一种基于知识图谱数学资源推荐的方法、设备和存储介质

1.本发明涉及在线学习与数学资源个性化推荐领域，尤其是涉及一种基于知识图谱数学资源推荐的方法、设备和存储介质。


背景技术：

2.学习资源内部知识属性的结构关系在数学资源上表现尤为突出，由于数学资源内部遵循逻辑结构关系，并不仅是若干个知识属性堆砌，为达到帮助在线学习者更简单、高效地掌握数学知识，学习者首先要掌握对数学资源知识属性的关键运用模式，以便从理解知识转化为掌握知识，从掌握知识转化为灵活运用知识。现有的个性化学习资源推荐仅停留在表面，针对用户薄弱的知识属性推荐相关学习资源，忽略了学习资源内部知识属性之间的结构关系，未深入挖掘学习资源内部知识属性所构成的知识运用模式，不利于用户掌握知识属性以及灵活运用知识属性。
3.知识图谱是一种大规模的语义网络，目前已存在许多以知识图谱为载体的推荐学习方法。将数学资源、知识属性以及知识属性之间的逻辑关系映射到多层知识图谱中，可以有效帮助在线学习者构建学习路径。然而，并不是学习资源携带的所有知识属性运用模式都有价值，如何产生并筛选大量学习资源中关键知识属性运用模式并定量考虑推荐资源的认知负荷是当前急需解决的难题。


技术实现要素：

4.本发明针对现有技术中存在的技术问题，为了筛选大量数学资源的关键知识属性运用模式生成多层知识图谱进行推荐，并考虑推荐资源的认知负荷问题，提出了一种基于知识图谱数学资源推荐的方法、设备和存储介质。
5.根据本发明的第一方面，提供了一种基于知识图谱数学资源推荐的方法，包括以下步骤：
6.提取数学资源的运用模式；
7.根据运用模式生成多层知识图谱；
8.诊断学习者的认知状态，根据学习者认知状态薄弱知识属性规划学习路径；
9.根据生成的知识图谱查找关键运用模式对应的数学资源，对在线学习者基于最近发展区和支持度作个性化推荐。
10.在上述技术方案的基础上，本发明还可以作出如下改进。
11.可选的，所述提取数学资源的运用模式包括：
12.运用序列模式挖掘算法对数学资源集合中每个数学资源包含的知识属性序列构成序列集合，提取频繁项集作为数学资源的运用模式。
13.可选的，所述根据运用模式生成多层知识图谱包括：将所得的知识属性运用模式与学习资源、知识属性嵌入知识图谱，形成多层知识图谱。
14.可选的，所述诊断学习者的认知状态包括：
15.估计无差错情况下在线学习者作答学习资源的结果，和学习者经过多个在线习题资源测试后作答结果发生的概率，并通过所述概率估算学习者的知识掌握情况。
16.可选的，所述根据生成的知识图谱对在线学习者基于最近发展区和支持度作个性化推荐包括：
17.对所生成的知识图谱的知识属性层进行学习路径规划，生成学习者未掌握知识的动态学习路径，根据学习路径中出现的知识属性在知识图谱中查找关键运用模式，根据关键运用模式与最近发展区理论推荐学习资源。
18.可选的，所述知识图谱包括“包含属性”、“包含模式”、“前置知识”、“父类知识”、“知识模式”、“子类模式”中的一种或多种；其中，“包含属性”和“包含模式”关系通过数学语义提取网络和矩阵自动生成算法的结果抽取，或通过专家标记的结果抽取；所述“前置知识”和“子类知识”关系根据数学教材和考试大纲，通过领域专家对“章、节”两级结构的梳理和标注得到；所述“知识模式”和“子类模式”关系由基于频繁项集的运用模式提取算法抽取。
19.可选的，所述学习路径的生成过程包括：
20.若选取了知识属性，则将该知识作为目标知识；若未选取知识属性，则随机抽取学习资源，作答并由教师批改后，根据学习者认知状态薄弱诊断，将诊断结果中未掌握知识作为目标知识；
21.按照学习者自身的学习状态或进度选择屏蔽的知识属性集合，所述屏蔽的知识属性集合不出现在学习路径中；
22.在知识图谱的知识属性层以目标知识为终点进行拓扑排序，生成动态学习路径，去掉动态路径中屏蔽的知识属性集合和已掌握的知识属性集合，获得当前学习路径。
23.可选的，所述根据关键运用模式与最近发展区理论推荐学习资源包括：
24.对学习路径中的每个知识属性，获取其在知识图谱的运用模式层对应的关键运用模式；根据最近发展区理论，按照学习者的能力，按照运用模式由短到长的排序从前往后推荐其在学习资源层对应的学习资源给学习者。
25.根据本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机程序时实现一种基于知识图谱新数学资源推荐的方法的步骤。
26.根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机程序被处理器执行时一种基于知识图谱新数学资源推荐的方法的步骤。
27.本发明的技术效果和优点：
28.本发明基于频繁项集提取知识属性的运用模式可以更深入挖掘知识属性的相关关系，将知识属性运用模式、知识属性与学习资源融合为多层知识图谱，提出一种基于知识图谱数学资源推荐的方法、设备和存储介质，本发明方法能在保证较好的推荐外，突出数学学习资源中知识属性的相互关系，通过运用模式推荐相应的资源，使推荐更具针对性，有效帮助在线学习者针对相关联知识属性的灵活运用。
29.本发明结合最近发展区理论和支持度可以更精准地帮助用户平稳跨越现有认知水平，从而实现个性化数学资源推荐。
30.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
31.图1是本发明实施例提供的一种基于知识图谱数学资源推荐方法的整体流程图；
32.图2是本发明实施例提供的查找知识属性对应运用模式的流程图；
33.图3是本发明实施例提供的多层知识图谱示意图；
34.图4是本发明实施例提供的认知诊断流程图；
35.图5是本发明实施例提供的学习资源推荐流程图。
具体实施方式
36.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
37.需要进行说明的是，在本实施例中，学习资源是可供学习者学习的包含知识的自然语言文本、视频、音频等，在本发明中学习资源特指包含知识的自然语言文本，而数学资源即包含数学知识的习题资源。学习资源的知识属性即该学习资源包含的知识，如一道数学习题资源包含三角函数、格林公式、不定积分等知识，则该数学习题可被称为数学资源，三角函数、格林公式、不定积分等知识可被称为知识属性。
38.为解决现有技术的问题，本专利结合最近发展区理论和支持度可以更精准地帮助用户平稳跨越现有认知水平，从而实现个性化数学资源推荐。本发明提供一种基于知识图谱数学资源推荐的方法，具体如图1所示，所述方法包括以下步骤：
39.步骤1.提取数学资源的运用模式；
40.步骤2.生成多层知识图谱；
41.步骤3.诊断学习者的认知状态，根据学习者认知状态中薄弱知识属性规划学习路径；
42.步骤4.根据生成的知识图谱查找关键运用模式对应的数学资源，对在线学习者基于最近发展区和支持度作个性化推荐。
43.需要说明的是，本发明基于频繁项集提取知识属性的运用模式可以更深入挖掘知识属性的相关关系，将知识属性运用模式、知识属性与学习资源融合为多层知识图谱，该方法能在保证较好的推荐外，突出数学学习资源中知识属性的相互关系，通过运用模式推荐相应的资源，使推荐更具针对性。
44.具体地，在步骤1，提取数学资源的运用模式包括：
45.运用序列模式挖掘算法对数学资源集合中每个数学资源包含的知识属性序列构成的序列集合，提取频繁项集作为数学资源的运用模式。
46.更进一步地，所述提取数学资源的运用模式具体包括：运用序列模式挖掘算法对数学资源集合中每个数学资源li包含的知识属性序列构成的序列集合提取支持度大于最
的序列，运用模式为4-知识模式中包含q1的序列。
55.具体地，在步骤2中，所述生成多层知识图谱包括：将所得的知识属性运用模式与学习资源、知识属性嵌入知识图谱，形成多层知识图谱。
56.更进一步地，具体包括：将步骤1所得的知识属性运用模式与学习资源、知识属性一并嵌入知识图谱，形成三层知识图谱，形成的三层知识图谱包括生成学习资源层、知识属性层、运用模式层三层，知识图谱的实体包含数学资源与知识属性两种类型，知识图谱的关系有层间关系和层内关系两类；学习资源层的实体为学习资源，是数学资源的推荐对象。
57.在本发明实施例中，知识图谱里学习资源层的结点由学习资源集合中的数学资源li组成，知识属性层和运用模式层的结点由知识属性集合中的知识属性qj组成，其中nq表示知识属性的总数；知识图谱的层间、层内关系有六种，包括“包含属性”、“包含模式”、“前置知识”、“父类知识”、“知识模式”、“子类模式”。
58.多层知识图谱示意图如图3所示，其关系定义如表1所示，其中，学习资源是可供学习者学习的包含知识的自然语言文本、视频、音频，在本发明中学习资源特指包含知识的自然语言文本，而知识属性即该学习资源包含的知识，如一道数学习题资源包含三角函数、格林公式、不定积分知识。运用模式表示为提取频繁项集作为数学资源的运用模式。其中，“包含属性”和“包含模式”关系通过数学语义提取网络和q矩阵自动生成算法的结果抽取，也可通过专家标记的结果抽取；“前置知识”和“子类知识”关系则根据数学教材和考试大纲，通过领域专家对“章、节”两级结构的梳理和标注得到；“知识模式”和“子类模式”关系则由步骤1中基于频繁项集的运用模式提取算法抽取，并将所有关系的集合表示为
59.表1：多层知识图谱的层间层内关系表
[0060][0061]
具体地，在步骤3中，所述诊断学习者的认知状态，根据学习者认知状态薄弱知识属性规划学习路径包括：
[0062]
估计无差错情况下在线学习者作答学习资源的结果，和学习者经过多个在线习题资源测试后作答结果发生的概率，并通过所述概率估算学习者的知识掌握情况。
[0063]
其中，更进一步地，诊断学习者的认知状态具体包括：估计无差错情况下在线学习者uk作答学习资源li的结果η
ki
和学习者在有差错情况下经过i个在线习题资源测试后作答
结果发生的概率p(x
k1
，x
k1
，...，x
k1
|αk)，并通过其估算学习者uk的知识掌握情况；
[0064]
诊断学习者的认知状态，包括估计无差错情况下在线学习者uk作答学习资源li的结果η
ki
和学习者在有差错情况下经过i个在线习题资源测试后作答结果发生的概率p(x
k1
，x
k1
，...，x
k1
|αk)，并通过其估算学习者uk的知识掌握情况，其中αk为学习者uk的知识掌握向量。
[0065]
具体如图4所示，对在线学习者uk进行认知诊断，得到学习者对学习资源li的知识掌握情况。认知诊断采用dina模型，学习者uk对每个知识属性的掌握情况其中α
kj
＝1表示学习者uk已掌握知识属性qj，α
kj
＝0表示学习者uk未掌握知识属性qj；学习资源li对知识属性的考察情况用向量qi表示，其中q
ij
＞0表示学习资源li考察了知识属性qj，q
ij
＝0表示学习资源li未考察知识属性qj；根据αk和qi得到无差错情况下学习者uk是否正确作答li的结果η
ki
：
[0066][0067]
存在猜测参数gi和失误参数si的有差错情况下，学习者正确作答li的概率为
[0068]
其中，x
ki
＝1表示学习者uk正确作答li。由此，学习者uk经过i个在线学习资源测试后，经过批改获得作答结果结果在认知诊断中发生的概率为
[0069]
可采用em算法和极大似然估计法求得作答结果发生的期望最大情况下参数αk的取值，得到学习者uk的知识掌握情况。
[0070]
具体实施过程中，将数学资源分为选择题、判断题、填空题和解答题四类，针对不同类型的学习资源，假设学习者等概率随机猜测，则猜测参数下限估算方法如下：
[0071]
选项数目为n的选择题，单选题猜测参数m项多选题猜测参数m项多选题猜测参数为组合数；不定项选择题猜测参数
[0072]
判断题，猜测参数
[0073]
填空题与解答题，猜测参数gi＝0。
[0074]
失误参数采用基于最大逆文件频率的方法进行估算，si＝tanh(γθi)，其中
[0075]
θi表示当前资源的罕见度，n表示数学资源集合的总数，表示包含第j个知识属性的学习资源数目，取知识属性qj所涵盖的学习资源数占总学习资源数n比例的倒数并取对数成为逆文件频率，逆文件频率最大值作为当前资源的罕见度；γ为控制函数斜率的参数。也就是说，在数学资源集合中含有知识属性qj的数学资源越少，则知识属性qj越罕见，将当前数学资源最罕见的知识属性的罕见度作为当前数学资源的罕见度，用以衡量失误参数。
[0076]
给定学习者i个学习资源后，收集其作答结果根据i个学习资源对知识属性的考察情况形成q矩阵q＝[q
ij
]i×j，其中q
ij
＞0表示学习资源li考察了知识属性qj，q
ij
＝0表示学习资源li未考察知识属性qj，在有差错情况下，知识属性所有组合u作为认知状态去作答，u＝2j，表示每种知识属性有两种可能，存在或不存在于学习者的认知状态，计算全部结果的全概率似然，
[0077][0078]
其中，αu表示第u种知识属性组合表示的认知状态，γu＝1表示第u种知识属性组合的认知状态被该学生掌握，θ表示参数，此处指各种认知状态的先验概率，μu表示第u种知识属性组合被学生掌握的概率。将学习者的认知状态作为隐变量，采用em算法，计算全概率似然的期望函数；
[0079][0080]
极大化该期望函数以更新参数θ，循环获得θ的最优解以及q函数的极大值，此时的αu为学习者uk的认知状态，即学习者对给定学习资源集合中知识属性的掌握情况。
[0081]
具体地，在步骤4中，根据生成的知识图谱查找关键运用模式对应的数学资源，对在线学习者基于最近发展区和支持度作个性化推荐包括：
[0082]
对所生成的知识图谱的知识属性层进行学习路径规划，生成学习者未掌握知识的动态学习路径，根据学习路径中出现的知识属性在知识图谱中查找关键运用模式，根据关键运用模式与最近发展区理论推荐学习资源。
[0083]
其中，对在线学习者基于最近发展区和支持度作个性化推荐具体包括：对步骤2中所生成的知识图谱的知识属性层进行学习路径规划，生成学习者未掌握知识的动态学习路径其中l
p
为路径总结点数；根据学习路径中出现的q
jk
查找关键运用模式根据关键运用模式推荐学习资源
[0084]
对在线学习者作个性化推荐包括：根据步骤2中生成的多层知识图谱与在线学习者选中的目标知识q
t
规划生成学习路径其中l
p
为路径总结点数；若在线学习者
未选择目标路径，则采用步骤3的认知诊断结果中其未掌握知识作为目标知识；屏蔽学习路径中已掌握的知识，根据学习路径中的知识属性获取对应的运用模式并根据学习者的知识能力向量α作为“现有发展水平”，逐步增加运用模式长度，帮助学习者平稳跨越认知层次。
[0085]
在本发明实施例中，学习路径的生成过程如下：
[0086]
若在线学习者选取了知识属性q
t
，则将该知识作为目标知识；若在线学习者未选取知识，则随机抽取学习资源，在学习者作答并由教师批改后，根据步骤3对学习者作认知诊断，将诊断结果中未掌握知识作为目标知识q
t
；
[0087]
学习者可按照自己的学习状态或进度选择屏蔽的知识属性集合学习者可按照自己的学习状态或进度选择屏蔽的知识属性集合中的知识属性不会出现在学习路径中；
[0088]
在知识图谱的知识属性层q以目标知识q
t
为终点进行拓扑排序，生成动态学习路径去掉动态路径中屏蔽的知识属性集合和学习者已掌握的知识属性集合α，获得当前学习路径q
jt
表示学习路径t位置的知识属性。
[0089]
在本实施例中，根据知识属性获取学习资源的方式如下：
[0090]
对学习路径中的每个知识属性q
jt
，获取其在知识图谱的运用模式层对应的关键运用模式根据最近发展区理论，按照学习者的能力α，按照运用模式的排序从前往后推荐其在学习资源层对应的学习资源给学习者。
[0091]
具体的，基于最近发展区的关键运用模式推荐为，在知识属性q
jt
三种长度的关键运用模式中，以短模式优先原则对所有运用模式排序，形成多宽度的最近发展区，若存在多个长度相同的运用模式，则以支持度优先的原则排序，更频繁出现的关键模式排序靠前；根据最近发展区理论，将知识属性q
jt
作为“最近发展区”的基本宽度，将学习者的知识能力α作为“现有发展水平”，逐步增加最近发展区宽度，即逐步增加推荐的运用模式的长度，形成推荐运用模式序列在学习资源层根据运用模式找到其所对应的学习资源将学习资源按照运用模式的顺序推荐给学习者。
[0092]
具体实施过程示例如图5所示，目标知识为q
12
，屏蔽知识为{q1}，在线学习者当前知识能力向量为《q4，q
11
》；在知识属性层q以目标知识q
12
为终点进行拓扑排序后得到学习路径《q1，q4，q6，q8，q9，q
11
，q
12
》，除去屏蔽知识和学习者知识能力向量后得到当前动态学习路径《q6，q8，q9，q
12
》，在运用模式层找到学习路径中知识属性对应的运用模式并按照最近发展区和支持度排序，得到运用模式序列q6对应运用模式序列q8对应运用模式序列q9、q
11
同理，继而在学习资源层根据运用模式找到对应的学习资源依次推荐给学习者，对应学习资源对应学习资源对应学习资源其余同理；根据学习者的作答情况作认知诊断，更新学习者的知识能力向量。
[0093]
综上，针对目前数学资源个性化推荐领域以知识属性为重点推荐的问题，本发明
基于频繁项集提取知识属性的运用模式可以更深入挖掘知识属性的相关关系，将知识属性运用模式、知识属性与学习资源融合为多层知识图谱，提出一种基于知识图谱新数学资源推荐的方法。该方法能过在保证较好的推荐外，突出了数学学习资源中知识属性的相互关系，通过运用模式推荐相应的资源，使推荐更具针对性，有效帮助在线学习者针对相关联知识属性的灵活运用。
[0094]
以上所述仅是本发明的列选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。
[0095]
根据本发明的第二方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机程序时实现一种基于知识图谱新数学资源推荐的方法的步骤。所述方法包括以下步骤：
[0096]
提取数学资源的运用模式；
[0097]
根据运用模式生成多层知识图谱；
[0098]
诊断学习者的认知状态，根据学习者认知状态薄弱知识属性规划学习路径；
[0099]
根据生成的知识图谱查找关键运用模式对应的数学资源，对在线学习者基于最近发展区和支持度作个性化推荐。
[0100]
根据本发明的第三方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机程序被处理器执行时一种基于知识图谱新数学资源推荐的方法的步骤。所述方法包括以下步骤：
[0101]
提取数学资源的运用模式；
[0102]
根据运用模式生成多层知识图谱；
[0103]
诊断学习者的认知状态，根据学习者认知状态中薄弱知识属性规划学习路径；
[0104]
根据生成的知识图谱查找关键运用模式对应的数学资源，对在线学习者基于最近发展区和支持度作个性化推荐。
[0105]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0106]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。