一种基于知识图谱的学习者画像的生成方法与装置

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于知识图谱的学习者画像的生成方法与装置。

背景技术

信息化时代发展对人才培养提出了更加新的要求。为应对这种发展，培养新时代人才的需要体现在了教育的变革当中。与传统的教学模式相比，信息化技术支持下的教学模式如翻转课堂、STEAM教育(集科学，技术，工程，艺术，数学多领域融合的综合教育)等都对学生的思维能力与总体素质的要求非常看重。于此同时，如何为学生提供个性化和差异化的教育信息服务和促进该服务的发展，表征学习者的学习情况，也成为当前亟待改善的问题。在众多方法中，使用个性化的学习者画像描绘学习者的各方面信息对于针对性的教育非常有效。

目前，学习者画像的应用已经涉及教育领域的多个方面，如直播课堂、评估工具、高职智造类工匠人才用户画像库等。直播课堂的研究中，通过学生的学习目的、学习习惯、学习者参与直播课堂情况、直播课堂效果评价以及课堂总体满意度而得出学习者画像的基本要素；评估工具构建的学习者画像对学习者“学会学习”能力的评估；通过构建高职智造类工匠人才用户画像来对人才的个性化培养，实现个性化教育等。

对于每一个学习者，应该存在与其学习过程相匹配的学习画像且用户可以直观的看到所构建的学习者画像信息。但目前大部分的应用对学生信息进行构建的画像的自动构建功能上、直观层面上还未有突破。目前所应用到的学习者画像内容主要是为了给后台工作者对学习者的信息进行联系，缺少直观反馈学习者画像内容给学习者的重要功能。大部分个性化系统的用户模型，如ELM-ART、AHAM模型，也主要考虑到学习者学习风格的推理，忽略了对学习者学习路线的跟踪，忽视了学习者偏向的多样性以及构建学习画像的必要性。

发明内容

为克服上述现有技术存在的不足，本发明之目的在于提供一种基于知识图谱的学习者画像的生成方法与装置，以根据用户信息自动构建转变成学习者画像并把所构建的画像以可视化的形式展示给用户，弥补自适应学习系统在用户画像可视化方面的不足，能够让教师充分掌握学生的先前知识结构、学习偏向等的信息，也能让学生更加直观地了解自己先前的学习结构。

为达上述及其它目的，本发明提出一种基于知识图谱的学习者画像的生成方法，包括如下步骤：

步骤S1，收集学习者学习信息；

步骤S2，对学习者的交互信息内容进行拆解，按照文本的粒度，将情感分析任务归纳为词、短语、属性、句子、篇章等多个级别，匹配预先构建的情感对照字典确定情感极性，根据情感极性的权值计算出情感得分，根据情感值输出学习者的情感倾向性；

步骤S3，根据步骤S1收集的学习信息及步骤S2的情感分析结果构建学习者学习知识结构和学习知识偏好；

步骤S4，根据步骤S3中构建得到的学习者的知识偏好和认知结构，利用知识图谱生成学习者画像知识图谱。

优选地，所述学习信息包括但不限于学习者在网上对课程的点击量、上过的课程的进度、对课程的评价建议、对任课老师的评价和建议、参与的课程总数等的互动行为。

优选地，于步骤S2之前，还包括如下步骤：

步骤S2-1，依据中文本体情感词典构建所述情感对照字典，设置观点的情感极性并对设置的情感极性赋予权值。

优选地，步骤S3进一步包括：

步骤S300，根据学习者的先前学习过程信息构建出学习者的学习知识结构；

步骤S301，根据得到的学习者情感信息得到学习者的学习内容，根据该内容提取课程信息整理出学习者的知识偏好。

优选地，步骤S300具体包括：

收集学习者的先前学习过程信息；

构建用户-知识点关系知识图谱；

进行实体提取、关系提取、语义识别；

根据提取结果获得学习者创建的课程和学习者参与的课程，形成学习者课程图谱和学习者认知图谱。

优选地，于步骤S4中，根据步骤S3中构建得到的学习者的知识偏好和认知结构，通过知识图谱以节点大小进行重要程度的分类，通过节点颜色进行颜色分类具备一定的内容结构，得到学习者创建的课程和学习者参与的课程两个图谱模块，即为学习者画像。

为达到上述目的，本发明还提供一种基于知识图谱的学习者画像的生成装置，包括：

学习信息收集模块，用于收集学习者学习信息；

情感分析模块，用于对学习者的交互信息内容进行拆解，按照文本的粒度，将情感分析任务归纳为词、短语、属性、句子、篇章等多个级别，匹配情感字典确定情感极性，根据情感极性的权值计算出情感值，根据情感值输出学习者的情感倾向性；

学习知识结构和学习知识偏好构建模块，用于根据学习信息收集模块收集的学习信息及情感分析模块的情感分析结果构建学习者学习知识结构和学习知识偏好；

学习者画像生成模块，用于根据学习知识结构和学习知识偏好构建模块中构建得到的学习者的知识偏好和认知结构，利用知识图谱生成学习者画像。

所述装置还包括情感字典构建模块，用于依据中文本体情感词典构建所述情感对照字典，设置观点的情感极性并对设置的情感极性赋予权值。

优选地，所述学习知识结构和学习知识偏好构建模块进一步包括：

学习知识结构构建模块，用于根据学习者的先前学习过程信息构建出学习者的认知结构；

学习知识偏好构建模块，用于根据得到的学习者情感信息得到学习者的学习内容，根据该内容提取课程信息整理出学习者的知识偏好。

优选地，所述学习者学习信息包括但不限于学习者在网上对课程的点击量、上过的课程的进度、对课程的评价建议、对任课老师的评价和建议、参与的课程总数等的互动行为。

与现有技术相比，本发明一种基于知识图谱的学习者画像的生成方法及装置通过对学习者的交互信息进行收集，通过情感分析、正则表达式等的方法对资料进行提取并以知识图谱可视化的形式自动生成学习者画像，生成的学习者画像提供给任课老师根据学习者调整课程，也提供给学习者自己了解自身先前的学习情况，并给出未来建议的学习路线，弥补自适应学习系统在用户画像可视化方面的不足，能够让教师充分掌握学生的先前知识结构、学习偏向等的信息，也能让学生更加直观地了解自己先前的学习结构。

附图说明

图1为本发明一种基于知识图谱的学习者画像的生成方法的步骤流程图；

图2为本发明具体实施例中获取学习者学习知识结构的流程图；

图3为本发明具体实施例中学习者认知结构示意图；·

图4为本发明具体实施例中学习者知识偏好示意图；

图5a为本发明实施例中学习者参与的课程知识图谱；

图5b为本发明具体实施例中学习者创建的课程知识图谱；

图6为本发明一种基于知识图谱的学习者画像的生成装置的系统架构图；

图7为本发明实施例中基于知识图谱的学习者画像的生成方法的流程图；

图8为本发明实施例获取学习者学习偏向的流程图。

具体实施方式

以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。

图1为本发明一种基于知识图谱的学习者画像的生成方法的步骤流程图。如图1所示，本发明一种基于知识图谱的学习者画像的生成方法，包括如下步骤：

步骤S1，收集学习者学习信息。

所述学习信息包括但不限于学习者在网上对课程的点击量、上过的课程的进度、对课程的评价建议、对任课老师的评价和建议、参与的课程总数等数据，也就是说，于步骤S1中，当用户利用应用本发明的设备上课时，首先收集学习者在网上对课程的点击量、上过的课程的进度、对课程的评价建议、对任课老师的评价和建议、参与的课程总数等数据。

步骤S2，对学习者的交互信息内容进行拆解，按照文本的粒度，将情感分析任务归纳为词、短语、属性、句子、篇章等多个级别，匹配预先构建的情感字典确定情感极性，根据情感极性的权值计算出情感得分，根据情感值输出学习者的情感倾向性。

具体地说，于步骤S2中，主要是通过情感分析任务，获取关于学习者对当前课程或教师的偏好类型和偏好程度。在本发明中，情感分析任务所生成的情感偏好和情感值是学习者画像生成的数据之一，因此，通过情感分析任务，任务试图获取到关于学习者对当前课程或教师的偏好类型和偏好层度。本发明中，情感分析任务主要是先获取所有语言评论词汇以及学习者在不同情感偏好按钮下(指学习过程中的点赞与差评按钮)的交互次数，并通过每个词语或者每一次交互所代表的情感类型和情感值进行叠加，因此，该情感分析任务首先将对学习者的交互数据进行拆解，按照文本语言的粒度，将任务归纳为词、短语、句子、篇章等多个级别，匹配预先构建的情感对照字典；之后，通过该情感对照词典确定单词的情感极性，并计算出该单词情感得分；由于，短语、句子和篇章都为最基本的词构成，因此只需进行进一步的累加就可以计算整个文本的情感倾向和情感值，并以此作为学习者的情感倾向性。这里所述的对学习者的交互数据进行拆解，指的是把学习者对课程的点击次数、课程的学习进度(把某一课程的学生的学习进度转化为学生对该课程的学习百分比，百分比高的表示学生对课程更为感兴趣)、对课程的评价、对课程老师的评价、对课程的点赞行为(人为设置好点赞行为能够替换的情感标志)拆解出来。

具体地，在步骤S2之前，还包括如下步骤：

步骤S2-1，参照现有技术中“情感词典自动构建方法综述”(王科,夏睿.自动化学报,2016,42(4):495-511.doi:10.16383/j.aas.2016.c150585)所提到的情感词典构建方法，构建词典依据为现有的可供开放获取的多种中文本体情感词典，构建情感对照字典。该情感对照字典提供了7000条以上的情感词汇所对应的情感类别和情感值之后，按照文本的粒度，将情感分析任务归纳为词、短语、句子、篇章等多个级别，情感字典能够较准确地判断词/短语的情感极性，可以通过累加的方式有效地辅助句子/篇章级地情感分析任务。考虑到有时单独的评价词语会存在一定的歧义性，所以在情感词典的构建中还考虑到“组合评价单元”(如：不太-好、相当-好)，如不太则将情感值乘上0.1-1区间的值，相当则乘上1.1-10之间的值。

具体地说，于步骤S2中，收集学习者对课程的评价、对老师的评价以及对课程点赞点击量等的信息进行收集后，一是与情感对照字典里的词语进行匹配获取情感值，二是通过点赞和差评的按钮操作总和进行统计，统计过程主要根据对正向、负向情感类别类别各自累加的情感得分，就可以知道该学习者的对该课程的情感倾向性程度(根据得分的高低表示该类情感的强度值，根据得分的正负来判断情感的正负向)，分析后输出的是目标领域的单词情感得分，并进行多词迭代后获得所有情感词的情感得分。例如一名学习者参与了“计算机网络课程”，并发表了多条针对该课程的评论，“我喜欢这名老师”“上课内容很丰富”等，系统将会对其所有评论执行情感分析的词典匹配任务，如果词典中存在喜欢以及丰富等词语，则返回该词语所对应的情感类别和情感值，之后通过将所有评论叠加起来，作为学习者的情感类别和情感值。另外一种情况为学习者在计算机网络课程中的知识点或者习题等其他数据该课程的交互界面多次点赞和少量差评，依据点赞+1，差评-1为原则，统计学习者最终的情感类别是正向还是负向，将统计后的值也作为情感值。将上述两种情况的情感类别和情感值执行最后的相加，以此作为该学习者对这门课程的情感偏向和情感值。

步骤S3，根据步骤S1收集的学习信息及步骤S2的情感分析结果(学习者对该课程的倾向程度)，构建学习者学习知识结构(由学习者参与过的课程进行构建)和学习知识偏好(由学习者对学过的课程的情感倾向性程度进行构建)，学习者参与过的课程是指学习者参与过或者点击过该类课程的相关工作，如助教，试听，做练习题，是一种尝试或者学习者的偏好操作，学过的课程为学校规定的必修类课程，学习者必须完成该学习过程的全部内容以及学习。

具体地，步骤S3进一步包括：

步骤S300，根据学习者的先前学习过程信息构建出学习者的学习知识结构。

如图2所示，步骤S300具体包括：

收集学习者的先前学习过程信息：

从学习者参与的课程(例如：对已有的课程进行的编辑、讨论、学习过的课程信息)中以及在课程中的学习进度收集该学习者在此课程中学习过的知识点以及学习者自己创建的新的知识点(例如：用户在自己新开的课程或者对已有课程的内容进行增加)；如学习者在一门课程下面补充了相应的知识点或者自己的知识体会，则认为其参与创建了该课程的资源建设。此外，学习者也可作为教师，开设自己的课程体系，用来记录自己的课程体会或者课程资源。

构建用户-知识点关系知识图谱：

根据上一步收集的学习者对于参与的课程、创建的课程以及涉及到知识点等进行用户-知识点的点与点之间的链接，这样就可形成一个用户-知识点的关系知识图谱；

进行实体提取、关系提取、语义识别；

上一步得到的知识图谱集合了学习者自己创建的课程以及学习者参与的课程，接下来对学习者的这两部分进行分离。也就是实现从上一步骤的知识图谱中分离出两个子知识图谱：用户-创建的课程知识图谱和用户-参与的课程知识图谱；

根据提取结果获得学习者创建的课程和学习者参与的课程，形成学习者课程图谱，根据课程的知识点形成学习者的认知图谱。

步骤S301，根据得到的学习者学习内容的情感得分得到属于学习者偏好的学习内容，根据该内容提取课程信息并整理出学习者的知识偏好。

例如，于步骤S1，首先收集学习者上过的课程信息：软件工程、PHP语言等，再收集这些课程的知识元：概要设计、需求分析、基本语句等，根据对应课程知识元进行描绘形成学习者的认知结构。其次，根据用户参与的课程的不同章节点击率进行计算知识元的点击次数，由出现的次数而改变不同知识元的大小，如图3所示；然后，再通过学习者对上过的课程的评价、点赞等的交互行为(人为设定类似于点赞行为对应的文本信息：如“点赞”表示“对课程的肯定”)匹配情感字典计算出情感得分，根据得分绘制成学习者知识偏好，如图4所示。

步骤S4，根据步骤S3中构建得到的学习者的知识偏好和S3中构建的学习者学习知识结构，生成学习者画像(包含了学习者参与的课程图谱和学习者创建的课程图谱)。

具体地，于步骤S4中，根据步骤S3中构建得到的学习者的认知结构(图3)和知识偏好(图4)，以节点大小作为标准进行重要程度的分类，通过对节点进行颜色分类，课程与知识元之间以两种颜色进行区分，使得具备一定的内容结构，得到如图5a与图5b所示的两个图谱，这两个即为学习者画像，学习者画像包含了学习者参与的课程和学习者创建的课程两个图谱模块。结合图5，图5a为学习者参与的课程知识图谱(节点大小表示的是学习者相对于其他节点的偏好)，图5b为学习者在参与创造知识和学习资源过程中所创建的知识图谱，根据图5a，图5b的节点大小、颜色以及创建的课程可以看出该学习者的学习偏向为“研究方法”和“软件工程”一类,最后，这两类学习者画像通过调用系统已有数据，借助相应的可视化插件，如Echart等进行画像生成。

本发明使用知识图谱形式来构建可视化的学习者画像，在知识图谱中结点的丰富度代表了结点的知识密集程度和关联度，结点之间的链接表明结点之间的联系性，两者之间的联系通过文字表述在连线上，实现了对基于关系的网状表示，揭示了知识、用户以及课程等结点之间的联系性，实现了可视化的知识图谱展示学习者的学习画像，方便直观的把学习者的信息展示出来给用户。此外，在学生边做边学的过程中，既能实现自动化的生成学习者画像，也可以让学习者在学习的程中就获得未来的学习路径的建议，这种方法实现了自动化的生成，减轻了后台工作者的压力，该方法既能快速的根据信息生成画像，也能使得生成的画像以直观易懂的形式展示出来供学习者安排自己的学习步骤。

图6为本发明一种基于知识图谱的学习者画像的生成装置的系统架构图。如图6所示，本发明一种基于知识图谱的学习者画像的生成装置，包括：

学习信息收集模块601，用于收集学习者学习信息。

所述学习信息包括但不限于学习者在网上对课程的点击量、上过的课程的进度、对课程的评价建议、对任课老师的评价和建议、参与的课程总数等的互动话语行为，也就是说，当用户利用应用本发明的设备上课时，学习信息收集模块601收集学习者在网上对课程的点击量、上过的课程的进度、对课程的评价建议、对任课老师的评价和建议、参与的课程总数等的互动话语行为。

情感分析模块602，用于对学习者的交互信息进行拆解，按照文本的粒度，将情感分析任务归纳为词、短语、属性、句子、篇章等多个级别，匹配预先构建的情感字典确定情感极性，根据情感极性的权值计算出情感得分，根据情感值输出学习者的情感倾向性。

所述情感分析模块602主要是通过情感分析任务，获取关于学习者对当前课程或教师的偏好类型和偏好程度。在本发明中，情感分析任务所生成的情感偏好和情感值是学习者画像生成的数据之一，因此，通过情感分析任务，任务试图获取到关于学习者对当前课程或教师的偏好类型和偏好层度。本发明中，情感分析任务主要是先获取所有语言评论词汇以及学习者在不同情感偏好按钮下(指学习过程中的点赞与差评按钮)的交互次数，并通过每个词语或者每一次交互所代表的情感类型和情感值进行叠加，因此，该情感分析任务首先将对学习者的交互数据进行拆解，按照文本语言的粒度，将任务归纳为词、短语、句子、篇章等多个级别，匹配预先构建的情感对照字典；之后，通过该情感对照词典确定单词的情感极性，并计算出该单词情感得分；由于，短语、句子和篇章都为最基本的词构成，因此只需进行进一步的累加就可以计算整个文本的情感倾向和情感值，并以此作为学习者的情感倾向性。这里所述的对学习者的交互数据进行拆解，指的是把学习者对课程的点击次数、课程的学习进度(把某一课程的学生的学习进度转化为学生对该课程的学习百分比，百分比高的表示学生对课程更为感兴趣)、对课程的评价、对课程老师的评价、对课程的点赞行为(人为设置好点赞行为能够替换的情感标志)拆解出来。

优选地，本发明之基于知识图谱的学习者画像的生成装置还包括：

情感字典构建模块，参照现有技术中“情感词典自动构建方法综述”(王科,夏睿.自动化学报,2016,42(4):495-511.doi:10.16383/j.aas.2016.c150585)所提到的情感词典构建方法，构建词典依据为现有的可供开放获取的多种中文本体情感词典，构建情感对照字典，。该情感对照字典提供了7000条以上的情感词汇所对应的情感类别和情感值之后，按照文本的粒度，将情感分析任务归纳为词、短语、句子、篇章等多个级别，情感字典能够较准确地判断词/短语的情感极性，可以通过累加的方式有效地辅助句子/篇章级地情感分析任务。考虑到有时单独的评价词语会存在一定的歧义性，所以在情感词典的构建中还考虑到“组合评价单元”(如：不太-好、相当-好)，如不太则将情感值乘上0.1-1区间的值，相当则乘上1.1-10之间的值。

具体地说，情感分析模块602根据收集学习者对课程的评价、对老师的评价以及对课程点赞点击量等的信息进行收集后，一是与情感对照字典里的词语进行匹配获取情感值，二是通过点赞和差评的按钮操作总和进行统计，统计过程主要根据对正向、负向情感类别类别各自累加的情感得分，就可以知道该学习者的对该课程的情感倾向性程度(根据得分的高低表示该类情感的强度值，根据得分的正负来判断情感的正负向)，分析后输出的是目标领域的单词情感得分，并进行多词迭代后获得所有情感词的情感得分。例如一名学习者参与了“计算机网络课程”，并发表了多条针对该课程的评论，“我喜欢这名老师”“上课内容很丰富”等，系统将会对其所有评论执行情感分析的词典匹配任务，如果词典中存在喜欢以及丰富等词语，则返回该词语所对应的情感类别和情感值，之后通过将所有评论叠加起来，作为学习者的情感类别和情感值。另外一种情况为学习者在计算机网络课程中的知识点或者习题等其他数据该课程的交互界面多次点赞和少量差评，依据点赞+1，差评-1为原则，统计学习者最终的情感类别是正向还是负向，将统计后的值也作为情感值。将上述两种情况的情感类别和情感值执行最后的相加，以此作为该学习者对这门课程的情感偏向和情感值。

学习知识结构和学习知识偏好构建模块603，用于根据学习信息收集模块601收集的学习信息及情感分析模块602的情感分析结果构建学习者学习知识结构和学习知识偏好。

具体地，学习知识结构和学习知识偏好构建模块603进一步包括：

学习知识结构构建模块，用于根据学习者的先前学习过程信息构建出学习者的认知结构。

学习知识偏好构建模块，用于根据得到的学习者情感信息得到学习者偏好的学习课程以及知识元。

例如，学习信息收集模块601首先收集学习者上过的课程信息：软件工程、PHP语言等，再收集这些课程的知识元：概要设计、需求分析、基本语句等，学习知识结构构建模块则根据对应课程知识元进行输出形成学习者的认知结构，如图3所示；然后，情感分析模块602通过学习者对上过的课程的评价、点赞等的交互行为计算出情感值，学习知识偏好构建模块将正面倾向的课程进行标记，绘制成学习者知识偏好，如图4所示。

学习者画像生成模块604，用于根据学习知识结构和学习知识偏好构建模块603中构建得到的学习者的知识偏好和认知结构，利用知识图谱生成学习者画像。

具体地，学习者画像生成模块604根据学习知识结构和学习知识偏好构建模块603中构建得到的学习者的知识偏好和认知结构，通过知识图谱以节点大小进行重要程度的分类，通过节点颜色进行颜色分类具备一定的内容结构，得到如图5a，图5b所示的两个图谱，这两个即为学习者画像。学习者画像提供学习者创建的课程和学习者参与的课程两个图谱模块，结合图4，上面的为学习者个人创建的课程图谱，下面的为学习者个人在参与创造知识和学习资源过程中所形成的认知图谱。根据图5a，图5b可以看出该学习者的学习偏向为“研究方法”和“软件工程”一类。最后，这两类学习者画像通过调用系统已有数据，借助相应的可视化插件，如Echart等进行画像生成。

如图7所示，在本实施例中，一种基于知识图谱的学习者画像的生成方法包括如下步骤：

步骤一，收集学习者学习信息：收集学习者在网上对课程的点击量、上过的课程的进度、对课程的评价建议、对任课老师的评价和建议、参与的课程总数等的互动话语行为；

步骤二，情感分析：参照王科、夏睿“构建关于自动构建情感字典”的方法构建情感字典,根据情感字典所提供的词的情感倾向性进行不同粒度下的情感分析。构建情感字典，设置观点的情感极性并对设置的情感极性赋予权值。对学习者的交互信息内容进行拆解形成文本，按照文本的粒度，将情感分析任务归纳为词、短语、属性、句子、篇章等多个级别，匹配情感字典处理情感极性。根据情感极性的权值计算出情感值(情感得分)，根据情感值输出学习者的偏好学习内容。一般情况下，情感值越大表示学习者的对该课程或知识元偏好程度越大，越小则表示学习者的偏好程度越低；

步骤三，学习者学习知识结构和学习知识偏好构建：根据得到的学习者情感信息可以得到学习者情感值为正面倾向的学习内容，根据该内容提取课程信息整理出学习者的知识偏好，如图8所示；其次，根据学习者的先前学习过程信息构建出学习者的认知结构

步骤四，学习者画像：根据步骤三中构建得到的两个图谱，学习者个人创建的课程图谱与学习者个人在参与创造知识和学习资源过程中所形成的认知图谱，便可以直接得到学习者画像，并以知识图谱的形式直观地展示给学习者。

综上所述，本发明一种基于知识图谱的学习者画像的生成方法及装置通过对学习者的交互信息进行收集，通过情感分析、正则表达式等的方法对资料进行提取并以知识图谱可视化的形式自动生成学习者画像，生成的学习者画像提供给任课老师根据学习者调整课程，也提供给学习者自己了解自身先前的学习情况。该发明弥补了自适应学习系统在用户画像可视化方面的不足，能够让教师充分掌握学生的先前知识结构、学习偏向等的信息，也能让学生更加直观地了解自己先前的学习结构以及让自己对自己的偏好有更加深入的直观感受。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。