CN110717048B - 一种基于知识图谱的学习校正方法及系统 - Google Patents
一种基于知识图谱的学习校正方法及系统 Download PDFInfo
- Publication number
- CN110717048B CN110717048B CN201910595735.6A CN201910595735A CN110717048B CN 110717048 B CN110717048 B CN 110717048B CN 201910595735 A CN201910595735 A CN 201910595735A CN 110717048 B CN110717048 B CN 110717048B
- Authority
- CN
- China
- Prior art keywords
- learning
- value
- correction
- knowledge graph
- tag
- 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.)
- Active
Links
- 238000012937 correction Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 230000006399 behavior Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 19
- 238000001228 spectrum Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000009193 crawling Effects 0.000 description 3
- 239000002356 single layer Substances 0.000 description 3
- 239000010410 layer Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于知识图谱的学习校正方法,适用于应试教育中升学,考证,有目的性学习领域的自主学习引导个性化校正学习推荐。主要针对当前学习推荐领域中对于“精准跑偏”、“滞后推荐”、数据稀疏等问题解决。本文提出一种采用双图谱校正的算法,具有快速,稳定,目的性强且具有个性化等特点的方法实现。
Description
技术领域
该方法为一种基于知识图谱的学习校正方法,涉及数据挖掘和计算机应用领域知识。
背景技术
推荐算法的个性化原理,主要以用户偏好为主要依据进行驱动销售增量,即原本不会发生的销售。学习推荐和其他领域的推荐不同。同理运用到学习推荐里,很容易让原本要学习“枯燥”知识的用户,被量身定制的,更具有诱惑力的目标吸引,从而偏离最初学习目标。所以当用户操作越多,越了解该用户则越会“精准”且由于进行推荐评价的数据都为用户学习过的数据知识点,从而会出现“滞后”的推荐,使用户偏离原本应该学习的目标,形成推荐的“精准跑偏”和“滞后”问题。
本方法的通过知识图谱的web语义结构特性,和多源异构数据的特性,通过双图谱校正的方法来解决以上问题,且同时解决推荐系统的实际应用中的数据稀缺问题。
本方法适用于应试教育中、等级考试和考证人事,在学习过程中能较好的激发学生、学者、教师的学习主动性,并引导其实现最终学习目标。
发明内容
本发明解决的技术问题是:
互联网的发展带来海量数据的信息爆炸式增长,学习者面对如此巨大的知识量,很难知道自己真正需要的是什么,所以现在有部分学者,将推荐算法引入到学习推荐中,但由于较为初步,出现很多问题。
如,推荐算法的评分都采用用户操作过学习过的数据进行评分推断,但学习知识却需要不断学习新知识,所以极其容易出现出现学习推荐的“滞后性”;由于推荐算法的本质是为用户提供原本不需要但有个性化定制符合其兴趣爱好的额外横向的推荐,导致推荐类型更倾向于用户的个人偏好,且极易倾向于娱乐和愉悦的资料,且越了解用户(即操作数据)越多针对性越精准,从而当需要学习比较枯燥,难懂的知识时,则那些为用户量身定制的,符合用户偏好兴趣的推荐,额外资料,则容易让用户“精准跑偏”从而脱离原本学习目的。
且当前推荐系统相关算法应用到学习领域,容易出现数据稀疏的问题,当足够操作量的用户数据,又会出现“精准跑偏”问题。
本方法,既解决以上问题,同时为应试教育下,完成学业、晋级考证、应对各种考试,有方向,有目的性的学习进行个性化学习引导,实现真正的指向性个性化学习。
本方法公开了一种基于知识图谱的学习校正方法,其主要内容为:
1.一种基于知识图谱的学习校正方法,其特征在于:
(1)构建KGM目标领域知识图谱,且为每个ID标签建立需求值Mn(0<n<∞);
(2)构建KGE学习知识图谱或KGE二维标签库,为每个ID标签建立学习值Ei(0<i<∞);
(3)进行学习校正Mn-Ei=Sm(0<m<∞),其中分别由KGM的ID标签需求值Mn(0<n<∞)对同ID标签的KGE学习值Ei(0<i<∞)进行核减,若Mn>Ei,则执行两个同ID实体的需求值Mn-学习值Ei,获得的结果存储到Sm校正图谱的校正值中,代表还需要学习的值。如Mn=Ei,则该ID实体删除,不出现在Sm.若Mn<Ei,则执行两个同ID实体的需求值-学习值,获得的结果存储到Sm的校正值中,且显示负值,代表学习超量。从而获得校正图谱Sm。
定义1:设有G=(E,R,S)为知识库,E={e1,e2,…,e|E|}是知识库的实体集合,|E|为不同实体数量,R={r1,r2,…,r|E|}是知识库的属性集合,|R|为不同属性数量;表示三元组集合,即S(h,r,t),其中h和t表示头实体和尾实体,而r表示h和t之间的属性关系。则可用single layer model,SLM为每个三元组进行函数评价,且称为实体向量化的表示评价函数:
其中,ut的T次幂∈R的k次幂为关系r的向量化表示,g为tanh函数,Mr,1×Mr,2∈R的K次幂是通过关系r定义的两个矩阵。
定义2.KGM领域知识图谱:设S(h,r,t)为学习数据源三元组,ID为用户学者,领域、专业、学科知识点分别由实体h,r表示,由其学科间上下层确定其属性关系r。为每个ID创建KGM时为每个h,r增加需求值Mn(0<n<∞),需求值将被分为四个等级,分别为可学、了解、熟悉和掌握。
定义3.KGE学习知识图谱:设S*(h*,r*,t*))为用户操作学习三元组,ID为用户学者,其中h*,t*分别为首尾实体,r*为所述学科和知识点的上下层属性。
为每个ID创建KGE时为每个h*,r*增学习值Ei(0<i<∞).
2.根据权利要求1所述,其步骤(1)所述KGM目标领域知识图谱的ID标签数据来自,基维百科、百度百科、教育部、教学大纲等数据库知识库、互联网官方百科库、应试教育考试大纲、教学大纲等资源库的爬取、人工录入和系统预设。
通过获取或爬取教育部教学大纲或相关领域的考试大纲,为每一个实体ID建立需求标签Mn(0<n<∞)。需求值将被分为四个等级,分别为可学、了解、熟悉和掌握,并为其中每个实体ID的需求值进行赋值。
定义3中,其中Ei满足:
其中T为标签学习时长,当赋值ID标签与KGM中和其同义词库中具有相似度高的标签时,随着学习该标签的T越大则Ei值增加的越多,而不在标签内则增加的较少。这里引入了欧式距离。使i为用户评分向量,a和b则分别为两个标签的向量可获得整理式;
来衡量标签在其知识图谱KGM和同义词库中的相似度,(xiyi)为俩个标签在坐标器投影,且由于其处于分母位置,防止出现分母为0的情况,这里进行+1计算。
4.根据权利要求1所述,其步骤(3)中所述,
当步骤(2)中为KGE学习知识图谱,则此步骤为双图谱核减,即KGM的ID标签的需求值核减同ID的KGE的学习值获得Sm的校正值,获得校正图谱。
当步骤(2)中为KGE二维标签库,则此步骤为图谱ID标签的学习值核减,即KGM的ID标签的需求值核减同ID的KGE二维标签库的学习值获得Sm的校正值,获得校正图谱。
5.根据权利要求1所述,其步骤(2)和(3)之间需要进行标签的ID统一,将相同标签的ID进行ID号合并,将相似ID标签进行归类,相似度为0.7≤f且f≤1时进行相似标签统一ID,相似度<0.7时不归入统一ID中。
ID统一一般采用聚类算法,也可以选用同义词库进行划分同类词义。
6.根据权利要求5所述,其中进行ID标签统一时,当相似度<0.7时,可将其标签建立新ID,用为用户个性化操作偏好标签。
本方法后续可作为数据源为学习推荐做数据源,进行校正学习推荐。
7.根据权利要求1-6任意所述,其校正算法可用作推荐系统的基础数据进行推荐计算。
本方法主要是以推荐算法应用到学习领域进行学习推荐应用的校正学习进行涉及的,解决其具体应用的实际问题,为解决实际问题而设计的算法。
8.一种基于知识图谱的学习校正系统,其特征在于:所述系统可包括服务器或客户端、其所述服务器中运行校正程序,其所述客户端可运行校正程序,可捕或用户操作行为,其所述校正程序包括权利要求1-6任意所述。
该方法可以作为服务器-客户端或仅为客户端使用,采用分总,或单独硬件使用都可以,本方法并不局限与实现方式。
9.一种基于知识图谱的学习校正推荐系统,其特征在于:所述系统可包括服务器或客户端、其所述服务器中运行校正推荐系统,其所述客户端可运行校正推荐系统,可捕或用户操作行为,其所述校正程序包括权利要求1-6任意所述。
当本方法嫁接到任意推荐算法,之重知识图谱推荐算法,直接将校正图谱作为数据源输入即可,也可以适当加入自定义数据增加权重比在其中进行正常的学习推荐。如果为其他的推荐算法,只用将校正知识图谱KGS中的实体标签,作为单独标签带需求值或学习值的两个二维数据库进行数据输入即可。
10.一种基于知识图谱的学习校正软件(APP),其特征在于,所述软件(APP)具有KGM图谱生成模块,KGE图谱或二维标签库生成模块、校正模块、且其具体功能实现按照权利要求1-6任意所述实现。
本方法可单独作为校正算法应用于单领域学习,可以应用在应试教育的各级学年度的学生,可用于考级,考证人员的学习引导校正,可用于教师深造引导推荐学习。可直接是软件,或APP在不同设备上使用。
附图说明:
图1 为构建MKG示意图。
图2 为 KGM结构示意图。
图3 为公开一种实现方法中图谱构建的示意图。
图4 为公开一种实现方法的流程框架图。
以下公开一种实现方法:
当应用到学习推荐中时。
(1)构建KG框架
领域学习实体框架:通过爬取基维百科或垂直站点获得各专业、学科词的同义词、上义词、下义词和相关属性,建立框架。由于我们的KG具有最上级的学科作为顶,所以采用自顶向下的构建方式。
0049.异构数据资料填充:面向开放域实体的不同数据进行领域实体的相关异构学习数据的获取。不同于其他知识图谱构建,本数据的抽取,获得同实体的学习资料后,将将学习数据分为标签和内容两方面进行表示,其中标签进行三元组的“实体”-“属性”-“实体2”的“实体2”中存储,学习内容的存地址作为实体2的内容指向记录。该方式为提升后期的推荐计算速度做准备,如图2。
属性抽取:将不同数据源的学习数据类型,作为属性进行抽取,如,文献、视频、web参考等。并为每种属性设定学习风格权重Q。在后续学者操作中,根据学者
实时更新:我们的领域知识图谱设有实时更新。使领域知识图谱的形成动态知识图谱,不断更新最新相关实体知识和学习数据。具体为设定固定时间进行数据抓取、清洗、入库。
实体向量化:传统的知识表示方法主要是以RDF(Resource DescriptionFramework资源描述框架)的三元组SPO(subject,property,object)来符号性描述实体之间的关系,本文拟采用单层神经网络的非线性模型(single layer model,SLM)运用到知识的向量表示中,则三元组(h,r,t)定义了以下形式的评价函数:
其中,ut的T次幂∈R的k次幂为关系r的向量化表示,g为tanh函数,Mr,1×Mr,2∈R的K次幂是通过关系r定义的两个矩阵。
(2)构建需求领域知识图谱(KGM),如图3。学者领域知识图谱的知识实体,代表每一个专业、学科、和知识点。将每一个实体创建ID同时增加需求值Mn(0<n<∞),需求值将被分为四个等级,分别为可学、了解、熟悉和掌握,并为其中每个实体ID的需求值进行赋值。具体赋值范围,根据后边涉及到的学习值Ei(0<i<∞)的范围差值进行分级赋值。
(3)构建学习标签图谱(KGE)。根据学者的学习行为(操作行为),将学习过的数据进行标签提取,并进行学习标签图谱构建。
其中视频类资料可直接获取分类标签,网页类连接数据可通过标签映射,而文本类资料可通过TF-IDF进行获取标签:
w在文档Da中出现的频率,count(w)为关键词w的出现次数,|Da|为文档Da中所有词的数量。
为每个ID创建KGE时为每个h*,r*增学习值Ei(0<i<∞).
其中Ei满足:
其中T为标签学习时长,当赋值ID标签与KGM中和其同义词库中具有相似度高的标签时,随着学习该标签的T越大则Ei值增加的越多,而不在标签内则增加的较少。这里引入了欧式距离。使i为用户评分向量,a和b则分别为两个标签的向量可获得整理式;
来衡量标签在其知识图谱KGM和同义词库中的相似度,(xiyi)为俩个标签在坐标器投影,且由于其处于分母位置,防止出现分母为0的情况,这里进行+1计算。其中F为EXP衰减函数,满足学生实际浏览页面时长和其页面中包含标签的实际学习效果程度呈正态分布曲线,则有:
这里根据实际学生学习文档注意力的实际衰减值,设衰减origin中心为10min,即期望值;offset衰减偏移量为10min,即方差。中心值与期望值根据100名选取学生的注意力情况普推设定。
(4)ID标签统一,利用聚类算法进行双图谱的ID同义词或相同词的ID号统一,方便后续计算。
(5)KGS校正图谱:统一标签后的两个知识图谱,可以进行双图谱的校正核减。将领域知识图谱与学习标签图谱进行图谱的实体消减,表示为:Mn-Ei=Sm(0<m<∞)
即KGM的ID标签的需求值核减同ID的KGE的学习值获得Sm校正图谱。把Mn和Ei的同ID实体数据对,作为int形式存储在动态数组中。
比较Mn和Ei两者需求值和学习值得大小,若Mn>Ei,则执行两个同ID实体的需求值-学习值,获得的结果存储到Sm校正图谱的校正值中,代表还需要学习的值。如Mn=Ei,则该ID实体删除,不出现在Sm.若Mn<Ei,则执行两个同ID实体的需求值-学习值,获得的结果存储到Sm的校正值中,且显示负值,代表学习超量。从而获得校正图谱Sm。
利用聚类算法进行双图谱ID的双图谱ID统一,也可以使用同义词库。获得统一ID后的KGE和KGM。
当用户进行学习时,会根据用户操作数据进行实时校正核减。
用KGS校正图谱作为推荐算法的基础数据源进行学习推荐,可匹配基于知识图谱的推荐算法,并将在Id统一中,不相似的新建ID进行用户个性化操作推荐的数据使用。
也可以不使用。
其可以实时校正,实时更新推荐数据。
本方法没有详述的部分,为本领域公知的技术。
Claims (7)
1.一种基于知识图谱的学习校正方法,其特征在于:
(1)构建KGM目标领域知识图谱,且为每个ID标签建立需求值Mn(0<n<∞);
所述需求值被分为四个等级,分别为可学、了解、熟悉和掌握,并为其中每个ID标签的需求值进行赋值;
(2)构建KGE学习知识图谱或KGE二维标签库,为每个ID标签建立学习值Ei(0<i<∞);构建KGE学习知识图谱指根据学者的学习行为,将学习过的数据进行标签提取来构建的;学习过的数据包括视频类资料、网页类连接数据和文本类资料;
其中视频类资料可直接获取分类标签,网页类连接数据可通过标签映射,而文本类资料可通过TF-IDF进行获取标签:
Ei满足:,其中T为标签学习时长,当赋值ID标签与KGM中和其同义词库中具有相似度高的标签时,随着学习该标签的T越大则Ei值增加的越多,而不在标签内则增加的较少,这里引入了欧式距离,a和b则分别为两个标签的向量,可获得整理式;
Ei来衡量标签在其知识图谱KGM和同义词库中的相似度,(x j y j )为a、b标签在坐标器投影,且由于其处于分母位置,防止出现分母为0的情况,这里进行+1计算,其中F为EXP衰减函数,满足学生实际浏览页面时长和其页面中包含标签的实际学习效果程度呈正态分布曲线,则有:
其中x为学生实际浏览页面时长,单位为分钟;
根据实际学生学习文档注意力的实际衰减值,呈正态分布曲线的F的期望值为10min,方差为10min,中心值与期望值根据100名选取学生的注意力情况普推设定;
(3)进行学习校正Mn-Ei=Sm(0<m<∞),其中分别由KGM的ID标签需求值Mn(0<n<∞)对同ID标签的KGE学习值Ei (0<i<∞)进行核减;
若Mn>Ei,则执行两个同ID实体的需求值Mn-学习值Ei,获得的结果存储到Sm校正图谱的校正值中,代表还需要学习的值;
如Mn=Ei,则该ID实体删除,不出现在Sm;
若Mn<Ei,则执行两个同ID实体的需求值-学习值,获得的结果存储到Sm的校正值中,且显示负值,代表学习超量;
从而获得校正图谱Sm;
步骤(2)和(3)之间需要进行标签的ID统一,将相同标签的ID进行ID号合并,将相似ID标签进行归类,相似度f满足0.7≤f≤1时进行相似标签统一ID,相似度f<0.7时不归入统一ID中;
其中进行ID标签统一时,当相似度f<0.7时,可将其标签建立新ID,用为用户个性化操作偏好标签。
2.根据权利要求1所述一种基于知识图谱的学习校正方法,其步骤(1)所述KGM目标领域知识图谱的ID标签数据来自教育部数据库、互联网官方百科库、应试教育考试大纲、教学大纲、自定义数据库。
3.根据权利要求1所述一种基于知识图谱的学习校正方法,其步骤(2)所述KGE学习知识图谱或二维标签库,数据源自于用户操作行为数据。
4.根据权利要求1所述一种基于知识图谱的学习校正方法,其步骤(3)中所述,
当步骤(2)中为KGE学习知识图谱,则此步骤为双图谱核减,即KGM的ID标签的需求值核减同ID的KGE的学习值获得Sm的校正值,获得校正图谱KGS;
当步骤(2)中为KGE二维标签库,则此步骤为图谱ID标签的学习值核减,即KGM的ID标签的需求值核减同ID的KGE二维标签库的学习值获得Sm的校正值,获得校正图谱。
5.根据权利要求1-4任一所述一种基于知识图谱的学习校正方法,其校正方法用作推荐系统的基础数据进行推荐计算。
6.一种基于知识图谱的学习校正系统,其特征在于:所述系统包括服务器或客户端或二者并存;其所述服务器中运行校正程序,其所述客户端运行校正程序,捕获用户操作行为,其所述校正程序包括权利要求1-4任一所述一种基于知识图谱的学习校正方法。
7.一种基于知识图谱的学习校正推荐系统,其特征在于:所述系统包括服务器或客户端,其所述服务器中运行校正推荐系统,其所述客户端运行校正推荐系统,捕获用户操作行为,其所述校正推荐系统包括权利要求1-4任一所述一种基于知识图谱的学习校正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910595735.6A CN110717048B (zh) | 2019-07-03 | 2019-07-03 | 一种基于知识图谱的学习校正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910595735.6A CN110717048B (zh) | 2019-07-03 | 2019-07-03 | 一种基于知识图谱的学习校正方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110717048A CN110717048A (zh) | 2020-01-21 |
CN110717048B true CN110717048B (zh) | 2023-05-19 |
Family
ID=69209365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910595735.6A Active CN110717048B (zh) | 2019-07-03 | 2019-07-03 | 一种基于知识图谱的学习校正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717048B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051379B (zh) * | 2021-02-24 | 2023-08-04 | 南京审计大学 | 一种知识点推荐方法、装置、电子设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085618A (zh) * | 2017-06-01 | 2017-08-22 | 海南大学 | 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 |
CN109492077B (zh) * | 2018-09-29 | 2020-09-29 | 北京智通云联科技有限公司 | 基于知识图谱的石化领域问答方法及系统 |
CN109918561A (zh) * | 2019-01-10 | 2019-06-21 | 王妃 | 一种图书馆(学习空间)的学习推荐方法 |
CN109933674B (zh) * | 2019-03-22 | 2021-06-04 | 中国电子科技集团公司信息科学研究院 | 一种基于属性聚合的知识图谱嵌入方法及其存储介质 |
-
2019
- 2019-07-03 CN CN201910595735.6A patent/CN110717048B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110717048A (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11599714B2 (en) | Methods and systems for modeling complex taxonomies with natural language understanding | |
US8949233B2 (en) | Adaptive knowledge platform | |
CN105512349B (zh) | 一种用于学习者自适应学习的问答方法及装置 | |
US7383254B2 (en) | Method and system for identifying object information | |
CN112184500A (zh) | 基于深度学习和知识图谱的课外学习辅导系统及实现方法 | |
CN112395403B (zh) | 一种基于知识图谱的问答方法、系统、电子设备及介质 | |
US20110289025A1 (en) | Learning user intent from rule-based training data | |
CN111046194A (zh) | 构建多模态教学知识图谱的方法 | |
CN107301199A (zh) | 一种数据标签生成方法和装置 | |
WO2019071904A1 (zh) | 基于贝叶斯网络的问答装置、方法及存储介质 | |
CN105447145A (zh) | 一种基于项目的迁移学习推荐方法及其推荐装置 | |
Almgerbi et al. | A systematic review of data analytics job requirements and online-courses | |
CN111522886B (zh) | 一种信息推荐方法、终端及存储介质 | |
CN110110090A (zh) | 搜索方法、教育搜索引擎系统及装置 | |
CN117196042B (zh) | 一种教育元宇宙中学习目标的语义推理方法及终端 | |
Geetha et al. | Prediction of the academic performance of slow learners using efficient machine learning algorithm | |
Zhong et al. | Design of a personalized recommendation system for learning resources based on collaborative filtering | |
Aydoğdu | Educational data mining studies in Turkey: A systematic review | |
US20180365324A1 (en) | Method of data organization and data searching for use in constructing evidence-based beliefs | |
CN113239209A (zh) | 基于RankNet-transformer的知识图谱个性化学习路径推荐方法 | |
CN110717048B (zh) | 一种基于知识图谱的学习校正方法及系统 | |
US20220335066A1 (en) | Efficient tagging of content items using multi-granular embeddings | |
CN117932022A (zh) | 一种智能问答方法、装置、电子设备及存储介质 | |
CN103164534A (zh) | 一种基于云教育平台的数据搜索方法及系统 | |
CN112287215A (zh) | 一种智能就业推荐方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |