基于知识特征划分与多维测评的个性化知识图谱生成方法

技术领域

本发明涉及基于知识特征划分与多维测评的个性化知识图谱生成方法。

背景技术

个性化教学是一种基于学生的特点、需求和兴趣，为每个学生提供独特教学方法和资源的教学模式。它将学生视为主动参与者，强调根据学生的不同能力水平、学习风格和学科兴趣进行个别化的指导和支持。学生在认知、学习风格、兴趣和背景方面存在差异。传统的一刀切教学模式难以满足不同学生的需求。个性化教学可以更好地适应学生的个体差异，提供针对性和灵活性的学习体验。

随着大数据技术的快速发展，获取并分析海量的学习者数据。这些数据包括学习者的学习力、基础学业水平、课程学习情况等信息。通过对这些数据的挖掘和分析，可以建立个性化知识图谱，为学习者提供个性化的学习资源和服务。

现有的知识图谱生成方法，仅从教材本身的章节结构出发进行创建。如专利文件CN 110287327A中提出了基于教材和有向超图的路径适应性知识图谱自动生成方法，是根据现有教材利用有向超图自动生成某个学科的路径适应性知识图谱，该方法能够建立教材章节之间的有向关系，但该方法仅创建了基于教材的知识图谱，没有考虑学生的学习力、基础学业水平、课程学习情况等对教材学习的影响。

公开号为CN107085803A的专利文献中提出了基于知识图谱和能力测评的个性化教学资源推荐系统，该系统是依据教学资源，对学习能力各不相同的学生，以及面向差异学生进行教学的教师能够以比较高的精准度推荐教学资源。该系统是利用知识图谱技术将教学资源库中的知识点和资源分层次描述并穿接起来，清楚的展示了知识点和资源各个实体之间的关系，同时描述了资源实体之间的相似度，使得知识点和资源的结构清晰明了，方便了资源库应用层进行信息提取。该系统通过对学生学习能力的测评来划分学生学习能力的等级，以获得每个学生在学习上已覆盖知识点，未覆盖知识点，得分低知识点，以及与上一等级的差异知识点，以便于找出学生未获及的知识点，并以此为基准对学生进行有针对性的资源推荐，可以很大程度上提高推荐精确度，把学生真正欠缺和需要的资源推荐给学生。

频繁项集关联分析是一种数据挖掘技术，可用于发现教学教材与学生自身情况之间的关联规则。该方法能够帮助识别和理解教学教材与学生能力中的隐藏模式和关系，从而为个性化知识图谱的构建提供有用的信息。

发明内容

现有技术中的不足之处在于现有的教材知识图谱生成方法，仅是从教材本身的章节结构出发进行创建的，没有考虑学生的学习力、基础学业水平、课程学习情况等对教材学习的影响，无法提供个性化的学习资源和服务。

本发明的目的在于克服现有技术中的不足之处，提供一种基于知识特征划分与多维测评的个性化知识图谱生成方法，以便于提供个性化的学习资源和服务。

基于知识特征划分与多维测评的个性化知识图谱生成方法，其特征在于，

S1，将教材目录细化拆分为知识点，并通过关键词匹配方法对每个章节进行标定分类，将知识点分成概念类、逻辑类、发散思维类以及强化类的课程；

S2，采用多维能力测评方法对学生的基础能力及学习力进行测评；

S3，用编排好的学生测评数据格式集学生测评数据，并由学生测评数据组成学生测评数据集；

S4，通过关联分析方法对学生测评数据集进行反向关联分析生成关联规则；

S5，根据关联规则、学习力测评结果生成个性化知识图谱。

进一步的方案是，所述教材目录拆分成知识点及知识点标定分类的方法包括如下所述的步骤：

S11、以教材为基础构建思维导图，将不同层级的章节规划为统一层级；

S12、针对每一章节按照完整句子进行分割；对于每个句子，进行分词和词性标注处理，并过滤掉停用词，只保留指定词性的单词，如名词、动词、形容词，得到保留后的候选关键词；

S13、构建候选关键词图G = (V,E)，其中V为节点集，由生成的候选关键词组成，然后采用共现关系构造任两点之间的边；

S14、迭代传播各节点的权重，直至收敛；对节点权重进行倒序排序，从而得到最重要的T个单词，作为候选关键词；

S15、将得到的最重要的

S16、根据得到的关键词组、关键词组在原始文本中的位置、进行人为判断标定分类。

进一步的方案是，所述多维能力测评方法包括学生基础能力测评方法及学习力测评方法。

更进一步的方案是，所述学生基础能力测评方法包括如下步骤：

S41：从上述分类中随机抽取四节关联课程用于测试；

S42：测试工具来源于贴片式脑电设备，用于采集学生在在线学习过程中的脑电波，用于测评学生专注力、记忆力、逻辑推理力；

S43：根据采集的脑电数据计算出学生在四节课程中的平均专注力水平、评价记忆力水平及平均逻辑推理力水平。

更进一步的方案是，所述学习力测评方法包括如下步骤：

S51：使用学习力测评量表及贴片式脑电设备实现测评；

S52：采集学生在做量表时的脑电数据及量表结果；

S53：根据脑电数据判断学生是否认真进行量表测评，满足条件则根据量表结果给出学生学习能力水平、学习动力水平及学习态度水平。

更进一步的方案是，所述量表包括但不限于持续性操作测验(CPT)、瞬时记忆力测验、瑞文推理测验联合型(CRT)。

进一步的方案是，所述学生测评数据格式是以概念类、逻辑类、发散思维类以及强化类课程为标签，以学生的年级、性别、年龄等基础信息，在四类课程中的专注力水平、记忆力水平、理解力水平为特征构造而成的。

进一步的方案是，所述关联分析方法包括如下步骤：

S71：假设学生测评数据集共包含n个特征；

S72：计算学生测评数据集中每个项集出现的频率，每个项集中包含的特征个数由1变化至n；

S73：筛选出符合条件的频繁项集；

S74：基于频繁项集，生成关联规则，并计算每个规则的置信度；

S75：根据要求的最小置信度阈值，筛选出满足置信度要求的关联规则。

进一步的方案是，所述个性化知识图谱生成方法包括如下步骤：

S81、依据所述教材目录拆分成知识点及知识点标定分类的方法得到个性化知识图谱中的多个实体的步骤；

S82、以关联规则中的项集集合链接个性化知识图谱中的实体的步骤，即实体间关系的映射步骤；其中，映射规则为：

依据学生在概念类、逻辑类、发散思维类以及强化类课程中的表现判断：

S821、显示学生对概念类课程接受程度高，则下一步应学习逻辑类课程；

S822、若显示学生对逻辑类课程接受程度高，则下一步应学习发散思维类课程；

S823、若显示学生对发散思维类课程接受程度高，则下一步应学习强化类课程；

S83、根据学习力测评结果，链接不同知识点的步骤，即知识点间关系的映射步骤；其中，映射规则为：

S831、对学生学习力测评特征结果进行排序；

S832、若学生学习态度较高，则从概念类中抽取与上一知识点相关的知识点开始学习；

S833、若学生动力水平较高，则由逻辑类中抽取与上一知识点相关的知识点开始学习；

S834、若学生学习能力水平较高，则由发散思维类中抽取与上一知识点相关的知识点开始学习。

有益效果

本发明基于个性化知识图谱，能够依据学生的个体差异提供个性化的学习资源和服务；

本发明通过所述的关联分析法，实现了教材的知识点和学生基础能力的关联；

本发明通过课程和贴片式脑电设备结合，实现了对学生的注意力、记忆力及理解力的测评；

本发明通过贴片式脑电设备和学习力测评量表相结合，实现了对学生的学习能力、学习动力及学习态度的测评；

本发明通过教材目录拆分成知识点及知识点标定分类、测评学生基础能力与学习力，实现了在线教学场景中知识点细化分类及对学生的多维测评，且分析了学生能力与章节类别之间的关联性，为学生制定适应自身能力的个性化知识图谱。

附图说明

图1为本发明的整体流程图；

图2为本发明中教材目录拆分成知识点及知识点标定分类方法示意图；

图3为本发明中多维能力测评方法示意图；

图4为本发明中关联分析方法示意图；

图5为本发明中个性化知识图谱生成方法示意图。

具体实施方式

结合实施例和附图，对本发明作进一步地说明。

在一些实施例中，如图1所示，基于知识特征划分与多维测评的个性化知识图谱生成方法，首先，将教材目录细化拆分为知识点，并通过关键词匹配方法对每个知识点进行标定分类，将知识点分成概念类、逻辑类、发散思维类以及强化类的课程；接着，采用多维能力测评方法对学生基础能力及学习力进行测评；其中，所述的学生基础能力包括学生专注力、记忆力、逻辑推理力；所述的学习力包括学习能力、学习动力及学习态度；然后，用编排好的学生测评数据格式来于收集学生测评数据，并由学生测评数据组成学生测评数据集；其次，通过关联分析方法对学生测评数据集进行反向关联分析生成关联规则；最后，根据关联规则、学习力测评结果生成个性化知识图谱。

在一些实施例中，如图2所示，所述的教材目录拆分成知识点及知识点标定分类的方法包括如下所述的步骤：以教材为基础构建思维导图，将不同层级的章节规划为统一层级；针对每一章节按照完整句子进行分割；对于每个句子，进行分词和词性标注处理，并过滤掉停用词，只保留指定词性的单词，如名词、动词、形容词，得到保留后的候选关键词；构建候选关键词图G = (V,E)，其中V为节点集，由生成的候选关键词组成，然后采用共现关系构造任两点之间的边；接着，迭代传播各节点的权重，直至收敛；对节点权重进行倒序排序，从而得到最重要的T个单词，作为候选关键词；将得到的最重要的

依据上述方法，所述的教材目录拆分成知识点及知识点标定分类的方法具体为，若关键词组为知识点专有名词及“定义”、“概念”等词,并且在原始文本章节的1/4部分出现，则标定为概念类课程；若关键词组包括知识点专有名词及“推理”、“证明”等词，并且在原始文本章节的1/2部分出现，则标定为逻辑类课程；若关键词组包括多个知识点专有名词，并且在原始文本章节的3/4部分出现，则标定为发散思维类课程；若关键词组包括多个知识点专有名词及“拓展”、“应用”等词，并且在原始文本的章节末端部分出现，则标定为强化类课程。

在一些实施例中，如图3所示，所述多维能力测评方法包括学生基础能力测评方法及学习力测评方法，其中，所述学生基础能力测评方法包括如下步骤：

S41：从上述分类中随机抽取四节关联课程用于测试；

S42：用贴片式脑电波测试仪，采集学生在在线学习过程中的脑电波，测评学生专注力、记忆力、逻辑推理力；

S43：根据采集的脑电波数据计算出学生在四节课程中的平均专注力水平、平均记忆力水平及平均理解力水平。

其中，在S43中对收集的原始脑电数据通过采用小波分析进行预处理，提取δ（0Hz～4Hz）、θ(4Hz～8Hz）、α（8Hz～12Hz）和β(12Hz～40Hz)波四种脑电节律的能量作为特征量；学生在四节课程中的用时分别为T

。

其中，V_a：表示学生的平均注意力水平；V_m：表示学生的平均记忆力水平；V_c：表示学生的平均理解力水平；对采集的脑电信号进行分区：δ波（0Hz～4Hz）；θ波(4Hz～8Hz）；α波（8Hz～12Hz）；β波(12Hz～40Hz)；抽取四节关联课程进行学习，其中每节课程用时可以用[T

举例说明：令n=1, 表示学生在第一节课程学习中，则

上式表示在 T

上式表示在 T

上式表示在 T

所述学习力测评方法包括如下步骤：

S51：使用持续性操作测验(CPT)、瞬时记忆力测验或/和瑞文推理测验联合型(CRT)及贴片式脑电设备进行测评；

S52：采集学生在做量表时的脑电数据及量表结果；

S53：根据脑电数据判断学生是否认真进行量表测评，满足条件则根据量表结果给出学生学习能力水平、学习动力水平及学习态度水平。

所述量表包括但不限于持续性操作测验(CPT)、瞬时记忆力测验、瑞文推理测验联合型(CRT)。

在一些实施例中，如图4所示，所述学生测评数据格式是以概念类、逻辑类、发散思维类以及强化类课程为标签，以学生的年级、性别、年龄等基础信息，在四类课程中的专注力水平、记忆力水平以及逻辑推理力水平为特征的规则编排而成的。

在一些实施例中，所述关联分析方法包括如下步骤：

S71：假设学生测评数据集共包含n个特征；

S72：计算学生测评数据集中每个项集出现的频率，每个项集中包含的特征个数由1变化至n；

S73：筛选出符合条件的频繁项集；

S74：基于频繁项集，生成关联规则，并计算每个规则的置信度；

S75：根据要求的最小置信度阈值，筛选出满足置信度要求的关联规则。

所述的关联规则依据频繁项集挖掘得到，在概念类课程学习中，学生基础能力测评中注意力水平达到85分以上，则[概念类,注意力水平>85]是当前数据集的正向关联规则，可得到反向关联规则为[逻辑类，注意力水平>85]。

在一些实施例中，如图5所示，所述个性化知识图谱生成方法包括如下步骤：

S81、依据教材目录拆分成知识点及知识点标定分类方法得到个性化知识图谱中的多个实体；

S82、以关联规则中的项集集合链接个性化知识图谱中的实体，即实体间关系的映射；映射规则为：以学生在概念类、逻辑类、发散思维类以及强化类课程中的表现，

S821、若显示学生对概念类课程接受程度高，则下一步应学习逻辑类课程；

S822、若显示学生对逻辑类课程接受程度高，则下一步应学习发散思维类课程；

S823、若显示学生对发散思维类课程接受程度高，则下一步应学习强化类课程；

S83、根据学习力测评结果，链接不同知识点，即知识点间关系的映射；映射规则为：

S831、对学生学习力测评特征结果排序；

S832、若学生学习态度水平较高，则从概念类中抽取与上一知识点相关的知识点开始学习；

S833、若学生动力水平较高，则由逻辑类中抽取与上一知识点相关的知识点开始学习；

S834、若学生学习能力水平较高，则由发散思维类中抽取与上一知识点相关的知识点开始学习。

在图5中，A_r表示关联规则确定知识点内的链接，L_p表示学习力确定知识点间的链接。

下面通过案例来说明如何应用本文方法进行基于知识特征划分与多维测评的用户个性化知识图谱生成。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。以以下知识文本目录为例：

首先，将知识文本目录层级统一为同一层级，即KLT1=[A B C D E F]；

接着，采用关键词匹配方法对知识文本内的章节进行标定分类，如图2所示，可得到每章节的标定分类，概念类[A, B, D]、逻辑类[C, E, N1]、发散思维类[F, N2]以及强化类课程[N3,..., Nn]；

然后，随机抽取四类课程A、E、F、N3进行学习，头戴式脑电设备记录并计算得到学生的平均注意力水平[V_aA，V_aE，V_aF，V_aN3]、平均记忆力水平[V_mA，V_mE，V_mF，V_mN3]及平均理解力水[V_cA，V_cE，V_cF，V_cN3]；量表及头戴式脑电设备评估学生创新能力、学习能力L_a、学习动力L_m、学习态度L_at，如图3所示；

以学生的年级、性别、年龄为基础信息，以学生在四类课程中的注意力水平、记忆力水平、理解力水平为特征，构造数据集：

D1=[Grade, Gender, Age, Course, V_a, V_m, V_c]

包括年级(Grade)、性别(Gender)、年龄(Age)、课程类别(Course: A、E、F、N3)、注意力水平(V_a)、记忆力水平(V_m)、理解力水平(V_c)；

其次，对上述数据集D1进行频繁项集挖掘，如图4所示；

可得到诸如在概念类课程学习中，学生基础能力测评中注意力水平达到85分以上，则[概念类,注意力水平>85]为当前数据集的正向关联规则，根据正向关联规则可得到反向关联规则为[逻辑类，注意力水平>85]；

最后，根据得到的反向关联规则及学习力水平，实现个性化知识图谱自动生成，如图5所示。