CN112966092A - 一种基于基础教育知识图谱个性化语义推荐方法 - Google Patents

一种基于基础教育知识图谱个性化语义推荐方法 Download PDF

Info

Publication number
CN112966092A
CN112966092A CN202011338555.9A CN202011338555A CN112966092A CN 112966092 A CN112966092 A CN 112966092A CN 202011338555 A CN202011338555 A CN 202011338555A CN 112966092 A CN112966092 A CN 112966092A
Authority
CN
China
Prior art keywords
knowledge
knowledge point
semantic
data
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.)
Pending
Application number
CN202011338555.9A
Other languages
English (en)
Inventor
阮怀伟
胡松华
陈艳平
昌磊
裴振
吴立辉
张明杰
王鹏飞
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.)
Anhui Education Network Publishing Co ltd
Hefei University
Original Assignee
Anhui Education Network Publishing Co ltd
Hefei University
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 Anhui Education Network Publishing Co ltd, Hefei University filed Critical Anhui Education Network Publishing Co ltd
Priority to CN202011338555.9A priority Critical patent/CN112966092A/zh
Publication of CN112966092A publication Critical patent/CN112966092A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/338—Presentation of query results
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及教学领域，具体为一种基于基础教育知识图谱个性化语义推荐方法，先构建初中数学知识图谱，然后依据映射信息的类型及其关系权重，应用word2vec对映射前后的知识点形成语义三元组；再通过OWL工具将语义三元组写成owl文件，利用jena实现owl文件在java中的解析，并形成推理规则，将根据推理规则推理后的数据集持久化存储到数据库中；再将存储到数据库中的数据集载入卷积神经网络模型中进行训练并调优；再对用户输入的知识点数据进行语义相似度计算并排序；并按照语义相似度列表将对应的排序高的数据集所映射的知识点推荐给用户。本发明分析用户的知识点搜索、用户对知识点的学习偏好以及掌握程度来进行个性化推送，实现针对性辅导，教学效果更好。

Description

一种基于基础教育知识图谱个性化语义推荐方法
技术领域
本发明涉及教学领域，具体为一种基于基础教育知识图谱个性化语义推荐方法。
背景技术
推荐是一种把用户相关检索内容、推荐并展现给用户的过程，利于用户主动获取到相关信息。因此，推荐就是连接用户和信息之间桥梁，其应用节省了用户的时间并提高了搜索效率，为用户创造了价值。
近年来，推荐被广泛的应用于互联网的方方面面，如淘宝、今日头条、抖音等生活应用，但是目前在教育行业，推荐的应用还比较少，主要存在以下难点：1)教育领域的具体专业下，由于课程的不同，其知识、知识体系结构与知识关系也不尽相同，知识概念在不同的课程中采样相同或相似的词汇表达，同样的概念在不同课程之间又可能存在不同的表达含义，从而使知识表达变得复杂；2)不同课程在描述知识的深度与知识属性上有所不同，相同概念从不同属性上看其知识表示也存在很大不同；3)教育领域涉及的范围广，涉及到多学科性问题，个人不能完全掌握学科的概念体系，对于相关概念的理解、相关属性的定义、属性关系的表示等方面均有不同。
语义检索是要从语义理解的角度分析用户的检索请求和信息资源，并以此来进行搜索，从而更准确地向用户推荐符合其需求的搜索结果。同样的，由于语义检索的推理机制不完善、语义检索知识库的构建及维护困难等种种原因又限制了其在教育领域的应用。若能提出一种应用于初等教育、并结合知识图谱的个性化深度学习语义推荐方法则能很好地在教学场景下为老师和学生推荐既符合教学逻辑规则，又能满足用户个性化需求的内容。
发明内容
本发明的目的在于提供一种基于基础教育知识图谱个性化语义推荐方法，能够结合用户的知识点搜索、用户的学习偏好或学习掌握程度来进行相关联知识点的个性化推送，教学效果更好。
为实现上述目的，本发明提供如下技术方案：一种基于基础教育知识图谱个性化语义推荐方法，所述的方法包括以下步骤：
S1.对初中教材信息中的知识点构建初中数学知识图谱，其中节点表示知识点，各知识点以实例形式存在；边表示知识点在领域知识本体中构建的映射信息，边上标识的数值为关系权重；
S2.依据映射信息的类型及其关系权重，应用word1vec对映射前后的知识点进行语义关联并形成语义三元组；
S3.通过OWL工具将语义三元组写成owl文件，利用jena实现owl文件在java中的解析，并形成推理规则，然后将根据推理规则推理后的数据集持久化存储到数据库中。
S4.将存储到数据库中的数据集载入卷积神经网络模型中进行训练，确定卷积神经网络模型的参数，并在精度和收敛次数之间进行调优，得到训练好的卷积神经网络模型；
S5.对于用户输入的知识点数据通过训练好的卷积神经网络模型进行部署，计算Jaccard系数Jc(x,y)并作为语义相似度，用来表征用户输入的知识点数据与训练好的卷积神经网络模型对应的数据集之间的相似程度；
S6.根据Jaccard系数Jc(x,y)计算Jaccard距离LJaccard；
S7.根据语义相似度大小排序得到语义相似度列表，并按照语义相似度列表将对应的排序高的数据集所映射的知识点推荐给用户。
可选的，步骤S1包括以下分步骤：
S11.对初中教材信息中的知识点进行知识抽取并获取知识点实体；
S12.对各知识点实体依据父子关系和兄弟关系构建具有层级关系的知识点总图；
S13.利用protégé对知识点总图进行领域知识本体的构建，并对知识点总图的各层级节点处定义概念类和对象属性，得到所有概念类和对象属性的关系图；
S14.提取各知识点实体之间的映射信息作为知识点实体的推理规则，包括包含关系、学习顺序关系、参考关系和兄弟关系；
S15.为不同类型的映射信息定义相应的权值以构成各知识点之间的关系权重；
S16.对知识点权值进行理论计算；
S17.基于领域知识本体构建初中数学知识图谱。
可选的，步骤S14中，
所述包含关系，用于表示学习过程中各知识点的上下位蕴含关系；
所述学习顺序关系，用于表示学习过程中各知识点的前后依赖关系；
所述参考关系，用于表示学习过程中各知识点的促进理解关系；
所述兄弟关系，用于表示学习过程中具有同一父知识点的多个知识点。
可选的，步骤S16中，对某个知识点j,知识点权值的理论计算公式为：
Figure BDA0002797898620000031
式(1)中，
Figure BDA0002797898620000032
表示用户对知识点j需要提高的权值，
Figure BDA0002797898620000033
Figure BDA0002797898620000034
表示用户对已学知识点j的感兴趣程度，
Figure BDA0002797898620000035
Figure BDA0002797898620000036
表示用户对已学知识点j的学习资源掌握程度，
Figure BDA0002797898620000037
α和β是调节因子，α、β∈[0,1]，用以调节各部分的权重比例，调节因子根据系统功能确定，其值与对应部分的模糊度成反相关。
可选的，
Figure BDA0002797898620000041
的计算公式为：
Figure BDA0002797898620000042
式(2)中，totalscorej表示所测试知识点j的题目数量；currentscorej表示答对知识点j的题目数量。
可选的，
Figure BDA0002797898620000043
的计算公式为：
Figure BDA0002797898620000044
式(3)中，learnj表示所学习知识点j的资料数量，total_learn表示已学所有知识点的资料总数。
可选的，
Figure BDA0002797898620000045
的计算公式为：
Figure BDA0002797898620000046
式(4)中，accessj表示资源库中用户阅览知识点j的资料数量，databasej表示资源库中知识点j的资料总数。
可选的，步骤S4包括以下分步骤：
S41.将存储到数据库中数据集一部分作为训练集，一部分作为测试集，其中测试集中包括验证集；
S42.将训练集中的数据随机载入卷积神经网络模型并使用深度学习方法进行卷积神经网络模型训练；
S43.使用多重交叉验证对卷积神经网络模型训练过程中的误差值进行记录，当验证集的误差不再下降的时候，停止训练，再观察验证过的卷积神经网络模型在测试集上性能的变化，若在测试集上性能差异过大，调整学习速率重新训练直至找到泛化性能较好的模型参数并作为训练好的卷积神经网络模型。
可选的，步骤S5中，Jaccard系数Jc(x,y)的计算公式为：
Figure BDA0002797898620000051
式(5)中，x为测试集数据，y为训练集数据，即Jc(x,y)为测试集数据与训练集数据交集与并集的比值。
可选的，步骤S6中，Jaccard距离LJaccard的计算公式为：
LJaccard＝1-Jc(x,y) (6)
与现有技术相比，本发明提供了一种基于基础教育知识图谱个性化语义推荐方法，具备以下有益效果：
(1)本发明在知识图谱的基础上分析用户的知识点搜索、用户对知识点的学习偏好以及掌握程度来进行相关联知识点的个性化推送，实现针对性辅导，因此教学效果更好；
(2)本发明将各知识点实体之间的映射信息作为知识点实体推荐的推理规则，并对用户的学习偏好以及掌握程度的权值进行量化，进而根据知识点相似性排序来实现个性化语义推荐过程，推荐结果更加符合用户的需求。
附图说明
图1为本实施例中初中数学学科部分知识点总图；
图2为本实施例protégé中初中数学提取的部分概念类示意图；
图3为本实施例中深度学习语义检索原理图。
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做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。
实施例：本发明提供了一种基于基础教育知识图谱个性化语义推荐方法，该方法包括以下步骤：
S1.对初中教材信息中的知识点构建初中数学知识图谱，其中节点表示知识点，各知识点以实例形式存在；边表示知识点在领域知识本体中构建的映射信息，边上标识的数值为关系权重；其中步骤S1包括以下分步骤：
S11.由学者对初中数学学科的教材信息进行整理，对其中的知识点进行知识抽取并获取知识点实体，并由领域专家评审，根据领域专家的反馈意见对已获取的知识点实体进行完善，直至领域专家评审满意为止，其中数学学科的教材信息参考了初等数学部分的主题词汇、初中数学教材、初中数学教学大纲以及沪科版初中数学知识点总结等，
S12.对步骤S1中最后获取的各知识点实体依据父子关系和兄弟关系构建具有层级关系的知识点总图，附图1是本实施例构建的其中一种知识点总图，但并不限于该图；
S13.采用传统七步法，利用斯坦福大学医学院开发的protégé对步骤S2 得到的知识点总图进行领域知识本体的构建，并对知识点总图的各层级节点处定义概念类和对象属性，得到所有概念类和对象属性的关系图；其中对象属性是本体模型中不同概念类之间存在的关系。初中数学研究的核心问题是数和几何图形两个客观存在，以及在此基础上衍生出的一系列知识点。以几何图形为例，提取出与几何图形相关的其他的概念类：如图2所示，提取出的概念类包括图示的关系、变换、图形表示、工具等，要描述几何图形的变换，可以通过创建几何图形(概念类)与变换(概念类)关系就可以，这种关系即上述的对象属性。
S14.在领域知识本体中，除了各层次之间的父子关系及兄弟关系外，在底层的知识点实体之间存在大量逻辑关系，由于知识点实体是知识组织的最基本单位，这些逻辑关系可作为检索的基本依据，从而演化为推理的规则。因此，可提取各知识点实体之间的映射信息作为知识点实体的推理规则，包括包含关系、学习顺序关系、参考关系和兄弟关系；
1)包含关系：用于表示学习过程中各知识点的上下位蕴含关系。若知识点A直接包含知识点B，则记为AhasDirectPartB(或BisDirectPartOfA)，其中包含关系满足传递性。
2)学习顺序关系：用于表示学习过程中各知识点的前后依赖关系。若在学习知识点A之后才能学习知识点B，则称A为B的前序知识点，标识为 BhasPreKA，同时B为A的后序知识点，标识为AhasPostKB。如果学习完知识点A之后可以直接学习知识点B，则称A为B的直接前序知识点，标识为 BhasDirectPreKA，B为A的直接后序知识点，标识为AhasDirectPostKB。例如，初中数学中知识点“有理数的认识”后序知识点有“有理数的运算”、“整式的运算”，其中直接后序知识点是“有理数的运算”。
3)参考关系，用于表示学习过程中各知识点的促进理解关系；若知识点 A和B不存在学习顺序关系，但因为学习知识点A后能促进对知识点B的理解，则称知识点A和B存在参考关系，则标识为AhasReferenceB。参考关系满足自反性和传递性，若有AhasReferenceB，BhasReferenceC，则有 AhasReferenceC。例如，知识点“因式分解”和知识点“解二元一次方程”存在参考关系。
4)兄弟关系，用于表示学习过程中具有同一父知识点的多个知识点，记为AhasSiblingB，也可以记为BhasSiblingA，兄弟关系满足自反性和传递性。例如，知识点“方程组的求解”蕴含知识点“一元二次方程求解”和知识点“二元一次方程求解”，则知识点“一元二次方程求解”和知识点“二元一次方程求解”为兄弟关系。
S15.为不同类型的映射信息定义相应的权值以构成各知识点之间的关系权重；
S16.对知识点权值进行理论计算；知识点权值的理论计算公式为：
Figure BDA0002797898620000081
式(1)中，
Figure BDA0002797898620000082
表示用户对知识点j需要提高的权值，
Figure BDA0002797898620000083
Figure BDA0002797898620000084
表示用户对已学知识点j的感兴趣程度，
Figure BDA0002797898620000085
Figure BDA0002797898620000086
表示用户对已学知识点j的学习资源掌握程度，
Figure BDA0002797898620000087
α和β是调节因子，α、β∈[0,1]，用以调节各部分的权重比例，调节因子根据系统功能确定，其值与对应部分的模糊度成反相关，即无异议的结论权重高，结论较为含糊、不确定的权重低。其中，
Figure BDA0002797898620000088
的计算公式为：
Figure BDA0002797898620000089
式(2)中，totalscorej表示所测试知识点j的题目数量；currentscorej表示答对知识点j的题目数量。
Figure BDA00027978986200000810
的计算公式为：
Figure BDA00027978986200000811
式(3)中，learnj表示所学习知识点j的资料数量，total_learn表示已学所有知识点的资料总数。
Figure BDA00027978986200000812
的计算公式为：
Figure BDA0002797898620000091
式(4)中，accessj表示资源库中用户阅览知识点j的资料数量，databasej表示资源库中知识点j的资料总数。
S17.基于领域知识本体构建初中数学知识图谱；
S2.依据映射信息的类型及其关系权重，应用word1vec对映射前后的知识点进行语义关联并形成语义三元组；
S3.通过OWL工具将语义三元组写成owl文件，利用jena实现owl文件在java中的解析，并形成推理规则，然后将根据推理规则推理后的数据集持久化存储到数据库中。
S4.如图3所示，将存储到数据库中的数据集载入卷积神经网络模型中进行训练，确定卷积神经网络模型的参数，并在精度和收敛次数之间进行调优，得到训练好的卷积神经网络模型；其中步骤S4包括以下分步骤：
S41.将存储到数据库中数据集一部分作为训练集，一部分作为测试集，其中测试集中包括验证集；
S42.将训练集中的数据随机载入卷积神经网络模型并使用深度学习方法进行卷积神经网络模型训练；
S43.使用多重交叉验证对卷积神经网络模型训练过程中的误差值进行记录，当验证集的误差不再下降的时候，停止训练，再观察验证过的卷积神经网络模型在测试集上性能的变化，若在测试集上性能差异过大，调整学习速率重新训练直至找到泛化性能较好的模型参数并作为训练好的卷积神经网络模型。
S5.对于用户输入的知识点数据通过训练好的卷积神经网络模型进行部署，计算Jaccard系数Jc(x,y)并作为语义相似度，用来表征用户输入的知识点数据与训练好的卷积神经网络模型对应的数据集之间的相似程度；其中，
Jaccard系数Jc(x,y)的计算公式为：
Figure BDA0002797898620000101
式(5)中，x为测试集数据，y为训练集数据，即Jc(x,y)为测试集数据与训练集数据交集与并集的比值。
S6.根据Jaccard系数Jc(x,y)计算Jaccard距离LJaccard；其中，
Jaccard距离LJaccard的计算公式为：
LJaccard＝1-Jc(x,y) (6)
S7.根据语义相似度大小排序得到语义相似度列表，并按照语义相似度列表将对应的排序高的数据集所映射的知识点推荐给用户。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于基础教育知识图谱个性化语义推荐方法，其特征在于，所述的方法包括以下步骤：
S1.对初中教材信息中的知识点构建初中数学知识图谱，其中节点表示知识点，各知识点以实例形式存在；边表示知识点在领域知识本体中构建的映射信息，边上标识的数值为关系权重；
S2.依据映射信息的类型及其关系权重，应用word1vec对映射前后的知识点进行语义关联并形成语义三元组；
S3.通过OWL工具将语义三元组写成owl文件，利用jena实现owl文件在java中的解析，并形成推理规则，然后将根据推理规则推理后的数据集持久化存储到数据库中。
S4.将存储到数据库中的数据集载入卷积神经网络模型中进行训练，确定卷积神经网络模型的参数，并在精度和收敛次数之间进行调优，得到训练好的卷积神经网络模型；
S5.对于用户输入的知识点数据通过训练好的卷积神经网络模型进行部署，计算Jaccard系数Jc(x,y)并作为语义相似度，用来表征用户输入的知识点数据与训练好的卷积神经网络模型对应的数据集之间的相似程度；
S6.根据Jaccard系数Jc(x,y)计算Jaccard距离LJaccard；
S7.根据语义相似度大小排序得到语义相似度列表，并按照语义相似度列表将对应的排序高的数据集所映射的知识点推荐给用户。
2.根据权利要求1所述的一种基于基础教育知识图谱个性化语义推荐方法，其特征在于，步骤S1包括以下分步骤：
S11.对初中教材信息中的知识点进行知识抽取并获取知识点实体；
S12.对各知识点实体依据父子关系和兄弟关系构建具有层级关系的知识点总图；
S13.利用protégé对知识点总图进行领域知识本体的构建，并对知识点总图的各层级节点处定义概念类和对象属性，得到所有概念类和对象属性的关系图；
S14.提取各知识点实体之间的映射信息作为知识点实体的推理规则，包括包含关系、学习顺序关系、参考关系和兄弟关系；
S15.为不同类型的映射信息定义相应的权值以构成各知识点之间的关系权重；
S16.对知识点权值进行理论计算；
S17.基于领域知识本体构建初中数学知识图谱。
3.根据权利要求2所述的一种基于基础教育知识图谱个性化语义推荐方法，其特征在于，步骤S14中，
所述包含关系，用于表示学习过程中各知识点的上下位蕴含关系；
所述学习顺序关系，用于表示学习过程中各知识点的前后依赖关系；
所述参考关系，用于表示学习过程中各知识点的促进理解关系；
所述兄弟关系，用于表示学习过程中具有同一父知识点的多个知识点。
4.根据权利要求1所述的一种基于基础教育知识图谱个性化语义推荐方法，其特征在于，步骤S16中，对某个知识点j,知识点权值的理论计算公式为：
Figure FDA0002797898610000021
式(1)中，
Figure FDA0002797898610000022
表示用户对知识点j需要提高的权值，
Figure FDA0002797898610000023
Figure FDA0002797898610000024
表示用户对已学知识点j的感兴趣程度，
Figure FDA0002797898610000025
Figure FDA0002797898610000026
表示用户对已学知识点j的学习资源掌握程度，
Figure FDA0002797898610000027
α和β是调节因子，α、β∈[0,1]，用以调节各部分的权重比例，调节因子根据系统功能确定，其值与对应部分的模糊度成反相关。
5.根据权利要求4所述的一种基于基础教育知识图谱个性化语义推荐方法，其特征在于，
Figure FDA0002797898610000031
的计算公式为：
Figure FDA0002797898610000032
式(2)中，totalscorej表示所测试知识点j的题目数量；currentscorej表示答对知识点j的题目数量。
6.根据权利要求4所述的一种基于基础教育知识图谱个性化语义推荐方法，其特征在于，
Figure FDA0002797898610000033
的计算公式为：
Figure FDA0002797898610000034
式(3)中，learnj表示所学习知识点j的资料数量，total_learn表示已学所有知识点的资料总数。
7.根据权利要求4所述的一种基于基础教育知识图谱个性化语义推荐方法，其特征在于，
Figure FDA0002797898610000035
的计算公式为：
Figure FDA0002797898610000036
式(4)中，accessj表示资源库中用户阅览知识点j的资料数量，databasej表示资源库中知识点j的资料总数。
8.根据权利要求1所述的一种基于基础教育知识图谱个性化语义推荐方法，其特征在于，步骤S4包括以下分步骤：
S41.将存储到数据库中数据集一部分作为训练集，一部分作为测试集，其中测试集中包括验证集；
S42.将训练集中的数据随机载入卷积神经网络模型并使用深度学习方法进行卷积神经网络模型训练；
S43.使用多重交叉验证对卷积神经网络模型训练过程中的误差值进行记录，当验证集的误差不再下降的时候，停止训练，再观察验证过的卷积神经网络模型在测试集上性能的变化，若在测试集上性能差异过大，调整学习速率重新训练直至找到泛化性能较好的模型参数并作为训练好的卷积神经网络模型。
9.根据权利要求1所述的一种基于基础教育知识图谱个性化语义推荐方法，其特征在于，步骤S5中，Jaccard系数Jc(x,y)的计算公式为：
Figure FDA0002797898610000041
式(5)中，x为测试集数据，y为训练集数据，即Jc(x,y)为测试集数据与训练集数据交集与并集的比值。
10.根据权利要求1所述的一种基于基础教育知识图谱个性化语义推荐方法，其特征在于，步骤S6中，Jaccard距离LJaccard的计算公式为：
LJaccard＝1-Jc(x,y) (6)
CN202011338555.9A 2020-11-25 2020-11-25 一种基于基础教育知识图谱个性化语义推荐方法 Pending CN112966092A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011338555.9A CN112966092A (zh) 2020-11-25 2020-11-25 一种基于基础教育知识图谱个性化语义推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011338555.9A CN112966092A (zh) 2020-11-25 2020-11-25 一种基于基础教育知识图谱个性化语义推荐方法

Publications (1)

Publication Number Publication Date
CN112966092A true CN112966092A (zh) 2021-06-15

Family

ID=76271090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011338555.9A Pending CN112966092A (zh) 2020-11-25 2020-11-25 一种基于基础教育知识图谱个性化语义推荐方法

Country Status (1)

Country Link
CN (1) CN112966092A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114299772A (zh) * 2022-01-07 2022-04-08 广东工业大学 一种基于语义网的几何辅导系统和方法
CN114997150A (zh) * 2022-05-25 2022-09-02 北京语言大学 基于国际中文教育教学语法知识资源研建方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512349A (zh) * 2016-02-23 2016-04-20 首都师范大学 一种用于学习者自适应学习的问答方法及装置
CN109885772A (zh) * 2019-02-27 2019-06-14 上海优谦智能科技有限公司 基于知识图谱的教育内容个性化推荐系统
CN110413780A (zh) * 2019-07-16 2019-11-05 合肥工业大学 文本情感分析方法、装置、存储介质及电子设备
CN110941723A (zh) * 2019-11-18 2020-03-31 广东宜学通教育科技有限公司 一种知识图谱的构建方法、系统及存储介质
CN111753098A (zh) * 2020-06-23 2020-10-09 陕西师范大学 一种基于跨媒体动态知识图谱的教学方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512349A (zh) * 2016-02-23 2016-04-20 首都师范大学 一种用于学习者自适应学习的问答方法及装置
CN109885772A (zh) * 2019-02-27 2019-06-14 上海优谦智能科技有限公司 基于知识图谱的教育内容个性化推荐系统
CN110413780A (zh) * 2019-07-16 2019-11-05 合肥工业大学 文本情感分析方法、装置、存储介质及电子设备
CN110941723A (zh) * 2019-11-18 2020-03-31 广东宜学通教育科技有限公司 一种知识图谱的构建方法、系统及存储介质
CN111753098A (zh) * 2020-06-23 2020-10-09 陕西师范大学 一种基于跨媒体动态知识图谱的教学方法及系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
吴晓崇 等: "基于CNN和深层语义匹配的中文实体链接模型", 计算机工程与科学, no. 8, pages 1514 - 1520 *
胡丹 等: "基于情境感知的饮食推荐方法研究", 信息通信, no. 03, pages 60 - 63 *
袁泉 等: "基于知识图谱和协同过滤的电影推荐算法研究", 计算机工程与科学, no. 04, pages 1 - 5 *
钟伟民 等: "聚乙烯生产过程操作优化知识库设计与实现", ENGINEERING, no. 06, pages 1155 - 1162 *
钟卓 等: "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, pages 62 - 70 *
阮怀伟 等: "基于本体的初等数学知识库的构建与知识搜索研究", 电脑知识与技术, no. 19, pages 203 - 205 *
阮怀伟 等: "基于用户兴趣模型及能力评估模型的个性化推荐方法研究", 电化教育研究, no. 4, pages 62 - 70 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114299772A (zh) * 2022-01-07 2022-04-08 广东工业大学 一种基于语义网的几何辅导系统和方法
CN114299772B (zh) * 2022-01-07 2024-03-19 广东工业大学 一种基于语义网的几何辅导系统和方法
CN114997150A (zh) * 2022-05-25 2022-09-02 北京语言大学 基于国际中文教育教学语法知识资源研建方法及装置
CN114997150B (zh) * 2022-05-25 2024-02-02 北京语言大学 基于国际中文教育教学语法知识资源研建方法及装置

Similar Documents

Publication Publication Date Title
CN105512349B (zh) 一种用于学习者自适应学习的问答方法及装置
Chihara Constructibility and mathematical existence
Kejriwal et al. Knowledge graphs: Fundamentals, techniques, and applications
Matzavela et al. Decision tree learning through a predictive model for student academic performance in intelligent m-learning environments
Vickers et al. Understanding visualization: A formal approach using category theory and semiotics
US20110264649A1 (en) Adaptive Knowledge Platform
CN108509439B (zh) 一种代数教学系统
CN113127731A (zh) 一种基于知识图谱的个性化试题推荐方法
CN112966092A (zh) 一种基于基础教育知识图谱个性化语义推荐方法
CN113239209A (zh) 基于RankNet-transformer的知识图谱个性化学习路径推荐方法
Zaiss Instance-based ontology matching and the evaluation of matching systems.
Zinder et al. Conceptual framework, models, and methods of knowledge acquisition and management for competency management in various areas
Majid et al. Ontology-Based System for Educational Program Counseling.
CN115238199A (zh) 基于知识图谱的在线社区学习路径推荐方法、系统及设备
CN114706989A (zh) 一种基于技术创新资产为知识库的智能推荐方法
Bower et al. A network analysis of children’s emerging place-value concepts
Calegari et al. Object‐fuzzy concept network: An enrichment of ontologies in semantic information retrieval
Bakharia Interactive content analysis: evaluating interactive variants of non-negative Matrix Factorisation and Latent Dirichlet Allocation as qualitative content analysis aids
Lemoisson et al. ViewpointS: capturing formal data and informal contributions into an adaptive knowledge graph
CN112905744A (zh) 一种侨情问答方法、装置、设备及存储装置
Valtolina et al. Design of a Conversational Recommender System in Education
Rekha et al. Ontology driven framework for assessing the syllabus fairness of a question paper
CN112925919A (zh) 一种知识图谱驱动的个性化作业布置方法
Zhao et al. Classification Method of Aerobics Course Online Teaching Resources Based on Artificial Intelligence Technology
Fisichella et al. Who are you working with? Visualizing TEL Research Communities

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