一种基于知识图谱的自适应学习方法及系统

技术领域

本发明涉及数字数据处理技术领域，尤其涉及一种基于知识图谱的自适应学习方法及系统。

背景技术

传统的课堂教学模式通常仅关注一个班级或群体，采用单一的教学策略，无法充分考虑每个学生独特的需求和能力。此外，这种教学模式往往需要大量教育资源，而在当前的教育资源状况下，可能会出现资源分配不公的问题，进一步加剧教育不公平现象的发生。

随着互联网和大数据技术的快速发展，知识图谱作为一种表示和存储知识的方法，逐渐应用于各个领域。在教育领域，知识图谱可以有效地支持教学内容的组织和展示，促进学生对知识的理解和掌握。

自适应学习是一种能够根据不同学习者的个性化需求和特点调整学习内容和方式的学习方法。知识图谱是将实体、关系和属性等知识组织成结构化的图谱，可以提供丰富的语义和关联信息。

发明内容

本发明的目的在于提供一种基于知识图谱的自适应学习方法及系统，旨在可以更好的生成知识点和例题，以提高用户的学习效率。

为实现上述目的，第一方面，本发明提供了一种基于知识图谱的自适应学习方法，包括构建学习科目知识图谱；

收集用户的学习行为数据，并生成用户的个人知识图谱；

将个人知识谱图和学科知识图谱进行比对，确定用户的知识盲区；

根据知识盲区生成学习推荐内容，所述学习推荐内容包括与知识盲区对应的知识点和例题；

收集用户在知识点和例题的学习过程中的反馈数据实时监测学习效果。

其中，所述构建学习科目知识图谱的具体步骤包括：

确定科目的知识范围；

基于知识范围收集数据，并对数据进行预处理，得到知识数据；

基于预处理后的知识数据，利用数据挖掘等技术抽取领域内的实体、关系和属性；

将抽取到的实体、关系和属性进行组织构建科目知识图谱。

其中，所述收集用户的学习行为数据，并生成用户的个人知识图谱的具体步骤包括：

用户上传个人学习资料；

基于个人学习资料构造用户学习行为数据；

根据收集到的用户学习行为数据，构建用户知识图谱。

其中，所述个人学习资料包括学习笔记、已经出结果的考试试卷、已经完成的作业。

其中，所述将个人知识谱图和学科知识图谱进行比对，确定用户的知识盲区的具体步骤包括：

确定个人知识图谱的知识标签；

基于知识标签在科目知识图谱中检索并匹配知识点；

基于匹配知识点关联的知识图谱和个人知识图谱进行比对，得到用户的知识盲区。

其中，所述根据知识盲区生成学习推荐内容的具体步骤包括：

利用数据挖掘从知识盲区对应的文本数据中提取与知识盲区相关的知识点；

基于知识点利用机器学习技术生成相应例题；

对生成的知识点和例题进行验证和优化。

其中，所述基于知识点利用自然语言处理和机器学习技术，生成符合要求的例题的具体步骤包括：

构造例题库；

基于知识点在例题库中查找目标例题；

结合目标例题采用自然语言处理和机器学习技术生成相应的例题。

第二方面，本发明还提供一种基于知识图谱的自适应学习系统，包括科目知识图谱构建模块、个人知识图谱构建模块、比对模块、学习内容生成模块和监测模块，所述科目知识图谱构建模块、所述个人知识图谱构建模块、所述比对模块、所述学习内容生成模块和所述监测模块依次连接；

所述科目知识图谱构建模块，用于构建学习科目知识图谱；

所述个人知识图谱构建模块用于收集用户的学习行为数据，并生成用户的个人知识图谱；

所述比对模块，用于将个人知识谱图和学科知识图谱进行比对，确定用户的知识盲区；

所述学习内容生成模块，用于根据知识盲区生成学习推荐内容，所述学习推荐内容包括与知识盲区对应的知识点和例题；

所述监测模块，用于收集用户在知识点和例题的学习过程中的反馈数据实时监测学习效果。

本发明的一种基于知识图谱的自适应学习方法及系统，包括：构建学习科目知识图谱；收集用户的学习行为数据，并生成用户的个人知识图谱；将个人知识谱图和学科知识图谱进行比对，确定用户的知识盲区；根据知识盲区生成学习推荐内容，所述学习推荐内容包括与知识盲区对应的知识点和例题；收集用户在知识点和例题的学习过程中的反馈数据实时监测学习效果，从而可以更好的划定需要的知识范围，然后采用收集到的个人的知识图谱和科目的知识图谱进行比对，从而可以更加方便的比对出个人的知识盲区，然后基于知识盲区以针对性的生成推荐内容，从而可以更好的生成知识点和例题，以提高用户的学习效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的第一实施例的一种基于知识图谱的自适应学习方法的流程图。

图2是本发明的第一实施例的构建学习科目知识图谱的流程图。

图3是本发明的第一实施例的收集用户的学习行为数据，并生成用户的个人知识图谱的流程图。

图4是本发明的第一实施例的将个人知识谱图和学科知识图谱进行比对，确定用户的知识盲区的流程图。

图5是本发明的第一实施例的根据知识盲区生成学习推荐内容，所述学习推荐内容包括与知识盲区对应的知识点和例题的流程图。

图6是本发明的第一实施例的基于知识点利用机器学习技术生成相应例题的流程图。

图7是本发明的第二实施例的一种基于知识图谱的自适应学习系统的结构图。

科目知识图谱构建模块201、个人知识图谱构建模块202、比对模块203、学习内容生成模块204、监测模块205。

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，旨在用于解释本发明，而不能理解为对本发明的限制。

第一实施例

请参阅图1～图6，图1是本发明的第一实施例的一种基于知识图谱的自适应学习方法的流程图。图2是本发明的第一实施例的构建学习科目知识图谱的流程图。图3是本发明的第一实施例的收集用户的学习行为数据，并生成用户的个人知识图谱的流程图。图4是本发明的第一实施例的将个人知识谱图和学科知识图谱进行比对，确定用户的知识盲区的流程图。图5是本发明的第一实施例的根据知识盲区生成学习推荐内容，所述学习推荐内容包括与知识盲区对应的知识点和例题的流程图。图6是本发明的第一实施例的基于知识点利用机器学习技术生成相应例题的流程图。本发明提供一种基于知识图谱的自适应学习方法，包括：

S101构建学习科目知识图谱；

具体步骤包括：

S201确定科目的知识范围；

为了提高知识的相关性以及匹配用户的学习目标，需要对科目的知识范围进行限定。

S202基于知识范围收集数据，并对数据进行预处理，得到知识数据；

在得到知识范围之后就需要收集和整理相关的数据。这包括文献、书籍、网页、数据库等多种来源。此外，还可以通过网络爬虫等技术获取相关数据。

然后对收集到的数据进行预处理，如去除噪音、清洗数据、统一数据格式等。这一步骤的目的是确保数据质量，为后续的知识抽取和图谱构建奠定基础。

S203基于预处理后的知识数据，利用数据挖掘等技术抽取领域内的实体、关系和属性；

知识图谱中的实体可以是学习者、学习资源、学科概念等，关系可以表示学习者的兴趣、学习资源之间的关联等。

S204将抽取到的实体、关系和属性进行组织构建科目知识图谱。

S102收集用户的学习行为数据，并生成用户的个人知识图谱；

具体步骤包括：

S301用户上传个人学习资料；

所述个人学习资料包括学习笔记、已经出结果的考试试卷、已经完成的作业。通过收集上述资料可以更加完整地收集用户的学习数据，提高对用户的了解程度。

S302基于个人学习资料构造用户学习行为数据；

对收集到的学习资料进行数据清洗和整理。这包括去除重复数据、处理缺失值、标准化数据格式等。确保数据的准确性和一致性。根据学习行为的目标和需求，定义相应的学习行为指标。例如，学习时间、学习频率、课程参与度、错题率等。确保指标能够反映用户的学习行为特征。将学习资料转化为可用的学习行为数据。这可以通过编码将学习资料映射到相应的学习行为指标中。

S303根据收集到的用户学习行为数据，构建用户知识图谱。

S103将个人知识谱图和学科知识图谱进行比对，确定用户的知识盲区；

具体步骤包括：

S401确定个人知识图谱的知识标签；

通过对个人知识图谱进行检索以通过不同的权重得到对应的知识标签，从而便于得到知识的主题。

S402基于知识标签在科目知识图谱中检索并匹配知识点；

S403基于匹配知识点关联的知识图谱和个人知识图谱进行比对，得到用户的知识盲区。

通过两个知识图谱相关的进行相关性比对，并瞄准个人知识图谱相对科目知识图谱缺少的内容以得到相应的知识盲区。

S104根据知识盲区生成学习推荐内容，所述学习推荐内容包括与知识盲区对应的知识点和例题；

具体步骤包括：

S501利用数据挖掘从知识盲区对应的文本数据中提取与知识盲区相关的知识点；

知识盲区是结构化的知识图谱对应的数据，因此如果需要得到更加完整的知识点，则需要从初始数据中得到与知识盲区相关的知识点。

S502基于知识点利用机器学习技术生成相应例题；

具体步骤包括：

S601构造例题库；

S602基于知识点在例题库中查找目标例题；

S603结合目标例题采用自然语言处理和机器学习技术生成相应的例题；

针对每个知识点来生成对应的例题，具体包括从知识点和例题中提取有用的特征。这些特征可以包括问题描述、关键词、解题步骤、题目类型等。然后通过对知识点和例题进行文本处理、自然语言处理等技术，将其转化为可用于机器学习算法的特征表示。然后选择适合的机器学习算法，如分类算法、生成模型等，建立知识点和例题的关联模型。可以采用监督学习或无监督学习的方法，根据已有的知识点和例题数据，训练模型来预测例题与知识点之间的关联。

使用训练数据集对模型进行训练。从而可以得到生成例题的模型。

S503对生成的知识点和例题进行验证和优化。

根据学习效果数据的分析结果，确定调整知识点和例题的策略。可以根据学习者的薄弱知识点，提供更多的相关知识点和例题。或者针对学习者的强项，提供更高难度或拓展性的知识点和例题。根据调整策略，将相关的知识点与学习者的学习过程进行关联。可以通过知识图谱或其他知识结构，动态调整学习者学习的知识点顺序和深度。在学习过程中，根据学习者的学习效果和反馈，调整所学知识点的重要性和优先级。根据调整策略，动态生成或选择合适的例题。可以根据学习者的薄弱知识点，提供更多涉及该知识点的例题，帮助学习者加深对知识点的理解和掌握。或者根据学习者的强项，提供更高难度或拓展性的例题，挑战学习者的学习水平。

S105收集用户在知识点和例题的学习过程中的反馈数据实时监测学习效果。

通过监测学习效果可以更好的对用户进行定期检测和结果验证，从而提高学习效率。

本发明的一种基于知识图谱的自适应学习方法，包括：构建学习科目知识图谱；收集用户的学习行为数据，并生成用户的个人知识图谱；将个人知识谱图和学科知识图谱进行比对，确定用户的知识盲区；根据知识盲区生成学习推荐内容，所述学习推荐内容包括与知识盲区对应的知识点和例题；收集用户在知识点和例题的学习过程中的反馈数据实时监测学习效果，从而可以更好的划定需要的知识范围，然后采用收集到的个人的知识图谱和科目的知识图谱进行比对，从而可以更加方便的比对出个人的知识盲区，然后基于知识盲区以针对性的生成推荐内容，从而可以更好的生成知识点和例题，以提高用户的学习效率。

第二方面，请参阅图7，图7是本发明的第二实施例的一种基于知识图谱的自适应学习系统的结构图。本发明还提供一种基于知识图谱的自适应学习系统，包括科目知识图谱构建模块201、个人知识图谱构建模块202、比对模块203、学习内容生成模块204和监测模块205，所述科目知识图谱构建模块201、所述个人知识图谱构建模块202、所述比对模块203、所述学习内容生成模块204和所述监测模块205依次连接；

所述科目知识图谱构建模块201，用于构建学习科目知识图谱；

所述个人知识图谱构建模块202用于收集用户的学习行为数据，并生成用户的个人知识图谱；

所述比对模块203，用于将个人知识谱图和学科知识图谱进行比对，确定用户的知识盲区；

所述学习内容生成模块204，用于根据知识盲区生成学习推荐内容，所述学习推荐内容包括与知识盲区对应的知识点和例题；

所述监测模块205，用于收集用户在知识点和例题的学习过程中的反馈数据实时监测学习效果。

在本实施方式中，通过上述方式可以更好的划定需要的知识范围，然后采用收集到的个人的知识图谱和科目的知识图谱进行比对，从而可以更加方便的比对出个人的知识盲区，然后基于知识盲区以针对性的生成推荐内容，从而可以更好的生成知识点和例题，以提高用户的学习效率。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。