用区展示所述问答信息相关联的教材信息。

5.根据权利要求4所述的一种基于知识管理系统的人工智能专家系统的构建方法，其特征在于：所述问答信息是指在用户主界面展示的问题列表；用户从所述问题列表中选择任一问题，进入该问题对应的问答详细界面；并且，如果用户有购买课程,则在所述问题列表中推送课程教材内的最新问答信息或关联课程类别内的其他课程教材下的问答信息；如果用户未购买课程，则在所述问题列表中推送用户订阅的课程教材下的最新问答信息和/或关联课程类别内的其他课程教材下的问答信息。

6.根据权利要求5所述的一种基于知识管理系统的人工智能专家系统的构建方法，其特征在于：所述问题列表中包括问题和教材引文的摘要；所述问答详细界面展示完整的问题内容及完整的教材引文信息；并且，所述教材引用区定位至所述教材引文信息的对应位置，并可通过上下移动操作或左右移动操作进行展示所述教材引文信息的上下文信息。

7.根据权利要求5所述的一种基于知识管理系统的人工智能专家系统的构建方法，其特征在于：进一步将所述问题列表根据所述问答信息的所属类别分类展示于移动终端的首页界面；所述问答信息的所属类别是根据所属的教材信息或者所属的专题类型进行分类展示，不同所属类别的问答信息的展示界面之间切换显示。

8.根据权利要求4所述的一种基于知识管理系统的人工智能专家系统的构建方法，其特征在于：所述问答内容区和所述教材引用区采用上下布局；所述问答内容区和所述教材引用区之间的分界线可上下移动调整；或者，所述问答内容区展示于所述问答详细界面的主显示区域，所述教材引用区通过图标触发操作或手势触发操作悬浮展示于所述问答内容区的上方。

9.根据权利要求4所述的一种基于知识管理系统的人工智能专家系统的构建方法，其特征在于：所述教材引用区展示所述问答信息相关联的教材信息，是指直接跳转至所述问答信息的所述文档教材的对应文档页面或者所述图像教材的对应图像页面或者所述视频教材的对应视频帧或者所述音频教材的对应音频帧或者所述教材习题的对应题号。

10.根据权利要求4所述的一种基于知识管理系统的人工智能专家系统的构建方法，其特征在于：所述问答详细界面还包括论坛区，所述论坛区与所述教材引用区共用一个区域，且所述论坛区与所述教材引用区之间切换显示；所述论坛区用于展示所述问答信息相关联的当前用户的提问信息或老师的回答信息或其他用户的讨论信息，或者，所述论坛区用于展示所述教材引用区的教材信息相关联的历史问答信息或评论信息或解析信息。

11.一种基于知识管理系统的人工智能专家系统，其特征在于，包括：

人机接口模块，其通过所述知识管理系统获取教材信息、问答信息和用户行为信息；

知识图谱构建模块，其通过对所述教材信息进行数据结构化处理，并根据得到的结构化数据进行构建知识图谱；

解释器模块，根据所述问答信息中的问题和匹配的答案得到第一关联信息，并将所述第一关联信息更新至所述知识图谱中；

行为分析模块，其根据所述用户行为信息及用户行为所对应的所述知识图谱中的结构化数据挖掘得到第二关联信息，并将所述第二关联信息更新至所述知识图谱中；

知识库，用于存储所述知识图谱；

其中，所述的根据所述用户行为信息及用户行为所对应的所述知识图谱中的结构化数据挖掘得到第二关联信息，是指根据所述用户行为信息与所述结构化数据的关联性，通过知识推理得到所述用户行为信息的反馈信息，作为所述第二关联信息；

所述用户行为信息的分析是通过对学生阅读、看视频、做练习、看其他问答帖、提问、回复帖子的一种以上行为进行API埋点提取数据做大数据分析处理；所述用户行为信息即用户行为API信息，所述API信息是带有实体的维度信息，以表示用户在不同场景下对不同实体的反应程度；所述结构化数据、所述用户行为信息及所述第二关联信息经数据处理之后搭建成所述知识图谱；

并且，除了从知识库中抽取可视化的知识图谱，还从综合数据库中抽取带有实体标签的用户行为数据模型进行多维度对比；知识推理产生的新的知识发现再进入到质量评估环节由专家人工进行评估，并将符合质量评估要求的第二关联信息导出到知识库。

Images