CN116226348B - 一种基于知识图谱的学习方法 - Google Patents
一种基于知识图谱的学习方法 Download PDFInfo
- Publication number
- CN116226348B CN116226348B CN202310193845.6A CN202310193845A CN116226348B CN 116226348 B CN116226348 B CN 116226348B CN 202310193845 A CN202310193845 A CN 202310193845A CN 116226348 B CN116226348 B CN 116226348B
- Authority
- CN
- China
- Prior art keywords
- learning
- user
- discipline
- platform
- subject
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000006399 behavior Effects 0.000 claims abstract description 18
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000010225 co-occurrence analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/374—Thesaurus
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及学习方法领域,尤其涉及一种基于知识图谱的学习方法,包括:获取用户的行为数据信息并提取特征词库,根据特征词库与各学科知识图谱的重合度选择三个目标学科,根据与所述目标学科的关联度大小,设置对应的附属学科集,根据所述目标学科和对应的所述附属学科集构建专属于用户的知识图谱,根据用户群体反馈的正确率大小划分所述附属学科的学习深度等级并调整学习深度,根据用户在所述附属学科的学习时长判断用户兴趣度,根据所述用户兴趣度和所述学习深度判断是否需要提高学习广度并重新构建专属于用户的知识图谱。本发明通过智能调节用户学习深度和广度,适应性地匹配用户的学习需求,提高用户的学习效率。
Description
技术领域
本发明涉及学习方法领域,尤其涉及一种基于知识图谱的学习方法。
背景技术
知识图谱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,用以挖掘、分析、构建、绘制和显示知识及它们之间的相互联系,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、前沿领域和整体知识架构达到多学科融合目的的现代理论,为学科研究提供有价值的参考。
公开号CN110866848A的专利文献公开了一种基于知识图谱的学习方法、装置、电子设备和存储介质,该发明基于知识图谱的学习方法及装置通过与用户之间的互动,在知识图谱对应的节点中动态设置权重值匹配用户对应的知识图谱。
该发明仅仅根据知识图谱对应的节点中动态设置权重值匹配用户对应的知识图谱提取特征和作出判断的方法过于单一,不能全面的体现用户特征,所构建的知识图谱不能适应性地匹配用户的学习需求,导致学习的效率不高。
发明内容
为此,本发明提供一种基于知识图谱的学习方法,可以解决所构建的知识图谱不能适应性地匹配用户的学习需求,导致学习的效率不高的问题。
为实现上述目的,本发明提供一种基于知识图谱的学习方法,包括:
获取用户的行为数据信息;
提取所述行为数据信息中的特征词库;
根据所述特征词库与各学科知识图谱的重合度选择三个目标学科,将三个目标学科分别设为第一目标学科、第二目标学科和第三目标学科;
根据待测学科与所述目标学科之间关联度r的大小,将符合r≥r0条件下对应的待测学科设为所述目标学科的一个附属学科,并根据所有附属学科的集合建立所述目标学科对应的附属学科集,其中r0为预设关联度;
根据得到的所述第一目标学科、所述第二目标学科和所述第三目标学科和对应的所述附属学科集以用户ID为基点构建第一知识图谱,并以用户ID为索引上传至平台数据库;
根据所述各附属学科集中所述附属学科的数量大小关系调整平台推送对应附属学科集的学习内容占比;
根据用户群体反馈的正确率大小c0与平台所设第一预设正确率b1和第二预设正确率b2的大小关系将所述附属学科的学习深度划分为三个等级,再根据不同学习深度等级的附属学科用户群体反馈的正确率大小c0与平台获取的所述附属学科用户反馈的实际正确率c1的大小关系调整用户的学习深度;
根据用户对所述附属学科的学习时长判断用户兴趣度;
根据所述用户兴趣度和所述学习深度判断用户是否需要调整学习广度,以及,将需要调整学习广度的用户根据所述第一知识图谱的所述目标学科从所述平台数据库中提取第二知识图谱,其中第二知识图谱为与所述第一知识图谱中所述目标学科的重合度为(N-1)/N的知识图谱,N所述第一知识图谱中的所述目标学科的数量,根据所述第一知识图谱与第二知识图谱的比较关系调整用户学习广度,并重新构建所述第一知识图谱。
进一步地,获取用户的行为数据信息包括获取用户在平台内输入文字记录、平台内浏览页面包含的文字信息和平台内浏览页面包含的图像信息;
将用户使用过程中在平台输入的弹幕、评论和学习笔记设为第一文字信息;
将用户在平台内浏览页面包含的文字信息设为第二文字信息;
将用户在平台内浏览页面包含的且能够被知识图谱准确提取到的图片信息基于知识图谱在任意一个三元组范围内转化的文字信息设为第三文字信息。
进一步地,提取所述第一文字信息、所述第二文字信息和所述第三文字信息中的特征词库;
对所述第一文字信息、所述第二文字信息和所述第三文字信息中词汇根据平台预设的大数据词典进行词性分类,并保留所述第一文字信息、所述第二文字信息和所述第三文字信息中名词词性的单词,并将保留的名词词性的单词设为待提取特征词库;将所述待提取特征词库中的单词按出现频率由大到小排序,提取出现频率最高的十个单词,将提取到出现频率最高的十个单词设为特征词库。
进一步地,根据所述特征词库与各学科知识图谱的重合系数的大小选择三个目标学科,分别设为第一目标学科、第二目标学科和第三目标学科;
将各学科为第一端点一个三元组范围内的所有第二端点的集合设为第一集合,将各学科为第一端点两个三元组范围内的所有第二端点的集合设为第二集合,将各学科为第一端点三个三元组范围内的所有第二端点的集合设为第三集合;
将所述特征词库与所述第一集合重合的单词个数设为a个,将所述特征词库与所述第二集合重合的单词个数设为b个,将所述特征词库与所述第三集合重合的单词个数设为c个,将所述特征词库不与所述第一集合、所述第二集合和所述第三集合重合的单词个数设为d个,其中a+b+c+d=10;
根据公式3a+2b+1c=X得到所述特征词库与各学科知识图谱的重合系数X,将各学科对应的重合系数X由大到小排序,选择重合系数X最大的三个学科,分别设为第一目标学科、第二目标学科和第三目标学科。
进一步地,根据待测学科与所述目标学科之间关联度r的大小,建立所述目标学科对应的附属学科集;
提取以所述目标学科为第一端点的知识图谱中一个三元组范围内的第二端点,将提取到的第二端点集合设为目标端点组;
将以待测学科为第一端点的知识图谱中一个三元组范围内的第二端点的集合设为待测端点组,并将待测端点组的端点总数设为第一数量a1;
提取所述目标端点组和所述待测端点组的重合端点,将重合端点的数量设为第二数量a2;
设定关联度r=第二数量a2/第一数量a1,当r≥r0时,将所述待测学科设为所述目标学科的一个附属学科;
将所述第一目标学科的对应的附属学科集合设为第一附属学科集,将所述第二目标学科的对应的附属学科集合设为第二附属学科集,将所述第三目标学科的对应的附属学科集合设为第三附属学科集。
进一步地,根据得到的所述第一目标学科、所述第二目标学科和所述第三目标学科和对应的所述附属学科集以用户ID为基点构建第一知识图谱,并以用户ID为索引上传至平台数据库;
将所述第一附属学科集中附属学科的数量设为x,所述第二附属学科集中附属学科的数量设为y,将所述第三附属学科集中附属学科的数量设为z;
将x/(x+y+z)设为第一附属学科占比,将y/(x+y+z)设为第二附属学科占比,将z/(x+y+z)设为第三附属学科占比;
将所述第一附属学科占比x/(x+y+z)、所述第二附属学科占比y/(x+y+z)和所述第三附属学科占比z/(x+y+z)的数值由大到小排列将对应的各目标学科分别设为第一学习内容、第二学习内容和第三学习内容;
分别将第一学习内容、第二学习内容和第三学习内容作为基点,各学习内容对应的附属学科为分支构建三个知识图谱,再以用户ID为基点,第一学习内容、第二学习内容和第三学习内容为分支,构建所述第一知识图谱,所述第一知识图谱以用户ID为索引上传至平台数据库。
进一步地,根据所述各附属学科集中所述附属学科的数量大小关系调整平台推送对应附属学科集的学习内容占比;
当x>y>z时,将平台推送的第一学习内容的占比调整为100×x/(x+y+z)%,将平台推送的第二学习内容的占比调整为100×y/(x+y+z)%,将平台推送的第三学习内容的占比调整为100×z/(x+y+z)%;
当x>z>y时,将平台推送的第一学习内容的占比调整为100×x/(x+y+z)%,将平台推送的第二学习内容的占比调整为100×z/(x+y+z)%,将平台推送的第三学习内容的占比调整为100×y/(x+y+z)%;
当y>x>z时,将平台推送的第一学习内容的占比调整为100×y/(x+y+z)%,将平台推送的第二学习内容的占比调整为100×x/(x+y+z)%,将平台推送的第三学习内容的占比调整为100×z/(x+y+z)%;
当y>z>x时,将平台推送的第一学习内容的占比调整为100×y/(x+y+z)%,将平台推送的第二学习内容的占比调整为100×z/(x+y+z)%,将平台推送的第三学习内容的占比调整为100×x/(x+y+z)%;
当z>x>y时,将平台推送的第一学习内容的占比调整为100×z/(x+y+z)%,将平台推送的第二学习内容的占比调整为100×x/(x+y+z)%,将平台推送的第三学习内容的占比调整为100×y/(x+y+z)%;
当z>y>x时,将平台推送的第一学习内容的占比调整为100×z/(x+y+z)%,将平台推送的第二学习内容的占比调整为100×y/(x+y+z)%,将平台推送的第三学习内容的占比调整为100×x/(x+y+z)%。
进一步地,根据用户群体反馈的正确率大小c0与平台所设第一预设正确率b1和第二预设正确率b2的大小关系将所述附属学科的学习深度划分为三个等级,其中第二预设正确率b2小于第一预设正确率b1;
当c0>b1时,所述附属学科为三级学习深度等级;
当b2≤c0≤b1时,所述附属学科为二级学习深度等级;
当c0<b2时,所述附属学科为一级学习深度等级;
根据不同学习深度等级的附属学科用户群体反馈的正确率大小c0与平台获取的所述附属学科用户反馈的实际正确率c1的大小关系调整用户的学习深度;
优先进行学习三级学习深度等级的所述附属学科,当c0>b1且c1>c0时,所述三级学习深度等级的附属学科学习完毕;
所述三级学习深度等级的附属学科学习完毕后,开始学习二级学习深度等级的所述附属学科,当b2≤c0≤b1且c1>c0时,所述二级学习深度等级的附属学科学习完毕;
所述二级学习深度等级的附属学科学习完毕后,开始学习一级学习深度等级的所述附属学科,当c0<b2且c1>c0时,所述一级学习深度等级的附属学科学习完毕。
进一步地,根据用户对所述附属学科的学习时长判断用户兴趣度;
T1为平台获取的三级学习深度等级的附属学科用户群体从开始学习到学习完毕所用的平均时长,T2为平台获取的二级学习深度等级的附属学科用户群体从开始学习到学习完毕所用的平均时长,T0为平台获取的用户在附属学科的累积学习时长,设T为第一预设时间;
所述附属学科没有学习完毕,T0>T1或T0>T2时,判断用户对于所述附属学科有学习兴趣;
所述附属学科没有学习完毕,T0<T1或T0<T2时,且所述累积学习时长T0在所述第一预设时间T内数值增长,判断用户对于所述附属学科有学习兴趣;
所述附属学科没有学习完毕,T0<T1或T0<T2时,且所述累积学习时长T0在所述第一预设时间T内数值停止增长,判断用户对于所述附属学科没有学习兴趣。
进一步地,根据所述用户兴趣度和所述学习深度判断用户是否需要调整学习广度;
当用户对于所述附属学科没有学习兴趣时,判断此时需要在所述第一知识图谱中删除该所述附属学科,不需调整学习广度;
当删除的所述附属学科达到该所述附属学科集的1/2时,将对应所述目标学科从所述第一知识图谱中删除,并判断此时需要提高学习广度;
当用户开始学习一级学习深度等级的所述附属学科时,判断此时需要提高学习广度;
将需要提高学习广度的用户根据所述第一知识图谱的所述目标学科从所述平台数据库中提取所述第二知识图谱,根据所述第一知识图谱与所述第二知识图谱的比较关系调整用户学习广度,其中所述第二知识图谱为与所述第一知识图谱中所述目标学科的重合度为(N-1)/N的知识图谱,N所述第一知识图谱中的所述目标学科的数量;
比较所述第一知识图谱与所述第二知识图谱,提取与所述第一知识图谱中不重合的所述目标学科并入所述第一知识图谱中,重新构建所述第一知识图谱。
与现有技术相比,本发明的有益效果在于,优先获取用户的行为数据信息提取特征词并进行重合度的拟合可以构建出贴合用户需求的专属知识图谱,根据知识图谱的附属学科集中所述附属学科的数量调整平台推送的学习内容的占比,并且在构建出的专属知识图谱的基础上,结合用户对学科知识的兴趣度,对用户进行学习深度和学习广度的合理延伸,可以解决所构建的知识图谱不能适应性地匹配用户的学习需求,导致学习的效率不高的问题。
尤其,将专属于用户的主观信息和客观信息统一转化为文字信息,一方面增加用户数据的基数,使参考范围更加全面,另一方面将不同形式的信息内容统一成文字信息形式,便于整理和归纳。
尤其,本发明采用两次提取得到所述特征词库既精简了信息量又在最大程度上保留了用户的行为特征,基于所述特征词库构建的知识图谱更加精准,也增加了用户的学习效率。
尤其,距离各学科为第一端点三元组数量越少的第二端点,与第一端点的关系越为密切,将所述特征词库中的十个单词与对应学科之间的密切程度可以分为四类,将距离对应学科一个单元组的第二端点设为密切端点并赋值3,将距离对应学科两个单元组的第二端点设为一般端点并赋值2,将距离对应学科三个单元组的第二端点设为不密切端点并赋值1,将距离对应学科三个单元组以上的第二端点设为无关端点并赋值0,最后将所述特征词库中的十个单词的赋值统一相加的到的系数X即为重合系数,根据重合系数X的大小选择的重合系数X最大的三个学科即为最适应用户的三个学科,该方法使得到的学科信息更准确,提高了方法实施的可靠性
尤其,计算得到的所述目标学科与所述待测学科之间的关联度越大表示了所述待测学科与所述目标学科关联程度越大,而所述目标学科是根据用户的行为数据信息提取特征得到的,所以当所述待测学科与所述目标学科的关联度大于预设关联度时,将所述待测学科设为所述目标学科的一个附属学科,该方法使得到的学科信息更准确,进一步提高了方法实施的可靠性。
尤其,用户群体反馈的正确率将所述附属学科划分为三级学习深度等级、二级学习深度等级和一级学习深度等级学习深度三个等级,随着学习深度等级的提升学习内容的学习深度也会随之增加,平台会获取用户群体反馈的正确率和用户反馈的实际正确率,当用户反馈的实际正确率超过平均水品时,便可以判断进入下一学习阶段提高学习内容的学习深度,学习深度的智能调控可以确保用户在学习过程中循序渐进,而不是盲目的获取知识,由浅入深增加学习的效率。
尤其,对比所述第一知识图谱与其他用户的专属知识图谱,选择与所述第一知识图谱中所述目标学科不完全相同且重合度最高的其他用户的专属知识图谱,提取其他用户的专属知识图谱中与所述第一知识图谱中不同的目标学科并加入所述第一知识图谱以增加用户的学习广度,专属于用户的知识图谱不断更新,可以解决所构建的知识图谱不能适应性地匹配用户的学习需求,导致学习的效率不高的问题。
附图说明
图1为本发明实施例提供的基于知识图谱的学习方法的流程示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述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。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,本发明实施例提供的括一种基于知识图谱的学习方法包括:
步骤S100,获取用户的行为数据信息;
步骤S200,提取所述行为数据信息中的特征词库;
步骤S300,根据所述特征词库与各学科知识图谱的重合度选择三个目标学科,分别设为第一目标学科、第二目标学科和第三目标学科;
步骤S400,根据待测学科与所述目标学科之间关联度r的大小,将符合r≥r0条件下对应的待测学科设为所述目标学科的一个附属学科,并根据所有附属学科的集合建立所述目标学科对应的附属学科集,其中r0为预设关联度;
步骤S500,根据得到的所述第一目标学科、所述第二目标学科和所述第三目标学科和对应的所述附属学科集以用户ID为基点构建第一知识图谱,并以用户ID为索引上传至平台数据库;
步骤S600,根据所述各附属学科集中所述附属学科的数量大小关系调整平台推送对应附属学科集的学习内容占比;
步骤S700,根据用户群体反馈的正确率大小c0与平台所设第一预设正确率b1和第二预设正确率b2的大小关系将所述附属学科的学习深度划分为三个等级,再根据不同学习深度等级的附属学科用户群体反馈的正确率大小c0与平台获取的所述附属学科用户反馈的实际正确率c1的大小关系调整用户的学习深度;
步骤S800,根据用户对所述附属学科的学习时长判断用户兴趣度;
步骤S900,根据所述用户兴趣度和所述学习深度判断用户是否需要调整学习广度,以及,将需要调整学习广度的用户根据所述第一知识图谱的所述目标学科从所述平台数据库中提取第二知识图谱,其中第二知识图谱为与所述第一知识图谱中所述目标学科的重合度为(N-1)/N的知识图谱,N所述第一知识图谱中的所述目标学科的数量,根据所述第一知识图谱与第二知识图谱的比较关系调整用户学习广度,并重新构建所述第一知识图谱。
具体而言,本发明实施例通过获取用户的行为数据信息,根据行为数据信息提取特征词库,根据所述特征词库与各学科知识图谱的重合度选择三个目标学科,根据与所述目标学科的关联度大小,设置对应的附属学科集,并根据得到的三个目标学科和对应的所述附属学科集构建专属于用户的知识图谱,根据构建的专属于用户的知识图谱中所述附属学科集中所述附属学科的数量调整平台推送的学习内容占比,根据用户群体反馈的正确率大小划分所述附属学科的学习深度等级,并根据不同学习深度等级的所述附属学科的学习情况调整学习深度,根据用户在所述附属学科的学习时长判断用户兴趣度,根据所述用户兴趣度和所述学习深度判断是否需要提高学习广度,并根据不同用户的所述专属于用户的知识图谱的比较关系提高学习广度,重新构建专属于用户的知识图谱。
具体而言,优先获取用户的行为数据信息提取特征词并进行重合度的拟合可以构建出贴合用户需求的专属知识图谱,根据知识图谱的附属学科集中所述附属学科的数量调整平台推送的学习内容的占比,并且在构建出的专属知识图谱的基础上,结合用户对学科知识的兴趣度,对用户进行学习深度和学习广度的合理延伸,可以解决所构建的知识图谱不能适应性地匹配用户的学习需求,导致学习的效率不高的问题。
具体而言,获取用户的行为数据信息包括获取用户在平台内输入文字记录、平台内浏览页面包含的文字信息和平台内浏览页面包含的图像信息;
将用户使用过程中在平台输入的弹幕、评论和学习笔记设为第一文字信息;
将用户在平台内浏览页面包含的文字信息设为第二文字信息;
将用户在平台内浏览页面包含的且能够被知识图谱准确提取到的图片信息基于知识图谱在任意一个三元组范围内转化的文字信息设为第三文字信息。
具体而言,第一文字信息包括弹幕、评论和学习笔记,都属于用户的主观信息,第二文字信息和第三文字信息属于平台检测到的用户的客观信息,其中第三文字信息为用户在平台内浏览页面包含的且能够被知识图谱准确提取到的图片信息基于知识图谱在任意一个三元组范围内转化的文字信息,在任意一个三元组范围内确保了第三文字信息的可靠性。
具体而言,将专属于用户的主观信息和客观信息统一转化为文字信息,一方面增加用户数据的基数,使参考范围更加全面,另一方面将不同形式的信息内容统一成文字信息形式,便于整理和归纳。
具体而言,提取所述第一文字信息、所述第二文字信息和所述第三文字信息中的特征词库;
对所述第一文字信息、所述第二文字信息和所述第三文字信息中词汇根据平台预设的大数据词典进行词性分类,并保留所述第一文字信息、所述第二文字信息和所述第三文字信息中名词词性的单词,并将保留的名词词性的单词设为待提取特征词库;将所述待提取特征词库中的单词按出现频率由大到小排序,提取出现频率最高的十个单词,将提取到出现频率最高的十个单词设为特征词库。
具体而言,本发明实施例通过两次提取将所述第一文字信息、所述第二文字信息和所述第三文字信息提取出所述特征词库,第一步根据大数据词典这一现有技术将将所述第一文字信息、所述第二文字信息和所述第三文字信息中的词汇进行词性分类和剔除,仅保留名词词性的单词,第二步将保留下的单词按出现频率由大到小排序,其中出现频率越高表示与用户的专属贴合度越大。
具体而言,本发明采用两次提取得到所述特征词库既精简了信息量又在最大程度上保留了用户的行为特征,基于所述特征词库构建的知识图谱更加精准,也增加了用户的学习效率。
具体而言,根据所述特征词库与各学科知识图谱的重合系数的大小选择三个目标学科,分别设为第一目标学科、第二目标学科和第三目标学科;
将各学科为第一端点一个三元组范围内的所有第二端点的集合设为第一集合,将各学科为第一端点两个三元组范围内的所有第二端点的集合设为第二集合,将各学科为第一端点三个三元组范围内的所有第二端点的集合设为第三集合;
将所述特征词库与所述第一集合重合的单词个数设为a个,将所述特征词库与所述第二集合重合的单词个数设为b个,将所述特征词库与所述第三集合重合的单词个数设为c个,将所述特征词库不与所述第一集合、所述第二集合和所述第三集合重合的单词个数设为d个,其中a+b+c+d=10;
根据公式3a+2b+1c=X得到所述特征词库与各学科知识图谱的重合系数X,将各学科对应的重合系数X由大到小排序,选择重合系数X最大的三个学科,分别设为第一目标学科、第二目标学科和第三目标学科。
具体而言,距离各学科为第一端点三元组数量越少的第二端点,与第一端点的关系越为密切,将所述特征词库中的十个单词与对应学科之间的密切程度可以分为四类,将距离对应学科一个单元组的第二端点设为密切端点并赋值3,将距离对应学科两个单元组的第二端点设为一般端点并赋值2,将距离对应学科三个单元组的第二端点设为不密切端点并赋值1,将距离对应学科三个单元组以上的第二端点设为无关端点并赋值0,最后将所述特征词库中的十个单词的赋值统一相加的到的系数X即为重合系数,根据重合系数X的大小选择的重合系数X最大的三个学科即为最适应用户的三个学科,该方法使得到的学科信息更准确,提高了方法实施的可靠性。
具体而言,根据待测学科与所述目标学科之间关联度r的大小,建立所述目标学科对应的附属学科集;
提取以所述目标学科为第一端点的知识图谱中一个三元组范围内的第二端点,将提取到的第二端点集合设为目标端点组;
将以待测学科为第一端点的知识图谱中一个三元组范围内的第二端点的集合设为待测端点组,并将待测端点组的端点总数设为第一数量a1;
提取所述目标端点组和所述待测端点组的重合端点,将重合端点的数量设为第二数量a2;
设定关联度r=第二数量a2/第一数量a1,当r≥r0时,将所述待测学科设为所述目标学科的一个附属学科;
将所述第一目标学科的对应的附属学科集合设为第一附属学科集,将所述第二目标学科的对应的附属学科集合设为第二附属学科集,将所述第三目标学科的对应的附属学科集合设为第三附属学科集。
具体而言,基于知识图谱分别将以所述目标学科为第一端点的知识图谱中一个三元组范围内的第二端点的集合和以所述待测学科为第一端点的知识图谱中一个三元组范围内的第二端点的集合进行对比并计算二者之间的关联度大小。
具体而言,计算得到的所述目标学科与所述待测学科之间的关联度越大表示了所述待测学科与所述目标学科关联程度越大,而所述目标学科是根据用户的行为数据信息提取特征得到的,所以当所述待测学科与所述目标学科的关联度大于预设关联度时,将所述待测学科设为所述目标学科的一个附属学科,该方法使得到的学科信息更准确,进一步提高了方法实施的可靠性。
具体而言,根据得到的所述第一目标学科、所述第二目标学科和所述第三目标学科和对应的所述附属学科集以用户ID为基点构建第一知识图谱,并以用户ID为索引上传至平台数据库;
将所述第一附属学科集中附属学科的数量设为x,所述第二附属学科集中附属学科的数量设为y,将所述第三附属学科集中附属学科的数量设为z;
将x/(x+y+z)设为第一附属学科占比,将y/(x+y+z)设为第二附属学科占比,将z/(x+y+z)设为第三附属学科占比;
将所述第一附属学科占比x/(x+y+z)、所述第二附属学科占比y/(x+y+z)和所述第三附属学科占比z/(x+y+z)的数值由大到小排列将对应的各目标学科分别设为第一学习内容、第二学习内容和第三学习内容;
分别将第一学习内容、第二学习内容和第三学习内容作为基点,各学习内容对应的附属学科为分支构建三个知识图谱,再以用户ID为基点,第一学习内容、第二学习内容和第三学习内容为分支,构建所述第一知识图谱,所述第一知识图谱以用户ID为索引上传至平台数据库。
具体而言,由于根据与所述目标学科的关联度确定所述附属学科,所以各所述目标学科对应的所述附属学科的具体数量是不确定的,根据附属学科集中附属学科的数量将对应的各目标学科分别设为第一学习内容、第二学习内容和第三学习内容便于构建专属于用户的知识图谱。
具体而言,以所述第一学习内容为基点,所述第一学习内容对应的附属学科为分支构建第一个知识图谱,以所述第二学习内容为基点,所述第二学习内容对应的附属学科为分支构建第二个知识图谱,以所述第三学习内容为基点,所述第三学习内容对应的附属学科为分支构建第三个知识图谱,再以用户ID为第一端点,第一学习内容、第二学习内容和第三学习内容为第二端点,构建专属于用户的第一知识图谱,第一知识图谱以用户的行为数据信息为基础经过三次提取两次选择得到第一知识图谱的各端点,该方法使得到的学科信息更准确,提高了用户的学习效率。
具体而言,根据所述各附属学科集中所述附属学科的数量大小关系调整平台推送对应附属学科集的学习内容占比;
当x>y>z时,将平台推送的第一学习内容的占比调整为100×x/(x+y+z)%,将平台推送的第二学习内容的占比调整为100×y/(x+y+z)%,将平台推送的第三学习内容的占比调整为100×z/(x+y+z)%;
当x>z>y时,将平台推送的第一学习内容的占比调整为100×x/(x+y+z)%,将平台推送的第二学习内容的占比调整为100×z/(x+y+z)%,将平台推送的第三学习内容的占比调整为100×y/(x+y+z)%;
当y>x>z时,将平台推送的第一学习内容的占比调整为100×y/(x+y+z)%,将平台推送的第二学习内容的占比调整为100×x/(x+y+z)%,将平台推送的第三学习内容的占比调整为100×z/(x+y+z)%;
当y>z>x时,将平台推送的第一学习内容的占比调整为100×y/(x+y+z)%,将平台推送的第二学习内容的占比调整为100×z/(x+y+z)%,将平台推送的第三学习内容的占比调整为100×x/(x+y+z)%;
当z>x>y时,将平台推送的第一学习内容的占比调整为100×z/(x+y+z)%,将平台推送的第二学习内容的占比调整为100×x/(x+y+z)%,将平台推送的第三学习内容的占比调整为100×y/(x+y+z)%;
当z>y>x时,将平台推送的第一学习内容的占比调整为100×z/(x+y+z)%,将平台推送的第二学习内容的占比调整为100×y/(x+y+z)%,将平台推送的第三学习内容的占比调整为100×x/(x+y+z)%。
具体而言,根据所述附属学科集中所述附属学科的数量调整平台推送的学习内容占比有利于所有目标学科的进度推进程度趋于平衡,有利于用户对知识的全面学习和掌握。
具体而言,根据用户群体反馈的正确率大小c0与平台所设第一预设正确率b1和第二预设正确率b2的大小关系将所述附属学科的学习深度划分为三个等级,其中第二预设正确率b2小于第一预设正确率b1;
当c0>b1时,所述附属学科为三级学习深度等级;
当b2≤c0≤b1时,所述附属学科为二级学习深度等级;
当c0<b2时,所述附属学科为一级学习深度等级;
根据不同学习深度等级的附属学科用户群体反馈的正确率大小c0与平台获取的所述附属学科用户反馈的实际正确率c1的大小关系调整用户的学习深度;
优先进行学习三级学习深度等级的所述附属学科,当c0>b1且c1>c0时,所述三级学习深度等级的附属学科学习完毕;
所述三级学习深度等级的附属学科学习完毕后,开始学习二级学习深度等级的所述附属学科,当b2≤c0≤b1且c1>c0时,所述二级学习深度等级的附属学科学习完毕;
所述二级学习深度等级的附属学科学习完毕后,开始学习一级学习深度等级的所述附属学科,当c0<b2且c1>c0时,所述一级学习深度等级的附属学科学习完毕。
具体而言,本发明实施例通过用户群体反馈的正确率将所述附属学科划分为三级学习深度等级、二级学习深度等级和一级学习深度等级学习深度三个等级,随着学习深度等级的提升学习内容的学习深度也会随之增加,平台会获取用户群体反馈的正确率和用户反馈的实际正确率,当用户反馈的实际正确率超过平均水品时,便可以判断进入下一学习阶段提高学习内容的学习深度。
具体而言,学习深度的智能调控可以确保用户在学习过程中循序渐进,而不是盲目的获取知识,由浅入深增加学习的效率。
具体而言,根据用户对所述附属学科的学习时长判断用户兴趣度;
T1为平台获取的三级学习深度等级的附属学科用户群体从开始学习到学习完毕所用的平均时长,T2为平台获取的二级学习深度等级的附属学科用户群体从开始学习到学习完毕所用的平均时长,T0为平台获取的用户在附属学科的累积学习时长,设T为第一预设时间;
所述附属学科没有学习完毕,T0>T1或T0>T2时,判断用户对于所述附属学科有学习兴趣;
所述附属学科没有学习完毕,T0<T1或T0<T2时,且所述累积学习时长T0在所述第一预设时间T内数值增长,判断用户对于所述附属学科有学习兴趣;
所述附属学科没有学习完毕,T0<T1或T0<T2时,且所述累积学习时长T0在所述第一预设时间T内数值停止增长,判断用户对于所述附属学科没有学习兴趣。
具体而言,本发明实施例通过根据用户在所述附属学科的学习时长判断用户兴趣度,根据用户对学习内容的兴趣度安排学习内容可以延长用户的学习时间,进一步提高用户的学习效率。
具体而言,根据所述用户兴趣度和所述学习深度判断用户是否需要调整学习广度;
当用户对于所述附属学科没有学习兴趣时,判断此时需要在所述第一知识图谱中删除该所述附属学科,不需调整学习广度;
当删除的所述附属学科达到该所述附属学科集的1/2时,将对应所述目标学科从所述第一知识图谱中删除,并判断此时需要提高学习广度;
当用户开始学习一级学习深度等级的所述附属学科时,判断此时需要提高学习广度;
将需要提高学习广度的用户根据所述第一知识图谱的所述目标学科从所述平台数据库中提取所述第二知识图谱,根据所述第一知识图谱与所述第二知识图谱的比较关系调整用户学习广度,其中所述第二知识图谱为与所述第一知识图谱中所述目标学科的重合度为(N-1)/N的知识图谱,N所述第一知识图谱中的所述目标学科的数量;
比较所述第一知识图谱与所述第二知识图谱,提取与所述第一知识图谱中不重合的所述目标学科并入所述第一知识图谱中,重新构建所述第一知识图谱。
具体而言,当用户对学习学科失去兴趣时,平台判断应合理增加用户的学习广度,并将用户没有学习兴趣的所述附属学科从所述第一知识图谱中删除,当用户开始学习一级学习深度等级时,表示用户对该学科已经足够深入,平台判断应合理增加用户的学习广度,
具体而言,对比所述第一知识图谱与其他用户的专属知识图谱,选择与所述第一知识图谱中所述目标学科不完全相同且重合度最高的其他用户的专属知识图谱,提取其他用户的专属知识图谱中与所述第一知识图谱中不同的目标学科并加入所述第一知识图谱以增加用户的学习广度,专属于用户的知识图谱不断更新,可以解决所构建的知识图谱不能适应性地匹配用户的学习需求,导致学习的效率不高的问题。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于知识图谱的学习方法,其特征在于,包括:
获取用户的行为数据信息;
提取所述行为数据信息中的特征词库;
根据所述特征词库与各学科知识图谱的重合度选择三个目标学科,将三个目标学科分别设为第一目标学科、第二目标学科和第三目标学科;
根据待测学科与所述目标学科之间关联度r的大小,将符合r≥r0条件下对应的待测学科设为所述目标学科的一个附属学科,并根据所有附属学科的集合建立所述目标学科对应的附属学科集,其中r0为预设关联度;
根据得到的所述第一目标学科、所述第二目标学科和所述第三目标学科和对应的所述附属学科集以用户ID为基点构建第一知识图谱,并以用户ID为索引上传至平台数据库;
根据所述各附属学科集中所述附属学科的数量大小关系调整平台推送对应附属学科集的学习内容占比;
根据用户群体反馈的正确率大小c0与平台所设第一预设正确率b1和第二预设正确率b2的大小关系将所述附属学科的学习深度划分为三个等级,再根据不同学习深度等级的附属学科用户群体反馈的正确率大小c0与平台获取的所述附属学科用户反馈的实际正确率c1的大小关系调整用户的学习深度;
根据用户对所述附属学科的学习时长判断用户兴趣度;
根据所述用户兴趣度和所述学习深度判断用户是否需要调整学习广度,以及,将需要调整学习广度的用户根据所述第一知识图谱的所述目标学科从所述平台数据库中提取第二知识图谱,其中第二知识图谱为与所述第一知识图谱中所述目标学科的重合度为(N-1)/N的知识图谱,N所述第一知识图谱中的所述目标学科的数量,根据所述第一知识图谱与第二知识图谱的比较关系调整用户学习广度,并重新构建所述第一知识图谱。
2.根据权利要求1所述的基于知识图谱的学习方法,其特征在于,获取用户的行为数据信息包括获取用户在平台内输入文字记录、平台内浏览页面包含的文字信息和平台内浏览页面包含的图像信息;
将用户使用过程中在平台输入的弹幕、评论和学习笔记设为第一文字信息;
将用户在平台内浏览页面包含的文字信息设为第二文字信息;
将用户在平台内浏览页面包含的且能够被知识图谱准确提取到的图片信息基于知识图谱在任意一个三元组范围内转化的文字信息设为第三文字信息。
3.根据权利要求2所述的基于知识图谱的学习方法,其特征在于,提取所述第一文字信息、所述第二文字信息和所述第三文字信息中的特征词库;
对所述第一文字信息、所述第二文字信息和所述第三文字信息中词汇根据平台预设的大数据词典进行词性分类,并保留所述第一文字信息、所述第二文字信息和所述第三文字信息中名词词性的单词,并将保留的名词词性的单词设为待提取特征词库;将所述待提取特征词库中的单词按出现频率由大到小排序,提取出现频率最高的十个单词,将提取到出现频率最高的十个单词设为特征词库。
4.根据权利要求3所述的基于知识图谱的学习方法,其特征在于,根据所述特征词库与各学科知识图谱的重合系数的大小选择三个目标学科,将三个目标学科分别设为第一目标学科、第二目标学科和第三目标学科;
将各学科为第一端点一个三元组范围内的所有第二端点的集合设为第一集合,将各学科为第一端点两个三元组范围内的所有第二端点的集合设为第二集合,将各学科为第一端点三个三元组范围内的所有第二端点的集合设为第三集合;
将所述特征词库与所述第一集合重合的单词个数设为a个,将所述特征词库与所述第二集合重合的单词个数设为b个,将所述特征词库与所述第三集合重合的单词个数设为c个,将所述特征词库不与所述第一集合、所述第二集合和所述第三集合重合的单词个数设为d个,其中a+b+c+d=10;
根据公式3a+2b+1c=X得到所述特征词库与各学科知识图谱的重合系数X,将各学科对应的重合系数X由大到小排序,选择重合系数X最大的三个学科,分别设为第一目标学科、第二目标学科和第三目标学科。
5.根据权利要求4所述的基于知识图谱的学习方法,其特征在于,根据待测学科与所述目标学科之间关联度r的大小,建立所述目标学科对应的附属学科集;
提取以所述目标学科为第一端点的知识图谱中一个三元组范围内的第二端点,将提取到的第二端点集合设为目标端点组;
将以待测学科为第一端点的知识图谱中一个三元组范围内的第二端点的集合设为待测端点组,并将待测端点组的端点总数设为第一数量a1;
提取所述目标端点组和所述待测端点组的重合端点,将重合端点的数量设为第二数量a2;
设定关联度r=第二数量a2/第一数量a1,当r≥r0时,将所述待测学科设为所述目标学科的一个附属学科;
将所述第一目标学科的对应的附属学科集合设为第一附属学科集,将所述第二目标学科的对应的附属学科集合设为第二附属学科集,将所述第三目标学科的对应的附属学科集合设为第三附属学科集。
6.根据权利要求5所述的基于知识图谱的学习方法,其特征在于,根据得到的所述第一目标学科、所述第二目标学科和所述第三目标学科和对应的所述附属学科集以用户ID为基点构建第一知识图谱,并以用户ID为索引上传至平台数据库;
将所述第一附属学科集中附属学科的数量设为x,所述第二附属学科集中附属学科的数量设为y,将所述第三附属学科集中附属学科的数量设为z;
将x/(x+y+z)设为第一附属学科占比,将y/(x+y+z)设为第二附属学科占比,将z/(x+y+z)设为第三附属学科占比;
将所述第一附属学科占比x/(x+y+z)、所述第二附属学科占比y/(x+y+z)和所述第三附属学科占比z/(x+y+z)的数值由大到小排列将对应的各目标学科分别设为第一学习内容、第二学习内容和第三学习内容;
分别将第一学习内容、第二学习内容和第三学习内容作为基点,各学习内容对应的附属学科为分支构建三个知识图谱,再以用户ID为基点,第一学习内容、第二学习内容和第三学习内容为分支,构建所述第一知识图谱,所述第一知识图谱以用户ID为索引上传至平台数据库。
7.根据权利要求6所述的基于知识图谱的学习方法,其特征在于,根据所述各附属学科集中所述附属学科的数量大小关系调整平台推送对应附属学科集的学习内容占比;
当x>y>z时,将平台推送的第一学习内容的占比调整为100×x/(x+y+z)%,将平台推送的第二学习内容的占比调整为100×y/(x+y+z)%,将平台推送的第三学习内容的占比调整为100×z/(x+y+z)%;
当x>z>y时,将平台推送的第一学习内容的占比调整为100×x/(x+y+z)%,将平台推送的第二学习内容的占比调整为100×z/(x+y+z)%,将平台推送的第三学习内容的占比调整为100×y/(x+y+z)%;
当y>x>z时,将平台推送的第一学习内容的占比调整为100×y/(x+y+z)%,将平台推送的第二学习内容的占比调整为100×x/(x+y+z)%,将平台推送的第三学习内容的占比调整为100×z/(x+y+z)%;
当y>z>x时,将平台推送的第一学习内容的占比调整为100×y/(x+y+z)%,将平台推送的第二学习内容的占比调整为100×z/(x+y+z)%,将平台推送的第三学习内容的占比调整为100×x/(x+y+z)%;
当z>x>y时,将平台推送的第一学习内容的占比调整为100×z/(x+y+z)%,将平台推送的第二学习内容的占比调整为100×x/(x+y+z)%,将平台推送的第三学习内容的占比调整为100×y/(x+y+z)%;
当z>y>x时,将平台推送的第一学习内容的占比调整为100×z/(x+y+z)%,将平台推送的第二学习内容的占比调整为100×y/(x+y+z)%,将平台推送的第三学习内容的占比调整为100×x/(x+y+z)%。
8.根据权利要求7所述的基于知识图谱的学习方法,其特征在于,根据用户群体反馈的正确率大小c0与平台所设第一预设正确率b1和第二预设正确率b2的大小关系将所述附属学科的学习深度划分为三个等级,其中第二预设正确率b2小于第一预设正确率b1;
当c0>b1时,所述附属学科为三级学习深度等级;
当b2≤c0≤b1时,所述附属学科为二级学习深度等级;
当c0<b2时,所述附属学科为一级学习深度等级;
根据不同学习深度等级的附属学科用户群体反馈的正确率大小c0与平台获取的所述附属学科用户反馈的实际正确率c1的大小关系调整用户的学习深度;
优先进行学习三级学习深度等级的所述附属学科,当c0>b1且c1>c0时,所述三级学习深度等级的附属学科学习完毕;
所述三级学习深度等级的附属学科学习完毕后,开始学习二级学习深度等级的所述附属学科,当b2≤c0≤b1且c1>c0时,所述二级学习深度等级的附属学科学习完毕;
所述二级学习深度等级的附属学科学习完毕后,开始学习一级学习深度等级的所述附属学科,当c0<b2且c1>c0时,所述一级学习深度等级的附属学科学习完毕。
9.根据权利要求8所述的基于知识图谱的学习方法,其特征在于,根据用户对所述附属学科的学习时长判断用户兴趣度;
T1为平台获取的三级学习深度等级的附属学科用户群体从开始学习到学习完毕所用的平均时长,T2为平台获取的二级学习深度等级的附属学科用户群体从开始学习到学习完毕所用的平均时长,T0为平台获取的用户在附属学科的累积学习时长,设T为第一预设时间;
所述附属学科没有学习完毕,T0>T1或T0>T2时,判断用户对于所述附属学科有学习兴趣;
所述附属学科没有学习完毕,T0<T1或T0<T2时,且所述累积学习时长T0在所述第一预设时间T内数值增长,判断用户对于所述附属学科有学习兴趣;
所述附属学科没有学习完毕,T0<T1或T0<T2时,且所述累积学习时长T0在所述第一预设时间T内数值停止增长,判断用户对于所述附属学科没有学习兴趣。
10.根据权利要求9所述的基于知识图谱的学习方法,其特征在于,根据所述用户兴趣度和所述学习深度判断用户是否需要调整学习广度;
当用户对于所述附属学科没有学习兴趣时,判断此时需要在所述第一知识图谱中删除该所述附属学科,不需调整学习广度;
当删除的所述附属学科达到该所述附属学科集的1/2时,将对应所述目标学科从所述第一知识图谱中删除,并判断此时需要提高学习广度;
当用户开始学习一级学习深度等级的所述附属学科时,判断此时需要提高学习广度;
将需要提高学习广度的用户根据所述第一知识图谱的所述目标学科从所述平台数据库中提取所述第二知识图谱,根据所述第一知识图谱与所述第二知识图谱的比较关系调整用户学习广度,其中所述第二知识图谱为与所述第一知识图谱中所述目标学科的重合度为(N-1)/N的知识图谱,N所述第一知识图谱中的所述目标学科的数量;
比较所述第一知识图谱与所述第二知识图谱,提取与所述第一知识图谱中不重合的所述目标学科并入所述第一知识图谱中,重新构建所述第一知识图谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310193845.6A CN116226348B (zh) | 2023-03-01 | 2023-03-01 | 一种基于知识图谱的学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310193845.6A CN116226348B (zh) | 2023-03-01 | 2023-03-01 | 一种基于知识图谱的学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116226348A CN116226348A (zh) | 2023-06-06 |
CN116226348B true CN116226348B (zh) | 2023-09-26 |
Family
ID=86580242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310193845.6A Active CN116226348B (zh) | 2023-03-01 | 2023-03-01 | 一种基于知识图谱的学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116226348B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664615A (zh) * | 2017-05-12 | 2018-10-16 | 华中师范大学 | 一种面向学科教育资源的知识图谱构建方法 |
CN110737776A (zh) * | 2019-08-27 | 2020-01-31 | 南京源涂信息技术有限公司 | 一种基于知识图谱和目标本体的路径学习规划系统 |
CN111125524A (zh) * | 2019-12-20 | 2020-05-08 | 四川文轩教育科技有限公司 | 基于知识图谱的数据分析与数据推送方法 |
CN113851020A (zh) * | 2021-11-04 | 2021-12-28 | 华南师范大学 | 一种基于知识图谱的自适应学习平台 |
WO2022142027A1 (zh) * | 2020-12-31 | 2022-07-07 | 平安科技(深圳)有限公司 | 基于知识图谱的模糊匹配方法、装置、计算机设备和存储介质 |
-
2023
- 2023-03-01 CN CN202310193845.6A patent/CN116226348B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664615A (zh) * | 2017-05-12 | 2018-10-16 | 华中师范大学 | 一种面向学科教育资源的知识图谱构建方法 |
CN110737776A (zh) * | 2019-08-27 | 2020-01-31 | 南京源涂信息技术有限公司 | 一种基于知识图谱和目标本体的路径学习规划系统 |
CN111125524A (zh) * | 2019-12-20 | 2020-05-08 | 四川文轩教育科技有限公司 | 基于知识图谱的数据分析与数据推送方法 |
WO2022142027A1 (zh) * | 2020-12-31 | 2022-07-07 | 平安科技(深圳)有限公司 | 基于知识图谱的模糊匹配方法、装置、计算机设备和存储介质 |
CN113851020A (zh) * | 2021-11-04 | 2021-12-28 | 华南师范大学 | 一种基于知识图谱的自适应学习平台 |
Also Published As
Publication number | Publication date |
---|---|
CN116226348A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3701197B2 (ja) | 分類への帰属度計算基準作成方法及び装置 | |
CN101119326B (zh) | 一种即时通信会话记录的管理方法及装置 | |
JP6308708B1 (ja) | 特許要件適否予測装置および特許要件適否予測プログラム | |
CN108154198A (zh) | 知识库实体归一方法、系统、终端和计算机可读存储介质 | |
CN105808590A (zh) | 搜索引擎实现方法、搜索方法以及装置 | |
CN108509461A (zh) | 一种基于强化学习的排序学习方法及服务器 | |
CN108647729B (zh) | 一种用户画像获取方法 | |
CN109241278A (zh) | 科研知识管理方法及系统 | |
CN111460102B (zh) | 一种基于自然语言处理的图表推荐系统及方法 | |
CN111914162A (zh) | 一种基于知识图谱的个性化学习方案引导方法 | |
CN113505239A (zh) | 一种结合图注意力和属性聚类的实体对齐方法 | |
CN116226348B (zh) | 一种基于知识图谱的学习方法 | |
CN107506359A (zh) | 试题高阶属性挖掘方法及系统 | |
CN106770007A (zh) | 一种针对最小二乘支持向量机模型的近红外光谱特征波长选择方法 | |
CN114969375A (zh) | 一种基于心理学知识赋予机器人工智能学习的方法及系统 | |
CN112288571B (zh) | 一种基于快速构建邻域覆盖的个人信用风险评估方法 | |
CN110413782B (zh) | 一种表自动主题分类方法、装置、计算机设备及存储介质 | |
CN116578611B (zh) | 一种孕育知识的知识管理方法和系统 | |
CN117725229B (zh) | 一种知识组织体系辅助更新方法 | |
CN116740578B (zh) | 基于用户选择的遥感影像推荐方法 | |
CN117725235B (zh) | 一种基于人工智能算法的法律知识增强检索系统及方法 | |
CN113128535B (zh) | 一种聚类模型的选取方法、装置、电子设备及存储介质 | |
Aparna | Retrieval of digital images based on multi-feature similarity using genetic algorithm | |
CN112163752A (zh) | 一种基于卷积神经网络的辅助分案方法 | |
CN115269793A (zh) | 一种用于解决文本数据中比较类问题推理问答的方法 |
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 |