CN111400428A - 一种知识图谱体系搭建方法 - Google Patents
一种知识图谱体系搭建方法 Download PDFInfo
- Publication number
- CN111400428A CN111400428A CN202010097593.3A CN202010097593A CN111400428A CN 111400428 A CN111400428 A CN 111400428A CN 202010097593 A CN202010097593 A CN 202010097593A CN 111400428 A CN111400428 A CN 111400428A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- teaching
- data
- mode
- information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 82
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000013507 mapping Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000013135 deep learning Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012512 characterization method Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000013481 data capture Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 1
- 238000007906 compression Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012800 visualization 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
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/316—Indexing structures
-
- 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
- G06F16/35—Clustering; Classification
-
- 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
- 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
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
- G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种知识图谱体系搭建方法，该知识图谱体系搭建方法通过对教学知识进行多维度的表征转换处理，以此获得关于教学知识的多维结构状态信息，再通过该多维结构状态信息来搭建相应的知识图谱体系，从而提高该知识图谱体系的数据利用效率、知识图谱压缩存储便捷性和知识图谱的图谱质量。
Description
技术领域
本发明涉及智能教学的技术领域，特别涉及一种知识图谱体系搭建方法。
背景技术
素质教育对教学内容和教学质量都提出了更高的要求，为了适应素质教育的要求，教育工作者需要根据不同的教学模式或者教学场景制定适应性的教学方案。教学方案的制定需要考虑到学生的知识水平和学习能力，在实际应用中，不同教师的教学习惯和不同学生的学习进度不尽相同，为了提高教学质量和学习效率，现有技术通常会将教学知识数据转换为相应的知识图谱体系，该知识图谱体系能够将复杂的知识通过相应的数据挖掘和知识形象化展示，从而便于教师和学生对教学知识的理解和掌握。但是，目前对于教学知识图谱体系的搭建都只是仅限于对教学知识进行一维或者二维结构的加工处理，通过这种方式形成的教学知识图谱体系的数量体量较大，其并不利于进行管理和存储，并且这种教学知识图谱体系并没有充分利用文本、音频和视频等不同类型教学知识之间的关联性和差异性来进行搭建，这都不利于提高教学知识图谱的利用便捷性。
发明内容
针对现有技术存在的缺陷，本发明提供一种知识图谱体系搭建方法，该知识图谱体系搭建方法包括如下步骤：步骤S1，采集不同教学模式的不同教学知识数据，并对该不同教学知识数据进行预处理，以此获得相应的教学知识多维度表征数据；步骤S2，对该教学知识多维度表征数据进行图像转换和计算处理，以此获得关于不同教学知识数据的教学知识多维矩阵；步骤S3，获取关于该教学知识多维矩阵对应的知识映射关系，并对该知识映射关系进行特征抽取处理，以此获得对应的教学知识多态分类信息；步骤S4，根据该教学知识多态分类信息，构建关于不同教学模式的教学知识图谱体系；可见，该知识图谱体系搭建方法通过对教学知识进行多维度的表征转换处理，以此获得关于教学知识的多维结构状态信息，再通过该多维结构状态信息来搭建相应的知识图谱体系，从而提高该知识图谱体系的数据利用效率、知识图谱压缩存储便捷性和知识图谱的图谱质量。
本发明提供一种知识图谱体系搭建方法，其特征在于，所述知识图谱体系搭建方法包括如下步骤：
步骤S1，采集不同教学模式的不同教学知识数据，并对所述不同教学知识数据进行预处理，以此获得相应的教学知识多维度表征数据；
步骤S2，对所述教学知识多维度表征数据进行图像转换和计算处理，以此获得关于不同教学知识数据的教学知识多维矩阵；
步骤S3，获取关于所述教学知识多维矩阵对应的知识映射关系，并对所述知识映射关系进行特征抽取处理，以此获得对应的教学知识多态分类信息；
步骤S4，根据所述教学知识多态分类信息，构建关于不同教学模式的教学知识图谱体系；
进一步，在所述步骤S1中，采集不同教学模式的不同教学知识数据，并对所述不同教学知识数据进行预处理，以此获得相应的教学知识多维度表征数据具体包括，
步骤S101，获取当前教学模式的类型信息，并根据所述类型信息，确定当前教学模式对应的教学知识数据采集模式；
步骤S102，根据所述教学知识数据采集模式，采集当前教学模式下不同教学科目对应的教学知识数据；
步骤S103，对所述教学知识数据以此进行归类处理、降噪处理和多维度信息熵提取处理，以此获得所述教学知识多维度表征数据；
进一步，在所述步骤S101中，获取当前教学模式的类型信息，并根据所述类型信息，确定当前教学模式对应的教学知识数据采集模式具体包括，
步骤S1011，判断当前教学模式属于线上教学模式还是线下教学模式；
步骤S1012，若当前教学模式属于线上教学模式，则确定对所述线上教学模式采用线上大数据抓取的数据采集模式采集所述教学知识数据；
步骤S1013，若当前教学模式属于线下教学模式，则确定对所述线下教学模式采用线下实体资料摘选的数据采集模式采集所述教学知识数据；
或者，
在所述步骤S102中，根据所述教学知识数据采集模式，采集当前教学模式下不同教学科目对应的教学知识数据具体包括，
根据所述教学知识数据采集模式，采集当前教学模式下文科和/或理科细分科目下对应的文本形式、音频形式和视频形式中至少一者的教学知识数据；
或者，
在所述步骤S103中，对所述教学知识数据以此进行归类处理、降噪处理和多维度信息熵提取处理，以此获得所述教学知识多维度表征数据具体包括，
步骤S1031，根据所述教学知识数据的科目细分类型，对所述教学知识数据进行所述归类处理，以此获得初级归类化教学知识数据；
步骤S1032，对所述初级归类化教学知识数据进行数据内容重复性检测，以此对所述初级归类化教学知识数据进行去重降噪处理；
步骤S1033，对经过所述去重降噪处理的所述初级归类化教学知识数据进行多维度数据熵计算处理，以此获得所述教学知识多维度表征数据；
进一步，在所述步骤S1011中，判断当前教学模式属于线上教学模式还是线下教学模式具体包括，
步骤S10111，获取当前教学模式的相关信息，其中，所述相关信息至少包括学生的位置，学生开始学习的时间和结束学习的时间，教师开始授课的时间和结束授课的时间；
步骤S10112，判断学生是否同时处于学习状态，其中，当预设判断值μ＝0时，则确定学生同时处于学习状态，当预设判断值μ≠0时，则确定学生不同时处于学习状态，所述判断值μ通过下面公式计算得到
在上述公式中，μ为判断值，ai为第i个学生开始学习的时间，a为教师开始授课的时间，bi为第i个学生结束学习的时间，b为教师结束授课的时间，n为学生的总数；
步骤S10113，若学生不同时处于学习状态，则判断当前教学模式为线上教学模式，并且为录播式线上教学模式，若学生同时处于学习状态，则进入下面步骤S10114；
步骤10114，根据下面公式计算最大距离判断值χ，
在上述公式中，χ为最大距离判断值，xi为第i个学生的位置，X为教师的位置，n为学生的总数，max表示取集合中的最大值；
步骤S10115，当χ大于预设阈值时，确定当前教学模式为线上教学模式，并且为直播式教学模式，当χ小于或者等于所述预设阈值，则确定当前教学模式为线下教学模式；
进一步，在所述步骤S2中，对所述教学知识多维度表征数据进行图像转换和计算处理，以此获得关于不同教学知识数据的教学知识多维矩阵具体包括，
步骤S201，将所述教学知识多维度表征数据进行数据有效性判断处理，以此获得满足预设有效性要求的教学知识多维度有效表征数据；
步骤S202，将所述教学知识多维度有效表征数据按照预设维度排布要求，形成相应的教学知识数据表征排列组合；
步骤S203，将所述教学知识数据表征排列组合转换为二进制灰度图像，并对所述二进制灰度图像进行关联矩阵计算处理，以此获得所述教学知识多维矩阵；
进一步，在所述步骤S201中，将所述教学知识多维度表征数据进行数据有效性判断处理，以此获得满足预设有效性要求的教学知识多维度有效表征数据具体包括，
若所述教学知识多维度表征数据中的某一表征值超过预设表征阈值，则确定所述某一表征值具有有效性，否则，确定所述，某一表征值不具有有效性；
或者，
在所述步骤S203中，将所述教学知识表征排列组合转换为二进制灰度图像，并对所述二进制灰度图像进行关联矩阵计算处理，以此获得所述教学知识多维矩阵具体包括，
步骤S2031，根据预设教学知识点的难度划分等级，将所述教学知识表征排列组合转换为所述二进制灰度图像；
步骤S2032，对所述二进制灰度图像进行关于教学知识点逻辑联系性的关联矩阵计算处理，以此获得所述教学知识多维矩阵；
进一步，在所述步骤S3中，获取关于所述教学知识多维矩阵对应的知识映射关系，并对所述知识映射关系进行特征抽取处理，以此获得对应的教学知识多态分类信息具体包括，
步骤S301，通过预设深度学习卷积神经网络模型，对所述教学知识多维矩阵进行关于学生知识学习过程大数据的计算处理，以此获得所述知识映射关系；
步骤S302，对所述知识映射关系进行关于符号实体、知识点属性和知识点结构中至少一者的特征抽取处理，以此获得关于知识符号实体信息、知识点属性信息和知识点结构信息中的至少一者；
步骤S303，对所述知识符号实体信息、所述知识点属性信息和所述知识点结构信息中的至少一者进行多模态标定处理，以此获得所述教学知识多态分类信息；
进一步，在所述步骤S301中，通过预设深度学习卷积神经网络模型，对所述教学知识多维矩阵进行关于学生知识学习过程大数据的计算处理，以此获得所述知识映射关系具体包括，
步骤S3011，构建关于期望教学模式标准的深度学习卷积神经网络模型，并基于历史教学记录数据，对所述深度学习卷积神经网络模型进行优化训练处理，以使所述深度学习卷积神经网络模型满足学习收敛条件；
步骤S3012，根据经过所述优化训练的所述深度学习卷积神经网络模型进行所述计算处理，以此获得所述知识映射关系；
或者，
在所述步骤S303中，对所述知识符号实体信息、所述知识点属性信息和所述知识点结构信息中的至少一者进行多模态标定处理，以此获得所述教学知识多态分类信息具体包括，
对所述知识符号实体信息、所述知识点属性信息和所述知识点结构信息中的至少一者进行知识共性和知识特性的多模态标定处理，以此获得所述教学知识多态分类信息；
进一步，在所述步骤S4中，根据所述教学知识多态分类信息，构建关于不同教学模式的教学知识图谱体系具体包括，
步骤S401，根据所述教学知识多态分类信息中关于知识符号实体信息、实时点属性信息和知识点结构信息中的至少一者对应的知识共性和知识特性，组建关于所述知识符号实体信息、所述实时点属性信息和所述知识点结构信息三者自身内部与相互之间的索引关系信息；
步骤S402，根据所述索引关系信息，构建关于所述不同教学知识数据的知识数据索引库；
步骤S403，对所述知识数据索引库进行数据优化处理，以此搭建形成所述教学知识图谱体系；
进一步，在所述步骤S402中，根据所述索引关系信息，构建关于所述不同教学知识数据的知识数据索引库具体包括，
步骤S4021，根据所述索引关系信息，确定所述知识符号实体信息、所述实时点属性信息和所述知识点结构信息相互之间知识关联路径；
步骤S4022，根据所述知识关联路径，构建满足预设置信度条件和所述知识数据索引库；
进一步，在所述步骤S403中，对所述知识数据索引库进行数据优化处理，以此搭建形成所述教学知识图谱体系具体包括，
对所述知识数据索引库进行知识推理计算，以此确定数据库中不同知识实体的隐藏拓扑关系，并根据所述隐藏拓扑关系，拓展搭建形成所述教学知识图谱体系。
相比于现有技术，该知识图谱体系搭建方法包括如下步骤：步骤S1，采集不同教学模式的不同教学知识数据，并对该不同教学知识数据进行预处理，以此获得相应的教学知识多维度表征数据；步骤S2，对该教学知识多维度表征数据进行图像转换和计算处理，以此获得关于不同教学知识数据的教学知识多维矩阵；步骤S3，获取关于该教学知识多维矩阵对应的知识映射关系，并对该知识映射关系进行特征抽取处理，以此获得对应的教学知识多态分类信息；步骤S4，根据该教学知识多态分类信息，构建关于不同教学模式的教学知识图谱体系；可见，该知识图谱体系搭建方法通过对教学知识进行多维度的表征转换处理，以此获得关于教学知识的多维结构状态信息，再通过该多维结构状态信息来搭建相应的知识图谱体系，从而提高该知识图谱体系的数据利用效率、知识图谱压缩存储便捷性和知识图谱的图谱质量。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种知识图谱体系搭建方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，为本发明实施例提供的一种知识图谱体系搭建方法的流程示意图。该知识图谱体系搭建方法包括如下步骤：
步骤S1，采集不同教学模式的不同教学知识数据，并对该不同教学知识数据进行预处理，以此获得相应的教学知识多维度表征数据；
步骤S2，对该教学知识多维度表征数据进行图像转换和计算处理，以此获得关于不同教学知识数据的教学知识多维矩阵；
步骤S3，获取关于该教学知识多维矩阵对应的知识映射关系，并对该知识映射关系进行特征抽取处理，以此获得对应的教学知识多态分类信息；
步骤S4，根据该教学知识多态分类信息，构建关于不同教学模式的教学知识图谱体系。
优选地，在该步骤S1中，采集不同教学模式的不同教学知识数据，并对该不同教学知识数据进行预处理，以此获得相应的教学知识多维度表征数据具体包括，
步骤S101，获取当前教学模式的类型信息，并根据该类型信息，确定当前教学模式对应的教学知识数据采集模式；
步骤S102，根据该教学知识数据采集模式，采集当前教学模式下不同教学科目对应的教学知识数据；
步骤S103，对该教学知识数据以此进行归类处理、降噪处理和多维度信息熵提取处理，以此获得该教学知识多维度表征数据。
优选地，在该步骤S101中，获取当前教学模式的类型信息，并根据该类型信息，确定当前教学模式对应的教学知识数据采集模式具体包括，
步骤S1011，判断当前教学模式属于线上教学模式还是线下教学模式；
步骤S1012，若当前教学模式属于线上教学模式，则确定对该线上教学模式采用线上大数据抓取的数据采集模式采集该教学知识数据；
步骤S1013，若当前教学模式属于线下教学模式，则确定对该线下教学模式采用线下实体资料摘选的数据采集模式采集该教学知识数据。
优选地，在该步骤S102中，根据该教学知识数据采集模式，采集当前教学模式下不同教学科目对应的教学知识数据具体包括，
根据该教学知识数据采集模式，采集当前教学模式下文科和/或理科细分科目下对应的文本形式、音频形式和视频形式中至少一者的教学知识数据
优选地，在该步骤S103中，对该教学知识数据以此进行归类处理、降噪处理和多维度信息熵提取处理，以此获得该教学知识多维度表征数据具体包括，
步骤S1031，根据该教学知识数据的科目细分类型，对该教学知识数据进行该归类处理，以此获得初级归类化教学知识数据；
步骤S1032，对该初级归类化教学知识数据进行数据内容重复性检测，以此对该初级归类化教学知识数据进行去重降噪处理；
步骤S1033，对经过该去重降噪处理的该初级归类化教学知识数据进行多维度数据熵计算处理，以此获得该教学知识多维度表征数据。
优选地，在该步骤S1011中，判断当前教学模式属于线上教学模式还是线下教学模式具体包括，
步骤S10111，获取当前教学模式的相关信息，其中，该相关信息至少包括学生的位置，学生开始学习的时间和结束学习的时间，教师开始授课的时间和结束授课的时间；
步骤S10112，判断学生是否同时处于学习状态，其中，当预设判断值μ＝0时，则确定学生同时处于学习状态，当预设判断值μ≠0时，则确定学生不同时处于学习状态，所述判断值μ通过下面公式计算得到
在上述公式中，μ为判断值，ai为第i个学生开始学习的时间，a为教师开始授课的时间，bi为第i个学生结束学习的时间，b为教师结束授课的时间，n为学生的总数；
步骤S10113，若学生不同时处于学习状态，则判断当前教学模式为线上教学模式，并且为录播式线上教学模式，若学生同时处于学习状态，则进入下面步骤S10114；
步骤10114，根据下面公式计算最大距离判断值χ，
在上述公式中，χ为最大距离判断值，xi为第i个学生的位置，X为教师的位置，n为学生的总数，max表示取集合中的最大值；
步骤S10115，当χ大于预设阈值时，确定当前教学模式为线上教学模式，并且为直播式教学模式，当χ小于或者等于所述预设阈值，则确定当前教学模式为线下教学模式。
通过上述过程中，判断当前教学模式属于线上教学模式还是线下教学模式分两大步来进行判断，首先判断学生是否同时在学习，若不同时在学习，则可以说明当前的教学模式是线上教学，而且是线上录播教学；若同时学习，则当前的教学模式既可以是线下教学又可以是线上教学中的直播教学，需进一步根据学生的位置与老师的位置相差最大的距离是否在预设阈值内来具体判断当前教学模式是线上教学还是线下教学，其不仅可以判断当前教学模式是线上教学还是线下教学，而且可以区分线上教学是录播教学还是直播教学，此外，分步判断比直接判断准确率更高。
优选地，在该步骤S2中，对该教学知识多维度表征数据进行图像转换和计算处理，以此获得关于不同教学知识数据的教学知识多维矩阵具体包括，
步骤S201，将该教学知识多维度表征数据进行数据有效性判断处理，以此获得满足预设有效性要求的教学知识多维度有效表征数据；
步骤S202，将该教学知识多维度有效表征数据按照预设维度排布要求，形成相应的教学知识数据表征排列组合；
步骤S203，将该教学知识数据表征排列组合转换为二进制灰度图像，并对该二进制灰度图像进行关联矩阵计算处理，以此获得该教学知识多维矩阵。
优选地，在该步骤S201中，将该教学知识多维度表征数据进行数据有效性判断处理，以此获得满足预设有效性要求的教学知识多维度有效表征数据具体包括，
若该教学知识多维度表征数据中的某一表征值超过预设表征阈值，则确定该某一表征值具有有效性，否则，确定该，某一表征值不具有有效性。
优选地，在该步骤S203中，将该教学知识表征排列组合转换为二进制灰度图像，并对该二进制灰度图像进行关联矩阵计算处理，以此获得该教学知识多维矩阵具体包括，
步骤S2031，根据预设教学知识点的难度划分等级，将该教学知识表征排列组合转换为该二进制灰度图像；
步骤S2032，对该二进制灰度图像进行关于教学知识点逻辑联系性的关联矩阵计算处理，以此获得该教学知识多维矩阵。
优选地，在该步骤S3中，获取关于该教学知识多维矩阵对应的知识映射关系，并对该知识映射关系进行特征抽取处理，以此获得对应的教学知识多态分类信息具体包括，
步骤S301，通过预设深度学习卷积神经网络模型，对该教学知识多维矩阵进行关于学生知识学习过程大数据的计算处理，以此获得该知识映射关系；
步骤S302，对该知识映射关系进行关于符号实体、知识点属性和知识点结构中至少一者的特征抽取处理，以此获得关于知识符号实体信息、知识点属性信息和知识点结构信息中的至少一者；
步骤S303，对该知识符号实体信息、该知识点属性信息和该知识点结构信息中的至少一者进行多模态标定处理，以此获得该教学知识多态分类信息。
优选地，在该步骤S301中，通过预设深度学习卷积神经网络模型，对该教学知识多维矩阵进行关于学生知识学习过程大数据的计算处理，以此获得该知识映射关系具体包括，
步骤S3011，构建关于期望教学模式标准的深度学习卷积神经网络模型，并基于历史教学记录数据，对该深度学习卷积神经网络模型进行优化训练处理，以使该深度学习卷积神经网络模型满足学习收敛条件；
步骤S3012，根据经过该优化训练的该深度学习卷积神经网络模型进行该计算处理，以此获得该知识映射关系。
优选地，在该步骤S303中，对该知识符号实体信息、该知识点属性信息和该知识点结构信息中的至少一者进行多模态标定处理，以此获得该教学知识多态分类信息具体包括，
对该知识符号实体信息、该知识点属性信息和该知识点结构信息中的至少一者进行知识共性和知识特性的多模态标定处理，以此获得该教学知识多态分类信息。
优选地，在该步骤S4中，根据该教学知识多态分类信息，构建关于不同教学模式的教学知识图谱体系具体包括，
步骤S401，根据该教学知识多态分类信息中关于知识符号实体信息、实时点属性信息和知识点结构信息中的至少一者对应的知识共性和知识特性，组建关于该知识符号实体信息、该实时点属性信息和该知识点结构信息三者自身内部与相互之间的索引关系信息；
步骤S402，根据该索引关系信息，构建关于该不同教学知识数据的知识数据索引库；
步骤S403，对该知识数据索引库进行数据优化处理，以此搭建形成该教学知识图谱体系。
优选地，在该步骤S402中，根据该索引关系信息，构建关于该不同教学知识数据的知识数据索引库具体包括，
步骤S4021，根据该索引关系信息，确定该知识符号实体信息、该实时点属性信息和该知识点结构信息相互之间知识关联路径；
步骤S4022，根据该知识关联路径，构建满足预设置信度条件和该知识数据索引库。
优选地，在该步骤S403中，对该知识数据索引库进行数据优化处理，以此搭建形成该教学知识图谱体系具体包括，
对该知识数据索引库进行知识推理计算，以此确定数据库中不同知识实体的隐藏拓扑关系，并根据该隐藏拓扑关系，拓展搭建形成该教学知识图谱体系。
从上述实施例的内容可知，该知识图谱体系搭建方法包括如下步骤：步骤S1，采集不同教学模式的不同教学知识数据，并对该不同教学知识数据进行预处理，以此获得相应的教学知识多维度表征数据；步骤S2，对该教学知识多维度表征数据进行图像转换和计算处理，以此获得关于不同教学知识数据的教学知识多维矩阵；步骤S3，获取关于该教学知识多维矩阵对应的知识映射关系，并对该知识映射关系进行特征抽取处理，以此获得对应的教学知识多态分类信息；步骤S4，根据该教学知识多态分类信息，构建关于不同教学模式的教学知识图谱体系；可见，该知识图谱体系搭建方法通过对教学知识进行多维度的表征转换处理，以此获得关于教学知识的多维结构状态信息，再通过该多维结构状态信息来搭建相应的知识图谱体系，从而提高该知识图谱体系的数据利用效率、知识图谱压缩存储便捷性和知识图谱的图谱质量。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (11)
1.一种知识图谱体系搭建方法，其特征在于，所述知识图谱体系搭建方法包括如下步骤：
步骤S1，采集不同教学模式的不同教学知识数据，并对所述不同教学知识数据进行预处理，以此获得相应的教学知识多维度表征数据；
步骤S2，对所述教学知识多维度表征数据进行图像转换和计算处理，以此获得关于不同教学知识数据的教学知识多维矩阵；
步骤S3，获取关于所述教学知识多维矩阵对应的知识映射关系，并对所述知识映射关系进行特征抽取处理，以此获得对应的教学知识多态分类信息；
步骤S4，根据所述教学知识多态分类信息，构建关于不同教学模式的教学知识图谱体系。
2.如权利要求1所述的知识图谱体系搭建方法，其特征在于：
在所述步骤S1中，采集不同教学模式的不同教学知识数据，并对所述不同教学知识数据进行预处理，以此获得相应的教学知识多维度表征数据具体包括，
步骤S101，获取当前教学模式的类型信息，并根据所述类型信息，确定当前教学模式对应的教学知识数据采集模式；
步骤S102，根据所述教学知识数据采集模式，采集当前教学模式下不同教学科目对应的教学知识数据；
步骤S103，对所述教学知识数据以此进行归类处理、降噪处理和多维度信息熵提取处理，以此获得所述教学知识多维度表征数据。
3.如权利要求2所述的知识图谱体系搭建方法，其特征在于：
在所述步骤S101中，获取当前教学模式的类型信息，并根据所述类型信息，确定当前教学模式对应的教学知识数据采集模式具体包括，
步骤S1011，判断当前教学模式属于线上教学模式还是线下教学模式；
步骤S1012，若当前教学模式属于线上教学模式，则确定对所述线上教学模式采用线上大数据抓取的数据采集模式采集所述教学知识数据；
步骤S1013，若当前教学模式属于线下教学模式，则确定对所述线下教学模式采用线下实体资料摘选的数据采集模式采集所述教学知识数据；
或者，
在所述步骤S102中，根据所述教学知识数据采集模式，采集当前教学模式下不同教学科目对应的教学知识数据具体包括，
根据所述教学知识数据采集模式，采集当前教学模式下文科和/或理科细分科目下对应的文本形式、音频形式和视频形式中至少一者的教学知识数据；
或者，
在所述步骤S103中，对所述教学知识数据以此进行归类处理、降噪处理和多维度信息熵提取处理，以此获得所述教学知识多维度表征数据具体包括，
步骤S1031，根据所述教学知识数据的科目细分类型，对所述教学知识数据进行所述归类处理，以此获得初级归类化教学知识数据；
步骤S1032，对所述初级归类化教学知识数据进行数据内容重复性检测，以此对所述初级归类化教学知识数据进行去重降噪处理；
步骤S1033，对经过所述去重降噪处理的所述初级归类化教学知识数据进行多维度数据熵计算处理，以此获得所述教学知识多维度表征数据。
4.如权利要求1所述的知识图谱体系搭建方法，其特征在于：
在所述步骤S1011中，判断当前教学模式属于线上教学模式还是线下教学模式具体包括，
步骤S10111，获取当前教学模式的相关信息，其中，所述相关信息至少包括学生的位置，学生开始学习的时间和结束学习的时间，教师开始授课的时间和结束授课的时间；
步骤S10112，判断学生是否同时处于学习状态，其中，当预设判断值μ＝0时，则确定学生同时处于学习状态，当预设判断值μ≠0时，则确定学生不同时处于学习状态，所述判断值μ通过下面公式计算得到
在上述公式中，μ为判断值，ai为第i个学生开始学习的时间，a为教师开始授课的时间，bi为第i个学生结束学习的时间，b为教师结束授课的时间，n为学生的总数；
步骤S10113，若学生不同时处于学习状态，则判断当前教学模式为线上教学模式，并且为录播式线上教学模式，若学生同时处于学习状态，则进入下面步骤S10114；
步骤10114，根据下面公式计算最大距离判断值χ，
在上述公式中，χ为最大距离判断值，xi为第i个学生的位置，X为教师的位置，n为学生的总数，max表示取集合中的最大值；
步骤S10115，当χ大于预设阈值时，确定当前教学模式为线上教学模式，并且为直播式教学模式，当χ小于或者等于所述预设阈值，则确定当前教学模式为线下教学模式。
5.如权利要求1所述的知识图谱体系搭建方法，其特征在于：
在所述步骤S2中，对所述教学知识多维度表征数据进行图像转换和计算处理，以此获得关于不同教学知识数据的教学知识多维矩阵具体包括，
步骤S201，将所述教学知识多维度表征数据进行数据有效性判断处理，以此获得满足预设有效性要求的教学知识多维度有效表征数据；
步骤S202，将所述教学知识多维度有效表征数据按照预设维度排布要求，形成相应的教学知识数据表征排列组合；
步骤S203，将所述教学知识数据表征排列组合转换为二进制灰度图像，并对所述二进制灰度图像进行关联矩阵计算处理，以此获得所述教学知识多维矩阵。
6.如权利要求5所述的知识图谱体系搭建方法，其特征在于：
在所述步骤S201中，将所述教学知识多维度表征数据进行数据有效性判断处理，以此获得满足预设有效性要求的教学知识多维度有效表征数据具体包括，
若所述教学知识多维度表征数据中的某一表征值超过预设表征阈值，则确定所述某一表征值具有有效性，否则，确定所述，某一表征值不具有有效性；
或者，
在所述步骤S203中，将所述教学知识表征排列组合转换为二进制灰度图像，并对所述二进制灰度图像进行关联矩阵计算处理，以此获得所述教学知识多维矩阵具体包括，
步骤S2031，根据预设教学知识点的难度划分等级，将所述教学知识表征排列组合转换为所述二进制灰度图像；
步骤S2032，对所述二进制灰度图像进行关于教学知识点逻辑联系性的关联矩阵计算处理，以此获得所述教学知识多维矩阵。
7.如权利要求1所述的知识图谱体系搭建方法，其特征在于：
在所述步骤S3中，获取关于所述教学知识多维矩阵对应的知识映射关系，并对所述知识映射关系进行特征抽取处理，以此获得对应的教学知识多态分类信息具体包括，
步骤S301，通过预设深度学习卷积神经网络模型，对所述教学知识多维矩阵进行关于学生知识学习过程大数据的计算处理，以此获得所述知识映射关系；
步骤S302，对所述知识映射关系进行关于符号实体、知识点属性和知识点结构中至少一者的特征抽取处理，以此获得关于知识符号实体信息、知识点属性信息和知识点结构信息中的至少一者；
步骤S303，对所述知识符号实体信息、所述知识点属性信息和所述知识点结构信息中的至少一者进行多模态标定处理，以此获得所述教学知识多态分类信息。
8.如权利要求7所述的知识图谱体系搭建方法，其特征在于：
在所述步骤S301中，通过预设深度学习卷积神经网络模型，对所述教学知识多维矩阵进行关于学生知识学习过程大数据的计算处理，以此获得所述知识映射关系具体包括，
步骤S3011，构建关于期望教学模式标准的深度学习卷积神经网络模型，并基于历史教学记录数据，对所述深度学习卷积神经网络模型进行优化训练处理，以使所述深度学习卷积神经网络模型满足学习收敛条件；
步骤S3012，根据经过所述优化训练的所述深度学习卷积神经网络模型进行所述计算处理，以此获得所述知识映射关系；
或者，
在所述步骤S303中，对所述知识符号实体信息、所述知识点属性信息和所述知识点结构信息中的至少一者进行多模态标定处理，以此获得所述教学知识多态分类信息具体包括，
对所述知识符号实体信息、所述知识点属性信息和所述知识点结构信息中的至少一者进行知识共性和知识特性的多模态标定处理，以此获得所述教学知识多态分类信息。
9.如权利要求1所述的知识图谱体系搭建方法，其特征在于：
在所述步骤S4中，根据所述教学知识多态分类信息，构建关于不同教学模式的教学知识图谱体系具体包括，
步骤S401，根据所述教学知识多态分类信息中关于知识符号实体信息、实时点属性信息和知识点结构信息中的至少一者对应的知识共性和知识特性，组建关于所述知识符号实体信息、所述实时点属性信息和所述知识点结构信息三者自身内部与相互之间的索引关系信息；
步骤S402，根据所述索引关系信息，构建关于所述不同教学知识数据的知识数据索引库；
步骤S403，对所述知识数据索引库进行数据优化处理，以此搭建形成所述教学知识图谱体系。
10.如权利要求9所述的知识图谱体系搭建方法，其特征在于：
在所述步骤S402中，根据所述索引关系信息，构建关于所述不同教学知识数据的知识数据索引库具体包括，
步骤S4021，根据所述索引关系信息，确定所述知识符号实体信息、所述实时点属性信息和所述知识点结构信息相互之间知识关联路径；
步骤S4022，根据所述知识关联路径，构建满足预设置信度条件和所述知识数据索引库。
11.如权利要求9所述的知识图谱体系搭建方法，其特征在于：
在所述步骤S403中，对所述知识数据索引库进行数据优化处理，以此搭建形成所述教学知识图谱体系具体包括，
对所述知识数据索引库进行知识推理计算，以此确定数据库中不同知识实体的隐藏拓扑关系，并根据所述隐藏拓扑关系，拓展搭建形成所述教学知识图谱体系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010097593.3A CN111400428B (zh) | 2020-02-17 | 2020-02-17 | 一种知识图谱体系搭建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010097593.3A CN111400428B (zh) | 2020-02-17 | 2020-02-17 | 一种知识图谱体系搭建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111400428A true CN111400428A (zh) | 2020-07-10 |
| CN111400428B CN111400428B (zh) | 2023-08-25 |
Family
ID=71436023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010097593.3A Active CN111400428B (zh) | 2020-02-17 | 2020-02-17 | 一种知识图谱体系搭建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111400428B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183728A (zh) * | 2020-09-29 | 2021-01-05 | 上海松鼠课堂人工智能科技有限公司 | 基于深度学习的学习策略生成方法和系统 |
| CN113609310A (zh) * | 2021-08-25 | 2021-11-05 | 上海交通大学 | 单机大规模知识图谱嵌入系统及方法 |
| CN113792152A (zh) * | 2021-08-23 | 2021-12-14 | 南京信息工程大学 | 一种三角图与知识图谱的融合方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107784088A (zh) * | 2017-09-30 | 2018-03-09 | 杭州博世数据网络有限公司 | 基于知识点连接关系的知识图谱构建方法 |
| US20180159876A1 (en) * | 2016-12-05 | 2018-06-07 | International Business Machines Corporation | Consolidating structured and unstructured security and threat intelligence with knowledge graphs |
| CN108335555A (zh) * | 2018-01-26 | 2018-07-27 | 广州大学 | 一种知识点体系教学方法 |
| CN108664615A (zh) * | 2017-05-12 | 2018-10-16 | 华中师范大学 | 一种面向学科教育资源的知识图谱构建方法 |
| US20180366013A1 (en) * | 2014-08-28 | 2018-12-20 | Ideaphora India Private Limited | System and method for providing an interactive visual learning environment for creation, presentation, sharing, organizing and analysis of knowledge on subject matter |
| CN109697233A (zh) * | 2018-12-03 | 2019-04-30 | 中电科大数据研究院有限公司 | 一种知识图谱体系搭建方法 |
| CN110688549A (zh) * | 2019-07-02 | 2020-01-14 | 特斯联（北京）科技有限公司 | 一种基于知识体系图谱构建的人工智能分类方法与系统 |
-
2020
- 2020-02-17 CN CN202010097593.3A patent/CN111400428B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180366013A1 (en) * | 2014-08-28 | 2018-12-20 | Ideaphora India Private Limited | System and method for providing an interactive visual learning environment for creation, presentation, sharing, organizing and analysis of knowledge on subject matter |
| US20180159876A1 (en) * | 2016-12-05 | 2018-06-07 | International Business Machines Corporation | Consolidating structured and unstructured security and threat intelligence with knowledge graphs |
| CN108664615A (zh) * | 2017-05-12 | 2018-10-16 | 华中师范大学 | 一种面向学科教育资源的知识图谱构建方法 |
| CN107784088A (zh) * | 2017-09-30 | 2018-03-09 | 杭州博世数据网络有限公司 | 基于知识点连接关系的知识图谱构建方法 |
| CN108335555A (zh) * | 2018-01-26 | 2018-07-27 | 广州大学 | 一种知识点体系教学方法 |
| CN109697233A (zh) * | 2018-12-03 | 2019-04-30 | 中电科大数据研究院有限公司 | 一种知识图谱体系搭建方法 |
| CN110688549A (zh) * | 2019-07-02 | 2020-01-14 | 特斯联（北京）科技有限公司 | 一种基于知识体系图谱构建的人工智能分类方法与系统 |
Non-Patent Citations (2)
| Title |
|---|
| 曲建升;刘红煦;: "知识发现中异构信息标准化处理研究――以资源环境领域文献为例" * |
| 陈威宇;姜赢;罗盛亨;黄嘉文;吴昊驰;: "基于知识图谱的香山文化信息组织与检索系统" * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183728A (zh) * | 2020-09-29 | 2021-01-05 | 上海松鼠课堂人工智能科技有限公司 | 基于深度学习的学习策略生成方法和系统 |
| CN112183728B (zh) * | 2020-09-29 | 2021-07-20 | 上海松鼠课堂人工智能科技有限公司 | 基于深度学习的学习策略生成方法和系统 |
| CN113792152A (zh) * | 2021-08-23 | 2021-12-14 | 南京信息工程大学 | 一种三角图与知识图谱的融合方法 |
| CN113609310A (zh) * | 2021-08-25 | 2021-11-05 | 上海交通大学 | 单机大规模知识图谱嵌入系统及方法 |
| CN113609310B (zh) * | 2021-08-25 | 2023-08-08 | 上海交通大学 | 单机大规模知识图谱嵌入系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111400428B (zh) | 2023-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111400428A (zh) | 一种知识图谱体系搭建方法 | |
| CN111428558A (zh) | 一种基于改进YOLOv3方法的车辆检测方法 | |
| CN114913729B (zh) | 一种选题方法、装置、计算机设备和存储介质 | |
| CN110634060A (zh) | 一种用户信用风险的评估方法、系统、装置及存储介质 | |
| CN110889024A (zh) | 一种用于计算资讯关联股票的方法和装置 | |
| CN113822604B (zh) | 一种基于智能分析的在线教育平台云资源管理系统 | |
| CN112836994A (zh) | 针对在线远程教育的大数据可视化方法及在线教育服务器 | |
| CN117078077A (zh) | 一种高速公路路域的生态脆弱性评价方法 | |
| CN111221915A (zh) | 基于CWK-means的在线学习资源质量分析方法 | |
| CN111242131A (zh) | 一种智能阅卷中图像识别的方法、存储介质及装置 | |
| CN114443930A (zh) | 一种新闻舆情智能监测分析方法、系统及计算机存储介质 | |
| CN115659253A (zh) | 一种基于多维模型融合的水下目标识别方法 | |
| CN109064578A (zh) | 一种基于云服务的考勤系统及方法 | |
| CN114648688A (zh) | 高铁沿线景观等级评估方法、系统、设备及可读存储介质 | |
| CN114710313A (zh) | 一种电网的设备攻击检测方法、装置及系统 | |
| CN113869569A (zh) | 一种基于决策树的学习成绩预测及个性化干预的方法 | |
| CN112990892A (zh) | 一种用于教学考评的视频信息采集方法及图像处理系统 | |
| CN112434877A (zh) | 一种基于云计算的智慧城市数据处理方法及装置 | |
| CN111612783A (zh) | 一种数据质量评估方法及系统 | |
| CN110597993A (zh) | 一种微博热点话题数据挖掘方法 | |
| CN111368177B (zh) | 一种问答社区的答案推荐方法和装置 | |
| CN113793604B (zh) | 语音识别系统优化方法和装置 | |
| CN110659403B (zh) | 一种基于大数据的旅游营销建议生成方法 | |
| CN111143688B (zh) | 一种基于移动新闻客户端的评估方法及其系统 | |
| CN106228394A (zh) | 一种基于大数据的信息均值分析系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230727 Address after: North 3A, Floor 11, Huibao Building, No. 18, Dongfeng Road, Jinshui District, Zhengzhou City, Henan Province, 450000 Applicant after: Henan New Century Top Electronic Technology Co.,Ltd. Address before: Room 203, 2 / F, building 2, Xitou Chuangzhi center, 239 Shuanglong Road, Jiangcun street, Xihu District, Hangzhou City, Zhejiang Province, 310000 Applicant before: Zhejiang Chuangke Network Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |