CN114741529A - 基于知识图谱的教师教学质量报告生成方法、系统和介质 - Google Patents
基于知识图谱的教师教学质量报告生成方法、系统和介质 Download PDFInfo
- Publication number
- CN114741529A CN114741529A CN202210367232.5A CN202210367232A CN114741529A CN 114741529 A CN114741529 A CN 114741529A CN 202210367232 A CN202210367232 A CN 202210367232A CN 114741529 A CN114741529 A CN 114741529A
- Authority
- CN
- China
- Prior art keywords
- classroom
- feature
- teaching quality
- teacher
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000012512 characterization method Methods 0.000 claims abstract description 12
- 238000007670 refining Methods 0.000 claims abstract description 8
- 230000006399 behavior Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 41
- 230000008569 process Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000000547 structure data Methods 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
- G06F16/30—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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Educational Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于知识图谱的教师教学质量报告生成方法、系统和介质,可应用于人工智能教育技术领域。本发明方法通过在教师教学质量生成模型内设置多层循环滤过图特征提取器、极端深层编解码网络和多层前馈式特征编码转换器,并在构建好课堂教学知识图谱后,将课堂教学知识图谱输入到教师教学质量生成模型,以通过多层循环滤过图特征提取器提取课堂教学知识图谱的课堂表征信息作为第一特征矩阵,通过极端深层编解码网络对第一特征矩阵进行数据精炼和浓缩后得到第二特征矩阵,通过多层前馈式特征编码转换器根据所述第二特征矩阵生成更加符合课堂实际情况的教师教学质量报告,即有效提高教师教学评估结果的准确度。
Description
技术领域
本发明涉及人工智能教育技术领域,尤其是一种基于知识图谱的教师教学质量报告生成方法、系统和介质。
背景技术
相关技术中,及时了解教学情况并及时发现教学问题,能够帮助教师改变教学方式并提高教学质量。目前,自然语言处理已在教学领域得到广泛应用。但是,传统的自然语言处理在文本生成任务中一般是文本到文本的生成,而教师教学过程中所涉及的内容不仅仅是文本内容,还包括各种互动内容,这些内容组成结构化数据,而目前的文本生成方式并没有有效利用这些结构化数据,从而使得目前基于文本生成的教师教学评估结果准确度较低。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于知识图谱的教师教学质量报告生成方法、系统和介质,能够有效提高教师教学评估结果的准确度。
一方面,本发明实施例提供了一种基于知识图谱的教师教学质量报告生成方法,包括以下步骤:
构建课堂教学知识图谱,所述课堂教学知识图谱包括教师行为数据和学生行为数据;
将所述课堂教学知识图谱输入到教师教学质量生成模型,得到教师教学质量报告;
其中,所述教师教学质量生成模型包括多层循环滤过图特征提取器、极端深层编解码网络和多层前馈式特征编码转换器;
所述多层循环滤过图特征提取器用于提取所述课堂教学知识图谱的课堂表征信息作为第一特征矩阵;
所述极端深层编解码网络用于对所述第一特征矩阵进行数据精炼和浓缩,得到第二特征矩阵;
所述多层前馈式特征编码转换器用于根据所述第二特征矩阵生成教师教学质量报告。
在一些实施例中,所述构建课堂教学知识图谱,包括:
将课堂主体作为节点,将所述课堂主体与课堂主体属性之间的关系作为边,通过所述边将所述节点连接,所述课堂主体包括所述教学组织者和所述学习者;
将课堂行为作为节点,将所述课堂行为和所述课堂主体连接,得到课堂教学知识图谱。
在一些实施例中,所述多层循环滤过图特征提取器包括多层图卷积网络、过滤器和特征编码器;
所述多层图卷积网络用于结合所述特征编码器输出的整合后的特征编码信息,提取所述课堂教学知识图谱的多个课堂表征信息作为特征编码信息;
所述过滤器用于对所述多层图卷积网络生成的特征编码信息进行过滤;
所述特征编码器用于对过滤后的所述特征编码信息进行整合,得到整合后的特征编码信息;在确定所述多层图卷积网络的提取次数满足预设要求后,将当前整合后的特征编码信息作为第一特征矩阵。
在一些实施例中,所述极端深层编解码网络包括至少1000层编解码网络和归一化函数。
在一些实施例中,所述根据所述第二特征矩阵生成教师教学质量报告,包括:
通过编码字典将所述第二特征矩阵转换为文本信息,所述教师教学质量报告包括所述文本信息。
在一些实施例中,在所述教师教学质量生成模型生成教师教学质量报告之前,所述方法还包括以下步骤:
初始化所述教师教学质量生成模型参数;
将训练数据输入到所述教师教学质量生成模型,得到训练数据对应的教师教学质量报告;
计算所述训练数据对应的教师教学质量报告与目标报告的交叉熵损失值;
当所述交叉熵损失值大于等于预设损失值,调节所述教师教学质量生成模型参数;
当所述交叉熵损失值小于预设损失值,确定所述教师教学质量生成模型训练完成。
在一些实施例中,所述多层图卷积网络通过并行方式提取所述课堂教学知识图谱的预设数量的课堂表征信息,所述预设数量与所述多层图卷积网络的层数相等。
另一方面,本发明实施例提供了一种基于知识图谱的教师教学质量报告生成系统,包括:
构建模块,用于构建课堂教学知识图谱,所述课堂教学知识图谱包括教师行为数据和学生行为数据;
生成模块,用于将所述课堂教学知识图谱输入到教师教学质量生成模型,得到教师教学质量报告;
其中,所述教师教学质量生成模型包括多层循环滤过图特征提取器、极端深层编解码网络和多层前馈式特征编码转换器;
所述多层循环滤过图特征提取器用于提取所述课堂教学知识图谱的课堂表征信息作为第一特征矩阵;
所述极端深层编解码网络用于对所述第一特征矩阵进行数据精炼和浓缩,得到第二特征矩阵;
所述多层前馈式特征编码转换器用于根据所述第二特征矩阵生成教师教学质量报告。
另一方面,本发明实施例提供了一种基于知识图谱的教师教学质量报告生成系统,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载所述程序以执行所述的基于知识图谱的教师教学质量报告生成方法。
另一方面,本发明实施例提供了一种存储介质,其中存储有计算机可执行的程序,所述计算机可执行的程序被处理器执行时用于实现所述的基于知识图谱的教师教学质量报告生成方法。
本实施例提供的一种基于知识图谱的教师教学质量报告生成方法,具有如下有益效果:
本实施例通过在教师教学质量生成模型内设置多层循环滤过图特征提取器、极端深层编解码网络和多层前馈式特征编码转换器,并在构建好包括教师行为数据和学生行为数据的课堂教学知识图谱后,将课堂教学知识图谱输入到教师教学质量生成模型,以通过多层循环滤过图特征提取器提取课堂教学知识图谱的课堂表征信息作为第一特征矩阵,通过极端深层编解码网络对第一特征矩阵进行数据精炼和浓缩后得到第二特征矩阵,通过多层前馈式特征编码转换器根据所述第二特征矩阵生成更加符合课堂实际情况的教师教学质量报告,即有效提高教师教学评估结果的准确度。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
下面结合附图和实施例对本发明做进一步的说明,其中:
图1为本发明实施例的一种基于知识图谱的教师教学质量报告生成方法的流程图;
图2为本发明实施例的教师教学质量生成模型的示意图;
图3为本发明实施例的多层循环滤过图特征提取器的示意图;
图4为本发明实施例的多层前馈式特征编码转换器的示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个以上,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
参照图1,本发明实施例提供了一种基于知识图谱的教师教学质量报告生成方法,本实施例可应用于服务器或平台对应的后台处理器等设备上。
在应用过程中,本实施例方法包括但不限于以下步骤:
步骤110、构建课堂教学知识图谱,所述课堂教学知识图谱包括教师行为数据和学生行为数据。
在本申请实施例中,在生成所需要的报告之前,需要先将将课堂信息转译成抽象信息实体。在构建知识图谱的过程中,根据知识格式转换的核心原则,需要将不同源格式的知识转换为同一种标准格式,并且将格式化后的知识增加目标格式信息,并生成目标格式知识。基于该原则,本实施例将课堂主体作为节点,将所述课堂主体与课堂主体属性之间的关系作为边,通过所述边将所述节点连接,所述课堂主体包括所述教学组织者和所述学习者;将课堂行为作为节点,将所述课堂行为和所述课堂主体连接,得到课堂教学知识图谱。也可以理解为,首先将教学组织者和学习者以及二者所包含的属性抽象为节点,将课堂行为主体与其属性之间的关系抽象为边并将二者相连,以表示此节点主体拥有这些属性。然后又将课堂行为抽象为节点,这样一来,其节点的数量就可以代表此行为在此次课堂中进行的次数。最后将课堂行为和与之互动的主体联系起来,互动主体与行为之间关系就是他们之间的边属性。从而能够细粒度的表征课堂教学内容,将课堂行为主体、主体属性、主体行为作为基本单位构建知识图谱,以全景式的探析课堂教学内容。
步骤120、将所述课堂教学知识图谱输入到教师教学质量生成模型,得到教师教学质量报告。
在本申请实施例中,如图2所示,所述教师教学质量生成模型包括多层循环滤过图特征提取器、极端深层编解码网络和多层前馈式特征编码转换器。其中,所述多层循环滤过图特征提取器用于提取所述课堂教学知识图谱的课堂表征信息作为第一特征矩阵;所述极端深层编解码网络用于对所述第一特征矩阵进行数据精炼和浓缩,得到第二特征矩阵;所述多层前馈式特征编码转换器用于根据所述第二特征矩阵生成教师教学质量报告。
文字是对一个现象的高度抽象与浓缩,但是计算机只能识别简单并且具体的数字信息,所以常用的计算机并不能理解像知识图谱这类由一系列抽象信息构成的结构化数据。为了解决这个问题,本实施例提出了多层循环滤过图特征提取器。具体地,如图3所示,所述多层循环滤过图特征提取器包括多层图卷积网络、过滤器和特征编码器;所述多层图卷积网络用于结合所述特征编码器输出的整合后的特征编码信息,提取所述课堂教学知识图谱的多个课堂表征信息作为特征编码信息;所述过滤器用于对所述多层图卷积网络生成的特征编码信息进行过滤;所述特征编码器用于对过滤后的所述特征编码信息进行整合,得到整合后的特征编码信息;在确定所述多层图卷积网络的提取次数满足预设要求后,将当前整合后的特征编码信息作为第一特征矩阵。具体地,多层图卷积网络通过并行方式提取所述课堂教学知识图谱的预设数量的课堂表征信息,其中,预设数量可以与多层图卷积网络的层数相等。
例如,当将包含课堂教学信息的知识图谱传入多层循环的图特征提取器时,多层循环的图特征提取器内的多层图卷积网络可以获取相比于往常N倍的课堂表征信息,这就能保证本实施例提取的课堂信息足够充分并且全面,确保没有遗漏的知识内容,后续的过滤器又能够充分减少特征体积,便于运算与优化。结合上述两者的特点,能够使得整个多层循环的图特征提取器在提取课堂信息时能够在不降低质量的情况下尽可能的提高速度,并且能够使得整个学习过程变得稳定。
本实施例将课堂信息进行抽象并转译之后,可以得到描述这节课堂内容的知识图谱。然后,基于图3所示的结构,使用多层图卷积网络对其进行并行式堆叠卷积运算以得到N倍课堂表征信息。图卷积网络是一种用于抽象图结构数据的网络模型,其能够以节点为单位,对其相邻的节点进行聚合运算并提取整张图结构特征。图3中的特征1、特征2、特征3表示经过N=3层的图卷积网络运算后,多层循环滤过图特征提取器输出了3倍的课堂表征信息,课堂表征信息后面的加号表示对课堂表征信息进的过滤操作。在过滤阶段,将多维度课堂表征信息按维度叠加后计算多维度特征均值,这样可以在保持特征稳定的情况下平滑特征信息,减少高频与低频特征信息的干扰。在循环阶段,将过滤后的特征编码信息输入回原来的模型当中继续提炼,以获取更高质量的特征编码。
在本申请实施例中,所述极端深层编解码网络包括至少1000层编解码网络和归一化函数。在本实施中,由于图3所示结构已经得到了课堂信息的编码矩阵。因此,本实施例利用循环神经网络对特征进行编解码操作。通常来说,网络的深度和生成文本的质量在一定程度上成正比关系,也就是说,网络层数越多,得到的结果越好。因此,本实施例为了追求更高质量的文本信息,通过使用更具有挑战性的极端深层编解码网络。在这个网络中,使用了1000层的编解码器网络,但是深度的增加使得模型训练变得极其困难。为了解决模型训练难收敛的问题,本实施例引入了最新的归一化函数DeepNorm,其在归一化计算之前进行了残差计算,有效解决了模型收敛难的困境,最终使得模型能够变得稳定并且能够收敛。
在本申请实施例中,通过前面的多层循环滤过图特征提取器和极端深层编解码网络,已经从知识图谱中提取到了必要的课堂信息,并且已经编码成一长串的课堂特征编码信息作为第二特征矩阵。但是这只是计算机所能够理解的信息,对于本实施例来说并不理解这些编码所表达的内容。因此,为了能够将特征编码转换成目标报告,本实施例在模型的最后增加了多层前馈式特征编码转化器。相比于单层的前馈式特征编码转化器,使用多层可以有效增加模型的非线性拟合能力,增加模型的准确性。最后我们使用cross entropyloss(交叉熵损失函数)来计算模型生成文本与目标文本之间的损失,通过反向传播损失来对模型进行优化。
具体地,多层前馈式特征编码转换器如图4所示,图4中以3层网络为例,最左侧的课堂特征编码代表从多层循环滤过图特征提取器和极端深层编解码网络中提取到的特征矩阵。将特征矩阵经过3层网络的传输之后得到了最后的输出层特征,本实施例将输入层的特征根据编码字典进行转换就可以得到最终输出的文本信息,其中,文本信息以教师教学质量报告呈现。
从上述阐述可知,根据知识图谱中节点和边的关系可以发现,在最终生成的文本开头包含了教师的基本个人信息与课堂基本信息,这表明本实施例的模型在对知识图谱进行编码的过程中,从教师节点出发,获取到了其相邻节点的教师以及课堂信息。以此认识到了教师与课堂的基本信息,并将其抽象成生成文本的一部分。此外,本实施例的模型根据知识图谱中教师行为的节点种类与节点个数,认为教师的提问和互动环节占整堂课的主要部分,而板书次数相对于提问和互动的次数明显减少,从而得出板书次数太少,可能会影响教学质量的判断,这符合我们客观评价的认知。
在本申请实施例中,在所述教师教学质量生成模型生成教师教学质量报告之前,还需要对教师教学质量生成模型进行训练,其中,训练过程包括但不限于以下步骤:
初始化所述教师教学质量生成模型参数;
将训练数据输入到所述教师教学质量生成模型,得到训练数据对应的教师教学质量报告;
计算所述训练数据对应的教师教学质量报告与目标报告的交叉熵损失值;
当所述交叉熵损失值大于等于预设损失值,调节所述教师教学质量生成模型参数;
当所述交叉熵损失值小于预设损失值,确定所述教师教学质量生成模型训练完成。
具体地,上述训练过程转化为算法时,其算法如下:
输入:知识图谱的三元组数据
输出:教师教学质量报告文本
初始化模型参数
while epoch<100then
for所有训练batch on
由多层循环滤过图特征提取器对课堂教学知识图谱编码得到课堂教学特征编码Embedding
将课堂教学特征编码Embedding输入极端深层编解码网络得到课堂教学特征E
将课堂教学特征E输入多层前馈式特征编码转化器得到生成文本OUT
计算生成文本OUT与目标文本LABEL之间的损失交叉熵LOSS
更新模型参数
if当前LOSS<系统最小LOSS
保存模型
将系统LOSS设置为当前LOSS
end if
end for
通过上述训练后的教师教学质量生成模型,其精度更高,处理得到的教师教学质量报告也更加准确。
本发明实施例提供了一种基于知识图谱的教师教学质量报告生成系统,包括:
构建模块,用于构建课堂教学知识图谱,所述课堂教学知识图谱包括教师行为数据和学生行为数据;
生成模块,用于将所述课堂教学知识图谱输入到教师教学质量生成模型,得到教师教学质量报告;
其中,所述教师教学质量生成模型包括多层循环滤过图特征提取器、极端深层编解码网络和多层前馈式特征编码转换器;
所述多层循环滤过图特征提取器用于提取所述课堂教学知识图谱的课堂表征信息作为第一特征矩阵;
所述极端深层编解码网络用于对所述第一特征矩阵进行数据精炼和浓缩,得到第二特征矩阵;
所述多层前馈式特征编码转换器用于根据所述第二特征矩阵生成教师教学质量报告。
本发明方法实施例的内容均适用于本系统实施例,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例提供了一种基于知识图谱的教师教学质量报告生成系统,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载所述程序以执行图1所示的基于知识图谱的教师教学质量报告生成方法。
本发明方法实施例的内容均适用于本系统实施例,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例提供了一种存储介质,其中存储有计算机可执行的程序,所述计算机可执行的程序被处理器执行时用于实现图1所示的基于知识图谱的教师教学质量报告生成方法。
本发明实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的基于知识图谱的教师教学质量报告生成方法。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。此外,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
Claims (10)
1.一种基于知识图谱的教师教学质量报告生成方法,其特征在于,包括以下步骤:
构建课堂教学知识图谱,所述课堂教学知识图谱包括教师行为数据和学生行为数据;
将所述课堂教学知识图谱输入到教师教学质量生成模型,得到教师教学质量报告;
其中,所述教师教学质量生成模型包括多层循环滤过图特征提取器、极端深层编解码网络和多层前馈式特征编码转换器;
所述多层循环滤过图特征提取器用于提取所述课堂教学知识图谱的课堂表征信息作为第一特征矩阵;
所述极端深层编解码网络用于对所述第一特征矩阵进行数据精炼和浓缩,得到第二特征矩阵;
所述多层前馈式特征编码转换器用于根据所述第二特征矩阵生成教师教学质量报告。
2.根据权利要求1所述的一种基于知识图谱的教师教学质量报告生成方法,其特征在于,所述构建课堂教学知识图谱,包括:
将课堂主体作为节点,将所述课堂主体与课堂主体属性之间的关系作为边,通过所述边将所述节点连接,所述课堂主体包括所述教学组织者和所述学习者;
将课堂行为作为节点,将所述课堂行为和所述课堂主体连接,得到课堂教学知识图谱。
3.根据权利要求1所述的一种基于知识图谱的教师教学质量报告生成方法,其特征在于,所述多层循环滤过图特征提取器包括多层图卷积网络、过滤器和特征编码器;
所述多层图卷积网络用于结合所述特征编码器输出的整合后的特征编码信息,提取所述课堂教学知识图谱的多个课堂表征信息作为特征编码信息;
所述过滤器用于对所述多层图卷积网络生成的特征编码信息进行过滤;
所述特征编码器用于对过滤后的所述特征编码信息进行整合,得到整合后的特征编码信息;在确定所述多层图卷积网络的提取次数满足预设要求后,将当前整合后的特征编码信息作为第一特征矩阵。
4.根据权利要求1所述的一种基于知识图谱的教师教学质量报告生成方法,其特征在于,所述极端深层编解码网络包括至少1000层编解码网络和归一化函数。
5.根据权利要求1所述的一种基于知识图谱的教师教学质量报告生成方法,其特征在于,所述根据所述第二特征矩阵生成教师教学质量报告,包括:
通过编码字典将所述第二特征矩阵转换为文本信息,所述教师教学质量报告包括所述文本信息。
6.根据权利要求1所述的一种基于知识图谱的教师教学质量报告生成方法,其特征在于,在所述教师教学质量生成模型生成教师教学质量报告之前,所述方法还包括以下步骤:
初始化所述教师教学质量生成模型参数;
将训练数据输入到所述教师教学质量生成模型,得到训练数据对应的教师教学质量报告;
计算所述训练数据对应的教师教学质量报告与目标报告的交叉熵损失值;
当所述交叉熵损失值大于等于预设损失值,调节所述教师教学质量生成模型参数;
当所述交叉熵损失值小于预设损失值,确定所述教师教学质量生成模型训练完成。
7.根据权利要求3所述的一种基于知识图谱的教师教学质量报告生成方法,其特征在于,所述多层图卷积网络通过并行方式提取所述课堂教学知识图谱的预设数量的课堂表征信息,所述预设数量与所述多层图卷积网络的层数相等。
8.一种基于知识图谱的教师教学质量报告生成系统,其特征在于,包括:
构建模块,用于构建课堂教学知识图谱,所述课堂教学知识图谱包括教师行为数据和学生行为数据;
生成模块,用于将所述课堂教学知识图谱输入到教师教学质量生成模型,得到教师教学质量报告;
其中,所述教师教学质量生成模型包括多层循环滤过图特征提取器、极端深层编解码网络和多层前馈式特征编码转换器;
所述多层循环滤过图特征提取器用于提取所述课堂教学知识图谱的课堂表征信息作为第一特征矩阵;
所述极端深层编解码网络用于对所述第一特征矩阵进行数据精炼和浓缩,得到第二特征矩阵;
所述多层前馈式特征编码转换器用于根据所述第二特征矩阵生成教师教学质量报告。
9.一种基于知识图谱的教师教学质量报告生成系统,其特征在于,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载所述程序以执行如权利要求1-7任一项所述的基于知识图谱的教师教学质量报告生成方法。
10.一种存储介质,其特征在于,其中存储有计算机可执行的程序,所述计算机可执行的程序被处理器执行时用于实现如权利要求1-7任一项所述的基于知识图谱的教师教学质量报告生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210367232.5A CN114741529A (zh) | 2022-04-08 | 2022-04-08 | 基于知识图谱的教师教学质量报告生成方法、系统和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210367232.5A CN114741529A (zh) | 2022-04-08 | 2022-04-08 | 基于知识图谱的教师教学质量报告生成方法、系统和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114741529A true CN114741529A (zh) | 2022-07-12 |
Family
ID=82278756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210367232.5A Pending CN114741529A (zh) | 2022-04-08 | 2022-04-08 | 基于知识图谱的教师教学质量报告生成方法、系统和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114741529A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452072A (zh) * | 2023-06-19 | 2023-07-18 | 华南师范大学 | 一种教学评价方法、系统、设备和可读存储介质 |
-
2022
- 2022-04-08 CN CN202210367232.5A patent/CN114741529A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452072A (zh) * | 2023-06-19 | 2023-07-18 | 华南师范大学 | 一种教学评价方法、系统、设备和可读存储介质 |
CN116452072B (zh) * | 2023-06-19 | 2023-08-29 | 华南师范大学 | 一种教学评价方法、系统、设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414683B (zh) | 数学题解答方法及装置 | |
CN113656570B (zh) | 基于深度学习模型的视觉问答方法及装置、介质、设备 | |
CN112100406B (zh) | 数据处理方法、装置、设备以及介质 | |
CN114064918A (zh) | 一种多模态事件知识图谱构建方法 | |
CN117218498B (zh) | 基于多模态编码器的多模态大语言模型训练方法及系统 | |
CN111160606B (zh) | 试题难度预测方法及相关装置 | |
CN113254782B (zh) | 问答社区专家推荐方法及系统 | |
CN108664512A (zh) | 文本对象分类方法及装置 | |
CN112001166A (zh) | 面向政务咨询服务的智能问答句子对语义匹配方法和装置 | |
CN112364125B (zh) | 一种联合阅读课程学习机制的文本信息抽取系统及方法 | |
CN107544960A (zh) | 一种基于变量绑定和关系激活的推理方法 | |
CN113987167A (zh) | 基于依赖感知图卷积网络的方面级情感分类方法及系统 | |
CN114528398A (zh) | 一种基于交互双重图卷积网络的情感预测方法及系统 | |
CN114297399A (zh) | 知识图谱生成方法、系统、存储介质及电子设备 | |
CN116245097A (zh) | 训练实体识别模型的方法、实体识别方法及对应装置 | |
CN114741529A (zh) | 基于知识图谱的教师教学质量报告生成方法、系统和介质 | |
CN115080688A (zh) | 一种少样本跨领域情感分析方法及装置 | |
CN114780723A (zh) | 基于向导网络文本分类的画像生成方法、系统和介质 | |
CN114529917A (zh) | 一种零样本中文单字识别方法、系统、装置及存储介质 | |
CN111414478B (zh) | 基于深度循环神经网络的社交网络情感建模方法 | |
CN110909174B (zh) | 一种基于知识图谱的简单问答中实体链接的改进方法 | |
CN115526162A (zh) | 基于启发式证据句抽取及实体表示增强的文档级关系抽取方法及系统 | |
CN114626529A (zh) | 一种自然语言推理微调方法、系统、装置及存储介质 | |
CN116306506A (zh) | 一种基于内容识别的智能邮件模板方法 | |
CN114625759A (zh) | 模型训练方法、智能问答方法、设备、介质及程序产品 |
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 |