CN115544268A - 一种教学与就业辅助知识图谱的构建及应用方法 - Google Patents
一种教学与就业辅助知识图谱的构建及应用方法 Download PDFInfo
- Publication number
- CN115544268A CN115544268A CN202211211924.7A CN202211211924A CN115544268A CN 115544268 A CN115544268 A CN 115544268A CN 202211211924 A CN202211211924 A CN 202211211924A CN 115544268 A CN115544268 A CN 115544268A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- employment
- graph
- node
- teaching
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000010276 construction Methods 0.000 title claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 238000005516 engineering process Methods 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000003058 natural language processing Methods 0.000 claims description 5
- 238000005295 random walk Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 230000007115 recruitment Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000004382 visual function Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012800 visualization Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010225 co-occurrence analysis Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G06F16/35—Clustering; Classification
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Animal Behavior & Ethology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种教学与就业辅助知识图谱的构建及应用方法，将知识点、试题、就业岗位三类实体（节点）以及它们之间的关系，构建了应用于高等学校教学与就业的知识图谱。利用DeepWalk图嵌入技术实现节点向量化表示，得到了节点的向量表示。通过节点向量的欧氏距离，我们可以计算节点之间的相似度，并且对节点进行聚类。基于知识点和题库图谱，再结合学生的测试情况，能精准地刻画学生知识掌握情况。从而实现对学生学情研判，学习资源个性化推荐，精准一对一帮扶。在辅助就业方面。通过每个就业岗位所关联的知识点和技能点，让学生更清楚每个岗位的知识需求。及时找到针对该岗位自己的技能短板与不足，从而有针对性地学习。
Description
技术领域
本发明一种教学与就业辅助知识图谱的构建及应用方法，属于人工智能技术应用领域。
背景技术
知识图谱(Knowledge Graph)，在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
知识图谱，是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。
对于目前的大学生来说，本专业不同的课程会把该专业知识点人为分裂成多个部分。另外，老师按照课程中知识点的先后顺序来教授课程，人为地把知识点给序列化了，这并不是非常合理的，不利于学生对知识的理解。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种教学与就业辅助知识图谱的构建及应用方法，以解决现有教育中知识点分散化、序列化的问题。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种教学与就业辅助知识图谱的构建方法，包括：
抽取知识点、试题、就业岗位三类实体节点以及它们之间的关系；
将知识点、试题、就业岗位三类实体节点以及它们之间的关系，构建应用于高等学校教学与就业的知识图谱；
基于图嵌入技术实现节点向量化表示，通过节点向量的欧氏距离，计算节点之间的相似度。
进一步的，抽取知识点、试题、就业岗位三类实体节点以及它们之间的关系的方法包括：
S10：对知识点、题库、就业岗位本体的构建
设置的实体类别有知识点实体、试题实体、就业岗位三类；如果两个知识点实体(节点)之间存在关系，那么就在两个知识点之间加上关系(边)。对关系的类别可以划分不同的关系也可以不做区分。
S20：构建实体、关系和属性
在学科知识图谱本体层的结构确定完毕之后，整理实体及其属性和关系。对于知识点实体，基于教学资源进行整理。
进一步的，整理实体及其属性和关系的方法包括：
人工整理实体或者根据实体识别和关系抽取算法技术，根据教案自动的识别整理知识点实体和关系；
通过自动化技术得到的知识点继续做人工的清洗。
把题库直接导入知识图谱作为试题节点。一个试题是一个节点，试题与试题节点之间不存在关系。只有试题与知识点之间存在关系。
就业岗位实体可以通过招聘网站获取并人工整理。每个岗位是一个实体节点，每个岗位节点可以与多个知识点之间存在关系，岗位与岗位之间不存在关系。
进一步的，构建应用于高等学校教学与就业的知识图谱的方法包括：
基于Neo4j图数据库技术，将实体及其属性和关系导入Neo4j知识图谱平台。借助于Neo4j的可视化功能，可显示出来。
进一步的，基于图嵌入技术实现节点向量化表示的方法包括：
首先采用随机游走算法，对图谱网络进行随机采样，然后得到大量序列样本；这里从每个节点出发5次，序列最大长度设置为10。总共得到5000条节点序列，把这些序列作为训练语料属于给Word2Vec进行训练。
采用自然语言处理技术Word2Vec进行节点向量化表示，可以得到知识点节点的向量。可用节点向量的欧氏距离来表示节点与节点之间的相似度。
第二方面，本发明提供一种教学与就业辅助知识图谱的应用方法，基于第一方面所述方法构建的知识图谱；
所述应用方法包括：
输入查询语句，获得查询结果。
进一步的，所述应用方法还包括：通过社团发现的算法，对知识点进行初步分类。通过图谱快速找到与它存在边的其他节点，通过关联知识点的讲解，来逐步渗透到这个知识点的理解上。
通过把题库中的每个试题归入不同的知识点。根据学生对每道题的解答情况，再结合图谱网络，可以发现每个学生知识结构的短板所在。通过对每个学生知识结构进行分析，根据知识掌握的强弱，精准实现好学生对差学生的一对一帮扶匹配。
通过对每个就业岗位节点所关联的知识点和技能点，明确每个岗位的知识需求，通过图嵌入技术，实现岗位节点的向量化表示，实现相似岗位的快速查找。
进一步的，通过几点之间的相似度，查找相似的岗位，实现就业岗位的推荐。
与现有技术相比，本发明所达到的有益效果：
在教学时，通过图谱可以把前后较远章节的知识点关联起来，知识本来就应该是网络状的。传统的按照教材中知识点的先后顺序来教授课程，人为地把知识点给序列化了，好的学生其实就是善于在大脑中把知识点进行网络化。通过图谱，可以查询任意两个知识点之间是否存在路径，以及存在的最短路径。通过知识点之间的路径，让看似不相关的两个领域，也可以建立起联系。
通过知识图谱的构建，实现了知识的体系化、数字化。通过知识图谱使用，从而实现因材施教、精准教学等目的。知识图谱平台通常具有非常强大的可视化功能。通过图谱的可视化，可以更直观地展示出知识点之间的关系。比如可以展示某个知识点三度距离之内的所有知识点，还可以限制知识点的难度系数来展示。
基于知识点和题库知识图谱，再结合学生的单元测试情况，更加精准的刻画学生知识掌握情况。从而实现对学生精准的学情研判，学习路径规划，学习资源个性化推荐。也能帮助老师更好地了解学生学情，优化教学方法和调整教学策略。
在辅助就业方面。通过每个就业岗位所关联的知识点和技能点，让学生更清楚每个岗位的知识需求，从而认识到自己更适合更擅长哪个技能岗位。并且及时找到针对该岗位自己的技能短板与不足，从而有针对性地学习，提升面试的成功率。通过不同岗位所关联的知识点的情况，还可以查找相似的岗位，实现就业岗位的推荐。
附图说明
图1是本发明实施例中教学与就业知识图谱的构建流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
本实施例提供一种教学与就业辅助知识图谱的构建及应用方法，近些年随着自然语言处理等人工智能技术的迅速发展，各种各样知识图谱的创新和成果也得到了越来越广泛的应用。通过知识图谱可以把不同课程，以及同一课程前后较远章节的知识点关联起来，知识本来就应该是网络状的。聪明的学生其实就是善于在大脑中把知识点进行网络化。因此，我们采用知识图谱的方式，尝试借助于图数据库技术还原知识本来的结构。通过知识图谱的构建，实现了知识的体系化、数字化。我们以高职《人工智能技术应用》专业的知识图谱系统为案例，进一步把知识点、题库、就业岗位融入到一个图谱之中。基于此图谱实现对学生的因材施教、精准一对一帮扶以及就业指导等目的。
具体来说，如图1所示，本实施例的方法包括以下步骤：
S10：对知识点、题库、就业岗位本体的构建
本体是指公认的概念集合、概念框架。它是指“一种形式化的，对于共享概念体系的明确而又详细的说明”。本体用于指导我们在特定的领域范围内，对真实世界存在的事物和领域内的术语及概念，进行认知建模，定义图谱知识的schema。通俗地讲本体/Schema的构建就是定义图谱中具有哪些类别的实体(节点)，每类实体具有哪些属性。实体与实体之间具有哪些关系(边)，以及每类关系具有哪些属性。教育领域知识图谱业内主要是以各个学科知识点来构建，知识图谱的质量主要是看对知识点的粒度的切分和知识点之间关系(关联关系，依赖关系等)的丰富程度。
我们针对高职专业《人工智能技术应用》构建了知识图谱，根据我们图谱的教学与就业需求，我们设置的实体类别有知识点实体、试题实体、就业岗位三类。但实际构建过程中并不限于这三类实体，还可以加入技能点等实体。
如果两个知识点实体(节点)之间存在关系，那么就在两个知识点之间加上关系(边)。同样，对关系的类别可以划分不同的关系也可以不做区分，比如：对于两个知识点存在隶属关系或者依赖关系的，可以设置为有向的边。在我们实施的案例中，我们不对关系做区分，即把关系都设置为无向的边。
后面放了实体表和关系表，以及可视化的部分图。通俗地说，就是先整理三种(知识点、试题、岗位)实体表(包含属性信息)，各种关系表，然后把这些表导入图数据库Neo4j，就够建好了，可以进行下一步的可视化了。
S20：人工构建实体、关系和属性。
在学科知识图谱本体层的结构确定完毕之后，下一步需要人工地整理实体及其属性和关系。对于知识点实体，可以基于教学资源(教材，讲义，教案)进行整理。在人工智能技术应用专业中，对于实体(节点)：一个知识点即为一个节点，如“聚类算法”，“人脸识别”。对于关系(边)：如“聚类算法”和“K-means”之间应该存在关系。对于实体属性：对实体的描述，如难度系数、重要程度、概念定义等。
在这里可以人工整理实体。也可以根据实体识别和关系抽取算法等技术，根据教案自动的识别整理知识点实体和关系，但是通过自动化技术得到的知识点需要做人工的清洗。对于知识点实体的属性信息，如难易程度、重要程度等，需要邀请专家老师进行评分。
基于多年的教学积累，我们得到许多的题库，把这些题库直接导入知识图谱作为试题节点。一个试题是一个节点，试题与试题节点之间不存在关系。只有试题与知识点之间存在关系。一个试题可以与多个知识点之间存在关系。试题的类型属性可以有单选、多选、填空、判断、简答题等等。
就业岗位实体可以通过boss直聘、猎聘等招聘网站获取并人工整理。通过这些网站，搜集高职《人工智能技术应用》专业对应的一些就业岗位，如数据标注岗、图像识别产品经理岗、数据采集与处理岗等。每个岗位是一个实体节点，每个岗位节点可以与多个知识点之间存在关系，岗位与岗位之间不存在关系。
S30：知识图谱平台的构建。
此案例是基于Neo4j图数据库来构建教育知识图谱系统。知识图谱由于其数据包含实体、属性、关系等，常见的关系型数据库诸如MySQL之类不能很好的体现数据的这些特点，因此知识图谱数据的存储一般是采用图数据库(Graph Databases)。而Neo4j是其中最为常见的图数据库。Neo4j是一个高性能的，NOSQL图形数据库，它将结构化数据存储在网络上而不是表中。它是一个嵌入式的、基于磁盘的、具备完全的事务特性的Java持久化引擎，但是它将结构化数据存储在网络(从数学角度叫做图)上而不是表中。Neo4j也可以被看作是一个高性能的图引擎，该引擎具有成熟数据库的所有特性。
首先需要下载并安装对应版本的JDK文件。然后从Neo4j官网下载需要版本的安装包，并安装和修改配置文件。把建立好的实体表和关系表导入Neo4j知识图谱平台，建立知识图谱。借助于Neo4j的可视化功能，可显示出来。除此之外，通过Cypher语句，还可以具有查询功能。Cypher是Neo4j的声明式图形查询语言，允许用户不必编写图形结构的遍历代码，就可以对图形数据进行高效的查询。Cypher的设计目的类似SQL，适合于开发者以及在数据库上做点对点模式查询的专业操作人员。比如查询两个知识点节点之间的路径等。
S40：基于图嵌入技术实现节点向量化表示。
DeepWalk是一种将随机游走(random walk)和word2vec两种算法相结合的图结构数据挖掘算法，是一种非常经典的图嵌入技术。该算法能够学习网络的隐藏信息，能够将图中的节点表示为一个包含潜在信息的向量。通过DeepWalk和Word2Vec算法，我们可以实现了对图谱知识点实体的向量化表示。
首先采用随机游走算法，对图谱网络进行随机采样，然后得到大量序列样本；这里从每个节点出发5次，序列最大长度设置为10。总共得到5000条节点序列，把这些序列作为训练语料属于给Word2Vec进行训练。在自然语言处理中，Word2Vec是一种无监督学习的词向量计算方法。包括两种模式，分别是CBOW模型和Skip-Gram模型，前者是通过周围的词来预测中间的词，后者是通过中间的词来预测周围的词，两个模型都可以看作是简单的单层神经网络模型。
采用自然语言处理技术Word2Vec进行节点向量化表示，可以得到知识点节点的向量。可用节点向量的欧氏距离来表示节点与节点之间的相似度。通过节点的向量化展示，我们可以计算知识点之间的相似度。
S50：知识图谱的应用。
通过对图谱搜索，可以快速找到哪些知识点是容易聚团的，哪些知识点是孤立的。进一步可以通过社团发现的算法，对知识点进行初步分类。对于一些较难的知识点，可以通过图谱快速找到与它存在边的其他节点，通过关联知识点的讲解，来逐步渗透到这个知识点的理解上。在教师讲课时，基于图谱可以较好地做到相关知识点的前后呼应。
通过把题库中的每个试题归入不同的知识点。根据学生对每道题的解答情况，再结合图谱网络，可以发现每个学生知识结构的短板所在。通过对每个学生知识结构进行分析，根据知识掌握的强弱，精准实现好学生对差学生的一对一帮扶匹配。达到因材施教的效果，有利于教学质量的提升。
在辅助就业方面。通过对每个就业岗位节点所关联的知识点和技能点，让学生更清楚每个岗位的知识需求，从而认识到自己更适合更擅长哪个技能岗位。并及时找到如果应聘该岗位自己会有哪些技能短板与不足，从而有针对性地学习，提升面试的成功率。除此之外，通过图嵌入技术，实现岗位节点的向量化表示，实现相似岗位的快速查找。
本实施例的方法所构建的是一个软件。
这是一个构建流程，不好用哪些部分来描述。哪些部分适合描述静态的事物，不适合描述动态过程。
构建知识图谱时需要知识点、题库、就业岗位的实体数据，以及它们之间的关系数据。可以认为这是输入。
在构建完成后的应用时，它就是个图数据库。类似其他数据库，输入是你的查询语句，输出是查询结果。比如你输入某个学生ID以及想要查询的信息，系统输出这个学生做错的题目或者薄弱的知识点。也可以给他推荐(输出)一对一的帮扶对象、或就业岗位。
本方法把图嵌入算法的节点向量化技术DeepWalk引入教育知识图谱，实现对知识点的向量化表示。可用节点向量的欧氏距离来表示节点与节点之间的相似度，实现相似节点的快速查找或推荐。
本方法通过对每个学生知识结构进行分析，根据知识掌握的强弱，精准实现好学生对差学生的一对一帮扶匹配。达到因材施教的效果，有利于教学质量的提升。知识图谱包含题库的信息，针对学生线上测试的错误答题，可以推断出与该题目节点相连的知识点掌握薄弱。
本方法参考文中“通过把题库中的每个试题归入不同的知识点。根据学生对每道题的解答情况，再结合图谱网络，可以发现每个学生知识结构的短板所在。
知识图谱包含题库的信息，针对学生线上测试的错误答题，可以推断出与该题目节点相连的知识点掌握薄弱。
参考文中“通过把题库中的每个试题归入不同的知识点。根据学生对每道题的解答情况，再结合图谱网络，可以发现每个学生知识结构的短板所在。”
本方法在辅助就业方面，通过图嵌入技术，实现岗位节点的向量化表示，实现相似岗位的快速查找。让学生更清楚每个岗位的知识需求，从而认识到自己更适合更擅长哪个技能岗位。并及时找到如果应聘该岗位自己会有哪些技能短板与不足，从而有针对性地学习，提升面试的成功率。
在教学时，通过图谱可以把前后较远章节的知识点关联起来，知识本来就应该是网络状的。传统的按照教材中知识点的先后顺序来教授课程，人为地把知识点给序列化了，好的学生其实就是善于在大脑中把知识点进行网络化。通过图谱，可以查询任意两个知识点之间是否存在路径，以及存在的最短路径。通过知识点之间的路径，让看似不相关的两个领域，也可以建立起联系。
通过知识图谱的构建，实现了知识的体系化、数字化。通过知识图谱使用，从而实现因材施教、精准教学等目的。知识图谱平台通常具有非常强大的可视化功能。通过图谱的可视化，可以更直观地展示出知识点之间的关系。比如可以展示某个知识点三度距离之内的所有知识点，还可以限制知识点的难度系数来展示。
基于知识点和题库知识图谱，再结合学生的单元测试情况，更加精准的刻画学生知识掌握情况。从而实现对学生精准的学情研判，学习路径规划，学习资源个性化推荐。也能帮助老师更好地了解学生学情，优化教学方法和调整教学策略。
在辅助就业方面。通过每个就业岗位所关联的知识点和技能点，让学生更清楚每个岗位的知识需求，从而认识到自己更适合更擅长哪个技能岗位。并且及时找到针对该岗位自己的技能短板与不足，从而有针对性地学习，提升面试的成功率。通过不同岗位所关联的知识点的情况，还可以查找相似的岗位，实现就业岗位的推荐。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种教学与就业辅助知识图谱的构建方法，其特征在于，包括：
抽取知识点、试题、就业岗位三类实体节点以及它们之间的关系；
将知识点、试题、就业岗位三类实体节点以及它们之间的关系，构建应用于高等学校教学与就业的知识图谱；
基于图嵌入技术实现节点向量化表示，通过节点向量的欧氏距离，计算节点之间的相似度。
2.根据权利要求1所述的教学与就业辅助知识图谱的构建方法，其特征在于，抽取知识点、试题、就业岗位三类实体节点以及它们之间的关系的方法包括：
对知识点、题库、就业岗位本体的构建：
设置的实体类别有知识点实体、试题实体、就业岗位三类；如果两个知识点实体（节点）之间存在关系，那么就在两个知识点之间加上关系（边）；对关系的类别可以划分不同的关系也可以不做区分；
构建实体、关系和属性：
在学科知识图谱本体层的结构确定完毕之后，整理实体及其属性和关系；对于知识点实体，基于教学资源进行整理。
3.根据权利要求2所述的教学与就业辅助知识图谱的构建方法，其特征在于，整理实体及其属性和关系的方法包括：
人工整理实体或者根据实体识别和关系抽取算法技术，根据教案自动的识别整理知识点实体和关系；
通过自动化技术得到的知识点继续做人工的清洗；
把题库直接导入知识图谱作为试题节点； 一个试题是一个节点，试题与试题节点之间不存在关系；只有试题与知识点之间存在关系；
就业岗位实体可以通过招聘网站获取并人工整理；每个岗位是一个实体节点，每个岗位节点可以与多个知识点之间存在关系，岗位与岗位之间不存在关系。
4.根据权利要求1所述的教学与就业辅助知识图谱的构建方法，其特征在于，构建应用于高等学校教学与就业的知识图谱的方法包括：
基于Neo4j图数据库技术，将实体及其属性和关系导入Neo4j知识图谱平台；借助于Neo4j的可视化功能，可显示出来。
5.根据权利要求1所述的教学与就业辅助知识图谱的构建方法，其特征在于，基于图嵌入技术实现节点向量化表示的方法包括：
首先采用随机游走算法，对图谱网络进行随机采样，然后得到大量序列样本；这里从每个节点出发5次，序列最大长度设置为10；总共得到5000条节点序列，把这些序列作为训练语料属于给Word2Vec进行训练；
采用自然语言处理技术Word2Vec进行节点向量化表示，可以得到知识点节点的向量；可用节点向量的欧氏距离来表示节点与节点之间的相似度。
6.一种教学与就业辅助知识图谱的应用方法，其特征在于，基于如权利要求1-5任一项所述方法构建的知识图谱；
所述应用方法包括：
输入查询语句，获得查询结果。
7.根据权利要求6所述的教学与就业辅助知识图谱的应用方法，其特征在于，所述应用方法还包括：通过社团发现的算法，对知识点进行初步分类；通过图谱快速找到与它存在边的其他节点，通过关联知识点的讲解，来逐步渗透到这个知识点的理解上；
通过把题库中的每个试题归入不同的知识点；根据学生对每道题的解答情况，再结合图谱网络，可以发现每个学生知识结构的短板所在；通过对每个学生知识结构进行分析，根据知识掌握的强弱，精准实现好学生对差学生的一对一帮扶匹配；
通过对每个就业岗位节点所关联的知识点和技能点，明确每个岗位的知识需求，通过图嵌入技术，实现岗位节点的向量化表示，实现相似岗位的快速查找。
8.根据权利要求6所述的教学与就业辅助知识图谱的应用方法，其特征在于，所述应用方法还包括：通过几点之间的相似度，查找相似的岗位，实现就业岗位的推荐。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211211924.7A CN115544268A (zh) | 2022-09-30 | 2022-09-30 | 一种教学与就业辅助知识图谱的构建及应用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211211924.7A CN115544268A (zh) | 2022-09-30 | 2022-09-30 | 一种教学与就业辅助知识图谱的构建及应用方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115544268A true CN115544268A (zh) | 2022-12-30 |
Family
ID=84732168
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211211924.7A Withdrawn CN115544268A (zh) | 2022-09-30 | 2022-09-30 | 一种教学与就业辅助知识图谱的构建及应用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115544268A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116862277A (zh) * | 2023-05-09 | 2023-10-10 | 北京新东方迅程网络科技有限公司 | 用户择业信息处理方法、装置、电子设备和可读存储介质 |
| CN117437099A (zh) * | 2023-12-20 | 2024-01-23 | 青岛理工大学 | 一种基于大语言模型的智慧教学系统及教学方法 |
-
2022
- 2022-09-30 CN CN202211211924.7A patent/CN115544268A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116862277A (zh) * | 2023-05-09 | 2023-10-10 | 北京新东方迅程网络科技有限公司 | 用户择业信息处理方法、装置、电子设备和可读存储介质 |
| CN117437099A (zh) * | 2023-12-20 | 2024-01-23 | 青岛理工大学 | 一种基于大语言模型的智慧教学系统及教学方法 |
| CN117437099B (zh) * | 2023-12-20 | 2024-05-10 | 青岛理工大学 | 一种基于大语言模型的智慧教学系统及教学方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lee et al. | Are patterns important? An investigation of the relationships between proficiencies in patterns, computation, executive functioning, and algebraic word problems. | |
| CN112184500A (zh) | 基于深度学习和知识图谱的课外学习辅导系统及实现方法 | |
| CN112395403B (zh) | 一种基于知识图谱的问答方法、系统、电子设备及介质 | |
| Rich et al. | A framework for decomposition in computational thinking | |
| CN115544268A (zh) | 一种教学与就业辅助知识图谱的构建及应用方法 | |
| Pechenizkiy et al. | Mining the student assessment data: Lessons drawn from a small scale case study | |
| CN113886567A (zh) | 一种基于知识图谱的教学方法及系统 | |
| Shen et al. | Connecting computational thinking in everyday reasoning and programming for elementary school students | |
| Lestari | Mathematical reasoning ability in relations and function using the problem solving approach | |
| Xaydarova | CLUSTER TYPES AND ORGANIZATION OF THE PROCESSES OF LESSONS DEDICATED TO NATIONAL CRAFTS FROM TECHNOLOGY SCIENCE BASED ON THEM | |
| Mirolo et al. | Abstraction in computer science education: An overview | |
| Mühling | Investigating knowledge structures in computer science education | |
| Ilić et al. | Intelligent techniques in e-learning: a literature review | |
| KR20170113619A (ko) | 응답을 평가하기 위한 반자동화된 시스템 및 방법 | |
| Cunningham-Nelson et al. | Text analysis in education: a review of selected software packages with an application for analysing students’ conceptual understanding | |
| Macpherson | Undergraduate information literacy: A teaching framework | |
| Casalino et al. | Framing automatic grading techniques for open-ended questionnaires responses. A short survey. | |
| Klausmeier | Educational experience and cognitive development | |
| Mühling et al. | Dimensions of programming knowledge | |
| Bernard et al. | Integrating research into instructional practice: The use and abuse of meta-analysis | |
| Azin et al. | Iranian EFL instructors’ perceptions and practices concerning learner autonomy | |
| Baranova et al. | Taxonomy of Learning Objectives for the Development of Competencies of Computer Sience Teachers in a Developing Educational Environment | |
| Hwang et al. | Roles and Research Trends of Artificial Intelligence in Mathematics Education: A Bibliometric Mapping Analysis and Systematic Review. Mathematics 2021, 9, 584 | |
| Zhou et al. | Formative Assessment Research of Youth Science and Technology Innovation Curriculum Based on Mind Map | |
| Gomes et al. | A Machine Learning Approach for the Identification of Learners' Misconceptions in Algebraic Problem-Solving |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221230 |