CN112506945A - 基于知识图谱的自适应导学方法及系统 - Google Patents
基于知识图谱的自适应导学方法及系统 Download PDFInfo
- Publication number
- CN112506945A CN112506945A CN202011396218.5A CN202011396218A CN112506945A CN 112506945 A CN112506945 A CN 112506945A CN 202011396218 A CN202011396218 A CN 202011396218A CN 112506945 A CN112506945 A CN 112506945A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- teaching
- user
- knowledge point
- graph
- 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 61
- 230000007704 transition Effects 0.000 claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 claims abstract description 19
- 230000003930 cognitive ability Effects 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 230000001149 cognitive effect Effects 0.000 claims description 26
- 230000019771 cognition Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002452 interceptive effect Effects 0.000 claims description 7
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000779 smoke Substances 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/2433—Query languages
-
- 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
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Electrically Operated Instructional Devices (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于知识图谱的自适应导学方法、系统、电子设备及存储介质。该方法包括步骤:S1,构建面向教学领域的知识图谱和教学资源库,根据用户的问答记录构建个人知识图谱,个人知识图谱中的节点具有认知力属性值;S2,获取用户想要查询的目标知识点;S3,根据该目标知识点关联的教学资源,生成学习路径,该学习路径包括若干项教学任务,每个教学任务的引导都采用有限状态机实现,有限状态机的状态转移阈值根据对应用户的个人知识图谱中目标知识点的认知力属性值确定,利用多轮对话技术引导用户完成教学任务。本发明能够改善在线学习体验,随时随地解答用户疑问,代替教师答疑与引导角色,提高资源利用率与学习效率。
Description
技术领域
本发明属于教育信息化技术领域,更具体地,涉及基于知识图谱的自适应导学方法、系统、电子设备及存储介质。
背景技术
随着信息技术的快速发展,在线学习成为学习者习得知识,获取技能的重要方式。相较于传统课堂,在线学习更加强调学习者的信息检索和自主学习能力。面对互联网上浩瀚如烟的资源,如何帮助学习者快速定位其所需的资源和知识,并辅以个性化的教学引导,帮助学习者提高学习效率和学习质量是教育技术领域的研究热点之一。
基于知识图谱的问答技术是解决上述问题的有效途径。知识图谱以知识点为基本单元,可以轻易组织各个年级、不同地域的庞大知识数据,整合优质资源。同时,基于知识图谱的知识查询和多轮问答技术,可以分别从信息检索和教学引导等方面为自主学习提供便利。目前,将多轮问答技术用于在线学习中教学任务的辅助教学,仍存在以下问题:
(1)教学任务单一,辅助教学不同于一般的任务型问答场景,学习者对于特定知识点的学习有不同层级的需求,如教育家布鲁姆的认知目标分类中定义的层次包括,知道、领会、应用、分析、综合和评价,不同的学习需求需要不同的教学任务,对于同一应用场景采用单一的辅导框架,教学效果不佳;
(2)辅助教学过程中未考虑到学习者已有的认知水平,采用统一的流程和标准完成教学活动,教学质量有待提升。
发明内容
针对现有技术的至少一个缺陷或改进需求,本发明提供了基于知识图谱的自适应导学方法、系统、电子设备及存储介质。
为实现上述目的,按照本发明的第一方面,提供了一种基于知识图谱的自适应导学方法,包括步骤:
S1,构建面向教学领域的知识图谱和教学资源库,将知识图谱中的节点与教学资源库中的教学资源相关联,并且根据用户的问答记录构建个人知识图谱,个人知识图谱中的节点具有认知力属性值,认知力属性值表征用户对该节点的认知水平;
S2,获取用户想要查询的目标知识点;
S3,根据该目标知识点关联的教学资源,生成学习路径,该学习路径包括若干项教学任务,每个教学任务的引导都采用有限状态机实现,有限状态机的状态转移阈值根据对应用户的个人知识图谱中目标知识点的认知力属性值确定。
优选的,在所述步骤S2之后,且所述步骤S3之前,还包括步骤:
在用户的个人知识图谱中查询目标知识点,若目标知识点已存在用户的个人知识图谱中,则获取目标知识点的知识点属性值,若目标知识点不存在用户的个人知识图谱中,则在用户的个人知识图谱中添加目标知识点并初始化新增节点的认知力属性值。
优选的,在所述步骤S3之后还包括步骤:
根据用户在完成教学任务过程中的学习情况,更新用户的个人知识图谱中目标知识点的认知力属性值。
优选的,所述步骤S2包括步骤:
S21,接收用户输入的自然语言表述的问句,将问句进行预处理和向量化,提取问句中的主题词,利用词典将主题词映射知识图谱中的一个节点;
S22,采用两种方式来获取候选知识点:方式一,利用知识图谱检索出与主题词映射的节点关联的节点,作为第一候选知识点;方式二,提取出问句中的实体和关系,合成知识库结构化查询语句SPARQL,在知识图谱中检索出第二候选知识点;
S23,将第二候选知识点设置较高的权重,将第一候选知识点设置较低的权重,采用词嵌入技术将第一候选知识点和第二候选知识点进行向量化表示后,分别与问句的向量化表示做点积运算,将点积运算后的结果乘以对应的权重,得到每个候选知识点的综合评分;
S24,将综合评分最高的候选知识点确认为目标知识点。
优选的,所述步骤S3中,所述有限状态机的状态包括等待状态、引导状态和完成状态;
其中,引导状态内部设置与具体教学任务相关的语义槽,从用户完成教学任务过程中的交互信息提取信息,对语义槽的内容进行填充;
有限状态机从引导状态向完成状态转换所需填充的语义槽的个数根据有限状态机对应的教学任务的状态转移阈值确定;
当有限状态机的状态为完成状态时,该有限状态机对应的教学任务的引导过程结束,进入学习路径中的下一个教学任务。
优选的,所述S5中状态转移阈值的计算方法为:
其中,W为教学任务的状态转移阈值,W0为教学任务的状态转移阈值的最小值,W1为教学任务的状态转移阈值的最大值,C为个人知识图谱中目标知识点的认知力属性值,∈为相关系数,且∈属于[0,1],δ是表示有限状态机对应教学任务难度的随机数。
优选的,所述更新用户的个人知识图谱中目标知识点的认知力属性值采用的计算公式为:
按照本发明的第二方面,提供了一种基于知识图谱的自适应导学系统,包括:
知识库和教育资源库构建模块,用于构建面向教学领域的知识图谱和教学资源库,将知识图谱中的节点与教学资源库中的教学资源相关联,并且根据用户的问答记录构建个人知识图谱,该个人知识图谱中的节点具有认知力属性值,认知力属性值表征用户对该节点的认知水平;
输入模块,用于获取用户想要查询的目标知识点;
教学引导模块,用于根据该目标知识点关联的教学资源,生成学习路径,该学习路径包括若干项教学任务,每个教学任务的引导都采用有限状态机实现,有限状态机的状态转移阈值根据对应用户的个人知识图谱中目标知识点的认知力属性值确定。
按照本发明的第三方面,提供了一种电子设备,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上述任一项所述的方法。
按照本发明的第四方面,提供了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上述任一项所述的方法。总体而言,本发明将知识图谱中的节点与相应的教学资源相关联,利用目标知识点相关的教学资源,构建学习路径,学习路径中包括若干项教学任务,采用有限状态机实现教学任务的引导过程,并且基于用户对知识点的认知水平,动态调整各项教学任务的状态转移阈值。其解决了现有教育领域中用于教学引导的任务型多轮对话中任务类型单一,忽略用户已有的知识水平等缺陷,其优点在于充分考虑了学习者已有的知识积累和经验,利用与知识点相关的教学资源,构建包含多种教学任务的学习路径,有效引导用户从不同认知层级深入学习知识点,提高学习效果。具体的,对教师而言,具有整合教学反馈,代替答疑角色从而节省时间提高教学效率的作用;对学生而言,能随时随地解决疑问,有利于自主学习,提高学习效率与资源利用率。
附图说明
图1是本发明实施例的基于知识图谱的自适应导学方法的流程图;
图2是本发明实施例的获取目标知识点的流程图;
图3是本发明实施例的基于知识图谱的自适应导学系统的示意图。
具体实施方式
为了使本发明的目的、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。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明实施例提供的基于知识图谱的自适应导学方法,包括步骤:
S1,构建面向教学领域的知识图谱和教学资源库,其中,知识图谱中的节点与教学资源库相关联,同时,根据用户的问答记录构建用户个人知识图谱,个人知识图谱中的节点具有认知力属性值,认知力属性值可以表征用户对该节点的认知水平。
优选的,教学资源库中的资源除了与知识图谱中的节点关联外,还可以按照认知力属性值区间和教学任务进行有序存储,后文具体说明这样存储的好处。
S2,获取用户想要查询的目标知识点。接收用户输入的自然语言,解析用户输入的自然语言,得到用户想要查询的目标知识点。
S3,根据用户个人知识图谱中的目标知识点的认知力属性值及目标知识点关联的教学资源,形成学习路径,学习路径包括若干教学任务,如知识点的简单记忆、知识点的概念理解、知识点的综合应用等,采用有限状态机表示教学过程中各项教学任务所处的状态,具体包括等待、引导和完成三种状态,各项教学任务的状态转移阈值由用户个人知识图谱中目标知识点的认知力属性计算得出。可以采用多轮对话技术来实现人机交互,系统以问题的形式进行教学任务引导,用户回复系统给出的问题,逐步完成知识点的自主学习。
优选的,教学任务的引导还基于语义槽实现,分别抽取每个教学任务中需要用户学习的关键信息,形成“语义槽”,将教学过程转化为引导用户回答每个“语义槽”所对应的关键信息的过程。后文具体说明实现过程。
下面具体说明优选实现方式。
如图2所示,步骤S2的优选实现方式如下。
问句解析,将问句处理为单词数组,处理方法包括,分词、词干化和合并同类项;利用词嵌入技术对问句进行向量化表示,采用命名实体识别模型提取问句中的主题词,利用词典将主题词映射为知识图谱中的一个节点。
候选知识点通过两条路径综合得出。
方式一,利用知识图谱检索出与主题词映射的节点关联的节点,作为第一候选知识点。具体的,可以利用存储知识图谱的知识库系统内的路径倒排索引,将与问句中与主题词相关的两跳以内的实体作为候选知识点。
方式二,提取出问句中的实体和关系,合成知识库结构化查询语句SPARQL,在知识图谱中检索出第二候选知识点。具体的,可以采用语义解析的方式,利用神经网络模型得到用户问句中的实体和关系,具体为训练两个用于分类任务的神经网络模型,输入用户的问句,分别输出问句中的实体和关系,不同的实体和关系可以组合成知识库结构化查询语句SPARQL,在知识库中检索出包含候选知识点的三元组,进而得到候选知识点。
将通过结构化查询语句SPARQL检索出的候选知识点设置较高的权重,采用词嵌入技术将所有候选答案进行向量化表示后,与问句的向量化表示做点积运算,将点积运算后的结果乘以对应的权重,得到候选知识点的综合评分,选取综合评分最高的知识点为目标知识点。其中,本实施例中,经SPARQL检索出的候选答案置于优先级γ,问句与候选答案点积后的结果经规约后范围为0~100,γ=10。
优选的,在步骤S2之后,且步骤S3之前,还包括步骤:在用户的个人知识图谱中查询目标知识点,若目标知识点已存在用户的个人知识图谱中,则获取目标知识点的知识点属性值,若目标知识点不存在用户的个人知识图谱中,则在用户的个人知识图谱中添加目标知识点并初始化新增节点的认知力属性值。初始值可以根据目标知识点的不同动态变化。具体为:知识点的属性认知力的初始值与知识点所属的具体学段和学科领域相关;知识点间存在层级关系时,知识点的认知力属性值的初始值与用户的个人知识图谱中是否包含知识点的前驱知识点或后继知识点相关。
步骤S3中根据用户个人知识图谱中的目标知识点的认知力属性值及目标知识点关联的教学资源,形成学习路径,学习路径包括若干教学任务,如知识点的简单记忆、知识点的概念理解、知识点的综合应用等,利用多轮对话技术,通过人机对话的方式来引学生完成教学任务,学习路径中的若干项教学任务,都是根据用户对该知识点的认知水平以及目标知识点关联的教学资源生成的,但是不同教学任务侧重于提升学生的不同层次的认知能力。例如教学任务1为简单记忆,注重考查学生对知识点概念的熟悉情况,强调学生对知识点概念记忆的准确性;教学任务2为概念理解,注重考查学生对知识点的掌握情况,强调学生对知识点的内涵和外延有深入的理解;教学任务3为综合应用,注重考查学生对知识点的综合分析能力,强调学生对知识点在具体情景中的应用能力。
采用有限状态机表示学习路径中与具体教学任务对应的引导过程。
每一个教学任务对应一个有限状态机,定义有限状态机的状态为等待、引导、完成三种。
其中,引导状态内部设置一系列与具体教学任务相关的语义槽。
在多轮对话中,语义槽指将用户意图转化为明确用户指令所需要补全的信息,一个槽与一件事情的处理中所需要获取的一种信息相对应。在具体教学任务中,语义槽可表示为需要用户学习的关键信息,如用户学习唐诗这一知识点时,在综合应用这一教学任务中,用户输入的语句为“《将进酒》这首诗的作者是李白”,这句话中的“《将进酒》”和“李白”可以分别填入“唐诗名”和“作者”两个语义槽中,之后计算机将根据语义槽的填充情况动态评估用户对知识点的认知水平。
优选的,语义槽的生成可以根据教学资源来确定。具体的,教学资源库中的教学资源除了和目标知识点进行关联外,还按照认知力属性值区间和教学任务进行有序存储。首先,依次根据目标知识点、用户的个人知识图谱中目标知识点的认知力属性值所属区间,获取若干个教学任务以及每个教学任务对应的教学资源,然后从每个教学任务对应的教学资源中抽取关键信息生成语义槽。这样,教学任务不仅和目标知识点有关,还会根据用户认知水平调整教学任务中的语义槽,实现了教学任务因人而异。系统从用户在完成教学任务过程中的交互信息中提取信息,对语义槽的内容进行填充。完成教学任务过程中的交互信息可以是用户输入的回答文本等。交互信息不仅包括用户在完成本项教学任务的交互信息,还包括上一项教学任务中的交互信息。
当某项教学任务的填充的语义槽个数满足要求,则有限状态机从引导状态转换为完成状态。转换所需填充的语义槽的个数由具体教学任务的状态转移阈值确定。状态转移阈值可以反映用户对教学任务所涉及的知识点的掌握层次,如状态转移阈值高时,则表明用户在过去的学习经历中对该知识点的掌握不扎实,需要进一步温习和巩固,则需要填充的语义槽也随之增多。
当有限状态机的状态为完成时,该有限状态机对应的教学任务的引导过程结束,然后进入下一个教学任务。
步骤5中各项教学任务的状态转移阈值由用户个人知识图谱中目标知识点的认知力属性计算得出,具体计算方法为:
其中,W为教学任务的状态转移阈值,W0为教学任务的状态转移阈值的最小值,W1为教学任务的状态转移阈值的最大值,C表示用户对教学任务对应的知识点的认知水平,∈为预设的相关系数,且∈属于[0,1],δ是表示教学任务难度的随机数,δ根据教学任务的不同动态变化。
具体的,学习路径中不同的教学任务的难度值是依次递增的,假设简单记忆的难度值1,概念理解的难度值是2,综合应用的难度值是3,δ的取值范围是本教学任务的难度值到下一任务的难度值,由计算机任取一随机数。
优选的,在步骤S3之后还包括步骤:根据用户在完成教学任务过程中的学习情况,更新用户的个人知识图谱中目标知识点的认知力属性值。
具体更新方法为:
其中,previousC为本次教学引导之前目标知识点属性中认知力C的属性值,updatedC为本次教学引导结束后,系统根据用户的学习情况计算得出的用户对目标知识点的认知力属性值,和β为认知力更新步长。
具体的,和β根据用户的问答记录动态变化,且和β的取值均属于[0,1],当用户学习该知识点的次数不大于5次时,占比小,β占比大,且本次教学引导过程对用户对于目标知识点的认知水平影响较大;当用户学习该知识点的次数大于5次时,占比大,β占比小,且用户之前的学习情况对用户对于目标知识点的认知水平影响较大。和β的具体取值由计算机根据指定区间任取一随机数。
本发明实施例提供的基于知识图谱的导学方法中,教学任务不仅和目标知识点有关,还会根据用户认知水平调整教学任务中的语义槽,实现了教学任务因人而异;并且,引导过程中教学任务跳转的状态转移阈值也是和用户认知水平相关。因而,真正实现了多教学任务、且自适应用户认知水平的教学引导。
如图3所示,本发明实施例提供的基于知识图谱的导学系统,包括:
知识库和教育资源库构建模块,用于构建面向教学领域的知识图谱和教学资源库,将该知识图谱中的节点与该教学资源库中的教学资源相关联,并且根据用户的问答记录构建个人知识图谱,该个人知识图谱中的节点具有认知力属性值,认知力属性值表征用户对该节点的认知水平;
输入模块,用于获取用户想要查询的目标知识点;
教学引导模块,用于根据该目标知识点关联的教学资源,生成学习路径,该学习路径包括若干项教学任务,每个教学任务的引导都采用有限状态机实现,有限状态机的状态转移阈值根据对应用户的个人知识图谱中目标知识点的认知力属性值确定。
优选的,系统还包括查询模块,查询模块用于在用户的个人知识图谱中查询目标知识点,若目标知识点已存在用户的个人知识图谱中,则获取目标知识点的知识点属性值,若目标知识点不存在用户的个人知识图谱中,则在用户的个人知识图谱中添加目标知识点并初始化新增节点的认知力属性值。
优选的,系统还包括更新模块,更新模块用于根据用户在完成教学任务过程中的学习情况,更新用户的个人知识图谱中目标知识点的认知力属性值。
系统的实现原理、技术效果与上述方法相同,此处不再赘述。
本实施例还提供了一种电子设备,其包括至少一个处理器、以及至少一个存储器,其中,存储器中存储有计算机程序,当计算机程序被处理器执行时,使得处理器执行上述实施例中自适应导学方法的步骤,此处不再赘述;本实施例中,处理器和存储器的类型不作具体限制,例如:处理器可以是微处理器、数字信息处理器、片上可编程逻辑系统等;存储器可以是易失性存储器、非易失性存储器或者它们的组合等。其实现原理、技术效果与上述方法相同,此处不再赘述。
本发明实施例还提供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以实现上述任一自适应导学方法实施例的技术方案。其实现原理、技术效果与上述方法相同,此处不再赘述。
必须说明的是,上述任一实施例中,方法并不必然按照序号顺序依次执行,只要从执行逻辑中不能推定必然按某一顺序执行,则意味着可以以其他任何可能的顺序执行。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于知识图谱的自适应导学方法,其特征在于,包括步骤:
S1,构建面向教学领域的知识图谱和教学资源库,将知识图谱中的节点与教学资源库中的教学资源相关联,并且根据用户的问答记录构建个人知识图谱,个人知识图谱中的节点具有认知力属性值,认知力属性值表征用户对该节点的认知水平;
S2,获取用户想要查询的目标知识点;
S3,根据该目标知识点关联的教学资源,生成学习路径,该学习路径包括若干项教学任务,每个教学任务的引导都采用有限状态机实现,有限状态机的状态转移阈值根据对应用户的个人知识图谱中目标知识点的认知力属性值确定。
2.如权利要求1所述的一种基于知识图谱的自适应导学方法,其特征在于,在所述步骤S2之后,且所述步骤S3之前,还包括步骤:
在用户的个人知识图谱中查询目标知识点,若目标知识点已存在用户的个人知识图谱中,则获取目标知识点的知识点属性值,若目标知识点不存在用户的个人知识图谱中,则在用户的个人知识图谱中添加目标知识点并初始化新增节点的认知力属性值。
3.如权利要求1所述的一种基于知识图谱的自适应导学方法,其特征在于,在所述步骤S3之后还包括步骤:
根据用户在完成教学任务过程中的学习情况,更新用户的个人知识图谱中目标知识点的认知力属性值。
4.如权利要求1所述的一种基于知识图谱的自适应导学方法,其特征在于,所述步骤S2包括步骤:
S21,接收用户输入的自然语言表述的问句,将问句进行预处理和向量化,提取问句中的主题词,利用词典将主题词映射知识图谱中的一个节点;
S22,采用两种方式来获取候选知识点:方式一,利用知识图谱检索出与主题词映射的节点关联的节点,作为第一候选知识点;方式二,提取出问句中的实体和关系,合成知识库结构化查询语句SPARQL,在知识图谱中检索出第二候选知识点;
S23,将第二候选知识点设置较高的权重,将第一候选知识点设置较低的权重,采用词嵌入技术将第一候选知识点和第二候选知识点进行向量化表示后,分别与问句的向量化表示做点积运算,将点积运算后的结果乘以对应的权重,得到每个候选知识点的综合评分;
S24,将综合评分最高的候选知识点确认为目标知识点。
5.如权利要求1所述的一种基于知识图谱的自适应导学方法,其特征在于,所述步骤S3中,所述有限状态机的状态包括等待状态、引导状态和完成状态;
其中,引导状态内部设置与具体教学任务相关的语义槽,从用户完成教学任务过程中的交互信息提取信息,对语义槽的内容进行填充;
有限状态机从引导状态向完成状态转换所需填充的语义槽的个数根据有限状态机对应的教学任务的状态转移阈值确定;
当有限状态机的状态为完成状态时,该有限状态机对应的教学任务的引导过程结束,进入学习路径中的下一个教学任务。
8.一种基于知识图谱的自适应导学系统,其特征在于,包括:
知识库和教育资源库构建模块,用于构建面向教学领域的知识图谱和教学资源库,将该知识图谱中的节点与该教学资源库中的教学资源相关联,并且根据用户的问答记录构建个人知识图谱,该个人知识图谱中的节点具有认知力属性值,认知力属性值表征用户对该节点的认知水平;
输入模块,用于获取用户想要查询的目标知识点;
教学引导模块,用于根据该目标知识点关联的教学资源,生成学习路径,该学习路径包括若干项教学任务,每个教学任务的引导都采用有限状态机实现,有限状态机的状态转移阈值根据对应用户的个人知识图谱中目标知识点的认知力属性值确定。
9.一种电子设备,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中任一项所述的方法。
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如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011396218.5A CN112506945B (zh) | 2020-12-03 | 2020-12-03 | 基于知识图谱的自适应导学方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011396218.5A CN112506945B (zh) | 2020-12-03 | 2020-12-03 | 基于知识图谱的自适应导学方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112506945A true CN112506945A (zh) | 2021-03-16 |
CN112506945B CN112506945B (zh) | 2024-05-31 |
Family
ID=74969556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011396218.5A Active CN112506945B (zh) | 2020-12-03 | 2020-12-03 | 基于知识图谱的自适应导学方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112506945B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239180A (zh) * | 2021-07-13 | 2021-08-10 | 北京神州泰岳智能数据技术有限公司 | 学习路径生成方法、装置、电子设备及存储介质 |
CN113344723A (zh) * | 2021-06-11 | 2021-09-03 | 北京十一贝科技有限公司 | 用户保险认知演进路径预测方法、装置和计算机设备 |
CN114743420A (zh) * | 2022-04-27 | 2022-07-12 | 广东职业技术学院 | 一种英语课文辅助教学方法及系统 |
WO2022218186A1 (zh) * | 2021-04-15 | 2022-10-20 | 京东科技控股股份有限公司 | 个性化知识图谱的生成方法、装置及计算机设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100041007A1 (en) * | 2008-08-13 | 2010-02-18 | Chi Wang | Method and System for Knowledge Diagnosis and Tutoring |
CN110543572A (zh) * | 2019-08-26 | 2019-12-06 | 杭州奇迹在线科技有限公司 | 一种基于认知图谱的学习认知路径生成方法 |
CN111914162A (zh) * | 2020-06-01 | 2020-11-10 | 西安理工大学 | 一种基于知识图谱的个性化学习方案引导方法 |
-
2020
- 2020-12-03 CN CN202011396218.5A patent/CN112506945B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100041007A1 (en) * | 2008-08-13 | 2010-02-18 | Chi Wang | Method and System for Knowledge Diagnosis and Tutoring |
CN110543572A (zh) * | 2019-08-26 | 2019-12-06 | 杭州奇迹在线科技有限公司 | 一种基于认知图谱的学习认知路径生成方法 |
CN111914162A (zh) * | 2020-06-01 | 2020-11-10 | 西安理工大学 | 一种基于知识图谱的个性化学习方案引导方法 |
Non-Patent Citations (1)
Title |
---|
钟卓;唐烨伟;钟绍春;赵一婷;: "人工智能支持下教育知识图谱模型构建研究", 电化教育研究, no. 04 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022218186A1 (zh) * | 2021-04-15 | 2022-10-20 | 京东科技控股股份有限公司 | 个性化知识图谱的生成方法、装置及计算机设备 |
CN113344723A (zh) * | 2021-06-11 | 2021-09-03 | 北京十一贝科技有限公司 | 用户保险认知演进路径预测方法、装置和计算机设备 |
CN113344723B (zh) * | 2021-06-11 | 2024-02-02 | 北京十一贝科技有限公司 | 用户保险认知演进路径预测方法、装置和计算机设备 |
CN113239180A (zh) * | 2021-07-13 | 2021-08-10 | 北京神州泰岳智能数据技术有限公司 | 学习路径生成方法、装置、电子设备及存储介质 |
CN114743420A (zh) * | 2022-04-27 | 2022-07-12 | 广东职业技术学院 | 一种英语课文辅助教学方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112506945B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hjorland | Fundamentals of knowledge organization | |
US20220398486A1 (en) | Learning content recommendation system based on artificial intelligence learning and operating method thereof | |
CN112506945B (zh) | 基于知识图谱的自适应导学方法及系统 | |
CN111708869B (zh) | 人机对话的处理方法及装置 | |
CN107423437B (zh) | 一种基于对抗网络强化学习的问答模型优化方法 | |
CN117149989A (zh) | 大语言模型训练方法、文本处理方法及装置 | |
CN108509439B (zh) | 一种代数教学系统 | |
WO2024011813A1 (zh) | 一种文本扩展方法、装置、设备及介质 | |
KR20210030068A (ko) | 앙상블 질의 응답을 위한 시스템 및 방법 | |
CN110569364A (zh) | 在线教学方法、装置、服务器及存储介质 | |
CN107451230A (zh) | 一种问答方法以及问答系统 | |
CN114238653B (zh) | 一种编程教育知识图谱构建、补全与智能问答的方法 | |
CN117786091B (zh) | 基于苏格拉底式提问的自启发智能问答实现方法及系统 | |
CN118170894A (zh) | 一种知识图谱问答方法、装置及存储介质 | |
CN117828063B (zh) | 一种心理领域数据生成、模型训练方法、装置及存储介质 | |
CN113065324A (zh) | 一种基于结构化三元组和锚定模板的文本生成方法及装置 | |
CN117540063A (zh) | 一种基于问题生成的教育领域知识库搜索优化方法和装置 | |
CN116362331A (zh) | 一种基于人机协同构建知识图谱的知识点填充方法 | |
Brajković et al. | Tree and word embedding based sentence similarity for evaluation of good answers in intelligent tutoring system | |
Bringsjord et al. | Education and... Big Data versus Big-But-Buried Data | |
CN117235237B (zh) | 一种文本生成方法及相关装置 | |
Woolf et al. | An active learning approach to transcript coding for education research | |
Huang et al. | Professional competence management for university students based on knowledge graph technology | |
CN118070925B (zh) | 模型训练方法、装置、电子设备、存储介质及程序产品 | |
Shi et al. | Data Mining of English Language Instructional System Based on Improved Collaborative Filtering Algorithm |
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 |