含的信息。
[0075] 这样，当第一目标知识点与相关的第二目标知识点关联，相关的第二目标知识点 的属性信息表示其精准信息，在用户后续学习或推荐时，可以获得相关的知识点的精准信 息。用户学习某个知识点时，从数据库中获取该知识点的相关知识点，并从数据库中调取这 些相关的知识点的属性数据，推荐给用户使用。
[0076] 大部分的推荐系统使用用户的偏好或用户的历史访问数据进行计算，当缺乏这些 数据时，如何进行学习推荐就是一个问题。本实施例中的知识点关联方法，是一种基于语义 和本体的电子学习推荐技术，基于领域百科全书或者其他数字资源，不需要用户访问记录 或用户的偏好信息即可为用户推荐知识点。其中使用的百科全书是一种数字出版资源，通 常领域百科全书包含了该领域内的重要知识点。在其他的可替换的实现方式中，也可以使 用网络百科、领域词典等作为基础进行推荐。
[0077] 实施例3：
[0078] 本实施例中也提供一种知识点关联方法，流程结构框图如图2所示，具体的包括 如下步骤：
[0079] 步骤1、获取所有的目标知识点，从领域百科全书中抽取知识点0 = {〇1，〇2，~ ，〇J，作为目标知识点。
[0080] 步骤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。具体计算方式如下。
[0081] 2. 0、首先，对于所有目标知识点0 = {C4, 〇2,…，oj，抽取目标知识点的名称X= {Xi|i= 1，· · ·，η}和解释Y= {y; |i= 1，· · ·，η}。如图3所示，给出了一个知识点名称和 其解释的对应图表。此处的知识点的名称和解释为后续计算关系强度提供数据基础。
[0082] 2. 1、计算目标知识点间的显性关系强度。从目标知识点〇1到 目标知识点Ο,的显性关系强度. 其中
9.
α>0是反向关联因子，α越大表明反向关 联越弱，μ> 〇是Xj在yi中的出现次数，即目标知识点〇j的目标知识点名称在目标知识点Oi的解释中出现的次数。
[0083]2. 2、构建显性关系图G= (V，E)，其中V是由目标知识点组成的顶点集合，从目标 知识点〇i到目标知识点〇j的边的权重设置为fE (i,j)。
[0084] 2. 3、根据图G= (V，E)构建辅助图G' = (V'，E'），其中V' =V，从目标知识点〇1 到目标知识点〇]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 目标知识点〇i到目标知识点Oj的边。
[0085] 2. 4、计算目标知识点间的隐性关系强度。根据图G' = (V'，E'），计算目标知识点 〇1到目标知识点〇i隐性关系强度//0:，·/) =exP(一))，其中)是在图G'中从目标知识 点〇1到目标知识点〇j的最短路径g的长度。
[0086] 2. 5、计算语义关系。创建关系强度矩阵M，如果fE(i，j) >A(i，j)，则设置= fE(i，j);否贝IJ，设置=fji，j)。这样就得到了任意两个目标知识点之间的关系强度的 值，在关系强度矩阵Μ中查找即可得到。
[0087] 步骤三、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。
[0088] 对于每个目标知识点〇1，从关系强度矩阵Μ中获取与其关系强度最强的m个目标 知识点(Vi= {〇'd〇' 2,…，〇'J，作为该目标知识点〇i的相关知识点。
[0089] 步骤四、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。
[0090] 将关系强度最强的111个目标知识点0'1={〇、， 〇'2，"％〇'"1}与目标知识点〇1形 成m个三元组，加入图数据库。三元组的形式为（〇1的编号，相关知识点，〇]的编号），其表 示的 〇1相关知识点为〇j，其中〇je〇'i。当〇1有!!1个相关知识点时，形成m行上述三元 组，来表示知识点〇i相关的m个知识点。
[0091] 此外，为了可以提供相关的目标知识点的精准信息，还可以获得所有相关的第二 目标知识点的属性信息，或者获取所有知识点的属性信息，本实施例中为了对所有数据计 算方便，获取所有知识点的属性信息，过程如下。
[0092] 4. 1、通过领域专家创建领域知识结构。该知识结构中定义领域实体的类别信息、 类别之间的关系、谓词以及谓词的domain(定义域）和range(值域）。
[0093] 4. 2、从数字出版资源和web资源中抽取知识点0 = {〇1，〇2，…，〇n}对应的三元组。 将领域知识结构和三元组按0WL标准存入图数据库，领域知识结构中定义领域知识点的类 别信息、类别之间的关系、谓词以及谓词的domain(定义域）和range(值域）等信息。此 处的通过三元组数据来对知识点的精准信息进行表达，如"张三、出生日期、1971"、"李四、 性别、女"等等，使得该信息具有很强的条理性，且可以包括任意多的信息，顺序存储即可， 便于信息的收集和整理。将形成的所有三元组存入图数据库。
[0094] 当用户学习某个知识点时，从图数据库中获取与该知识点相关的其他知识点，将 表达这些知识点具体包含的信息的三元组数据信息，推荐给用户进行关联学习。知识点的 三元组信息描述了知识点的精准属性值，让用户更加直观、清晰、有条理的获得了相关知识 点的内容，便于用户学习。
[0095] 本实施例提供的知识点关联方法，以本体组织领域的知识为基础，通过百科全书 计算知识点的语义关系强度，并将知识点的关系及精准三元组信息存入图数据库，当用户 学习某一个知识点时，从图数据库中获取与该知识点相关的知识点及其精准的三元组信息 推荐给用户，以便用户进行关联学习。
[0096]实施例4：
[0097] 本实施例中，以历史领域为例，人工选择《中国大百科全书.中国历史》共3册，这 3册百科全书包含了历史领域的重要知识点。
[0098] 第一部分、获取所有目标知识点的过程，包括以下：
[0099] 第一步，从领域百科全书中抽取所有目标知识点0= {〇1，〇2，…，〇n}，选择其中的 2680个目标知识点，即η= 2680。部分目标知识点的信息如图3所示。第一列为目标知 识点名称，第二列为目标知识点的部分解释。
[0100] 第二步，通过领域专家创建领域知识结构。例如，创建类别"人物"、"事件"和"法 律法规"等，这些类别继承"OWL:Thing"。定义谓词"中文名"、"出生日期"、"出生地"、"主要 成就"、"发生日期"等。其中"中文名"、"出生日期"、"出生地"的domain是"人物"，"发生 日期"的domain是"事件"。"中文名"和"出生地"的range是string，"出生日期"和"发 生日期"的range是date。该知识结构中定义领域实体的类别信息、类别之间的关系、谓词 以及谓词的domain(定义域）和range(值域）。
[0101] 第三步，从数字出版资源和web资源中抽取目标知识点对应的三元组。将领域知 识结构和三元组按0WL标准（WebOntologyLanguage)存入图数据库。通过三元组的方式 表达，简单方便，且一目了然，让目标知识点的信息更加有条理、表达更清晰、更灵活。
[0102] 第二部分、选取一个目标知识点，计算该目标知识点与其他目标知识点的关系强 度的过程如下：
[0103] 第四步，对于所有目标知识点0= {〇1，〇2，…，〇n}，抽取目标知识点名称X={Xl|i =1，· · ·，η}和解释Y= {y;Ii= 1，· · ·，η}。
[0104] 第五步，计算目标知识点间的显性关系强度。从目标知识点〇1到
目标知识点0]的显性关系强度 其中 ?
α>0是反向关联因子，α越大表明反向关 联越弱，此处α取2,μ彡0是Xj在yi中的出现次数。
[0105] 第六步，构建显性关系图G= (V，E)，其中V是由目标知识点组成的顶点集合，从目 标知识点〇i到目标知识点0j的边的权重设置为fE (i,j)。
[0106]第七步，根据图G= (V，E)构建辅助图G' = (V'，E'），其中V' =V，从目标知识点 〇i到目标知识点〇j的边的权重设置为-In(fE (i,j))。
[0107] 第八步，计算目标知识点间的隐性关系强度。根据图G' = (V'，E'），计算目标知识 点〇1到目标