CN110599377A - 在线学习的知识点排序方法和装置 - Google Patents

在线学习的知识点排序方法和装置 Download PDF

Info

Publication number
CN110599377A
CN110599377A CN201910871978.8A CN201910871978A CN110599377A CN 110599377 A CN110599377 A CN 110599377A CN 201910871978 A CN201910871978 A CN 201910871978A CN 110599377 A CN110599377 A CN 110599377A
Authority
CN
China
Prior art keywords
network
knowledge points
index value
value vector
importance
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.)
Pending
Application number
CN201910871978.8A
Other languages
English (en)
Inventor
白羽
李晓寒
邓宏钟
邓烨
王涛
尹刚
祁明泽
余跃
张洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201910871978.8A priority Critical patent/CN110599377A/zh
Publication of CN110599377A publication Critical patent/CN110599377A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9538—Presentation of query results
    • 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
    • G06Q50/205—Education administration or guidance

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及一种在线学习的知识点排序方法、装置、计算机设备和存储介质。所述方法包括：解析在线学习中包含的知识点，构建知识点的依存关系网络，获取在线学习的试题信息，解析试题信息中包含的知识点，构建知识点的协同关系网络，根据依存关系网络和协同关系网络，构建多层关系网络，根据多层关系网络中节点的重要性，对知识点重要性进行排序。采用本方法能够提高知识点排序的准确性，从而提高知识点推送的准确性。

Description

在线学习的知识点排序方法和装置
技术领域
本申请涉及计算机技术领域，特别是涉及一种在线学习的知识点排序方法、装置、计算机设备和存储介质。
背景技术
随着计算机网络技术的迅速发展，为教学与网络相结合的教育方式提供了有力支撑，编程平台逐渐摆脱了本地化的限制，各种在线编程学习平台相继出现在人们视野中。在线编程学习与其他自然学科学习不同，其他自然学科可以对单一知识点进行检测，然而编程学习是一个知识重组和融合的过程，因此无法借鉴其他自然学科的在线学习平台的对于知识点个性化推荐的方式。
目前，在线编程平台的知识点是基于知识网络或者知识图谱，然而知识网络和知识图谱无法表达出知识点的分散性和隐含性的特点，从而导致知识点个性化推荐不准确。
发明内容
基于此，有必要针对上述技术问题，提供一种能够解决现有在线编程平台知识点推荐不准确问题的在线学习的知识点排序方法、装置、计算机设备和存储介质。
一种在线学习的知识点排序方法，所述方法包括：
解析在线学习课程中包含的知识点，构建知识点的依存关系网络；
获取在线学习课程的试题信息，解析所述试题信息中包含的知识点，构建所述知识点的协同关系网络；
根据所述依存关系网络和所述协同关系网络，构建多层关系网络；
根据所述多层关系网络中节点的重要性，对所述知识点重要性进行排序。
在其中一个实施例中，还包括：根据在线学习课程中包含的知识点，构建知识点的节点集合；根据各个知识点的依存关系，构建知识点的依存边集合；根据所述节点集合和所述边集合，构建知识点的依存关系网络。
在其中一个实施例中，还包括：获取在线学习课程的试题信息，解析所述试题信息中包含的知识点；根据所述试题信息中包含的知识点，确定各个知识点的协同关系；根据所述协同关系，构建知识点的协同边集合；根据所述节点集合和所述协同边集合，构建所述知识点的协同关系网络。
在其中一个实施例中，还包括：根据所述依存关系网络中的依存边集合以及所述协同关系网络中的协同边集合，构建边集合；根据所述边集合和所述节点集合，构建多层关系网络。
在其中一个实施例中，还包括：根据预先设置的节点排序算法对所述多层关系网络中的每一层中的节点进行重要性排序，得到第一层网络对应的第一指标值向量和第二层网络的第二指标值向量；所述第一指标值向量和所述第二指标值向量中每个元素是对应节点的指标重要值；对所述第一指标值向量和所述第二指标值向量进行加权，得到所述多层关系网络的指标值向量；根据所述指标值向量，对所述知识点重要性进行排序。
在其中一个实施例中，所述节点排序算法为度中心性算法；还包括：根据预先设置的度中心性算法，确定所述多层关系网络中的每一层中节点的邻居节点数量；针对每一层，根据邻居节点数量，对节点进行重要性排序；分别得到第一层网络对应的第一指标值向量和第二层网络的第二指标值向量；所述第一指标值向量和所述第二指标值向量中每个元素是对应节点的指标重要值；对所述第一指标值向量和所述第二指标值向量进行加权，得到所述多层关系网络的指标值向量；根据所述指标值向量，对所述知识点重要性进行排序。
在其中一个实施例中，所述节点排序算法为介数中心性算法；还包括：根据预先设置的介数中心性算法，确定所述多层关系网络中的每一层中节点的最短路径数量；针对每一层，根据所述最短路径数量，对节点进行重要性排序；分别得到第一层网络对应的第一指标值向量和第二层网络的第二指标值向量；所述第一指标值向量和所述第二指标值向量中每个元素是对应节点的指标重要值；对所述第一指标值向量和所述第二指标值向量进行加权，得到所述多层关系网络的指标值向量；根据所述指标值向量，对所述知识点重要性进行排序。
一种在线学习的知识点排序装置，所述装置包括：
依存网络构建模块，用于解析在线学习课程中包含的知识点，构建知识点的依存关系网络；
协同网络构建模块，用于获取在线学习课程的试题信息，解析所述试题信息中包含的知识点，构建所述知识点的协同关系网络；
多层网络构建模块，用于根据所述依存关系网络和所述协同关系网络，构建多层关系网络；
排序模块，用于根据所述多层关系网络中节点的重要性，对所述知识点重要性进行排序。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
解析在线学习课程中包含的知识点，构建知识点的依存关系网络；
获取在线学习课程的试题信息，解析所述试题信息中包含的知识点，构建所述知识点的协同关系网络；
根据所述依存关系网络和所述协同关系网络，构建多层关系网络；
根据所述多层关系网络中节点的重要性，对所述知识点重要性进行排序。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
解析在线学习课程中包含的知识点，构建知识点的依存关系网络；
获取在线学习课程的试题信息，解析所述试题信息中包含的知识点，构建所述知识点的协同关系网络；
根据所述依存关系网络和所述协同关系网络，构建多层关系网络；
根据所述多层关系网络中节点的重要性，对所述知识点重要性进行排序。
上述在线学习的知识点排序方法、装置、计算机设备和存储介质，通过构建依存关系网络，表达出知识点之间的显式关系，然后对在线学习课程的试题信息进行解析，构建协同关系网络，表达出知识点之间的隐式关系，从而构建包含各知识点显式关系和隐式关系的多层关系网络，从而根据多层关系网络，可以准确根据节点的重要性对知识点的重要性进行排序。
附图说明
图1为一个实施例中在线学习的知识点排序方法的应用场景图；
图2为一个实施例中在线学习的知识点排序方法的流程示意图；
图3为一个实施例中依存关系网络的结构示意图；
图4为一个实施例中构建依存关系网络步骤的流程示意图；
图5为一个实施例中对知识点排序步骤的示意性流程图；
图6为一个实施例中在线学习的知识点排序装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的在线学习的知识点排序方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
具体的，终端102中运行在线学习平台，终端102对应的用户可以通过在线学习平台进行在线编程学习。服务器104负责对在线学习平台进行运营和维护，通过指定功能可以将编程试题推送给终端102，在服务器104中，通过解析在线学习课程的知识点，可以构建知识点的依存网络，网络通过获取数据库中存储的试题信息，可以解析试题中包含的知识点，从而根据试题信息中包含的知识点，构建协同关系网络，从而根据依存关系网络和协同关系网络构建多层关系网络，从而服务器104可以根据多层关系网络中节点的重要性，对知识点重要性进行排序，服务器104还可以根据知识点排序，对终端102进行个性化推送知识点对应的试题。
在一个实施例中，如图2所示，提供了一种在线学习的知识点排序方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，解析在线学习课程中包含的知识点，构建知识点的依存关系网络。
知识点指的是一个知识门类，对于一个自然学科的学习，其中包括多个知识点，在进行在线学习课程的学习平台中，通过对包含知识点的试题进行学习，从而完成学习任务。
以在线编程学习为例，编程学习包含的知识点包括：数据类型1、变量2、变量类型3、标识符4、变量声明5、变量定义6、函数7、变量作用于8等知识点，从而构建得到的依存关系网络如图3所示，依存关系指的是，在进行一个知识点学习时，需要掌握在先的知识点，以图3中的数据类型1和变量类型3为例，在学习变量类型3之前，需要先学习数据类型1，在图3中变量类型3通过边与数据类型1，通过边表示变量类型3对数据类型1存在依存关系。
步骤204，获取在线学习课程的试题信息，解析试题信息中包含的知识点，构建知识点的协同关系网络。
试题信息指的是推送给学习平台用户的试题，服务器通过试题信息可以解析出其中考察的知识点，通过大量的试题信息解析，可以构建知识点的协同关系网络。
以图3为例进行说明，在同一试题中，解析到同时包含了知识点数据类型1和知识点变量2，则在构建协同关系网络时，数据类型1通过边与变量2连接，通过边表示二者之间的协同关系，若同一个试题中出现三个知识点，则采用全连接的方式，两两知识点之间形成边。
步骤206，根据依存关系网络和协同关系网络，构建多层关系网络。
步骤208，根据多层关系网络中节点的重要性，对知识点重要性进行排序。
可以采用多种算法，计算网络中节点的重要性，在确定重要性之后，可以根据重要性进行排序。
上述在线学习的知识点排序方法中，通过构建依存关系网络，表达出知识点之间的显式关系，然后对在线学习课程的试题信息进行解析，构建协同关系网络，表达出知识点之间的隐式关系，从而构建包含各知识点显式关系和隐式关系的多层关系网络，从而根据多层关系网络，可以准确根据节点的重要性对知识点的重要性进行排序。
在实际应用时，服务器根据各个知识点的排序，可以指定每个学习平台用户的学习路径，并且按照学习路径给每个用户推送试题。
在其中一个实施例中，如图4所示，提供一种构建依存关系网络步骤的示意性流程图，具体步骤如下：
步骤402，根据在线学习课程中包含的知识点，构建知识点的节点集合。
步骤404，根据各个知识点的依存关系，构建知识点的依存边集合。
步骤406，根据节点集合和边集合，构建知识点的依存关系网络。
本实施例中，通过节点集合和边集合，构建依存关系网络，便于计算机进行处理。
在又一个实施例中，可以将每个知识点作为一个节点，可以构建节点集合为V＝{v1,v2,Λ,vn}，其中，n表示节点的数量，当两个知识点之间存在依存关系时，将其对应的节点采用边进行连接，所有边即构成边集合为E1＝{e1,e2,Λ,em}，其中，m表示边的数量。从而可以构建依存关系网络为G(V,E1)。
在一个具体的实施例中，由于边集合中只存在一种边关系，因此，可以采用邻接矩阵来表示依存关系网络，邻接矩阵如下：
其中，A表示邻接矩阵，aij取值如下：
n*n表示n阶方阵。
在其中一个实施例中，构造协同关系矩阵的步骤可以是：获取在线学习课程的试题信息，解析试题信息中包含的知识点，根据试题信息中包含的知识点，确定各个知识点的协同关系，根据协同关系，构建知识点的协同边集合，根据节点集合和协同边集合，构建知识点的协同关系网络。本实施例中，通过试题信息，可以提取出知识点之间的隐含关系，从而可以更加准确的进行知识点的推送。
进一步的，服务器从数据库中提取到试题信息，可以采用语义解析的方式提取到试题信息中包含的知识点。另外，可以预先对数据库中的试题信息采用标签进行标记，服务器在进行解析时，只需通过识别试题对应的标签，就可以解析到试题中包含的知识点。
具体的，服务器在获取到大量试题信息包含的知识点信息后，可以采用机器学习的方式，训练得到各个知识点之间的协同关系。
由于知识点的数量以及类型与依存关系网络中的相同，因此，可以采用V＝{v1,v2,Λ,vn}表示节点集合，由于协同边与依存边不同，因此，协同边集合可以表示为G(V,E2)。
在又一个实施例中，构建多层关系网络的步骤可以是：根据依存关系网络中的依存边集合以及协同关系网络中的协同边集合，构建边集合，根据边集合和节点集合，构建多层关系网络。边集合中包含了两种边，因此可以准确的体现出网络中节点的重要性。
在其中一个实施例中，如图5所示，提供一种对知识点排序步骤的示意性流程图，具体步骤如下：
步骤502，根据预先设置的节点排序算法对多层关系网络中的每一层中的节点进行重要性排序，得到第一层网络对应的第一指标值向量和第二层网络的第二指标值向量。
其中，第一指标值向量和第二指标值向量中每个元素是对应节点的指标重要值。
步骤504，对第一指标值向量和第二指标值向量进行加权，得到多层关系网络的指标值向量。
步骤506，根据指标值向量，对知识点重要性进行排序。
具体的，两个指标值向量可以表示为(k＝1,2)，其中元素表示节点i在第k层的指标重要值。若第一层网络的权重为w1，第二层网络的权重为w2，则指标值向量可以表示为M＝w1M1+w2M2。
对于步骤502，在其中一个实施例中，节点排序算法为度中心性算法，那么进行知识点排序的步骤包括：根据预先设置的度中心性算法，确定多层关系网络中的每一层中节点的邻居节点数量，针对每一层，根据邻居节点数量，对节点进行重要性排序，分别得到第一层网络对应的第一指标值向量和第二层网络的第二指标值向量，第一指标值向量和第二指标值向量中每个元素是对应节点的指标重要值，对第一指标值向量和第二指标值向量进行加权，得到多层关系网络的指标值向量，根据指标值向量，对知识点重要性进行排序。
具体的，对于关系网络中的节点，中心化度中心性为：
其中，aij表示邻接矩阵中的元素，通过每个节点的中心化度中心性，可以确定网络中每个节点的邻居节点数量，从而对节点的重要性进行排序。
在另一个实施例中，节点排序算法还可以选择介数中心性算法，对于关系网络中的节点，所有最短路径中，经过节点i的路径数目占最短路径总数的比例的计算公式如下：
其中，gst表示节点s到节点t的最短路径，表示节点s到节点t的gst条路径中包含节点i的数目。根据最短路径通过节点i的条数，可以对节点的重要性进行排序。
在又一个实施例中，节点排序算法还可以选择接近程度算法，其中采用一个节点与其他节点的最短路径的均值来衡量节点的重要程度，节点i的接近程度计算公式如下：
其中，dij表示节点i到节点j的距离。通过上述公式，可以计算出每个节点的接近程度，从而对节点的重要性进行排序。
在一具体实施例中，节点排序算法还可以选择特征向量中心性算法，特征向量中心性不仅考虑邻居数量还考虑了其质量对节点重要性的影响。记xi为节点i的重要性度量值，表达式如下；
其中，c表示比例常数，记x＝{x1,Λ,xn}，多次迭代之后的稳态时的表达式为：x＝cAx，x是矩阵A的特征值c-1对应的特征向量，计算x的方法是给定出初值x(0)，然后采用如下算法进行迭代：x(t)＝cAx(t-1),t＝1,2,...,，直到归一化的x′(t)＝x′(t-1)位置。
应该理解的是，虽然图2、3、5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、3、5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种在线学习的知识点排序装置，包括：依存网络构建模块602、协同网络构建模块604、多层网络构建模块606和排序模块608，其中：
依存网络构建模块602，用于解析在线学习课程中包含的知识点，构建知识点的依存关系网络；
协同网络构建模块604，用于获取在线学习课程的试题信息，解析所述试题信息中包含的知识点，构建所述知识点的协同关系网络；
多层网络构建模块606，用于根据所述依存关系网络和所述协同关系网络，构建多层关系网络；
排序模块608，用于根据所述多层关系网络中节点的重要性，对所述知识点重要性进行排序。
在其中一个实施例中，依存网络构建模块602还用于根据在线学习课程中包含的知识点，构建知识点的节点集合；根据各个知识点的依存关系，构建知识点的依存边集合；根据所述节点集合和所述边集合，构建知识点的依存关系网络。
在其中一个实施例中，协同网络构建模块604还用于获取在线学习课程的试题信息，解析所述试题信息中包含的知识点；根据所述试题信息中包含的知识点，确定各个知识点的协同关系；根据所述协同关系，构建知识点的协同边集合；根据所述节点集合和所述协同边集合，构建所述知识点的协同关系网络。
在其中一个实施例中，多层网络构建模块606还用于根据所述依存关系网络中的依存边集合以及所述协同关系网络中的协同边集合，构建边集合；根据所述边集合和所述节点集合，构建多层关系网络。
在其中一个实施例中，排序模块608还用于根据预先设置的节点排序算法对所述多层关系网络中的每一层中的节点进行重要性排序，得到第一层网络对应的第一指标值向量和第二层网络的第二指标值向量；所述第一指标值向量和所述第二指标值向量中每个元素是对应节点的指标重要值；对所述第一指标值向量和所述第二指标值向量进行加权，得到所述多层关系网络的指标值向量；根据所述指标值向量，对所述知识点重要性进行排序。
在其中一个实施例中，述节点排序算法为度中心性算法；排序模块608还用于根据预先设置的度中心性算法，确定所述多层关系网络中的每一层中节点的邻居节点数量；针对每一层，根据邻居节点数量，对节点进行重要性排序；分别得到第一层网络对应的第一指标值向量和第二层网络的第二指标值向量；所述第一指标值向量和所述第二指标值向量中每个元素是对应节点的指标重要值；对所述第一指标值向量和所述第二指标值向量进行加权，得到所述多层关系网络的指标值向量；根据所述指标值向量，对所述知识点重要性进行排序。
在其中一个实施例中，所述节点排序算法为介数中心性算法；排序模块608还用于根据预先设置的介数中心性算法，确定所述多层关系网络中的每一层中节点的最短路径数量；针对每一层，根据所述最短路径数量，对节点进行重要性排序；分别得到第一层网络对应的第一指标值向量和第二层网络的第二指标值向量；所述第一指标值向量和所述第二指标值向量中每个元素是对应节点的指标重要值；对所述第一指标值向量和所述第二指标值向量进行加权，得到所述多层关系网络的指标值向量；根据所述指标值向量，对所述知识点重要性进行排序。
关于在线学习的知识点排序装置的具体限定可以参见上文中对于在线学习的知识点排序方法的限定，在此不再赘述。上述在线学习的知识点排序装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储试题信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种在线学习的知识点排序方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种在线学习的知识点重要性排序方法，所述方法包括：
解析在线学习课程中包含的知识点，构建知识点的依存关系网络；
获取在线学习课程的试题信息，解析所述试题信息中包含的知识点，构建所述知识点的协同关系网络；
根据所述依存关系网络和所述协同关系网络，构建多层关系网络；
根据所述多层关系网络中节点的重要性，对所述知识点重要性进行排序。
2.根据权利要求1所述的方法，其特征在于，所述解析在线学习课程中包含的知识点，构建知识点的依存关系网络，包括：
根据在线学习课程中包含的知识点，构建知识点的节点集合；
根据各个知识点的依存关系，构建知识点的依存边集合；
根据所述节点集合和所述边集合，构建知识点的依存关系网络。
3.根据权利要求2所述的方法，其特征在于，所述获取在线学习课程的试题信息，解析所述试题信息中包含的知识点，构建所述知识点的协同关系网络，包括：
获取在线学习课程的试题信息，解析所述试题信息中包含的知识点；
根据所述试题信息中包含的知识点，确定各个知识点的协同关系；
根据所述协同关系，构建知识点的协同边集合；
根据所述节点集合和所述协同边集合，构建所述知识点的协同关系网络。
4.根据权利要求3所述的方法，其特征在于，根据所述依存关系网络和所述协同关系网络，构建多层关系网络，包括：
根据所述依存关系网络中的依存边集合以及所述协同关系网络中的协同边集合，构建边集合；
根据所述边集合和所述节点集合，构建多层关系网络。
5.根据权利要求1至4任一项所述的方法去，其特征在于，根据所述多层关系网络中节点的重要性，对所述知识点重要性进行排序，包括：
根据预先设置的节点排序算法对所述多层关系网络中的每一层中的节点进行重要性排序，得到第一层网络对应的第一指标值向量和第二层网络的第二指标值向量；所述第一指标值向量和所述第二指标值向量中每个元素是对应节点的指标重要值；
对所述第一指标值向量和所述第二指标值向量进行加权，得到所述多层关系网络节点的指标值向量；
根据所述指标值向量，对所述知识点重要性进行排序。
6.根据权利要求5所述的方法，其特征在于，所述节点排序算法为度中心性算法；
根据所述多层关系网络中节点的重要性，对所述知识点重要性进行排序，包括：
根据预先设置的度中心性算法，确定所述多层关系网络中的每一层中节点的邻居节点数量；
针对每一层，根据邻居节点数量，对节点进行重要性排序；
分别得到第一层网络对应的第一指标值向量和第二层网络的第二指标值向量；所述第一指标值向量和所述第二指标值向量中每个元素是对应节点的指标重要值；
对所述第一指标值向量和所述第二指标值向量进行加权，得到所述多层关系网络节点的节点指标值向量；
根据所述节点指标值向量，对所述知识点重要性进行排序。
7.根据权利要求5所述的方法，其特征在于，所述节点排序算法为介数中心性算法；
根据所述多层关系网络中节点的重要性，对所述知识点重要性进行排序，包括：
根据预先设置的介数中心性算法，确定所述多层关系网络中的每一层中节点的最短路径数量；
针对每一层，根据所述最短路径数量，对节点进行重要性排序；
分别得到第一层网络对应的第一指标值向量和第二层网络的第二指标值向量；所述第一指标值向量和所述第二指标值向量中每个元素是对应节点的指标重要值；
对所述第一指标值向量和所述第二指标值向量进行加权，得到所述多层关系网络节点的指标值向量；
根据所述指标值向量，对所述知识点重要性进行排序。
8.一种在线学习的知识点排序装置，其特征在于，所述装置包括：
依存网络构建模块，用于解析在线学习课程中包含的知识点，构建知识点的依存关系网络；
协同网络构建模块，用于获取在线学习课程的试题信息，解析所述试题信息中包含的知识点，构建所述知识点的协同关系网络；
多层网络构建模块，用于根据所述依存关系网络和所述协同关系网络，构建多层关系网络；
排序模块，用于根据所述多层关系网络中节点的重要性，对所述知识点重要性进行排序。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN201910871978.8A 2019-09-16 2019-09-16 在线学习的知识点排序方法和装置 Pending CN110599377A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910871978.8A CN110599377A (zh) 2019-09-16 2019-09-16 在线学习的知识点排序方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910871978.8A CN110599377A (zh) 2019-09-16 2019-09-16 在线学习的知识点排序方法和装置

Publications (1)

Publication Number Publication Date
CN110599377A true CN110599377A (zh) 2019-12-20

Family

ID=68859829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910871978.8A Pending CN110599377A (zh) 2019-09-16 2019-09-16 在线学习的知识点排序方法和装置

Country Status (1)

Country Link
CN (1) CN110599377A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111444327A (zh) * 2020-04-09 2020-07-24 中国银行股份有限公司 热点知识确定方法、装置及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156908A (zh) * 2015-03-26 2016-11-23 深圳中兴网信科技有限公司 一种管理教育资源的方法和设备
CN107562918A (zh) * 2017-09-12 2018-01-09 北京点易通科技有限公司 一种数学题知识点发现与批量标签获取方法
CN107885846A (zh) * 2017-11-10 2018-04-06 西安交通大学 一种基于隐式属性和隐式关系挖掘的知识点推荐方法
CN107967254A (zh) * 2017-10-31 2018-04-27 科大讯飞股份有限公司 知识点预测方法及装置、存储介质、电子设备
CN108255812A (zh) * 2018-01-16 2018-07-06 西南大学 基于语义标注的微积分能力测试题智能生成方法
CN108573628A (zh) * 2018-04-23 2018-09-25 中山大学 基于学习轨迹的学习能力评估与扩展知识点集推荐的方法
CN109829059A (zh) * 2019-01-18 2019-05-31 平安科技（深圳）有限公司 推荐知识点的方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156908A (zh) * 2015-03-26 2016-11-23 深圳中兴网信科技有限公司 一种管理教育资源的方法和设备
CN107562918A (zh) * 2017-09-12 2018-01-09 北京点易通科技有限公司 一种数学题知识点发现与批量标签获取方法
CN107967254A (zh) * 2017-10-31 2018-04-27 科大讯飞股份有限公司 知识点预测方法及装置、存储介质、电子设备
CN107885846A (zh) * 2017-11-10 2018-04-06 西安交通大学 一种基于隐式属性和隐式关系挖掘的知识点推荐方法
CN108255812A (zh) * 2018-01-16 2018-07-06 西南大学 基于语义标注的微积分能力测试题智能生成方法
CN108573628A (zh) * 2018-04-23 2018-09-25 中山大学 基于学习轨迹的学习能力评估与扩展知识点集推荐的方法
CN109829059A (zh) * 2019-01-18 2019-05-31 平安科技（深圳）有限公司 推荐知识点的方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王娟; 石磊; 王祖俪: "多层网络节点重要性排序研究", 《计算机应用研究》 *
马丽丽，郑志明，张占利，姜鑫等著: "《基于模块和鲁棒性的复杂网络结构和功能特性研究及协同优化》", 31 January 2017, 首都经济贸易大学出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111444327A (zh) * 2020-04-09 2020-07-24 中国银行股份有限公司 热点知识确定方法、装置及系统
CN111444327B (zh) * 2020-04-09 2023-08-11 中国银行股份有限公司 热点知识确定方法、装置及系统

Similar Documents

Publication Publication Date Title
CN111126668B (zh) 基于图卷积网络的Spark作业时间预测方法和装置
US11983269B2 (en) Deep neural network system for similarity-based graph representations
CN109902708B (zh) 一种推荐模型训练方法及相关装置
CN112735535B (zh) 预测模型训练、数据预测方法、装置和存储介质
CN107657015B (zh) 一种兴趣点推荐方法、装置、电子设备及存储介质
CN112910710B (zh) 网络流量时空预测方法、装置、计算机设备和存储介质
CN110287332B (zh) 云环境下仿真模型选择方法与装置
CN110888911A (zh) 样本数据处理方法、装置、计算机设备及存储介质
CN111651671A (zh) 用户对象推荐方法、装置、计算机设备和存储介质
CN112131261A (zh) 基于社区网络的社区查询方法、装置和计算机设备
CN110990135A (zh) 基于深度迁移学习的Spark作业时间预测方法和装置
CN114297585B (zh) 社交网络中重要节点排序方法、装置和计算机设备
CN110909975B (zh) 科研平台效益评估方法、装置
CN113566831B (zh) 基于人机交互的无人机集群导航方法、装置和设备
CN110413994B (zh) 热点话题生成方法、装置、计算机设备和存储介质
CN114997036A (zh) 基于深度学习的网络拓扑重构方法、装置和设备
CN110599377A (zh) 在线学习的知识点排序方法和装置
CN116501979A (zh) 信息推荐方法、装置、计算机设备及计算机可读存储介质
CN111125918A (zh) 基于相似寿命模型和相似寿命的复杂产品可靠性评定方法
CN116049678A (zh) 特征贡献度评估方法、装置、电子设备和存储介质
CN111008311A (zh) 基于邻域弱连接的复杂网络节点重要性评估方法和装置
CN110659517A (zh) 数据验证方法、装置、计算机设备和存储介质
CN115758271A (zh) 数据处理方法、装置、计算机设备和存储介质
CN112528500B (zh) 一种场景图构造模型的评估方法及评估设备
CN114003305A (zh) 设备相似度计算方法、计算机设备和存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191220