一种基于SOM神经网络算法的在线知识聚合方法与流程

本发明属于人工智能与在线教育交叉领域，是一种基于自组织映射(som)神经网络算法的在线知识聚合方法。

背景技术：

碎片化知识使学习者便捷获取知识的同时，也存在一些问题。一是碎片化知识来源比较零散，缺少知识的整合性，其存在形式显现随机、动态、片段化；二是碎片化知识易导致知识结构紊乱，将原有知识进行碎片化的过程中，破坏了原有知识结构；

因此，现有的碎片化知识形态存在以下的缺陷：(1)碎片化知识的存在形式片段化、组织方式无序化。(2)碎片化知识之间缺乏必要的关联。

目前，碎片化知识的组织方式仍为传统的、堆叠式的组织方式，颗粒度过粗。在碎片化学习过程中，尚不能基于现有技术进行知识的重组，对知识碎片缺乏归一化提取、语义关联、动态聚合等再组织方法，易造成学习者知识芜杂和认知超载等问题；

技术实现要素：

本发明的目的在于克服原有技术的不足之处，提供一种基于som神经网络算法的在线知识聚合方法，该方法有利于使碎片化知识结构系统化，提高在线知识的获取率。

为实现上述目的，本发明所采用的技术方案是：一种基于som神经网络算法的在线知识方法，步骤如下：

步骤a：获取知识元：假设x是学生当前正在学习的知识元样本，p1，p2，p3，…，pn，是自组织神经网络中知识元样本的n维输入，记作x＝[p1，p2，p3，…，pn]

步骤b：设置神经元变量：z1，z2，z3，…，zm为输入神经元和输出神经元的m×n个权系数向量，记为zj＝[p1j，p2j，p3j，…，pnj]，其中，j＝1，2，…，m为m个分类，定义迭代次数num＝a。

步骤c：初始化：对每个节点的权值进行初始化，随机产生0到1之间的值。并对输入向量和权值做归一化处理。

x′＝x/x；x为输入样本向量的欧几里得范数

zj′＝zj/z；z为权值向量的欧几里得范数

步骤d：选取获胜神经元：计算样本与权值向量的欧几里得距离dj，比较它们之间的大小，距离最小的神经元赢得竞争，为获胜神经元i(x)。

步骤e：更新权值：对获胜的神经元拓扑邻域内的神经元进行更新，并对学习后的权值重新归一化。令sij表示节点i和j之间的距离，对于i(x)临近的节点，分配给它们一个更新权重：

步骤f：更新节点的参数：按照梯度下降的方法进行更新，直到收敛。

δzji＝η(t)·tj，i(x)(t)·(xi-zji)

zji＝zji-r*δzij

η(t)：为迭代次数num的倒数

步骤g：输出结果：pt1，pt2，pt3，…，ptn为神经网络的n个神经元的知识簇的输出，若则输出ptx知识簇。

相对于现有技术，本发明取得的优点和积极效果是：

该发明将碎片化知识抽取为知识元，并将一个个具有关联关系的知识元聚合为知识簇，知识簇中的知识元之间关系更为明确，知识结构更为紧密，使其在内容和形式上更符合碎片化学习的需求。

附图说明

图1为som神经网络拓扑结构模拟知识簇聚合过程

具体实施方式

步骤a：获取知识元：四元组表示知识元模型

x的维度为知识元样本的属性维度，a：知识元本体结构，b：知识元的概念，c：知识元概念中的一个属性，d：知识元概念上的一个方法。

为用户正在学习的知识元，将它作为样本集中的一个样本；a1、b1、c1、d1代表知识元属性值；

步骤b：设置神经元变量：z为2*4的权重矩阵，行代表分类的个数，列代表维度。

z1，z2为1*4的矩阵，zj＝[p1j，p2j，p3j，p4j]，j取1，2；迭代次数num＝2000；

步骤c：初始化：对每个节点的权值进行初始化，随机产生0到1之间的值。

z＝rand(2，4)

步骤d：选取获胜神经元：

若d1＞d2则对输入样本x来说z2为获胜神经元i(x)，最终得到所有样本的获胜神经元。

步骤e：更新权值：更新获胜神经元周围节点的权重。

步骤f：更新节点的参数：

η(t)＝1/num

δzji＝η(t)·tj，i(x)(t)·(xi-zji)

zji＝zji-r*δzij

步骤g：pt1、pt2为神经网络的n个神经元的知识簇的输出，若则输出pt1知识簇。

以上所述仅为本发明的较佳实施例，凡在发明权限要求所限定的范围内进行的改变、修改，均属于本发明的保护范围。