中的所有历 史领域的知识点作为目标知识点。当关注的是历史和经济领域的知识点时，可以同时在提 取历史百科全书和经济学中提取出目标知识点。当关注的是某个类别的知识点时，如当关 注的是历史领域中的人物时，则从历史百科权书中提取出所有人物相关的知识点。
[0042]2、选取第一目标知识点，确定所述第一目标知识点与每个第二目标知识点的关系 强度，其中，第二目标知识点为所有目标知识点中除所述第一目标知识点之外的所有目标 知识点。
[0043] 在此，选定一个目标知识点作为第一目标知识点，其余的知识点都是第二目标知 识点，然后计算第一目标知识点与所有第二目标知识点的关系强度，本实施例中关系强度 的计算方法可以采用现有技术中的方式来计算，这样就获得了第一目标知识点与所有第二 目标知识点的关系强度。
[0044] 3、根据确定的每个关系强度，确定与所述第一目标知识点相关的第二目标知识 点。
[0045] 在此，可以设定关系强度阈值，将与第一目标知识点的关系强度大于该阈值的第 二目标知识点作为与所述第一目标知识点相关的第二目标知识点。
[0046] 在其他的实施方式中，还可以将第一目标知识点与每个第二目标知识点的关系强 度降序排列，选取排列在前的预设数量的第二目标知识点作为与所述第一目标知识点相关 的第二目标知识点。
[0047] 本方案中，确定与所述第一目标知识点相关的第二目标知识点时，可以采用预设 阈值的方式，将关系强度大于该阈值的第二目标知识点作为相关的目标知识点，也可以采 用将关系强度降序排列，选取排列在前的部分第二目标知识点作为相关的目标知识点，选 择的方式和个数根据需要灵活设置。
[0048] 4、将所述第一目标知识点与所有相关的第二目标知识点相关联。
[0049] 本实施例中，将所述第一目标知识点作为主体，每个第二目标知识点作为客体，通 过与关联相关的谓词，将主体、谓词和客体作为三元组。
[0050] 如经过计算得出第一目标知识点"秦始皇"与"秦朝"是相关的知识点，可以表示 为三元组{秦始皇，相关知识点，秦朝}，但是由于存在重名的知识点，为了保证其唯一性， 也可以采用知识点的ID来表示，如秦始皇的ID为12345,秦朝的ID为12346,则可以将该 关联关系表示为{12345,相关知识点，12346}。此外，对于与关联相关的谓词，还可以附加上 其相关程度的标识，如1为最相关，2为次相关，依次相关度递减，则可以表示为{12345,相 关知识点_1，12346}，其他相关度其次的知识点"李斯"ID12347,可以表示为{12345,相关 知识点 _2,12347}。
[0051] 当用户学习某个知识点时，从上述获得的数据中获取与该知识点相关程度较高的 关联的知识点，以便用户进行关联学习。
[0052] 本方案中通过借助获取的目标知识点作为基础，根据目标知识点间的关系强度的 大小确定相关的目标知识点，然后进行关联，用于后续知识点的推荐，便于用户进行关联学 习。避免了现有技术中的推荐方法，需要借助用户的历史数据进行推荐，对于首次使用时无 法为用户进行合理的推荐的技术问题。而本方案中使用知识点关联进行推荐时，可以不使 用用户的访问记录，只根据相关的知识点进行推荐。当然，在获取了用户的访问记录后，也 可以结合用户的访问记录进行更加个性化的推荐，如用户访问某一类知识点比较多时，如 在用户的访问记录中，访问的人物类知识点比较多，当使用本方案中的关联的知识点结合 用户访问记录进行推荐时，可以把人物相关的知识点优先推荐给用户，这样为用户的推荐 具有更好的针对性，实现了个性化的知识点推荐。
[0053] 实施例2：
[0054] 本实施例中也提供一种知识点关联方法，包括如下步骤：
[0055] 1、获取所有目标知识点，例如从知识库中抽取全部知识点作为目标知识点，此处 从网络百科（包含百度百科、维基百科、互动百科、搜搜百科等中的一种或几种）中抽取知 识点作为基础进行计算。
[0056] 2、选取第一目标知识点，确定所述第一目标知识点与每个第二目标知识点的关系 强度，其中，第二目标知识点为所有目标知识点中除所述第一目标知识点之外的所有目标 知识点。
[0057] 具体的过程为：
[0058] (1)计算第一目标知识点与所有第二目标知识点的显性关系强度。
[0059] 首先，获取第一目标知识点和第二目标知识点的名称和解释，根据该名称和解释 来进行显性关系强度的计算。
[0060] 从知识点％到知识点0j的显性关系强孩
1其中
?> 〇是反向关联因子，Ct越大表明反向关 联越弱，μ> 〇是Xj在yi中的出现次数，x.j表示知识点〇j的名称，yi表示知识点〇i的解 释。
[0061] (2)计算第一目标知识点与所有第二目标知识点的隐性关系强度。主要包括根据 第一目标知识点与第二目标知识点的显性关系强度构建显性关系图，并根据该显性关系图 构建辅助图；根据所述辅助图计算第一目标知识点与第二目标知识点的的隐性关系强度。 具体如下：
[0062] 构建显性关系图G= (V，E)，其中V是由知识点组成的顶点集合，从知识点〇1到知 识点〇]的边的权重设置为fE(i，j)，fE(i，j)为从知识点〇1到知识点〇]的显性关系强度；
[0063] 根据图G= (V，E)构建辅助图G' = (V'，E'），其中V' =V，从知识点〇1到知识点 的边的权重设置为-ln(fE(i，j))，如果fE(i，j) = 0,则在G'中不存在从知识点〇1到知 识点〇j的边；
[0064] 根据图G' = (V'，E'），计算知识点〇1到知识点〇]隐性关系强度 /^/) = _(-<^1，其中?)是在图6'中从知识点〇1到知识点〇]的最短路径'的长 度。
[0065] (3)根据所述显性关系强度和隐性关系强度创建第一目标知识点与所有第二目标 知识点的关系强度矩阵。过程为：
[0066] 关系强度矩阵为M，如果fE(i，j)彡fji，j)，则设置=fE(i，j);否则，设置^ =AG，j)，其中fE(i，j)为显性关系强度，fji，j)为隐性关系强度。
[0067] 3、根据确定的每个关系强度，确定与所述第一目标知识点相关的第二目标知识 点。
[0068] 当计算出每个关系强度后，将关系强度高的第二目标知识点作为相关知识点，此 处可以通过预设一定阈值，将关系强度超过该阈值的第二知识点作为相关的第二目标知识 点。也可以得到的关系强度降序排列，选取一定数量的排序在前的第二目标知识点作为相 关的第二目标知识点。
[0069] 4、将所述第一目标知识点与所有相关的第二目标知识点相关联。
[0070] 在进行关联时，可以采用数据库的方式进行关联，例如：在数据库中创建一个关系 表，该表中设置两个字段，分别是"知识点1"和"知识点2"，字段"知识点1"保存第一目标 知识点的ID，字段"知识点2"保存第二目标知识点的ID，每条数据记录对应从第一目标知 识点到第二目标知识点的一条关系。
[0071] 如果需要表示两个目标知识点之间的相关程度，还可以增加一个字段，如关系强 度，在该字段中，表示的是两个知识点的关系强度，如字段"知识点1"保存第一目标知识点 的ID，字段"知识点2"保存第二目标知识点的ID，字段"关系强度"则表示知识点1与知识 点2的关系强度的大小。该数据库的关系表中，还可以根据需要增加其他的字段。
[0072] 除此之外，还包括获取所有相关的第二目标知识点的属性信息，便于知识点关联 后可以提供知识点的精准信息。或者此处可以获取所有的知识点的属性信息，获取后为后 续其他的知识点的计算提供数据，以后就不需要再重复获取了。
[0073] 在获取所有相关的第二目标知识点的属性信息时，将第二目标知识点包含的信息 进行了归纳和整理。在获取各个目标知识点包含的信息时，可以首先创建知识结构，在知识 结构中表达该知识点的类别以及其对应的属性信息，如类别可以分为人物、事件、法规等， 各个类别又通过定义不同的属性来具体说明这个类别中的一些特征数据。将这些数据组合 作为该知识点所包含的信息。为了将这些数据清楚、有条理的进行表示，可以三元组数据的 方式来表示。如"张三、出生日期、1971"、"李四、性别、女"等等。
[0074] 此处的目标知识点的属性信息的数据来源，可以是数字出版资源也可以来自网络 资源，从现有的公开的资源中获取所需的数据信息，填充到上述属性字段中，便得到该知识 点的所包