CN114372155A - 一种基于自扩展知识库和多模态画像的个性化学习平台 - Google Patents

Abstract

本发明涉及教学平台领域，具体涉及一种基于自扩展知识库和多模态画像的个性化学习平台，该个性化学习平台包括自扩展知识库构建模块、学习者画像模型构建模块和个性化学习任务规划模块。本发明可以实现互联网中各平台知识数据的统一汇总管理，共享，同时可以依据学习者自身的基本情况、学习目标、性格特征、情绪、心理状态、兴趣特点以及学习过程等数据，实时动态地构建多维度的学习者画像，能够为学习者提供更加个性化、更加有针对性的学习内容推荐和学习过程规划等服务，大大的提高了高职教育质量和效率。

Description

一种基于自扩展知识库和多模态画像的个性化学习平台

技术领域

本发明涉及教学平台领域，具体涉及一种基于自扩展知识库和多模态画像的个性化学习平台。

背景技术

互联网中的知识呈现体量爆炸增长、内容飞速更新的态势，各类领域知识迭代频率高且涉及范围广。然而这些散落的知识无法在互联网中自组织，建立关联关系，同时同一知识实体会存在于多个社区中，普遍会存在信息重复或歧义或异构表示的问题。因此如何汇聚互联网中高质量知识信息，规避信息异构、重复的问题，形成知识的统一管理是目前需解决的难题。

传统的教学模式主要是以老师为中心的“一对多”形式，虽然近些年由于信息技术的发展，传统的教学模式已经取得了一定程度的信息化，教学过程中已经渗透了诸多基于网络的辅助工具，然而教学内容无差别输送、学生群体同步调前进的事实并无本质上的改变，自古以来所倡导的“因材施教”的教学理念还远未到达。事实上，每一个学习者均有自身的独特需求，对于不同的知识体系和知识点会展现出不同的兴趣；此外，每一个学习者的学习状态也不尽相同，对于特定知识点的掌握程度和认知深度存在差异。因此，依据学习者自身的基本情况、学习目标、性格特征、情绪、心理状态、兴趣特点以及学习过程等数据，实时动态地构建多维度的学习者画像，能够为学习者提供更加个性化、更加有针对性的学习内容推荐和学习过程规划等服务。

传统的模板式线性教育模式使得群体学生只能按部就班地完成既定的学习任务，教师无法也不可能针对性地为每一个学生制定相应的学习计划，而学习者也没有能力根据自身的状态和多样化的学习资源为自己规划学习任务。另一方面，传统的学习过程缺乏必要的引导，在如今大力倡导自主学习的时代，带有学业压力的学习者如何去理性地调整自己的学习节奏和巩固自己的知识点是一个巨大的挑战；其次，学习者的学习效果缺乏及时反馈，只有在特定的考试中学习者才能对自身的水平有个相对全面的了解，不利于及时地对自己的知识体系进行查漏补缺和对学习精力的针对性平衡。因此，根据学习者的自身状况和知识库内容的等级属性，利用信息技术和人工智能技术，以一种自动化的、智能的形式为学习者制定学习场景、规划学习任务、评估学习效果以及推荐改进意见是提高高职教育质量和效率的重要手段。

发明内容

本发明的目的在于提供一种基于自扩展知识库和多模态画像的个性化学习平台。

为实现上述目的，本发明采取的技术方案为：

一种基于自扩展知识库和多模态画像的个性化学习平台，包括：

自扩展知识库构建模块，用于基于网络爬虫模块在预设的网络基站上爬取对应的知识数据，并基于异构数据知识图谱实现这些知识数据的加工、处理、融合，构建形成问答形式关联的自扩展的动态知识库；

学习者画像模型构建模块，用于通过实证研究和用户调查，挖掘学习者在学习过程中产生的数据类型并建立学习者画像模型，然后，考虑时间维度下，用户各模态下关联属性的变化情况及属性关联程度，从各项数据中提取特征值，生成学习者画像实例；

个性化学习任务规划模块，用于通过对学习者画像模型和知识库资源的双向关联分析，识别学生的学习关注点、学习状态以及候选资源集，并利用智能学习引擎为学习者自动化地生成学习任务规划，以及在必要时机进行过程引导。

进一步地：还包括：

动态知识库完善模块，用于通过挖掘问题与回答之间的关联属性，利用机器学习、深度学习的方法构建自动化答案生成模型，形成对专家知识库的自主扩充和完善。

进一步地：所述学习者画像模型通过以下方法构建：

首先，首先需通过实证研究和用户调查的方式建立画像模型，探索模型中应该包含的主要特征集合，使特征多元化；

其次，获取画像特征集合，具体的：收集学习者的个人信息，包括学习者的年龄、性别、学习背景等；学习数据，包括学习者历史上曾经学习过的知识点集合等；测试数据，包括学习者曾经接受过的测试内容以及测试结果；交互数据，包括学习者在学习、测试、讨论的过程中与平台、工具以及其它学习者所发生的文字、语音、视频等交互历史；现场数据，包括学习者各项参与行为中所实时记录的响应、反馈等；基于这些异构数据，通过文本分析技术、语义分析技术、情感分析技术以及机器学习算法等技术手段提取出关于学习者的多模态特征值；

再次，使用结构化、层次化的形式对画像特征集合进行组织，实现画像特征集合的深度操作和挖掘，采用数值型数据、标签文本型数据等混合数据形式对画像特征进行表示；

最后，采用多因子融合的手段以实现学习者画像的动态演化，具体的，首先通过弹性控制的手段以不同的粒度设置时间窗口，以限制画像的数据口径；其次，我们通过设置衰减尺寸参数对不同时期的数据设置不同累积效果；另外，基于迭代效果探测并优化各特征的融合权重，实现动态、更精准的特征刻画，以判断学习者是否适合继续学习，定位学习阶段和规划学习路径等；最终，我们通过可视化的形式对学习者的画像进行展示，并提供基于场景的交互式互操作。

进一步地：所述个性化学习任务规划模块的工作流程如下：

a)基于数据驱动和事件触发的学习场景感知

当学习者开启新一轮的学习任务后，首先对学习者的场景进行主动感知，通过读取并解析学习者的画像，确定学习者的个性特征；其次通过实时监测学习者的各项参与行为，利用模式识别等技术判断其参与状态和行为走向；另一方面，检索知识库中的知识点体系和知识点分布情况，利用数据挖掘等技术评估学习者的学习进度并推荐本次学习内容的广义范围；综合以上信息，为学习者确定本次的学习场景；

b)基于路径的学习任务规划与过程引导

对于选定的学习场景，从广泛的学习内容中按照学习路径为学习者进行任务规划与过程引导。首先，依据知识点的复杂度和难度，把本次的学习内容划分为难度递增的不同的学习阶段；其次，按照知识的依赖性和关联性，把同一个知识体系下的不同知识点进行关联；在学习者的学习过程中，要根据学习者的实际学习情况适时调整学习内容。

c)面向可持续参与的学习效果评估与建议

对于学习者的每一次具体学习，以可持续参与为目标驱动给出具体评估和建议，首先，我们以层级化、结构化的形式输出可解释型的评估结果，每一个细粒度的衡量指标以及总的评估结果都有对应的评估值以及一段解释性的文字说明，以便于学习者理解评估结果；其次，我们针对实际的学习情况，参考其他学习者的学习历史，利用大数据分析、关联匹配等技术对学习者提出针对性的改进与提升建议，以易于接受的形式建议学习者需要查漏补缺以及需要继续保持的各个方面。

进一步地，还包括：系统更新模块，用于通过用户行为数据和测试数据的搜集，分析学习者的学习效果，迭代调整个性化学习任务规划模块内载的个性化智能学习引擎。

本发明可以实现互联网中各平台知识数据的统一汇总管理，共享，同时可以依据学习者自身的基本情况、学习目标、性格特征、情绪、心理状态、兴趣特点以及学习过程等数据，实时动态地构建多维度的学习者画像，能够为学习者提供更加个性化、更加有针对性的学习内容推荐和学习过程规划等服务，大大的提高了高职教育质量和效率。

附图说明

图1为本发明的技术路线图。

图2为本发明的系统模块图。

图3为异构知识实体类型与来源。

图4为自主扩展的动态知识库构建框架。

图5为动态演化的多模态学习者画像构建技术路线。

图6为面向全过程的个性化智能学习引擎技术路线。

具体实施方式

为了使本发明的目的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仅用以解释本发明，并不用于限定本发明。

本发明的技术路线如图1所示。首先，我们通过互联网调研，查找国内外各类热门的知识分享平台、问答社区，考察不同平台中的数据类型。在此基础上，形成异构数据知识图谱的构建，初步融合形成知识库。之后，设计并实现知识库动态更新和自主扩展的方法。最后，在检验方法有效性的基础上，大规模部署上线，构建形成自主扩展的动态知识库。其次，我们通过实证研究和用户调查，挖掘学习者在学习过程中产生的数据类型并建立学习者画像模型。然后，考虑时间维度下，用户各模态下关联属性的变化情况及属性关联程度，从各项数据中提取特征值，生成学习者画像实例。最后，我们通过对学习者画像模型和知识库资源的双向关联分析，识别学生的学习关注点、学习状态以及候选资源集，并利用智能学习引擎为学习者自动化地生成学习任务规划，以及在必要时机进行过程引导。在此基础上，通过用户行为数据和测试数据的搜集，分析学习者的学习效果，迭代调整我们的个性化智能学习引擎。

如图2所示，本发明实施例的一种基于自扩展知识库和多模态画像的个性化学习平台，包括：

自扩展知识库构建模块，用于基于网络爬虫模块在预设的网络基站上爬取对应的知识数据，并基于异构数据知识图谱实现这些知识数据的加工、处理、融合，构建形成问答形式关联的自扩展的动态知识库；

动态知识库完善模块，用于通过挖掘问题与回答之间的关联属性，利用机器学习、深度学习的方法构建自动化答案生成模型，形成对专家知识库的自主扩充和完善；

互联网知识分享、问答平台中，存在三类形式的数据(如图3所示)：描述知识信息的文本数据；知识共享过程中参与者的行为数据；知识共享过程中产生的知识及参与者间的关联数据。不同类型的数据共同辅助知识库的形成。不同类型的数据由于来源不同，存在一定差异，例如：在线问答中的文本数据以“问-答”一对多的形式存在，而百科知识、技术分享博客中的文本数据不存在这样的数据结构。因此在进行数据融合的同时需要借助关联数据、用户行为数据，通过VSM等文本匹配方法，以及社交网络分析等方法实现不同实体间的融合。本项目关注于不同来源的大众贡献知识的汇聚，考虑将异构数据进行融合，形成统一的知识库。

在形成异构融合知识库的基础上，考虑知识数据的动态更新特性，实现对各领域最新知识的持续动态更新。主要采取两种方法：一种方法是人工发现新兴热门知识分享平台，通过模块化爬虫系统，爬取站点上的热门知识信息；另一种方法是持续监控已关注的知识分享平台，爬取生成、更新的知识信息。在通过上述方法获取持续更新数据的基础上，通过文本分析等方法发现相似或相同的知识信息实体，研究实体消歧技术实现知识信息的融合与更新，最终形成持续迭代、动态更新的精化知识库。

在动态更新知识库构建的基础上，考虑知识无边界特性，利用融合形成的问答形式关联的专家知识库，通过数据分析的方法挖掘问题与回答之间的关联属性，利用机器学习、深度学习的方法构建自动化答案生成模型，形成对专家知识库的自主扩充和完善，一定程度拓宽知识库的边界。

此部分的整体技术框架如图4所示。首先，发掘互联网各类知识分享社区中相关领域知识，通过异构融合的方法形成专家知识库。然后，随着对领域最新知识的监控，实现知识的动态更新，进而丰富、完善专家知识库。最后，通过数据挖掘、机器学习、深度学习等方法生成新的知识问答关联数据，实现对专家知识库的自主扩充。

学习者画像模型构建模块，用于通过实证研究和用户调查，挖掘学习者在学习过程中产生的数据类型并建立学习者画像模型，然后，考虑时间维度下，用户各模态下关联属性的变化情况及属性关联程度，从各项数据中提取特征值，生成学习者画像实例；具体的：

如图5所示，为构建动态演化的多模态学习者画像，首先需通过实证研究和用户调查的方式建立画像模型，探索模型中应该包含的主要特征集合，使特征多元化，以更有效地刻画学习者的个性。如学习者对知识点的理论水平以及实践动手能力是反映学习者专业水准的主要指标；学习者的性格特征、情绪心理状态是影响其学习效果的重要因素；学习者的兴趣和学习目标是其能否持续学习的关键推动力。其次，获取画像特征集合，具体的：收集学习者的个人信息，包括学习者的年龄、性别、学习背景等；学习数据，包括学习者历史上曾经学习过的知识点集合等；测试数据，包括学习者曾经接受过的测试内容以及测试结果；交互数据，包括学习者在学习、测试、讨论的过程中与平台、工具以及其它学习者所发生的文字、语音、视频等交互历史；现场数据，包括学习者各项参与行为中所实时记录的响应、反馈等；基于这些异构数据，通过文本分析技术、语义分析技术、情感分析技术以及机器学习算法等技术手段提取出关于学习者的多模态特征值；

再次，使用结构化、层次化的形式对画像特征集合进行组织，实现画像特征集合的深度操作和挖掘，采用数值型数据、标签文本型数据等混合数据形式对画像特征进行表示；

最后，采用多因子融合的手段以实现学习者画像的动态演化，具体的，首先通过弹性控制的手段以不同的粒度设置时间窗口，以限制画像的数据口径；其次，我们通过设置衰减尺寸参数对不同时期的数据设置不同累积效果；另外，基于迭代效果探测并优化各特征的融合权重，实现动态、更精准的特征刻画，以判断学习者是否适合继续学习，定位学习阶段和规划学习路径等；最终，我们通过可视化的形式对学习者的画像进行展示，并提供基于场景的交互式互操作。

个性化学习任务规划模块，用于通过对学习者画像模型和知识库资源的双向关联分析，识别学生的学习关注点、学习状态以及候选资源集，并利用智能学习引擎为学习者自动化地生成学习任务规划，以及在必要时机进行过程引导。

系统更新模块，用于通过用户行为数据和测试数据的搜集，分析学习者的学习效果，迭代调整个性化学习任务规划模块内载的个性化智能学习引擎。

如图6所示，为实现面向全过程的个性化学习引擎，本发明从三个方面展开，分别是基于数据驱动和事件触发的场景感知、基于路径的学习任务规划与过程引导方法以及面向可持续参与的学习评估与建议。

a)基于数据驱动和事件触发的学习场景感知

当学习者开启新一轮的学习任务后，本项目首先对学习者的场景进行主动感知。通过读取并解析学习者的画像，确定学习者的个性特征；其次通过实时监测学习者的各项参与行为，利用模式识别等技术判断其参与状态和行为走向。另一方面，检索知识库中的知识点体系和知识点分布情况，利用数据挖掘等技术评估学习者的学习进度并推荐本次学习内容的广义范围。综合以上信息，为学习者确定本次的学习场景。

b)基于路径的学习任务规划与过程引导

对于选定的学习场景，从广泛的学习内容中按照学习路径为学习者进行任务规划与过程引导。首先，依据知识点的复杂度和难度，把本次的学习内容划分为难度递增的不同的学习阶段；其次，按照知识的依赖性和关联性，把同一个知识体系下的不同知识点进行关联。在学习者的学习过程中，要根据学习者的实际学习情况适时调整学习内容，例如尝试性地引导学习者体验同一个知识点的不同实例，以加深对该知识点的理解和认知。

c)面向可持续参与的学习效果评估与建议

对于学习者的每一次具体学习，我们会以可持续参与为目标驱动给出具体评估和建议。首先，我们以层级化、结构化的形式输出可解释型的评估结果，每一个细粒度的衡量指标以及总的评估结果都有对应的评估值以及一段解释性的文字说明，以便于学习者理解评估结果。其次，我们针对实际的学习情况，参考其他学习者的学习历史，利用大数据分析、关联匹配等技术对学习者提出针对性的改进与提升建议，以易于接受的形式建议学习者需要查漏补缺以及需要继续保持的各个方面。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于自扩展知识库和多模态画像的个性化学习平台，其特征在于：包括：

自扩展知识库构建模块，用于基于网络爬虫模块在预设的网络基站上爬取对应的知识数据，并基于异构数据知识图谱实现这些知识数据的加工、处理、融合，构建形成问答形式关联的自扩展的动态知识库；

学习者画像模型构建模块，用于通过实证研究和用户调查，挖掘学习者在学习过程中产生的数据类型并建立学习者画像模型，然后，考虑时间维度下，用户各模态下关联属性的变化情况及属性关联程度，从各项数据中提取特征值，生成学习者画像实例；

个性化学习任务规划模块，用于通过对学习者画像模型和知识库资源的双向关联分析，识别学生的学习关注点、学习状态以及候选资源集，并利用智能学习引擎为学习者自动化地生成学习任务规划，以及在必要时机进行过程引导。

2.如权利要求1所述的一种基于自扩展知识库和多模态画像的个性化学习平台，其特征在于：还包括：

动态知识库完善模块，用于通过挖掘问题与回答之间的关联属性，利用机器学习、深度学习的方法构建自动化答案生成模型，形成对专家知识库的自主扩充和完善。

3.如权利要求1所述的一种基于自扩展知识库和多模态画像的个性化学习平台，其特征在于：所述学习者画像模型通过以下方法构建：

首先，首先需通过实证研究和用户调查的方式建立画像模型，探索模型中应该包含的主要特征集合，使特征多元化；

其次，获取画像特征集合，具体的：收集学习者的个人信息，包括学习者的年龄、性别、学习背景；学习数据，包括学习者历史上曾经学习过的知识点集合；测试数据，包括学习者曾经接受过的测试内容以及测试结果；交互数据，包括学习者在学习、测试、讨论的过程中与平台、工具以及其它学习者所发生的文字、语音、视频交互历史；现场数据，包括学习者各项参与行为中所实时记录的响应、反馈；基于这些异构数据，通过文本分析技术、语义分析技术、情感分析技术以及机器学习算法提取出关于学习者的多模态特征值；

再次，使用结构化、层次化的形式对画像特征集合进行组织，实现画像特征集合的深度操作和挖掘，采用数值型数据、标签文本型数据形式对画像特征进行表示，完成后，基于这些画像特征建立学习者画像模型；

最后，采用多因子融合的手段以实现学习者画像的动态演化，具体的，首先通过弹性控制的手段以不同的粒度设置时间窗口，以限制画像的数据口径；其次，我们通过设置衰减尺寸参数对不同时期的数据设置不同累积效果；另外，基于迭代效果探测并优化各特征的融合权重，实现动态、更精准的特征刻画，以判断学习者是否适合继续学习，定位学习阶段和规划学习路径等；最终，我们通过可视化的形式对学习者的画像进行展示，并提供基于场景的交互式互操作。

4.如权利要求1所述的一种基于自扩展知识库和多模态画像的个性化学习平台，其特征在于：所述个性化学习任务规划模块的工作流程如下：

a)基于数据驱动和事件触发的学习场景感知

当学习者开启新一轮的学习任务后，首先对学习者的场景进行主动感知，通过读取并解析学习者的画像，确定学习者的个性特征；其次通过实时监测学习者的各项参与行为，利用模式识别等技术判断其参与状态和行为走向；另一方面，检索知识库中的知识点体系和知识点分布情况，利用数据挖掘等技术评估学习者的学习进度并推荐本次学习内容的广义范围；综合以上信息，为学习者确定本次的学习场景；

b)基于路径的学习任务规划与过程引导

对于选定的学习场景，从广泛的学习内容中按照学习路径为学习者进行任务规划与过程引导。首先，依据知识点的复杂度和难度，把本次的学习内容划分为难度递增的不同的学习阶段；其次，按照知识的依赖性和关联性，把同一个知识体系下的不同知识点进行关联；在学习者的学习过程中，要根据学习者的实际学习情况适时调整学习内容。

c)面向可持续参与的学习效果评估与建议

对于学习者的每一次具体学习，以可持续参与为目标驱动给出具体评估和建议，首先，我们以层级化、结构化的形式输出可解释型的评估结果，每一个细粒度的衡量指标以及总的评估结果都有对应的评估值以及一段解释性的文字说明，以便于学习者理解评估结果；其次，我们针对实际的学习情况，参考其他学习者的学习历史，利用大数据分析、关联匹配等技术对学习者提出针对性的改进与提升建议，以易于接受的形式建议学习者需要查漏补缺以及需要继续保持的各个方面。

5.如权利要求1所述的一种基于自扩展知识库和多模态画像的个性化学习平台，其特征在于：还包括：系统更新模块，用于通过用户行为数据和测试数据的搜集，分析学习者的学习效果，迭代调整个性化学习任务规划模块内载的个性化智能学习引擎。

Images