CN112148890B - 基于网络群体智能的教学知识点图谱系统 - Google Patents
基于网络群体智能的教学知识点图谱系统 Download PDFInfo
- Publication number
- CN112148890B CN112148890B CN202011010505.8A CN202011010505A CN112148890B CN 112148890 B CN112148890 B CN 112148890B CN 202011010505 A CN202011010505 A CN 202011010505A CN 112148890 B CN112148890 B CN 112148890B
- Authority
- CN
- China
- Prior art keywords
- knowledge
- knowledge point
- teaching
- expert
- user
- 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
- 238000010586 diagram Methods 0.000 claims abstract description 63
- 238000012795 verification Methods 0.000 claims abstract description 48
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 238000001228 spectrum Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 61
- 238000010276 construction Methods 0.000 claims description 55
- 230000004927 fusion Effects 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 32
- 238000007726 management method Methods 0.000 claims description 21
- 230000000007 visual effect Effects 0.000 claims description 20
- 230000003993 interaction Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000010354 integration Effects 0.000 claims description 12
- 230000008520 organization Effects 0.000 claims description 12
- 230000002452 interceptive effect Effects 0.000 claims description 11
- 230000021824 exploration behavior Effects 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000013138 pruning Methods 0.000 claims description 8
- 238000001303 quality assessment method Methods 0.000 claims description 8
- 238000011158 quantitative evaluation Methods 0.000 claims description 8
- 238000005065 mining Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 5
- 238000013441 quality evaluation Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011985 exploratory data analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06F16/90—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
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于智能教学技术领域，具体涉及了一种基于网络群体智能的教学知识点图谱系统，旨在解决现有教学知识点系统知识点来源单一、多样性差，存在知识重复创造以及知识点质量参差不齐的问题。本发明包括：自动提取教案关键词，输入到教学知识点图谱探索模块，用户交互式探索检索出的信息：若找到满意的知识，则直接更新教案；若没有，则通过人机协作的方式补充知识。人机协作是指用户和AI知识生产者同时构建新知识，并进行融合，结合人和AI的能力协同创建新知识。智能专家推荐系统通过分析知识和用户的评估数据，推荐专家参与新构建知识的验证，并将新知识与教学知识点图谱进行整合。本发明知识点来源多、质量高，且知识重复创造少。
Description
技术领域
本发明属于智能教学技术领域，具体涉及了一种基于网络群体智能的教学知识点图谱系统。
背景技术
网络群体智能是新一代人工智能的重要研究方向，利用人工智能方法，将网络中的大众集体智慧进行融合和计算，实现具有众包特点的智能化服务。
在教育领域，教师备课时，最重要的核心内容是教学知识点的确定，在授课时讲解哪些知识点、如何表达知识点之间的顺序和关系等，都是教师准备教案时的重点。
中国幅员辽阔，优秀教师资源有限，一些老少边穷地区的教育资源严重缺乏。在准备教案时，经验不足的教师往往希望能够借鉴有经验的教师的教学经验。
现有的一些教学知识点体系主要是基于教学中用到的知识点建立教学知识点体系[1]，这个体系一般由教师或者承担教师相关作用的人员或机构，针对学习者的某个学习科目、学习内容、学习目标或者学习阶段，从整体知识内容、知识结构出发，构建一个相对完备的知识点体系，但是这样的系统，其知识提供者只考虑了教学者或现有知识库，并未考虑AI知识生产者，并且未通过人工智能进行知识点探索以减少知识的重复创造以及对新知识的启发，同时，这样的系统也未对获取的知识点进行质量评估，因而系统中的知识点质量参差不齐，可能给使用者带来错误的引导。还有的一些系统提出通过众包模式进行知识图谱的构建[2]，对知识的评估和教师的评估，也采用基于众包方式的群体智能评估方法。但是，这样的系统也并未引入AI知识生产者产生的知识点，同时，未通过人工智能进行知识点探索以减少知识的重复创造，知识重复率高。
为了解决现有教学知识点系统存在的一系列问题，本发明提出一种针对教学知识点的基于网络群体智能的知识图谱系统，面向教学备课中的核心信息“教学知识点”，通过“智能人机协同+众包计算”的知识获取方法构建教学知识点图谱。
以下文献是与本发明相关的技术背景资料：
[1]李军、刘劲松，知识点体系教学方法及基于知识点测度的自适应教学系统，20160314，CN105761183A.
[2]郭芳，基于众包的教育知识图谱的构建与研究，201705.
发明内容
为了解决现有技术中的上述问题，即现有教学知识点系统的知识点来源单一、多样性差，存在知识重复创造以及知识点质量参差不齐的问题，本发明提供了一种基于网络群体智能的教学知识点图谱系统，该系统包括以下子系统：
群智知识生产子系统，包括数据处理模块、知识图谱交互探索模块、用户产生数据库、用户知识构建模块、AI知识构建模块、人机知识融合模块、新知识点图、验证模块、整合模块和教学知识点资料库：
所述数据处理模块，用于导入用户的教案数据，并对其中的教学目标章节进行文本挖掘、词权重分析以及关键词提取，获取与知识点相关的关键词；
所述知识图谱交互探索模块，用于用户在可视交互的环境下对教学知识点图谱进行知识点搜索、获取推荐知识点以及进行知识点评价；
所述用户产生数据库，用于存储用户探索行为数据、评价数据以及用户探索过程中与本次备课相关的知识；
所述用户知识构建模块，用于通过交互式可视化知识构建方法，迭代进行知识点探索以及辅助用户构建新知识点图，并形成结构化数据；
所述AI知识构建模块，用于通过系统智能算法获取开放平台的知识数据，并基于语义关系构建教案所需的知识；
所述人机知识融合模块，用于将用户构建的知识与AI知识生产者构建的知识进行融合；
所述新知识点图，配置为用户从教学知识点图片探索到可视化知识构建的迭代过程中产生新知识，并通过新知识补全教学思路，形成新知识点图；
所述验证模块，用于验证新知识点图是否可以与教学知识点图谱进行融合；
所述整合模块，用于将通过验证的新知识点图中的新知识整合到已有的教学知识点图谱；
所述教学知识点资料库，通过众包质量评估方式分析每条知识的质量，并通过图数据库方式进行知识数据的存储；
管理子系统，包括系统管理模块、专家库模块和专家推荐模块：
所述系统管理模块，用于管理用户信息以及管理委员会组织专家库中的专家；所述专家，用于在众包构建过程中对教学知识点图谱的构建进行引导和修正；
所述专家库模块，用于为所述委员会组织专家库推荐专家候选人；
所述专家推荐模块，用于根据验证模块需要验证的知识，通过匹配用户知识特征相似度的方法，在所述委员会组织专家库中寻找合适的候选专家，并邀请其进行知识验证。
在一些优选的实施例中，所述知识图谱交互探索模块包括：
知识点搜索单元，以数据处理模块中的关键词作为搜索关键词，在教学知识点图谱中搜索，并以可视化方式返回搜索到的以关键词为核心的子图；
知识点推荐单元，用于在知识点搜索过程中进行知识点分析时，基于用户探索行为图和知识相似度，通过TransE模型和基于GRU的知识点预测模型，获取知识图谱中用户感兴趣的推荐知识点；
用户评价单元，用于在知识点搜索过程中，对知识点、知识点属性和知识点关系进行定性和定量的评价。
在一些优选的实施例中，所述以关键词为核心的子图为知识点连接层次图；
所述知识点连接层次图包括0～N阶的关联节点，其中，0阶返回被搜索的关键词自身，1阶返回与关键词直接相关的知识点集合和知识点之间的关系，n阶返回与关键词直接相关的知识点集合和知识点之间的关系以及与每个知识点有n阶深度关联的节点集合和节点之间的关系；0＜n≤N，代表关联节点的阶数。
在一些优选的实施例中，所述AI知识构建模块包括：
百科知识获取单元，用于通过系统智能算法获取开放中文百科数据或通过爬虫工具从百科网站抽取结构化百科数据，并提取知识点；
知识生成单元，用于在知识推荐过程中，基于百科数据中的语义关系，获取与当前知识点相关联的百科知识点，并推荐给用户。
在一些优选的实施例中，“基于百科数据中的语义关系，获取与当前知识点相关联的百科知识点”，其方法为：
通过基于TransE的知识嵌入模型计算百科知识的嵌入式向量表示；
通过余弦相似度计算向量相似度的方法，计算与当前知识点相似度高于设定阈值的百科知识点作为与当前知识点相关联的百科知识点。
在一些优选的实施例中，所述人机知识融合模块包括：
自动融合单元，用于通过知识图谱的节点融合和关系融合方法，将用户构建的知识数据的子图和AI知识生产者构建的知识数据的子图融合；
融合剪枝单元，用于检查自动融合单元的融合结果，并根据预设规则剪去不需要的部分；
数据建模单元，将融合并剪枝后的知识转化为通过属性图模型进行知识表示的结构型数据，并根据属性图进行结构化数据建模。
在一些优选的实施例中，所述教学知识点资料库包括：
知识质量评估单元，用于通过众包质量评估方式分析每条知识的质量；所述知识的质量包括知识定性和定量评估的平均值、在构建新知识点图中知识被引用的次数和在教育知识点图谱结构中知识的重要性；
教学知识点图谱，用于通过图数据方式进行知识数据的存储。
在一些优选的实施例中，所述知识的质量，其计算方法为：
其中，Qk代表知识k的评估质量，代表对于知识k的第i条评价分数，N为评价的总数，C(k)代表在构建新知识点图中知识k被引用的次数，W(k)代表在教育知识点图谱结构中知识k的重要性，α、β、γ分别为知识定性和定量评估的平均值、在构建新知识点图中知识被引用的次数和在教育知识点图谱结构中知识的重要性这三项的权重系数。
在一些优选的实施例中，所述专家库模块包括：
用户贡献计算单元，用于通过计算用户历史创建的知识的数量以及质量，计算用户在系统中的贡献值：
其中，C代表用户在系统中的贡献值，L代表用户贡献的知识总数量，Qi代表用户贡献的第i项知识的评估质量；
候选专家推荐单元，根据用户在系统中的贡献值进行用户排序，并将设定数量的前M个用户作为专家库的扩展候选名单；
专家库单元，用于管理专家信息和专家参与的知识验证信息。
在一些优选的实施例中，所述专家推荐模块包括：
专家画像单元，用于提取专家贡献的知识的特征，生成专家知识画像；所述专家知识画像通过知识权重集表示：
专家知识画像＝{(id1，Q1)，...，(idm，Qm)}
其中，id1代表专家贡献的第i个知识点的id，Qi，i＝1，2，…，m表示第i个知识点的评估质量；
专家推荐单元，用于根据专家验证单元需要验证的知识，通过匹配用户知识特征相似度的方法，在专家库中进行合适的候选专家匹配，并邀请匹配专家进行知识验证。
在一些优选的实施例中，所述候选专家匹配，其匹配过程中一位专家与待验证知识的匹配度计算方法为：
其中，Qk代表知识k的评估质量，Sim(·)为基于余弦相似度的相似度函数，vt表示待验证的新知识点图中的知识点节点的向量表示，Vt表示待验证的新知识点图中的知识点节点向量表示的集合，vu表示专家贡献的知识点向量表示，Vu表示专家贡献的知识点向量表示的集合，n表示一位专家贡献的知识点的数量，m表示待验证的新知识点图中的知识点节点的数量。
本发明的有益效果：
(1)本发明基于网络群体智能的教学知识点图谱系统，知识构建中采用人机协同方法，AI知识生产者和人类用户都作为知识众包中的参与者，同时进行知识构建。人类用户通过探索前人的经验知识获得启发，构建的知识具有教学领域深度；AI知识生产者通过知识推理技术，从百科知识中挖掘出新知识，构建的知识具有广度。二者结合，形成人机协同的高质量知识构建。
(2)本发明基于网络群体智能的教学知识点图谱系统，使用人工智能增强了用户的知识构建的能力。用户个人新知识构建过程中，使用人工智能增强用户从已有的教学知识点图谱中发现知识获取的能力，通过提供基于智能交互式信息检索的知识图谱探索方法，使用户高效准确的分析教学知识点图谱，帮助用户找到合适的知识，减少知识的重复创造(知识重复创造：是指用户在不清楚某知识已经存在的情况下，对该知识进行了再次创造。重复知识创造没有产生新的信息，浪费了精力)。
(3)本发明基于网络群体智能的教学知识点图谱系统，提出的智能质量评估方法，使用了众包评价+智能计算的方式对知识的质量和用户贡献进行评估，并根据评估结果，更新专家库，为知识验证推荐合适的专家，实现了人机协同的知识验证。这样，从知识的探索、生产、验证、整合、评估形成了相互协同的系统闭环。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明基于网络群体智能的教学知识点图谱系统的框架示意图；
图2本发明基于网络群体智能的教学知识点图谱系统的执行流程示意图；
图3是本发明基于网络群体智能的教学知识点图谱系统一种实施例的众包知识生产模式示意图；
图4是本发明基于网络群体智能的教学知识点图谱系统一种实施例的2阶知识点连接层次的示意图；
图5是本发明基于网络群体智能的教学知识点图谱系统一种实施例的知识点推荐算法流程示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种基于网络群体智能的教学知识点图谱系统，面向教学备课中的核心信息“教学知识点”，通过“智能人机协同+众包计算”的知识获取方法构建教学知识点图谱，本系统的用户是教师，在与AI知识生产者的协同下，从教学知识点图谱中挖掘出新的想法，据此构建新的教学知识，用于构建教案中的知识点讲解的部分。新知识经过验证，与教学知识点图谱进行融合。如图3所示，为本发明基于网络群体智能的教学知识点图谱系统一种实施例的众包知识生产模式示意图，引入人工智能，通过“智能人机协同+众包计算”的技术方法，构建和维护教学知识点图谱。
本发明的一种基于网络群体智能的教学知识点图谱系统，该系统包括以下子系统：
群智知识生产子系统，包括数据处理模块、知识图谱交互探索模块、用户产生数据库、用户知识构建模块、AI知识构建模块、人机知识融合模块、新知识点图、验证模块、整合模块和教学知识点资料库：
所述数据处理模块，用于导入用户的教案数据，并对其中的教学目标章节进行文本挖掘、词权重分析以及关键词提取，获取与知识点相关的关键词；
所述知识图谱交互探索模块，用于用户在可视交互的环境下对教学知识点图谱进行知识点搜索、获取推荐知识点以及进行知识点评价；
所述用户产生数据库，用于存储用户探索行为数据、评价数据以及用户探索过程中与本次备课相关的知识；
所述用户知识构建模块，用于通过交互式可视化知识构建方法，迭代进行知识点探索以及辅助用户构建新知识点图，并形成结构化数据；
所述AI知识构建模块，用于通过系统智能算法获取开放平台的知识数据，并基于语义关系构建教案所需的知识；
所述人机知识融合模块，用于将用户构建的知识与AI知识生产者构建的知识进行融合；
所述新知识点图，配置为用户从教学知识点图片探索到可视化知识构建的迭代过程中产生新知识，并通过新知识补全教学思路，形成新知识点图；
所述验证模块，用于验证新知识点图是否可以与教学知识点图谱进行融合；
所述整合模块，用于将通过验证的新知识点图中的新知识整合到已有的教学知识点图谱；
所述教学知识点资料库，通过众包质量评估方式分析每条知识的质量，并通过图数据库方式进行知识数据的存储；
管理子系统，包括系统管理模块、专家库模块和专家推荐模块：
所述系统管理模块，用于管理用户信息以及管理委员会组织专家库中的专家；所述专家，用于在众包构建过程中对教学知识点图谱的构建进行引导和修正；
所述专家库模块，用于为所述委员会组织专家库推荐专家候选人；
所述专家推荐模块，用于根据验证模块需要验证的知识，通过匹配用户知识特征相似度的方法，在所述委员会组织专家库中寻找合适的候选专家，并邀请其进行知识验证。
为了更清晰地对本发明基于网络群体智能的教学知识点图谱系统进行说明，下面结合图1和图2对本发明实施例中各模块展开详述。
本发明第一实施例的基于网络群体智能的教学知识点图谱系统，包括群智知识生产子系统1和管理子系统2，各子系统详细描述如下：
群智知识生产子系统1包括数据处理模块、知识图谱交互探索模块、用户产生数据库、用户知识构建模块、AI知识构建模块、人机知识融合模块、新知识点图、验证模块、整合模块和教学知识点资料库。
(1)数据处理模块，用于导入用户的教案数据，并对其中的教学目标章节进行文本挖掘、词权重分析以及关键词提取，获取与知识点相关的关键词。
数据处理模块包括文本预处理单元、词权重分析单元和关键词提取单元：
文本预处理单元用于对教案中的“教学目标”章节进行文本挖掘，进行分词、消除停用词等文本处理。
词权重分析单元，使用TF-IDF方法，计算预处理后的词的权重值。在信息检索中，TF-IDF(词频-逆文档频率)是一种统计方法，用以评估一个单词在一个文档集合或语料库中的重要程度。经常被用作信息检索、文本挖掘以及用户模型的权重因素。TF-IDF的值会随着单词在文档中出现的次数的增加而增大，也会随着单词在语料库中出现的次数的增多而减小。
关键词提取单元，根据词权重进行排序，并输出前N个权重最大的词，作为与知识点相关的关键词。
(2)知识图谱交互探索模块，用于用户在可视交互的环境下对教学知识点图谱进行知识点搜索、获取推荐知识点以及进行知识点评价。
知识图谱交互探索模块包括知识点搜索单元、知识推荐单元和用户评价单元。
知识点搜索单元，以数据处理模块中的关键词作为搜索关键词，在教学知识点图谱中搜索，并以可视化方式返回搜索到的以关键词为核心的子图。
以关键词为核心的子图为知识点连接层次图，用户可以定义搜索的范围参数，并基于参数，返回0～N阶的关联节点。其中，0阶返回被搜索的关键词自身，1阶返回与关键词直接相关的知识点集合和知识点之间的关系，n阶返回与关键词直接相关的知识点集合和知识点之间的关系以及与每个知识点有n阶深度关联的节点集合和节点之间的关系；0＜n≤N，代表关联节点的阶数。如图4所示，为本发明基于网络群体智能的教学知识点图谱系统一种实施例的2阶知识点连接层次的示意图，0阶返回被搜索的关键词自身，1阶返回与关键词直接相关的知识点集合和知识点之间的关系以及与每个知识点有1阶深度关联(即直接关联)的节点集合和节点之间的关系，2阶返回与关键词直接相关的知识点集合和知识点之间的关系以及与每个知识点有2阶深度关联(即直接关联)的节点集合和节点之间的关系。
知识点推荐单元，用于在知识点搜索过程中进行知识点分析时，基于用户探索行为图和知识相似度，通过TransE模型和基于GRU的知识点预测模型，获取知识图谱中用户感兴趣的推荐知识点。
推荐功能是在搜索的基础上启动的，在用户分析某个知识点时，系统提供个性化知识点推荐算法，借助用户行为分析模块构建的用户特征，结合教学知识点图谱中的关系信息，构建知识引导的个性化推荐方法，为用户推荐知识图谱中可能感兴趣的知识点。个性化知识点推荐算法分析两个重要因素：用户探索行为图和知识相似度。用户探索行为图是由探索过程中分析的节点构成的有序图，当前分析的节点视作行为图中的最新节点；知识相似度是指与用户行为图中的知识点与教学知识点图谱中其他知识点的语义相似度。
如图5所示，为本发明基于网络群体智能的教学知识点图谱系统一种实施例的知识点推荐算法流程示意图，在模型训练阶段，使用教学知识点图谱对TransE模型和基于GRU(Gate Recurrent Unit)的知识点预测模型进行训练。在推理阶段，使用TransE图神经网络模型，对知识图谱的节点进行嵌入式向量表示。然后，将用户探索行为图(为了输入层的输入值顺序)和知识点向量值(为了初始化输入层的输入值)，输入基于GRU的预测模型，进行图谱的链接预测，得到推荐候选节点。
用户评价单元，用于在知识点搜索过程中，对浏览过的知识做定性和定量的评价，包括对知识点、知识点属性和知识点关系进行评价。
(3)用户产生数据库，用于存储用户探索行为数据、评价数据以及用户探索过程中与本次备课相关的知识。
用户产生数据库包括探索行为数据、用户评价数据和知识洞察数据。
探索行为数据，为用户在教学知识点知识图谱中进行探索性分析过程中产生的行为数据，包括浏览过的知识、搜索过的知识、评价过的知识等数据。探索行为数据用于支撑用户行为分析模块，进行用户行为建模。
用户评价数据，为用户对教学知识点图谱中的知识进行定性和定量评价的数据。知识图谱中可进行评价的元素包括：知识点和知识点之间的关系。用户评价会转化为知识评价数据，保存在教学知识点资料库。
知识洞察数据，为用户在探索分析教学知识点图谱的过程中，发现到与本次备课有关的知识。知识洞察数据输入到用户知识构建模块，进行新知识点图构建。
(4)用户知识构建模块，用于通过交互式可视化知识构建方法，迭代进行知识点探索以及辅助用户构建新知识点图，并形成结构化数据。
用户知识构建模块，系统提供交互式可视化知识构建功能，辅助用户构建新知识点图，并自动形成结构化数据。如果用户认为新知识点图需要加入更多的知识或者信息，则返回到知识图谱交互探索的阶段，进行新一轮知识探索或者求证，这是一个迭代过程。这个模块包括新知识点图构建单元和可视交互单元。
新知识点图构建单元，基于可视交互单元，在独立的构建视图窗口中，用户通过鼠标等交互方式，构建知识点节点(包括节点属性)和知识点之间的边(包括边的类型)，形成新知识点图。知识点构建：通过交互方式新建知识点节点，并输入节点的属性。关系构建：通过交互方式构建边，连接不同知识点，并输入边的类型，可以在已经存在逻辑关系的知识点之间，再建立类型不同的关系。用户可以将教学知识点图谱中的子图，通过交互方式复制到新知识点图构建窗口中。在用户构建新知识点图过程中，系统将提供知识冗余检测，提示用户冗余知识。
可视交互单元，系统使用节点-连接(Node-Link)视图展示用户洞察知识和用户新建知识，包括知识点和关系，并提供交互操作。
(5)AI知识构建模块，用于通过系统智能算法获取开放平台的知识数据，并基于语义关系构建教案所需的知识。
AI知识构建模块包括百科知识获取单元和知识生成单元。
百科知识获取单元，用于通过系统智能算法获取开放中文百科数据(如CN-DBpedia和PKUBase等)或通过爬虫工具从百科网站抽取结构化百科数据，并提取知识点。
知识生成单元，用于在知识推荐过程中，基于百科数据中的语义关系，获取与当前知识点相关联的百科知识点，并推荐给用户。
基于百科数据中的语义关系，获取与当前知识点相关联的百科知识点，其方法为：
通过基于TransE的知识嵌入模型计算百科知识的嵌入式向量表示；
通过余弦相似度计算向量相似度的方法，计算与当前知识点相似度高于设定阈值的百科知识点作为与当前知识点相关联的百科知识点，输入人机知识融合模块。
(6)人机知识融合模块，用于将用户构建的知识与AI知识生产者构建的知识进行融合。
人机知识融合模块包括自动融合单元、融合剪枝单元和数据建模单元。
自动融合单元，用于通过知识图谱的节点融合和关系融合方法，将用户构建的知识数据的子图和AI知识生产者构建的知识数据的子图融合。
融合剪枝单元，用于检查自动融合单元的融合结果，并根据预设规则剪去不需要的部分，仅保留真正需要的知识。
预设规则中不需要的部分主要指人机生成的知识中存在重复的节点和关系，这种情况下，去掉重复的部分。
数据建模单元，将融合并剪枝后的知识转化为通过属性图模型(Property Graph)进行知识表示的结构型数据，并根据属性图进行结构化数据建模。
(7)新知识点图，配置为用户从教学知识点图片探索到可视化知识构建的迭代过程中产生新知识，并通过新知识补全教学思路，形成新知识点图。
从教学知识点图谱探索到可视化知识构建是一个迭代过程，用户在多轮迭代过程中产生新知识，不断补全其教学思路要讲解的知识，形成新知识点图，其中包括知识点和关系。新知识点图可以发送到验证模块进行知识融合前的验证。新知识点图数据暂存在图数据库中。新知识点图中包含的教学知识点图谱中已有的知识，本发明称为对已有知识的引用，即新知识点图引用了已存在的知识。在教学知识评估中，知识引用次数是评估知识质量的重要指标，因此，系统将该数据发送至教学知识点资料库中，用于质量评估。另外，用户未来将会以新知识点图为核心，展开教案构建工作。
(8)验证模块，用于验证新知识点图是否可以与教学知识点图谱进行融合。
验证模块用于验证新知识点图是否可以与教学知识点图谱进行融合，如果通过验证则进行融合。本模块采用主动学习模型(一种机器学习技术)：先进行自动验证，若果出现系统无法判定的情况，则进入专家验证单元，进行人工干预。主动学习模型定义为A＝(C,Q,S,L,U),A代表主动学习框架，C代表自动验证算法，Q代表查询函数，S代表专家，L代表约束规则，U代表实际数据。通过主动学习可以优化知识图谱的约束规则。
验证模块包括自动验证单元、问题分析单元、专家验证单元和知识图谱规则查询单元。
自动验证单元，本单元进行新知识点图融合判断。首先是知识冗余判断，通过子图查询的方法，验证新知识点图是否在教学知识点图谱中已经完整存在，如果完整存在，则不融合；如果其中只有部分存在，则不影响融合。然后进行逻辑判断，通过图数据知识推理的方法，验证新知识点图中的知识点关系：新知识点图中是否存在逻辑矛盾以及新知识点图是否与教学知识点图谱中的知识点关系存在逻辑矛盾。如果出现逻辑问题，则进入问题分析单元。新知识点图中可能存在的逻辑矛盾主要是人机生成的知识之间存在矛盾，即用户构建的知识数据与AI知识生产者构建的知识数据之间存在矛盾，在出现矛盾时，剪枝单元不进行处理，同时保留众包用户生成的知识和AI生成的知识，由验证模块中的自动验证单元来进行判断，并由验证模块中的问题分析单元和专家验证单元进行后续的处理。
问题分析单元，本单元对问题的性质进行分析。如果问题的原因是新知识点图中有数据逻辑错误，则通知用户，修改新知识点图。如果问题的原因是自动验证单元在推理过程中出现规则自相矛盾，则将规则错误发送到专家验证单元。
专家验证单元，由系统管理模块中的专家库单元自动推荐专家，专家对自动验证单元发送来的，需要调整的规则，进行调整和优化。
知识图谱规则查询单元，本单元负责两个方面的计算。一方面，自动验证单元负责解析新知识点图，得到所需要的规则。基于此，本单元在教学知识点图谱中查询的相关规则，并提供给自动验证单元做推理；另一方面，专家调整过的规则，会通过本单元更新教学知识点图谱中的规则库。
(9)整合模块，用于将通过验证的新知识点图中的新知识整合到已有的教学知识点图谱。
整合模块包括分组预整合单元和关联性计算单元。
分组预整合单元，由于本发明系统是基于互联网的分布式多用户系统，因此可能出现在同一个时间区间内，出现多个新知识点图融合请求。由于大型图数据融合的计算复杂度高，因此，本单元将一定时间段内的多个新知识点图进行预融合，较少冗余节点和关系。首先，将指定时间区间内的新知识点图进行使用K-Meams算法，基于知识相似度进行聚类，其中，使用余弦相似度方法计算知识相似度；然后，将每个簇中的图进行融合，得到与簇数量相同的结果图；之后，将结果图发送到自动验证单元，再次验证；最后，如果验证通过，就将结果图与教育知识点图谱融合。
关联性计算单元，计算结果图与教学知识点图谱中的知识点逻辑关联性，把相同的节点(包括属性)合并、相同的边合并、增加新知识点图中的新建节点(包括属性)和边(包括边的类型属性)。
(10)教学知识点资料库，通过众包质量评估方式分析每条知识的质量，并通过图数据库方式进行知识数据的存储。
教学知识点资料库包括知识质量评估单元和教学知识点图谱。
知识质量评估单元，使用众包质量评估的方式，分析每条知识(包括知识点和关系)的评估质量。
知识点的评估质量包括三个部分的加权和：知识定性和定量评估的平均值、在构建新知识点图中知识被引用的次数和在教育知识点图谱结构中知识的重要性，如式(1)所示：
其中，Qk代表知识k的评估质量，代表对于知识k的第i条评价分数，N为评价的总数，C(k)代表在构建新知识点图中知识k被引用的次数，W(k)代表在教育知识点图谱结构中知识k的重要性，α、β、γ分别为知识定性和定量评估的平均值、在构建新知识点图中知识被引用的次数和在教育知识点图谱结构中知识的重要性这三项的权重系数。
知识评价和知识引用的数据保存在本单元。本单元综合三者的数据，计算出的知识质量数据，更新教学知识点图谱，并用于支撑知识图谱探索模块中的知识点搜索和知识点推荐的算法优化，同时也用于支撑管理子系统中的用户贡献计算单元。
教学知识点图谱是一个知识图谱，本质上是一个多关系加权无向图。其中，节点代表教学中需要讲解的知识点，包括名称、内容等属性；边代表知识点之间的关系，包括多种类型的关系。专家组的专家根据教学大纲要求，使用本体模型，构建教学知识点图谱的概念层；并构建常用的基本知识点图谱作为种子图谱，用于启动众包构建。教学知识点图谱使用图数据库进行数据存储。
管理子系统2包括系统管理模块、专家库模块和专家推荐模块。
(1)系统管理模块，用于管理用户信息以及管理委员会组织专家库中的专家；所述专家，用于在众包构建过程中对教学知识点图谱的构建进行引导和修正。
系统管理模块包括用户管理单元和内容引导单元。
用户管理单元，用于管理用户的各种信息。
内容引导单元，管理委员会组织专家库中的专家，在教学知识点图谱的概念模型构建阶段，构建知识点图谱的本体模型，定义概念层。专家在众包构建过程中，对教学知识点图谱的构建进行引导和修正。
(2)专家库模块，用于为所述委员会组织专家库推荐专家候选人。
专家库模块包括用户贡献计算单元、候选专家推荐单元和专家库单元。
用户贡献计算单元，用于通过计算用户历史创建的知识的数量以及质量，计算用户在系统中的贡献值，如式(2)所示：
其中，C代表用户在系统中的贡献值，L代表用户贡献的知识总数量，Qi代表用户贡献的第i项知识的评估质量。
候选专家推荐单元，根据用户在系统中的贡献值进行用户排序，并将设定数量的前M个用户作为专家库的扩展候选名单，以辅助管理委员会进行决策。
专家库单元，用于管理专家信息和专家参与的知识验证信息。专家库单元用于支撑专家推荐单元，进行专家验证的自动专家推荐。
(3)专家推荐模块，用于根据验证模块需要验证的知识，通过匹配用户知识特征相似度的方法，在所述委员会组织专家库中寻找合适的候选专家，并邀请其进行知识验证。
专家推荐模块包括专家画像单元和专家推荐单元。
专家画像单元，提取专家所贡献知识的特征，计算专家的知识特征，形成专家知识画像，使用知识权重集进行表示，如式(3)所示：
专家知识画像＝{(id1，Q1)，...，(idm，Qm)} (3)
其中，id1代表专家贡献的第i个知识点的id，Qi，i＝1，2，…，m表示第i个知识点的评估质量.
专家推荐单元，用于根据专家验证单元需要验证的知识，通过匹配用户知识特征相似度的方法，在专家库中进行合适的候选专家匹配，并邀请匹配专家进行知识验证。使用TransE模型计算出教学知识点图谱的知识点的向量表示。候选专家匹配，其匹配过程中一位专家与待验证知识的匹配度计算方法如式(4)所示：
其中，Qk代表知识k的评估质量，Sim(·)为基于余弦相似度的相似度函数，vt表示待验证的新知识点图中的知识点节点的向量表示，Vt表示待验证的新知识点图中的知识点节点向量表示的集合，vu表示专家贡献的知识点向量表示，Vu表示专家贡献的知识点向量表示的集合，n表示一位专家贡献的知识点的数量，m表示待验证的新知识点图中的知识点节点的数量。
如上述所述，整个系统分为群智知识生产子系统和管理子系统。用户包括：单人用户和管理委员会用户。单人用户通过群智知识生产子系统，分析已有教学知识点图谱，创建新知识，并基于此，进行教案中知识点讲解部分的撰写。新知识可以融合到教学知识点图谱中。管理委员会负责管理管理内容、用户以及挖掘专家用户。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨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/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (11)
1.一种基于网络群体智能的教学知识点图谱系统，其特征在于，该系统包括以下子系统：
群智知识生产子系统，包括数据处理模块、知识图谱交互探索模块、用户产生数据库、用户知识构建模块、AI知识构建模块、人机知识融合模块、新知识点图、验证模块、整合模块和教学知识点资料库：
所述数据处理模块，用于导入用户的教案数据，并对其中的教学目标章节进行文本挖掘、词权重分析以及关键词提取，获取与知识点相关的关键词；
所述知识图谱交互探索模块，用于用户在可视交互的环境下对教学知识点图谱进行知识点搜索、获取推荐知识点以及进行知识点评价；
所述用户产生数据库，用于存储用户探索行为数据、评价数据以及用户探索过程中与本次备课相关的知识；
所述用户知识构建模块，用于通过交互式可视化知识构建方法，迭代进行知识点探索以及辅助用户构建新知识点图，并形成结构化数据；
所述AI知识构建模块，用于通过系统智能算法获取开放平台的知识数据，并基于语义关系构建教案所需的知识；
所述人机知识融合模块，用于将用户构建的知识与AI知识生产者构建的知识进行融合；
所述新知识点图，配置为用户从教学知识点图片探索到可视化知识构建的迭代过程中产生新知识，并通过新知识补全教学思路，形成新知识点图；
所述验证模块，用于验证新知识点图是否可以与教学知识点图谱进行融合；
所述整合模块，用于将通过验证的新知识点图中的新知识整合到已有的教学知识点图谱；
所述教学知识点资料库，通过众包质量评估方式分析每条知识的质量，并通过图数据库方式进行知识数据的存储；
管理子系统，包括系统管理模块、专家库模块和专家推荐模块：
所述系统管理模块，用于管理用户信息以及管理委员会组织专家库中的专家；所述专家，用于在众包构建过程中对教学知识点图谱的构建进行引导和修正；
所述专家库模块，用于为所述委员会组织专家库推荐专家候选人；
所述专家推荐模块，用于根据验证模块需要验证的知识，通过匹配用户知识特征相似度的方法，在所述委员会组织专家库中寻找合适的候选专家，并邀请其进行知识验证。
2.根据权利要求1所述的基于网络群体智能的教学知识点图谱系统，其特征在于，所述知识图谱交互探索模块包括：
知识点搜索单元，以数据处理模块中的关键词作为搜索关键词，在教学知识点图谱中搜索，并以可视化方式返回搜索到的以关键词为核心的子图；
知识点推荐单元，用于在知识点搜索过程中进行知识点分析时，基于用户探索行为图和知识相似度，通过TransE模型和基于GRU的知识点预测模型，获取知识图谱中用户感兴趣的推荐知识点；
用户评价单元，用于在知识点搜索过程中，对知识点、知识点属性和知识点关系进行定性和定量的评价。
3.根据权利要求2所述的基于网络群体智能的教学知识点图谱系统，其特征在于，所述以关键词为核心的子图为知识点连接层次图；
所述知识点连接层次图包括0～N阶的关联节点，其中，0阶返回被搜索的关键词自身，1阶返回与关键词直接相关的知识点集合和知识点之间的关系，n阶返回与关键词直接相关的知识点集合和知识点之间的关系以及与每个知识点有n阶深度关联的节点集合和节点之间的关系；0＜n≤N，代表关联节点的阶数。
4.根据权利要求1所述的基于网络群体智能的教学知识点图谱系统，其特征在于，所述AI知识构建模块包括：
百科知识获取单元，用于通过系统智能算法获取开放中文百科数据或通过爬虫工具从百科网站抽取结构化百科数据，并提取知识点；
知识生成单元，用于在知识推荐过程中，基于百科数据中的语义关系，获取与当前知识点相关联的百科知识点，并推荐给用户。
5.根据权利要求4所述的基于网络群体智能的教学知识点图谱系统，其特征在于，“基于百科数据中的语义关系，获取与当前知识点相关联的百科知识点”，其方法为：
通过基于TransE的知识嵌入模型计算百科知识的嵌入式向量表示；
通过余弦相似度计算向量相似度的方法，计算与当前知识点相似度高于设定阈值的百科知识点作为与当前知识点相关联的百科知识点。
6.根据权利要求1所述的基于网络群体智能的教学知识点图谱系统，其特征在于，所述人机知识融合模块包括：
自动融合单元，用于通过知识图谱的节点融合和关系融合方法，将用户构建的知识数据的子图和AI知识生产者构建的知识数据的子图融合；
融合剪枝单元，用于检查自动融合单元的融合结果，并根据预设规则剪去不需要的部分；
数据建模单元，将融合并剪枝后的知识转化为通过属性图模型进行知识表示的结构型数据，并根据属性图进行结构化数据建模。
7.根据权利要求1所述的基于网络群体智能的教学知识点图谱系统，其特征在于，所述教学知识点资料库包括：
知识质量评估单元，用于通过众包质量评估方式分析每条知识的质量；所述知识的质量包括知识定性和定量评估的平均值、在构建新知识点图中知识被引用的次数和在教育知识点图谱结构中知识的重要性；
教学知识点图谱，用于通过图数据方式进行知识数据的存储。
8.根据权利要求7所述的基于网络群体智能的教学知识点图谱系统，其特征在于，所述知识的质量，其计算方法为：
其中，Qk代表知识k的评估质量，代表对于知识k的第i条评价分数，N为评价的总数，C(k)代表在构建新知识点图中知识k被引用的次数，W(k)代表在教育知识点图谱结构中知识k的重要性，α、β、γ分别为知识定性和定量评估的平均值、在构建新知识点图中知识被引用的次数和在教育知识点图谱结构中知识的重要性这三项的权重系数。
9.根据权利要求1所述的基于网络群体智能的教学知识点图谱系统，其特征在于，所述专家库模块包括：
用户贡献计算单元，用于通过计算用户历史创建的知识的数量以及质量，计算用户在系统中的贡献值：
其中，C代表用户在系统中的贡献值，L代表用户贡献的知识总数量，Qi代表用户贡献的第i项知识的评估质量；
候选专家推荐单元，根据用户在系统中的贡献值进行用户排序，并将设定数量的前M个用户作为专家库的扩展候选名单；
专家库单元，用于管理专家信息和专家参与的知识验证信息。
10.根据权利要求1所述的基于网络群体智能的教学知识点图谱系统，其特征在于，所述专家推荐模块包括：
专家画像单元，用于提取专家贡献的知识的特征，生成专家知识画像；所述专家知识画像通过知识权重集表示：
专家知识画像＝{(id1，Q1)，...，(idr，Qr)}
其中，idi代表专家贡献的第i个知识点的id，Qi表示第i个知识点的评估质量，其中，i＝1，2，…，r；
专家推荐单元，用于根据专家验证单元需要验证的知识，通过匹配用户知识特征相似度的方法，在专家库中进行合适的候选专家匹配，并邀请匹配专家进行知识验证。
11.根据权利要求10所述的基于网络群体智能的教学知识点图谱系统，其特征在于，所述候选专家匹配，其匹配过程中一位专家与待验证知识的匹配度计算方法为：
其中，Qk代表知识k的评估质量，Sim(·)为基于余弦相似度的相似度函数，vt表示待验证的新知识点图中的知识点节点的向量表示，Vt表示待验证的新知识点图中的知识点节点向量表示的集合，vu表示专家贡献的知识点向量表示，Vu表示专家贡献的知识点向量表示的集合，n表示一位专家贡献的知识点的数量，m表示待验证的新知识点图中的知识点节点的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011010505.8A CN112148890B (zh) | 2020-09-23 | 2020-09-23 | 基于网络群体智能的教学知识点图谱系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011010505.8A CN112148890B (zh) | 2020-09-23 | 2020-09-23 | 基于网络群体智能的教学知识点图谱系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112148890A CN112148890A (zh) | 2020-12-29 |
| CN112148890B true CN112148890B (zh) | 2023-07-25 |
Family
ID=73896306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011010505.8A Active CN112148890B (zh) | 2020-09-23 | 2020-09-23 | 基于网络群体智能的教学知识点图谱系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112148890B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112699308B (zh) * | 2021-01-13 | 2024-07-23 | 广西申能达智能科技有限公司 | 一种基于聚类算法的学科题目知识点推荐方法及系统 |
| CN112732845A (zh) * | 2021-01-26 | 2021-04-30 | 长威信息科技发展股份有限公司 | 一种基于端到端的大型知识图谱构建和存储方法和系统 |
| CN113495930A (zh) * | 2021-05-21 | 2021-10-12 | 牟善军 | 一种基于系统思维的全局脑图构建方法及系统 |
| CN113327473B (zh) * | 2021-05-26 | 2023-02-28 | 武汉理工大学 | 一种虚拟仿真教学实训系统、控制方法、装置及存储介质 |
| CN113807091B (zh) | 2021-08-12 | 2022-07-22 | 北京百度网讯科技有限公司 | 词语挖掘方法、装置、电子设备和可读存储介质 |
| CN113821645A (zh) * | 2021-09-26 | 2021-12-21 | 闫超 | 技术创新及运营平台 |
| CN114647721B (zh) * | 2022-05-23 | 2022-09-16 | 风林科技(深圳)有限公司 | 教育智能机器人控制方法、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109947949A (zh) * | 2019-03-12 | 2019-06-28 | 国家电网有限公司 | 知识信息智能管理方法、装置及服务器 |
| CN110688456A (zh) * | 2019-09-25 | 2020-01-14 | 北京计算机技术及应用研究所 | 一种基于知识图谱的漏洞知识库构建方法 |
| CN111078868A (zh) * | 2019-06-04 | 2020-04-28 | 中国人民解放军92493部队参谋部 | 基于知识图谱分析的装备试验体系规划决策的方法及系统 |
| CN111191047A (zh) * | 2019-12-31 | 2020-05-22 | 武汉理工大学 | 一种面向人机协作拆卸任务的知识图谱构建方法 |
| CN111428053A (zh) * | 2020-03-30 | 2020-07-17 | 西安交通大学 | 一种面向税务领域知识图谱的构建方法 |
| EP3709189A1 (en) * | 2019-03-14 | 2020-09-16 | Siemens Aktiengesellschaft | Recommender system for data integration |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016022822A2 (en) * | 2014-08-06 | 2016-02-11 | Kaybus, Inc. | Knowledge automation system |
-
2020
- 2020-09-23 CN CN202011010505.8A patent/CN112148890B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109947949A (zh) * | 2019-03-12 | 2019-06-28 | 国家电网有限公司 | 知识信息智能管理方法、装置及服务器 |
| EP3709189A1 (en) * | 2019-03-14 | 2020-09-16 | Siemens Aktiengesellschaft | Recommender system for data integration |
| CN111078868A (zh) * | 2019-06-04 | 2020-04-28 | 中国人民解放军92493部队参谋部 | 基于知识图谱分析的装备试验体系规划决策的方法及系统 |
| CN110688456A (zh) * | 2019-09-25 | 2020-01-14 | 北京计算机技术及应用研究所 | 一种基于知识图谱的漏洞知识库构建方法 |
| CN111191047A (zh) * | 2019-12-31 | 2020-05-22 | 武汉理工大学 | 一种面向人机协作拆卸任务的知识图谱构建方法 |
| CN111428053A (zh) * | 2020-03-30 | 2020-07-17 | 西安交通大学 | 一种面向税务领域知识图谱的构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112148890A (zh) | 2020-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112148890B (zh) | 基于网络群体智能的教学知识点图谱系统 | |
| CN102737120B (zh) | 一种个性化网络学习资源推荐方法 | |
| Yu | Academic Performance Prediction Method of Online Education using Random Forest Algorithm and Artificial Intelligence Methods. | |
| CN111914162B (zh) | 一种基于知识图谱的个性化学习方案引导方法 | |
| Lalata et al. | A sentiment analysis model for faculty comment evaluation using ensemble machine learning algorithms | |
| CN117033721A (zh) | 一种基于法律知识图谱的法律咨询报告生成系统及方法 | |
| Wang | Fuzzy comprehensive evaluation of physical education based on high dimensional data mining | |
| CN116187812A (zh) | 基于地理知识的耕地资源可持续利用评价方法及系统 | |
| CN113988071A (zh) | 一种基于金融知识图谱的智能对话方法及装置、电子设备 | |
| Ganeshan et al. | An intelligent student advising system using collaborative filtering | |
| CN118312167B (zh) | 基于低代码平台的套件机制实现方法及系统 | |
| CN117875412A (zh) | 一种基于知识图谱构建计算机教育知识图谱的方法 | |
| CN110909124B (zh) | 基于人在回路的混合增强智能需求精准感知方法及系统 | |
| Carmona et al. | Subgroup discovery in an e-learning usage study based on Moodle | |
| Yang et al. | User story clustering in agile development: a framework and an empirical study | |
| CN117787500A (zh) | 一种基于大数据分析的选课推荐方法和系统 | |
| Lei | [Retracted] Association Rule Mining Algorithm in College Students’ Quality Evaluation System | |
| Diao et al. | Precise modeling of learning process based on multiple behavioral features for knowledge tracing | |
| Han | Research on personalized recommendation method of educational resources based on learner behavior analysis | |
| Zhou et al. | Research on the Hierarchical Structure of User Feature Factors Affecting the Accurate Recommendation of Digital Educational Resources | |
| Triayudi et al. | New Framework of Educational Data Mining to Predict Student Learning Performance | |
| Shi et al. | Data Mining of English Language Instructional System Based on Improved Collaborative Filtering Algorithm | |
| Guan | An online education course recommendation method based on knowledge graphs and reinforcement learning | |
| Ngo et al. | Exploration and integration of job portals in Vietnam | |
| CN118349662B (zh) | 一种基于问题智能生成答案的方法 |
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 |
Effective date of registration: 20220907 Address after: 100190 No. 95 East Zhongguancun Road, Beijing, Haidian District Applicant after: INSTITUTE OF AUTOMATION, CHINESE ACADEMY OF SCIENCES Applicant after: Beijing Zhongke yunpan Intelligent Technology Co.,Ltd. Address before: 100190 No. 95 East Zhongguancun Road, Beijing, Haidian District Applicant before: INSTITUTE OF AUTOMATION, CHINESE ACADEMY OF SCIENCES |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |