CN113807519A - 一种融入教学反馈与习得理解的知识图谱构建方法 - Google Patents
一种融入教学反馈与习得理解的知识图谱构建方法 Download PDFInfo
- Publication number
- CN113807519A CN113807519A CN202111002385.1A CN202111002385A CN113807519A CN 113807519 A CN113807519 A CN 113807519A CN 202111002385 A CN202111002385 A CN 202111002385A CN 113807519 A CN113807519 A CN 113807519A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- entity
- student
- entities
- classroom
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 230000006399 behavior Effects 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 34
- 230000014509 gene expression Effects 0.000 claims description 30
- 230000000694 effects Effects 0.000 claims description 22
- 230000003993 interaction Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 239000006227 byproduct Substances 0.000 claims description 2
- 239000004576 sand Substances 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract 1
- 241001435619 Lile Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种融入教学反馈与习得理解的知识图谱构建方法,该方法包括以下步骤:1)数据获取:将课堂学生行为转换为描述学生对当前知识的理解程度的文本;2)命名实体识别和关系抽取,对课堂文本数据同时做实体识别和关系抽取得到一个有关系的实体三元组;3)将实体和关系嵌入通过带权图卷积网络汇聚邻居节点的信息学习到实体和关系更加丰富的语意表示形成最终的实体嵌入表示;4)通过多尺度卷积神经网络对知识图谱三元组中的备选尾实体评分,选取评分最高尾实体作为推理结果,进一步推理出隐含的知识,对知识图谱进行更新;所述备选尾实体为步骤3)中所更新的所有实体。本发明能够构建每个学生特定的知识图谱,进行学习和教学评价反馈。
Description
技术领域
本发明涉及人工智能教育技术,尤其涉及一种融入教学反馈与习得理解的知识图谱构建方法。
背景技术
线下课堂是学生主体学习知识的主要途径,但是在学习过程中学生只能根据自己的不足点单一的进行学习补充,不能及时的找到问题的根源,进而循序渐进的补充基础知识。教师也只能通过考试摸底和作业完成情况来判断学生对知识的掌握情况。
随着教育信息技术的高速发展,教学的方式和手段也发生的很大的变化。为提高线下课堂的学习效率,个性化学习行为是一个被关注的方式,而这需要学习者的行为数据和学科知识点的关系作为依托。知识图谱旨在描述真实世界中各种真实存在的实体概念以及它们之间的关系,是支撑推理的关键,同时也为构建线下课堂学习行为关系的一种很好的信息组织方式,随着数据处理方式的发展,挖掘各种非结构化的知识用于构建知识图谱也变成了可能。利用语音识别,图像萃取等方式处理各种课堂行为信息,进而抽取线下课堂中的知识单元和知识单元之间的联系,从而构建线下课堂知识图谱,用以指导学生能够及时找到自己问题所在进行查漏补缺,教师也能及时根据班级学生对知识的理解程度不同,调整教学方案与教学进度。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种融入教学反馈与习得理解的知识图谱构建方法。
本发明解决其技术问题所采用的技术方案是:一种融入教学反馈与习得理解的知识图谱构建方法,包括以下步骤:
1)数据获取:将课堂学生行为转换为描述学生对当前知识的理解程度的文本;
1.1)获取教育部考试大纲,课标教材,试题集数据并转化为文本数据,获取知识点集合;
1.2)根据课堂教学视频和知识点集合使用语音识别技术识别出教师讲解的知识点,并在相应时间的课堂图像信息中标注该知识点标签;
1.3)根据课堂教学视频采用预训练好的图像萃取模型,萃取相应知识点下的课堂学生表情活动,获得知识点下图像萃取模型输出对应学生表情图片的文本信息;
具体如下:
用预训练好的图像萃取模型,萃取相应知识点下的课堂学生表情活动,对学生表情活动有如下定义:
1.3.1)学生表情活动为高兴(HA),判断学生理解当前知识点,图像萃取模型输出为理解;
1.3.2)学生表情活动为惊讶(SU),判断学生不完全理解当前知识点,图像萃取模型输出为学生不完全理解;
1.3.3)学生表情活动为恐惧或悲伤(FS),判断学生不理解当前知识点,图像萃取模型输出为不理解;
1.3.4)学生表情活动为厌恶或愤怒(HS),判断学生对当前知识点没有兴趣,图像萃取模型输出为没有兴趣;
获得知识点下图像萃取模型输出对应学生的理解程度的文本信息;
1.4)结合步骤1.2)和1.3,将某一知识点下的课堂学生表情行为图片数据,转换为一段描述学生对当前知识点的理解程度的课堂文本;
例如一张课堂图像上标注着“等腰三角形的判定”知识点,学生甲表情活动为HA。通过图像萃取模型转换后的课堂文本为“学生甲理解了等腰三角形的判定”;
2)命名实体识别和关系抽取,对课堂文本数据同时做实体识别和关系抽取得到一个有关系的实体三元组;具体如下:
2.1)采用语言技术平台对采集的文本信息进行中文分词和词性标注;
词性标注对象是理解程度的文本信息和知识点文本信息。线下课堂标注内容主要由实例标注和关系标注,实例标注是将文本信息中与本体类中相对应的词标注出来形成嵌入表示。
2.2)实体识别,采用时间记忆网络获取上下文中标注词的向量表示,然后通过条件随机场模型的计算,预测实体为该词的概率。
2.3)关系抽取,根据词性标注的句子采用基于依存句法的构建规则以动词为起点,对节点上的词性和边上的依存关系进行限定,进而根据句子依存语法树结构上的匹配规则,每匹配一条规则就生成一个三元组;
2.4)线下课堂知识图谱构建,在步骤2)的基础上对抽取的知识进行关联,形成(头实体,关系,尾实体)的三元组嵌入表示,形成初步的知识嵌入表示;
3)将实体和关系嵌入通过带权图卷积网络汇聚邻居节点的信息学习到实体和关系更加丰富的语意表示形成最终的实体嵌入表示;具体如下:
将初步形成的初步知识表示嵌入向量按照带权向量图卷积网络对知识进行更新以获得存在关系路径和邻居节点信息的节点和关系嵌入表示;
在知识更新过程中,每一层的节点特征都是由上层节点特征和关系得到的,每个节点的更新都是由邻居节点特征和自身特征进行加权得到的新特征;
4)通过多尺度卷积神经网络对知识图谱三元组中的备选尾实体评分,选取评分最高尾实体作为推理结果,进一步推理出隐含的知识,对知识图谱进行更新;所述备选尾实体为步骤3)中所更新的所有实体
具体如下:
4.1)学习实体和关系的交互嵌入表示;
交互嵌入实体和关系ri:°表示向量乘运算;交互的意义在于将头实体表示成特定关系下的头实体,关系也表示为特定头实体下的关系,这样就能解决例如(张三,理解,集合)(李四,理解,集合)通过交互操作后,头实体和关系变为了在“理解”关系下“张三”头实体,在“张三”作为头实体的条件下的“理解关系”就能将张三和李四在同一个关系下区分开来;
4.2)采用多尺度卷积神经网络对交互矩阵进行特征提取;
4.2.1)对交互矩阵进行多尺度卷积得到特征图,然后将特征图扁平化为一个向量;
4.2.2)通过一个全连接层,将向量维度缩减成为一个与输入实体向量维度一致的向量;
4.3)将融合了头实体和关系的向量与备选实体(即输入的头实体与尾实体,头实体和尾实体可以相互转换)嵌入矩阵进行操作;
4.5)将打分函数归一化得到预测三元组成立的概率表示为:p(es,r,eo)=σ(f(es,r,eo)+b),其中σ(x)表示sigmoid函数,表达概率预测(es,r,eo)对错与否。
例如:通过“(学生甲,理解,三角形性质)”可以链接预测到”(学生甲,理解,等腰三角形性质)”
本发明产生的有益效果是:
1、本发明能够根据上课过程中学生的行为信息不同来理解不同学生对教师讲解不同知识点的习得理解程度,进而构建每个学生特定的知识图谱,本发明在构造知识图谱的构成中,提出用带权向量的图卷积网络,使每个实体都聚合特定关系下的邻居节点的信息增强三元组中实体和关系的嵌入表示。
2、本发明在进行课堂习得知识推理过程中,创造性的提出使用交互向量解决实体到关系和关系到实体的跨语义影响,进而用多尺度卷积神经网络学习交互矩阵的信息,以此来增强推理能力。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的知识图谱构建的流程图;
图2是本发明实施例的带权重向量图卷积示意图;
图3是本发明实施例的知识推理模型示意图;
图4是本发明实施例以“某中学的线下课堂”为例建立的实时课堂知识图谱示例图。
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。
如图1所示,一种融入教学反馈与习得理解的知识图谱构建方法,包括如下步骤:
步骤1:数据获取:将课堂教学视频,教育部考试大纲,课标教材,试题集等多源数据转化为文本信息,如通过语音信息提取到教师讲解“集合”这个知识点,获取这个时间的图像信息,例如图片上学生甲表情微笑,通过图像萃取技术,在图片上打上一段描述信息文本标签“学生甲理解了集合知识点”。具体如下:
1.1)使用语音识别技术将语音转化为文本。识别出教师讲解的知识点,并在相应时间的课堂图像信息中标注该知识点标签。
1.2)采用预训练好的图像萃取模型,将课堂学生行为转换为一段描述性的文本。具体如下:
用预训练好的图像萃取模型,萃取相应知识点下的课堂学生表情活动。根据6种基本表情结合线下课堂实际对学生表情活动有如下定义:
①学生表情活动为高兴(HA),认为学生理解当前知识点。
②学生表情活动为惊讶(SU),认为学生不完全理解当前知识点。
③学生表情活动为恐惧或悲伤(FS),认为学生不理解当前知识点。
④学生表情活动为厌恶或愤怒(HS),认为学生对当前学科没有兴趣。
然后,就能够将某一知识点下的课堂学生表情行为图片数据,通过预先训练好的图像萃取模型,将图像萃取成一段描述学生对当前知识的理解程度的文本。例如一张课堂图像上标注着“等腰三角形的判定”知识点,学生甲表情活动为HA。通过图像萃取模型转换后的文本为“学生甲理解了等腰三角形的判定”。
步骤2:命名实体识别和抽取,对线下课堂文本数据同时做实体识别和关系抽取得到一个有关系的实体三元组。具体如下:
2.1)采用语言技术平台模块对采集的文本信息进行中文分词和词性标注。对线下课堂知识标注时,需要注意标注对象是线下课堂中特定知识点下学生表情图片生成的文本信息以及教育部课标下各科教材,教辅资料的有关知识。线下课堂标注内容主要由实例标注和关系标注,实例标注是将文本信息中与本体类中相对应的词标注出来形成嵌入表示。
例如,句子“学生甲理解了集合的概念”,分词后的结果是“学生甲/理解了/集合/概念”词性标注后的结果是“学生甲/n理解了v/集合n/概念n”其中n代表名词,v代表动词。
2.2)实体识别模块,采用时间记忆网络获取上下文中标注词的向量表示,然后通过条件随机场模型的计算,预测实体为该词的概率。
c.关系抽取,根据词性标注的句子采用基于依存句法的构建规则以动词为起点,对节点上的词性和边上的依存关系进行限定,进而根据句子依存语法树结构上的匹配规则,每匹配一条规则就生成一个三元组。
步骤3:线下课堂知识图谱构建,其结果如图4所示。
步骤31在步骤2的基础上对抽取的知识进行关联,形成类似于(学生甲,理解,集合知识点)这种(头实体,关系,尾实体)的三元组表示,形成初步的知识嵌入表示。
步骤32将实体和关系嵌入通过带权图卷积网络学习到实体和关系更加丰富的语意表示形成最终的实体嵌入表示。具体如下:将初步形成的初步知识表示嵌入向量按照带权向量图卷积网络对知识进行更新以获得存在关系路径和邻居节点信息的节点和关系嵌入表示。在知识更新过程中,每一层的节点特征都是由上层节点特征和关系得到的,每个节点的更新都是由邻居节点特征和自身特征进行加权得到的新特征。其更新方式为:
如图2所示左边代表生成的知识图谱,A表示知识点实体“集合的概念”,B表示知识点实体“等边三角形”,C表示知识点实体“等腰三角形”,D表示知识点实体“三角形知识”,E表示“学生甲”,图中ri(i=1..6)表示对应实体间的关系。其更新过程如图2右边所示,以丰富A实体信息为例:汇聚A的所有邻居节点信息到A实体上,A的邻居节点只有E,那么需要更新E节点的信息,E节点的邻居有A,B,C,D,于是分别将A,B,C,D的初始化向量XA~D在不同的权重下汇聚到中心节点E,在将更新后的E节点信息汇聚到A节点上,其中表示对应关系的权重向量,Layer1和Layer2表示隐藏层。这样经过更新操作后,每个节点都汇聚了多跳邻居节点的信息以及结构信息。
步骤4:通过多尺度卷积神经网络对知识图谱三元组中的备选尾实体评分,选取评分最高尾实体作为推理结果,进一步推理出隐含的知识,对知识图谱进行更新丰富。具体如下:
学习实体和关系的交互嵌入表示,如图3所示。三元组(学生甲es,理解r,三角形概念eo),实体和关系ri由两个向量表示包括一般嵌入es,r和交互向量ir,前两个向量表示实体和关系的潜在意义,后两个向量则构造实体与关系之间的语义影响。可以通过主体实体的一般嵌入和关系交互向量来学习主体实体的交互嵌入。关系交互作用的嵌入也可以用同样的方式来学习。该交互操作的定义如下:
通过多尺度卷积得到特征图,然后将特征图扁平化为一个向量。
通过一个全连接层,将向量维度缩减成为一个与实体向量维度一致的向量。
将融合了头实体和关系的向量与备选实体(即所有输入实体)嵌入矩阵进行操作
将打分函数归一化得到预测三元组成立的概率表示为:p(es,r,eo)=σ(f(es,r,eo)+b),其中σ(x)表示sigmoid函数,表达概率预测(es,r,eo)对错与否,进而进行知识链接推理,挖掘知识图谱里面的隐含关系补全更新图谱。
例如:通过“(学生甲,理解,三角形性质)”拼接“学生甲”和“理解”的交互向量,通过上述操作可以得到对实体“等腰三角形的性质”预测打分为0.98,即可以推测出”(学生甲,理解,等腰三角形性质)”,其图谱更新补全后如图4虚线所示。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种融入教学反馈与习得理解的知识图谱构建方法,其特征在于,包括以下步骤:
1)数据获取:将课堂学生行为转换为描述学生对当前知识的理解程度的文本;
1.1)获取教育部考试大纲,课标教材,试题集数据并转化为文本数据,获取知识点集合;
1.2)根据课堂教学视频和知识点集合使用语音识别技术识别出教师讲解的知识点,并在相应时间的课堂图像信息中标注该知识点标签;
1.3)根据课堂教学视频采用预训练好的图像萃取模型,萃取相应知识点下的课堂学生表情活动,获得知识点下图像萃取模型输出对应学生表情图片的文本信息;
1.4)结合步骤1.2)和1.3),将某一知识点下的课堂学生表情行为图片数据,转换为一段描述学生对当前知识点的理解程度的课堂文本;
2)命名实体识别和关系抽取,对课堂文本数据同时做实体识别和关系抽取得到一个有关系的实体三元组;
3)将实体和关系嵌入通过带权图卷积网络汇聚邻居节点的信息学习到实体和关系更加丰富的语意表示形成最终的实体嵌入表示;
4)通过多尺度卷积神经网络对知识图谱三元组中的备选尾实体评分,选取评分最高尾实体作为推理结果,进一步推理出隐含的知识,对知识图谱进行更新;所述备选尾实体为步骤3)中所更新的所有实体。
2.根据权利要求1所述的融入教学反馈与习得理解的知识图谱构建方法,其特征在于,所述步骤1.3)具体如下:
用预训练好的图像萃取模型,萃取相应知识点下的课堂学生表情活动,对学生表情活动有如下定义:
1.3.1)学生表情活动为高兴,判断学生理解当前知识点,图像萃取模型输出为理解;
1.3.2)学生表情活动为惊讶,判断学生不完全理解当前知识点,图像萃取模型输出为学生不完全理解;
1.3.3)学生表情活动为恐惧或悲伤,判断学生不理解当前知识点,图像萃取模型输出为不理解;
1.3.4)学生表情活动为厌恶或愤怒,判断学生对当前知识点没有兴趣,图像萃取模型输出为没有兴趣;
获得知识点下图像萃取模型输出对应学生的理解程度的文本信息。
3.根据权利要求1所述的融入教学反馈与习得理解的知识图谱构建方法,其特征在于,所述步骤2)具体如下:
2.1)采用语言技术平台对采集的文本信息进行中文分词和词性标注;
2.2)实体识别,采用时间记忆网络获取上下文中标注词的向量表示,然后通过条件随机场模型的计算,预测实体为该词的概率;
2.3)关系抽取,根据词性标注的句子采用基于依存句法的构建规则以动词为起点,对节点上的词性和边上的依存关系进行限定,进而根据句子依存语法树结构上的匹配规则,每匹配一条规则就生成一个三元组;
2.4)线下课堂知识图谱构建,在步骤2)的基础上对抽取的知识进行关联,形成(头实体,关系,尾实体)的三元组嵌入表示,形成初步的知识嵌入表示。
5.根据权利要求1所述的融入教学反馈与习得理解的知识图谱构建方法,其特征在于,所述步骤4)具体如下:
4.1)学习实体和关系的交互嵌入表示;
4.2)采用多尺度卷积神经网络对交互矩阵进行特征提取;
4.2.1)对交互矩阵进行多尺度卷积得到特征图,然后将特征图扁平化为一个向量;
4.2.2)通过一个全连接层,将向量维度缩减成为一个与输入实体向量维度一致的向量;
4.3)将融合了头实体和关系的向量与输入的备选实体嵌入矩阵进行操作;
4.5)将打分函数归一化得到预测三元组成立的概率表示为:p(es,r,eo)=σ(f(es,r,eo)+b),其中σ(x)表示sigmoid函数,根据概率预测(es,r,eo)对错与否,若成立,则作为隐含的知识对知识图谱进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111002385.1A CN113807519B (zh) | 2021-08-30 | 2021-08-30 | 一种融入教学反馈与习得理解的知识图谱构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111002385.1A CN113807519B (zh) | 2021-08-30 | 2021-08-30 | 一种融入教学反馈与习得理解的知识图谱构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807519A true CN113807519A (zh) | 2021-12-17 |
CN113807519B CN113807519B (zh) | 2024-08-20 |
Family
ID=78894351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111002385.1A Active CN113807519B (zh) | 2021-08-30 | 2021-08-30 | 一种融入教学反馈与习得理解的知识图谱构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807519B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399048A (zh) * | 2022-01-14 | 2022-04-26 | 河南大学 | 基于图卷积神经网络与类型嵌入的教育领域联合知识点预测方法及系统 |
CN116226410A (zh) * | 2023-05-08 | 2023-06-06 | 广东工业大学 | 一种知识元联结学习者状态的教学评估与反馈方法及系统 |
CN116340543A (zh) * | 2023-03-31 | 2023-06-27 | 湖北商贸学院 | 一种面向数学定理自适应推导的知识图谱构建方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992195A (zh) * | 2017-12-07 | 2018-05-04 | 百度在线网络技术(北京)有限公司 | 一种教学内容的处理方法、装置、服务器及存储介质 |
CN112288091A (zh) * | 2020-10-30 | 2021-01-29 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于多模态知识图谱的知识推理方法 |
CN112633478A (zh) * | 2020-12-31 | 2021-04-09 | 天津大学 | 一种基于本体语义的图卷积网络学习模型的构建 |
CN112883200A (zh) * | 2021-03-15 | 2021-06-01 | 重庆大学 | 一种面向知识图谱补全的链接预测方法 |
US20210216880A1 (en) * | 2019-01-02 | 2021-07-15 | Ping An Technology (Shenzhen) Co., Ltd. | Method, equipment, computing device and computer-readable storage medium for knowledge extraction based on textcnn |
CN113254663A (zh) * | 2021-04-21 | 2021-08-13 | 浙江工业大学 | 一种融合图卷积与翻译模型的知识图谱联合表示学习方法 |
-
2021
- 2021-08-30 CN CN202111002385.1A patent/CN113807519B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992195A (zh) * | 2017-12-07 | 2018-05-04 | 百度在线网络技术(北京)有限公司 | 一种教学内容的处理方法、装置、服务器及存储介质 |
US20210216880A1 (en) * | 2019-01-02 | 2021-07-15 | Ping An Technology (Shenzhen) Co., Ltd. | Method, equipment, computing device and computer-readable storage medium for knowledge extraction based on textcnn |
CN112288091A (zh) * | 2020-10-30 | 2021-01-29 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于多模态知识图谱的知识推理方法 |
CN112633478A (zh) * | 2020-12-31 | 2021-04-09 | 天津大学 | 一种基于本体语义的图卷积网络学习模型的构建 |
CN112883200A (zh) * | 2021-03-15 | 2021-06-01 | 重庆大学 | 一种面向知识图谱补全的链接预测方法 |
CN113254663A (zh) * | 2021-04-21 | 2021-08-13 | 浙江工业大学 | 一种融合图卷积与翻译模型的知识图谱联合表示学习方法 |
Non-Patent Citations (1)
Title |
---|
杜文倩;李弼程;王瑞;: "融合实体描述及类型的知识图谱表示学习方法", 中文信息学报, no. 07 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399048A (zh) * | 2022-01-14 | 2022-04-26 | 河南大学 | 基于图卷积神经网络与类型嵌入的教育领域联合知识点预测方法及系统 |
CN116340543A (zh) * | 2023-03-31 | 2023-06-27 | 湖北商贸学院 | 一种面向数学定理自适应推导的知识图谱构建方法及系统 |
CN116226410A (zh) * | 2023-05-08 | 2023-06-06 | 广东工业大学 | 一种知识元联结学习者状态的教学评估与反馈方法及系统 |
CN116226410B (zh) * | 2023-05-08 | 2023-07-04 | 广东工业大学 | 一种知识元联结学习者状态的教学评估与反馈方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113807519B (zh) | 2024-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902298B (zh) | 一种自适应学习系统中领域知识建模及知识水平估测方法 | |
CN113807519B (zh) | 一种融入教学反馈与习得理解的知识图谱构建方法 | |
CN108363743A (zh) | 一种智能问题生成方法、装置和计算机可读存储介质 | |
CN113344053B (zh) | 一种基于试题异构图表征与学习者嵌入的知识追踪方法 | |
CN112905762B (zh) | 一种基于同等注意力图网络的视觉问答方法 | |
CN109670168A (zh) | 基于特征学习的短答案自动评分方法、系统及存储介质 | |
CN113254675B (zh) | 基于自适应少样本关系抽取的知识图谱构建方法 | |
CN113283488B (zh) | 一种基于学习行为的认知诊断方法及系统 | |
CN116860978B (zh) | 基于知识图谱和大模型的小学语文个性化学习系统 | |
CN110968708A (zh) | 一种教育信息资源属性标注方法及系统 | |
CN113743083A (zh) | 一种基于深度语义表征的试题难度预测方法及系统 | |
CN111563146A (zh) | 一种基于推理的难度可控问题生成方法 | |
CN109271636A (zh) | 词嵌入模型的训练方法及装置 | |
CN114756681A (zh) | 一种基于多注意力融合的评教文本细粒度建议挖掘方法 | |
Anwar et al. | Smart education for people with disabilities (pwds): Conceptual framework for pwds emotions classification from student utterances (sus) during online learning | |
Shin et al. | Evaluating coherence in writing: Comparing the capacity of automated essay scoring technologies | |
CN111414456A (zh) | 一种开放式简答题自动评分的方法和系统 | |
CN116342333A (zh) | 在线学习资源推荐的方法、系统及装置 | |
CN112785039A (zh) | 一种试题作答得分率的预测方法及相关装置 | |
CN114840679A (zh) | 一种基于乐理知识图谱推理的机器人智能导学方法及应用 | |
Amraouy et al. | Sentiment analysis in digital learning: Comparing Lexical, Traditional machine learning, and deep learning approaches | |
Yang | Deep automated text scoring model based on memory network | |
AnithaElavarasi et al. | Role of Machine Learning and Deep Learning in Assisting the Special Children’s Learning Process | |
Li et al. | Analytics 2.0 for precision education driven by knowledge map | |
CN113158644B (zh) | 一种基于多任务学习的修辞格及隐式情绪识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |