CN117787402B - 基于多课程知识图谱融合个性化学习路径生成方法及系统 - Google Patents
基于多课程知识图谱融合个性化学习路径生成方法及系统 Download PDFInfo
- Publication number
- CN117787402B CN117787402B CN202410220313.1A CN202410220313A CN117787402B CN 117787402 B CN117787402 B CN 117787402B CN 202410220313 A CN202410220313 A CN 202410220313A CN 117787402 B CN117787402 B CN 117787402B
- Authority
- CN
- China
- Prior art keywords
- state
- knowledge
- personalized
- path
- learning
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 50
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 210000004556 brain Anatomy 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000036760 body temperature Effects 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 230000008921 facial expression Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000036544 posture Effects 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了基于多课程知识图谱融合个性化学习路径生成方法及系统,具体涉及个性化学习路径生成技术领域,通过构建个性化知识库,得到学生在本学年中所需学习的所有课程的个性化知识图谱;采用实体对齐技术实现对所有课程的个性化知识图谱融合,自动化生成多课程融合的个性化知识图谱;根据用户当前学习进度及多课程融合的个性化知识图谱,生成后续学习路径;对生成的学习路径从链接预测准确率方面进行评估。本发明通过实体表示学习方法将实体映射到低维嵌入空间,能够在多课程知识图谱中进行实体对齐和链接预测任务。帮助消除实体重复、填补知识缺失并提高知识的一致性和完整性。
Description
技术领域
本发明涉及个性化学习路径生成技术领域,具体涉及基于多课程知识图谱融合个性化学习路径生成方法及系统。
背景技术
个性化教学是一种注重学生个体差异和需求的教学方法。它将学习者置于教学过程的核心,致力于根据学生的特点、能力水平和兴趣,为他们提供个性化的学习支持和资源。个性化教学的目标是促进学生的全面发展。学生可以在自己的节奏下进行学习,并根据自身的兴趣选择学习内容。
目前通过了解学生特点、能力水平和兴趣,为他们量身定制教学,从而提高学生的学习效果和兴趣,促进他们全面发展的个性化教学很多。但他们大都集中在单科目教材的教学设计中,没有考虑多学科的教学衔接过程。
发明内容
为解决现有个性化知识图谱教材唯一、无法实现多课程学习路径自动生成等问题。
本发明提供如下技术方案:基于多课程知识图谱融合个性化学习路径生成方法,通过构建个性化知识库,得到学生在本学年中所需学习的所有课程的个性化知识图谱,包括以下步骤:
步骤1:采用实体对齐技术实现对所有课程的个性化知识图谱融合,通过建立索引表,自动化生成多课程融合的个性化知识图谱;
步骤2:根据用户当前学习进度及多课程融合的个性化知识图谱,生成后续学习路径;
步骤3:对生成的学习路径从链接预测准确率方面进行评估。
优选的,构建个性化知识库步骤如下:
A.通过头戴式脑电设备、贴片式心电设备、悬挂式监控设备收集学生生理数据信号,包括脑电信号、心电信号以及视频信号;
B.对收集的生理数据信号进行关键特征提取处理,得到学生关键数据特征,包括脑电、心电、体温、体态以及面部表情特征;
C.设计多模态生理数据融合挖掘方法实现数据挖掘,预测学生学习偏好;
所述多模态生理数据融合挖掘方法设计如下:
将脑电关键特征、心电关键特征及视频关键特征分别进行训练,为不同关键特征配置匹配特征的最佳参数模型;将脑电关键特征、心电关键特征及视频关键特征模型输出结果作为训练特征输入CNN模型进行训练,并采用Logits函数进行处理,得到最终预测结果。
D.根据预测出的学习偏好更新基础知识图谱,生成符合学生学习情况的所有课程的个性化知识图谱;
E.对学生当前学年所需学习的所有课程的个性化知识图谱进行收集,生成专属个人的个性化知识库。
优选的,步骤1中,所有课程的个性化知识图谱实现融合包括以下步骤:
1.1.提取学生当前学年所有个性化知识图谱的知识点和结构信息,索引表包括知识点及关系;
1.2.依据索引表采用知识点表示学习方法进行表示学习;
1.3.依据索引表计算知识点及关系间的相似度进行知识点对齐及链接预测任务;
1.4.自动化生成多课程融合的个性化知识图谱。
优选的,索引表结构设计步骤如下:
1.1.1.对多本教材文档进行编号;
1.1.2.以知识图谱中的知识点关键词为键值;
1.1.3.记录知识点在基础概念讲解、应用讲解、强化讲解及测试四种类型中所占篇幅;
1.1.4.文档频率p,记录知识点在文档集合中出现的频率;
1.1.5.关联的文档ID;
1.1.6.词项频率q,记录关键词在特定文档中的出现频率;
1.1.7.位置信息,记录关键词在文档中的具体位置信息;
1.1.8.关系信息,用于描述知识点之间的连接和关联。
优选的,知识点表示学习设计步骤如下:
1.2.1.使用TransR模型学习实体和关系的初始嵌入向量:通过最小化头实体、关系和尾实体之间的转换误差来训练TransR模型,得到每个实体和关系的初步嵌入向量;
1.2.2.根据任务需求,确定多个不同层次的嵌入向量:设置两个层次的嵌入向量,一个较低维度用于表示表面语义,一个较高维度用于表示更深层次的语义;
1.2.3.对于每个实体和关系,将学习到的多个嵌入向量进行融合,将多个嵌入向量连接起来形成更高维的嵌入表示,得到带有多层次嵌入的TransR模型;
其中,表面语义比如用1维表示,更深层次的语义的语义就是大于1维,例如2维,更高层次就是大于2维,比如3维。
1.2.4.使用步骤1.2.3得到的带有多层次嵌入的TransR模型进行联合训练:在训练过程中,使用关系三元组、知识图谱实体属性信息、知识图谱上下文信息来辅助学习更准确的嵌入表示;
1.2.5.迭代训练过程,不断优化多层次嵌入和多层次嵌入的TransR模型参数,得到最终的实体嵌入向量和关系嵌入向量;关系包括实体的属性值、关系信息以及语义关联其中的一种或多种因素。
优选的,实体对齐过程步骤如下:
1a.对得到的实体嵌入向量和关系嵌入向量进行相似度计算,输出的实体嵌入向量表示实体在语义空间中的位置,这些向量通常具有固定的维度,并捕捉实体之间的语义相似性;通过计算实体向量之间的相似度f(s),进行实体对齐任务;
1b.输出的关系嵌入向量捕捉不同关系之间的语义差异,通过计算关系向量之间的相似度f(g),进行链接预测任务,得到多课程融合的个性化知识图谱。
优选的,常用的相似度计算方法包括余弦相似度、欧氏距离以及马氏距离。
优选的,步骤3的评估方法如下:
对生成的学习路径使用链接预测的准确率指标进行评估,链接预测准确率:
;
其中,表示链接预测结果;/>表示真实链接结果,ACC/>。
本发明还提供了基于多课程知识图谱融合个性化学习路径生成系统,系统包括个性化知识图谱库模块、多课程知识图谱融合模块、路径生成模块及路径评估模块;系统通过定义有限状态形成对外部事件响应,响应机制如下:
当用户登录系统,此时系统从Init状态转换为Log_in状态,进入个性化知识图谱库模块;系统根据用户登录信息进行信息匹配,此时系统状态由Log_in态转换Match态,直到找到属于该用户的所有课程的个性化知识图谱,之后系统状态由Match态转换为Merge态,系统进入多课程知识图谱融合模块;对所有课程的个性化知识图谱进行融合,融合完成后,系统状态由Merge态转换为Path_g态系统进入路径生成模块;根据用户自身情况生成后续学习路径,生成学习路径后,系统状态由Path_g态转换为Path_e态系统进入路径评估模块,对生成的学习路径使用链接预测的准确率指标进行评估。
优选的,该系统有限状态及转换规则设计如下:
(1)Init状态:此时系统处于初始状态;
(2)Log_in状态:登录状态,用户登录系统,此时系统从Init状态转换为Log_in状态,进入个性化知识图谱库模块;
(3)Match状态:信息匹配状态,系统根据用户登录信息进行信息匹配,此时系统状态由Log_in态转换Match态,找到属于该用户的所有课程的个性化知识图谱;
(4)Merge状态:融合状态,得到属于该用户的所有课程的个性化知识图谱后,系统状态由Match态转换为Merge态,系统进入多课程知识图谱融合模块,对所有课程的个性化知识图谱进行融合;
(5)Path_g状态:路径生成状态,融合完成后,系统状态由Merge态转换为Path_g态系统进入路径生成模块,根据用户自身情况生成后续学习路径;
(6)Path_e状态:路径评估状态,生成学习路径后,系统状态由Path_g态转换为Path_e态系统进入路径评估模块,对生成的学习路径使用链接预测的准确率指标进行评估;
(7)End状态:结束状态,评估并优化完成后,系统状态由Path_e态转换为End态,完成此次多课程学习路径生成任务。
本发明具有如下优点:通过实体表示学习方法将实体映射到低维嵌入空间,以连续向量的形式表达实体的语义信息和潜在关系。这种表示能够支持实体相似度计算和实体匹配,从而能够在多课程知识图谱中进行实体对齐和链接预测任务。帮助消除实体重复、填补知识缺失并提高知识的一致性和完整性。
附图说明
图1为本发明的整体流程图;
图2为本发明的有限状态转换示意图;
图3为本发明的索引表结构设计示意图;
图4为本发明的多课程知识图谱融合方法示意图;
图5为本发明的个性化学习路径生成及评价方法示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:本发明提供了基于多课程知识图谱融合个性化学习路径生成方法,构建个性化知识库,得到学生在本学年中所需学习的所有课程的个性化知识图谱;
构建个性化知识库步骤如下:
A.通过头戴式脑电设备、贴片式心电设备、悬挂式监控设备收集学生生理数据信号,包括脑电信号、心电信号以及视频信号;
B.对收集的生理数据信号进行关键特征提取处理,得到学生关键数据特征,包括脑电、心电、体温、体态以及面部表情特征;
C.设计多模态生理数据融合挖掘方法实现数据挖掘,预测学生学习偏好;
D.根据预测出的学习偏好更新基础知识图谱,生成符合学生学习情况的所有课程的个性化知识图谱;
E.对学生当前学年所需学习的所有课程的个性化知识图谱进行收集,生成专属个人的个性化知识库。
基于多课程知识图谱融合个性化学习路径生成方法还包括以下步骤:
步骤1:采用实体对齐技术实现对所有课程的个性化知识图谱融合,通过建立索引表,自动化生成多课程融合的个性化知识图谱,具体包括以下步骤:
(1.1)提取学生当前学年所有个性化知识图谱的知识点和结构信息,索引表包括知识点及关系;
索引表结构设计步骤如下:
(1.1.1)对多本教材文档进行编号;
(1.1.2)以知识图谱中的知识点关键词为键值;
(1.1.3)记录知识点在基础概念讲解、应用讲解、强化讲解及测试四种类型中所占篇幅;
(1.1.4)文档频率p,记录知识点在文档集合中出现的频率;
(1.1.5)关联的文档ID;
(1.1.6)词项频率q,记录关键词在特定文档中的出现频率;
(1.1.7)位置信息,记录关键词在文档中的具体位置信息;
(1.1.8)关系信息,用于描述知识点之间的连接和关联。
(1.2)依据索引表采用知识点表示学习方法进行表示学习;
知识点表示学习设计步骤如下:
(1.2.1)使用TransR模型学习实体和关系的初始嵌入向量:通过最小化头实体、关系和尾实体之间的转换误差来训练TransR模型,得到每个实体和关系的初步嵌入向量;
(1.2.2)根据任务需求,确定多个不同层次的嵌入向量:设置两个层次的嵌入向量,一个较低维度用于表示表面语义,一个较高维度用于表示更深层次的语义;
(1.2.3)对于每个实体和关系,将学习到的多个嵌入向量进行融合,将多个嵌入向量连接起来形成更高维的嵌入表示,得到带有多层次嵌入的TransR模型;
(1.2.4)使用步骤(1.2.3)得到的带有多层次嵌入的TransR模型进行联合训练:在训练过程中,使用关系三元组、知识图谱实体属性信息、知识图谱上下文信息来辅助学习更准确的嵌入表示;
(1.2.5)迭代训练过程,不断优化多层次嵌入和多层次嵌入的TransR模型参数,得到最终的实体嵌入向量和关系嵌入向量;关系包括实体的属性值、关系信息以及语义关联其中的一种或多种因素。
(1.3)依据索引表计算知识点及关系间的相似度进行知识点对齐及链接预测任务;
实体对齐过程步骤如下:
1a.对得到的实体嵌入向量和关系嵌入向量进行相似度计算,输出的实体嵌入向量表示实体在语义空间中的位置,这些向量通常具有固定的维度,并捕捉实体之间的语义相似性;通过计算实体向量之间的相似度,进行实体对齐任务;
1b.输出的关系嵌入向量捕捉不同关系之间的语义差异,通过计算关系向量之间的相似度,进行链接预测任务,得到多课程融合的个性化知识图谱。
常用的相似度计算方法包括余弦相似度、欧氏距离以及马氏距离。
(1.4)自动化生成多课程融合的个性化知识图谱。
步骤2:根据用户当前学习进度及多课程融合的个性化知识图谱,生成后续学习路径;
步骤3:对生成的学习路径从链接预测准确率方面进行评估;
优选的,路径评价方法设计如下:
对生成路径使用链接预测的准确率指标进行评估,链接预测准确率:
;
其中,表示链接预测结果;/>表示真实链接结果,ACC/>。
实施例2:本发明还提供了基于多课程知识图谱融合个性化学习路径生成系统,系统包括个性化知识图谱库模块、多课程知识图谱融合模块、路径生成模块及路径评估模块。如图2所示,本实施例设计的系统通过定义有限状态形成对外部事件响应,响应机制如下:
当用户登录系统,此时系统从Init状态转换为Log_in状态,进入个性化知识图谱库模块;系统根据用户登录信息进行信息匹配,此时系统状态由Log_in态转换Match态,直到找到属于该用户的所有课程的个性化知识图谱后,系统状态由Match态转换为Merge态,系统进入多课程知识图谱融合模块;对所有课程的个性化知识图谱进行融合,融合完成,系统状态由Merge态转换为Path_g态系统进入路径生成模块;根据用户自身情况生成后续学习路径,生成学习路径后,系统状态由Path_g态转换为Path_e态系统进入路径评估模块,对生成的学习路径使用链接预测的准确率指标进行评估。
该系统有限状态及转换规则设计如下:
(1)Init状态:此时系统处于初始状态;
(2)Log_in状态:登录状态,用户登录系统,此时系统从Init状态转换为Log_in状态,进入个性化知识图谱库模块;
(3)Match状态:信息匹配状态,系统根据用户登录信息进行信息匹配,此时系统状态由Log_in态转换Match态,找到属于该用户的所有课程的个性化知识图谱;
(4)Merge状态:融合状态,得到属于该用户的所有课程的个性化知识图谱后,系统状态由Match态转换为Merge态,系统进入多课程知识图谱融合模块,对所有课程的个性化知识图谱进行融合;
(5)Path_g状态:路径生成状态,融合完成后,系统状态由Merge态转换为Path_g态系统进入路径生成模块,根据用户自身情况生成后续学习路径;
(6)Path_e状态:路径评估状态,生成学习路径后,系统状态由Path_g态转换为Path_e态系统进入路径评估模块,对生成的学习路径使用链接预测的准确率指标进行评估;
(7)End状态:结束状态,评估并优化完成后,系统状态由Path_e态转换为End态,完成此次多课程学习路径生成任务。
实施例3:下面通过案例来说明如何应用基于多课程知识图谱融合的个性化学习路径生成系统。
为了提高案例通用性,采用有代表性的、抽象的、通用的目录项对教材进行描述。
如图1所示,所述基于多课程知识图谱融合的个性化学习路径生成系统包括个性化知识图谱库模块、多课程知识图谱融合模块、路径生成模块及路径评估模块;
其中,个性化知识图谱库模块,构建个性化知识库,获取学生在本学年中所需学习的课程A~N的所有个性化知识图谱,如图4的个性化知识图谱库;多课程知识图谱融合模块,采用实体对齐技术实现课程A~N知识图谱融合;路径生成模块,根据用户当前学习进度生成后续学习路径;路径评估模块,对生成路径从链接预测准确率方面进行评估。
首先,根据课程A~N的个性化知识图谱,构建如图3所示的索引表。
索引表中,a、b、c、d表示当前知识点在基础概念、应用、强化及测试四部分的篇幅占比;1, 2, ...,n表示课程A~N的文档ID,这里1,2表示与知识点1有关联的为文档1和文档2;p表示文档频率,记录知识点在文档集合中出现的频率;q表示词项频率,记录关键词在特定文档中的出现频率;位置信息,记录关键词在文档中的具体位置信息,这里表示知识点1出现在文档1的23页,文档2的45页;关系信息,用于描述知识点之间的连接和关联,这里表示知识点1与知识点2,3,4有关联,这里的关联包括语义关联、上下文关联。
接着,如图4所示,根据索引表内容,采用知识点表示学习进行实体和关系的嵌入向量表示。对得到的实体嵌入向量和关系嵌入向量进行相似度计算,通过计算实体向量之间的相似度f(s),进行实体对齐任务。通过计算关系向量之间的相似度f(g),进行链接预测任务。
通过上述流程计算得到课程A、N的知识点3、4是相似的,则进行实体对齐,去除冗余知识点,再根据计算得到的关系相似度,进行知识点之间关系的重新链接,这里知识点4与知识点5的关系更相似,则链接知识点5,同理可得到每一对知识点的链接,实现多课程融合的个性化知识图谱自动化生成。
最后,如图5所示,结合当前学习进度和多课程融合的个性化知识图谱,给出学生下一步学习路径,完成多课程链接学习,同时对生成的学习路径采用链接预测准确率指标进行评价。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (3)
1.基于多课程知识图谱融合个性化学习路径生成方法,通过构建个性化知识库,构建个性化知识库步骤如下:
A.通过头戴式脑电设备、贴片式心电设备、悬挂式监控设备收集学生生理数据信号,包括脑电信号、心电信号以及视频信号;
B.对收集的生理数据信号进行关键特征提取处理,得到学生关键数据特征,包括脑电、心电、体温、体态以及面部表情特征;
C.设计多模态生理数据融合挖掘方法实现数据挖掘,预测学生学习偏好;
D.根据预测出的学习偏好更新基础知识图谱,生成符合学生学习情况的所有课程的个性化知识图谱;
E.对学生当前学年所需学习的所有课程的个性化知识图谱进行收集,生成专属个人的个性化知识库;
得到学生在本学年中所需学习的所有课程的个性化知识图谱,其特征在于,还包括以下步骤:
步骤1:采用实体对齐技术实现对所有课程的个性化知识图谱融合,通过建立索引表,自动化生成多课程融合的个性化知识图谱;
所有课程的个性化知识图谱实现融合包括以下步骤:
1.1.提取学生当前学年所有个性化知识图谱的知识点和结构信息,索引表包括知识点及关系;
索引表结构设计步骤如下:
1.1.1.对多本教材文档进行编号;
1.1.2.以知识图谱中的知识点关键词为键值;
1.1.3.记录知识点在基础概念讲解、应用讲解、强化讲解及测试四种类型中所占篇幅;
1.1.4.文档频率,记录知识点在文档集合中出现的频率;
1.1.5.关联的文档ID;
1.1.6.词项频率,记录关键词在特定文档中的出现频率;
1.1.7.位置信息,记录关键词在文档中的具体位置信息;
1.1.8.关系信息,用于描述知识点之间的连接和关联;
1.2.依据索引表采用知识点表示学习方法进行表示学习;
知识点表示学习设计步骤如下:
1.2.1.使用TransR模型学习实体和关系的初始嵌入向量:通过最小化头实体、关系和尾实体之间的转换误差来训练TransR模型,得到每个实体和关系的初步嵌入向量;
1.2.2.根据任务需求,确定多个不同层次的嵌入向量:设置两个层次的嵌入向量,一个维度用于表示表面语义,另一个维度用于表示更深层次的语义;
1.2.3.对于每个实体和关系,将学习到的多个嵌入向量进行融合,将多个嵌入向量连接起来形成更高维的嵌入表示,得到带有多层次嵌入的TransR模型;
1.2.4.使用步骤1.2.3得到的带有多层次嵌入的TransR模型进行联合训练:在训练过程中,使用关系三元组、知识图谱实体属性信息、知识图谱上下文信息来辅助学习更准确的嵌入表示;
1.2.5.迭代训练过程,不断优化多层次嵌入和多层次嵌入的TransR模型参数,得到最终的实体嵌入向量和关系嵌入向量;关系包括实体的属性值、关系信息以及语义关联其中的一种或多种因素;
1.3.依据索引表计算知识点及关系间的相似度进行知识点对齐及链接预测任务;
1.4.自动化生成多课程融合的个性化知识图谱;
实体对齐过程步骤如下:
1a.对得到的实体嵌入向量和关系嵌入向量进行相似度计算,输出的实体嵌入向量表示实体在语义空间中的位置,捕捉实体之间的语义相似性;通过计算实体向量之间的相似度,进行实体对齐任务;
1b.输出的关系嵌入向量捕捉不同关系之间的语义差异,通过计算关系向量之间的相似度,进行链接预测任务,得到多课程融合的个性化知识图谱;
相似度计算方法包括余弦相似度、欧氏距离以及马氏距离;
步骤2:根据用户当前学习进度及多课程融合的个性化知识图谱,生成后续学习路径;
步骤3:对生成的学习路径从链接预测准确率方面进行评估;
步骤3的评估方法为:
对生成的学习路径使用链接预测的准确率指标进行评估,链接预测准确率:
;
其中表示链接预测结果;/>表示真实链接结果,/>。
2.一种基于多课程知识图谱融合个性化学习路径生成系统,该系统用于生成权利要求1所述的方法,系统包括个性化知识图谱库模块、多课程知识图谱融合模块、路径生成模块及路径评估模块;系统通过定义有限状态形成对外部事件响应,响应机制如下:
用户登录系统,此时系统从Init状态转换为Log_in状态,进入个性化知识图谱库模块;系统根据用户登录信息进行信息匹配,此时系统状态由Log_in态转换Match态,直到找到属于该用户的所有课程的个性化知识图谱,之后系统状态由Match态转换为Merge态,系统进入多课程知识图谱融合模块;对所有课程的个性化知识图谱进行融合,融合完成后,系统状态由Merge态转换为Path_g态系统进入路径生成模块;根据用户自身情况生成后续学习路径,生成学习路径后,系统状态由Path_g态转换为Path_e态系统进入路径评估模块,对生成的学习路径使用链接预测的准确率指标进行评估。
3.根据权利要求2所述的基于多课程知识图谱融合个性化学习路径生成系统,其特征在于:所述系统有限状态及转换规则设计如下:
(1)Init状态:此时系统处于初始状态;
(2)Log_in状态:登录状态,用户登录系统,此时系统从Init状态转换为Log_in状态,进入个性化知识图谱库模块;
(3)Match状态:信息匹配状态,系统根据用户登录信息进行信息匹配,此时系统状态由Log_in态转换Match态,找到属于该用户的所有课程的个性化知识图谱;
(4)Merge状态:融合状态,得到属于该用户的所有课程的个性化知识图谱后,系统状态由Match态转换为Merge态,系统进入多课程知识图谱融合模块,对所有课程的个性化知识图谱进行融合;
(5)Path_g状态:路径生成状态,融合完成后,系统状态由Merge态转换为Path_g态系统进入路径生成模块,根据用户自身情况生成后续学习路径;
(6)Path_e状态:路径评估状态,生成学习路径后,系统状态由Path_g态转换为Path_e态系统进入路径评估模块,对生成的学习路径使用链接预测的准确率指标进行评估;
(7)End状态:结束状态,评估并优化完成后,系统状态由Path_e态转换为End态,完成此次多课程学习路径生成任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410220313.1A CN117787402B (zh) | 2024-02-28 | 2024-02-28 | 基于多课程知识图谱融合个性化学习路径生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410220313.1A CN117787402B (zh) | 2024-02-28 | 2024-02-28 | 基于多课程知识图谱融合个性化学习路径生成方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117787402A CN117787402A (zh) | 2024-03-29 |
CN117787402B true CN117787402B (zh) | 2024-05-07 |
Family
ID=90400390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410220313.1A Active CN117787402B (zh) | 2024-02-28 | 2024-02-28 | 基于多课程知识图谱融合个性化学习路径生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117787402B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114491057A (zh) * | 2021-12-15 | 2022-05-13 | 三盟科技股份有限公司 | 基于知识图谱的学习路径推荐方法、系统、计算机及介质 |
CN114565486A (zh) * | 2022-01-12 | 2022-05-31 | 黑龙江科技大学 | 一种课程学习系统的构建方法 |
CN117313852A (zh) * | 2023-11-29 | 2023-12-29 | 徐州医科大学 | 基于多模态数据的个性化教学知识图谱更新方法及系统 |
WO2024016695A1 (zh) * | 2022-07-22 | 2024-01-25 | 山东浪潮科学研究院有限公司 | 基于多视图学习的教学知识图谱构建及检索方法及系统 |
-
2024
- 2024-02-28 CN CN202410220313.1A patent/CN117787402B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114491057A (zh) * | 2021-12-15 | 2022-05-13 | 三盟科技股份有限公司 | 基于知识图谱的学习路径推荐方法、系统、计算机及介质 |
CN114565486A (zh) * | 2022-01-12 | 2022-05-31 | 黑龙江科技大学 | 一种课程学习系统的构建方法 |
WO2024016695A1 (zh) * | 2022-07-22 | 2024-01-25 | 山东浪潮科学研究院有限公司 | 基于多视图学习的教学知识图谱构建及检索方法及系统 |
CN117313852A (zh) * | 2023-11-29 | 2023-12-29 | 徐州医科大学 | 基于多模态数据的个性化教学知识图谱更新方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117787402A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110750959B (zh) | 文本信息处理的方法、模型训练的方法以及相关装置 | |
CN111524593B (zh) | 基于上下文语言模型和知识嵌入的医疗问答方法及系统 | |
CN107544960B (zh) | 一种基于变量绑定和关系激活的自动问答方法 | |
CN110738057A (zh) | 一种基于语法约束和语言模型的文本风格迁移方法 | |
CN113762052A (zh) | 视频封面提取方法、装置、设备及计算机可读存储介质 | |
CN116975776A (zh) | 一种基于张量和互信息的多模态数据融合方法和设备 | |
CN114880307A (zh) | 一种开放教育领域知识的结构化建模方法 | |
CN113569068B (zh) | 描述内容生成方法、视觉内容的编码、解码方法、装置 | |
Lonij et al. | Open-world visual recognition using knowledge graphs | |
Song et al. | Hey, AI! Can You See What I See? Multimodal Transfer Learning-Based Design Metrics Prediction for Sketches With Text Descriptions | |
Zheng et al. | BDLA: Bi-directional local alignment for few-shot learning | |
CN113283488A (zh) | 一种基于学习行为的认知诊断方法及系统 | |
CN117787402B (zh) | 基于多课程知识图谱融合个性化学习路径生成方法及系统 | |
CN116821696A (zh) | 表格问答模型的训练方法、装置、设备及存储介质 | |
CN116910270A (zh) | 多模态心理知识图谱构建方法、装置、设备及存储介质 | |
CN117094390A (zh) | 一种面向海洋工程领域的知识图谱构建及智能搜索方法 | |
CN114757097B (zh) | 一种线路故障诊断方法及装置 | |
CN116822462A (zh) | 电力系统的仿真报告的生成方法与生成装置 | |
CN116561272A (zh) | 开放域视觉语言问答方法、装置、电子设备及存储介质 | |
CN116467513A (zh) | 基于注意力机制的多模态知识图谱推荐方法、装置及介质 | |
CN113821610A (zh) | 信息匹配方法、装置、设备及存储介质 | |
JP6768750B2 (ja) | 学習方法、誤り判定方法、学習システム、誤り判定システム、およびプログラム | |
CN116976294B (zh) | 一种用于实现复杂电子表格自动填充的方法及系统 | |
CN117611845B (zh) | 多模态数据的关联识别方法、装置、设备及存储介质 | |
CN117151247B (zh) | 机器学习任务建模的方法、装置、计算机设备和存储介质 |
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 |