基于核心课程知识图谱的学习路径推荐研究

这是一篇关于课程知识图谱,Apriori All算法,个性化学习,学习路径的论文, 主要内容为信息化高速发展,推动着教育行业发展,随着教育信息化的快速发展推动在线教育技术的不断成熟和广泛应用,学习者不再拘泥于传统课堂的学习,而将目光转向互联网络的学习。相比之下,网络学习更注重学生学习的自主性,尽管学习资源丰富,但仍需要学习者自己去搜索、挖掘和梳理。因此,在面对层出不穷、琳琅满目的网络学习资源时,尤其是在缺乏明确学习任务、课程及知识点内在关系的情况下,网络学习中碎片化、信息迷航等问题越来越突显。近年来,知识图谱被越来越多人关注,因其在表达知识点内容、关系和结构方面明显优势,逐渐在教育领域开始崭露头角。因此本文结合教育技术专业特点,重点开展了基于核心课程知识图谱的学习路径推荐研究。主要研究工作如下:(1)核心课程知识图谱构建研究。本文参考多所师范大学教育技术学本科专业课程开设,选取了《教育技术学》、《教学系统设计》、《学习科学与技术》三门课程,依据课程教学大纲及培养方案,在分析课程知识结构的基础上,采用爬虫技术,获得课程知识实体概念定义,利用Protégé本体编辑工具构建了核心课程知识图谱,并采用Neo4j图数据库技术实现了对知识图谱的存储。(2)基于知识图谱的学习路径推荐算法研究。基于课程知识图谱,本文首先构建了学习者基本情况、认知水平、学习风格、历史学习记录四个维度的学习者模型,其次根据学习者历史学习数据采用Apriori All算法预测学习者的目标知识点,并将其映射于知识图谱中,然后使用自然语言处理相关技术,求得知识点间概念相似度,并提出了基于知识图谱相关关系的深度推荐策略;最后,依据知识点掌握情况,提出了基于知识图谱混合关系的广度推荐策略,进行学习路径的推荐。(3)基于知识图谱的课程学习平台设计与开发。设计并开发了针对教育技术学专业核心课程在线学习平台。该平台可展示核心课程可视化知识图谱,学习课程知识内容及相关的网络资源链接,同时为学习者规划并推荐适合的学习路径。通过访谈问卷调查,验证平台对学习结果的有效性。

融合多模态资源的课程知识图谱构建与应用研究

这是一篇关于课程知识图谱,多模态资源,深度学习,实体识别,实体对齐的论文, 主要内容为近年来,随着“互联网+教育”模式的普及,教育领域逐渐积累了海量具有应用价值的课程资源。但不同来源的课程资源之间结构不同、没有建立起相应的联系,难以直观地服务于教学。此外,现有的教材、学习网站等课程知识组织方式单一,多数面向文本,很少整合不同模态间的课程资源去发挥更大的效果,迫切需要人工智能、大数据等新兴技术采集并处理相关的课程资源,为教师、学生群体提供智能服务,持续促进教育应用的智能化。本研究围绕数据结构课程的“多模态课程知识图谱构建”这一核心问题,结合课程知识抽取、多模态课程资源融合、问答系统搭建三部分,开展基于知识图谱的智能教育应用研究,给予学习者多模态的课程资源,降低学习者的学习难度,为教师的教学提供便利。主要研究内容如下:(1)课程知识抽取。以字为切分单位的BERT预训练模型在课程知识抽取的子任务实体识别中表现优异,但其忽略了粗粒度的领域词汇作为整体的语义表示信息,对于数据结构文本中存在大量嵌套实体的识别效果并不好,不利于课程知识抽取任务的实现。针对上述问题,提出动态融合字、词级别词向量的LEBERT-CRF实体识别方法,利用词典适配器将领域词典特征高效地融入BERT模型中,以提升BERT模型对实体词边界的识别效果,更好地适应于课程知识抽取任务。经实验结果证明,LEBERT-CRF模型相较其它主流的实体识别模型表现更好,F1值达到95.47%。(2)多模态课程资源融合。已有研究多利用基于相似度计算的方法对齐百度百科、互动百科知识社区的实体,进而扩充知识图谱的数据来源。但上述方法需要人工设定阈值、语言模型无法学习到深层次的领域语义知识。为了解决上述问题,提出微调BERT词嵌入的实体对齐方法,对齐百度百科、互动百科的多模态资源。首先,通过下游的分类任务微调BERT模型,提升模型预测正确结果的能力;其次,针对数据集正负样本比例不均衡的问题,提出负采样策略,提升模型的准确程度与泛化性能,实验结果证明分类任务性能明显提升,AUC值提升0.29;最后,将优化后的模型应用于实体对齐任务中,利用输出概率进行排序并预测最终对齐的实体对,实验结果优于基于相似度计算的实体对齐方法,F1值达到95.9%。(3)问答系统搭建。如何有效结合问答技术,向学习者提供知识反馈并展示知识点相关的多模态课程资源,是亟需解决的关键问题。基于此,构建基于课程知识图谱的问答系统,通过系统自动化地分析与理解,为学习者提供基于问答的知识反馈支持服务,辅助学习者学习数据结构课程。

基于知识图谱的学习者个性化推荐系统研究与实现

这是一篇关于推荐系统,个性化学习,课程知识图谱,个性化推荐,认知诊断的论文, 主要内容为近年来,由于在线教育的迅猛发展,各类在线学习平台的数字资源呈爆发式增长,如何从海量的数字资源中准确选择相关有用的信息是激活数据潜能提高在线学习平台用户粘性的重要途径之一。推荐系统无疑是帮助学习者准确选择相关有用信息的重要方法。因此,本文在分析了当前市面上的主流学习平台的基础上,针对在线学习平台学习模式僵化、扩展性差、缺乏资源的个性化推荐等问题,结合知识图谱在推荐领域特征表示方面的优势,使用当前主流的开发技术,设计并实现了一个基于知识图谱的学习者个性化推荐系统。该系统能够为学习者实现个性化的推荐,提供千人千面的个性化学习资源,同时还能够实现在不同的课程中推广应用。其主要完成工作如下:(1)构建课程知识图谱,本文采用人工构建方式构建知识图谱,以离散数学课程为例,实现了对知识图谱的可视化,并将构建好的离散数学知识图谱应用到系统中,离散数学课程知识图谱中包含实体类428个,实体之间的关系382条。该方法具有扩展性,可用于其他课程的知识图谱构建。(2)提出了一种新的习题难度和知识点掌握度计算模型,结合认知诊断模型构建了基于知识图谱的学习者个性化推荐算法,为学习者推荐最适合的习题和学习路径,用于提高学习者的学习效率和学习绩效。具体而言,习题难度计算依据习题难度的多样性采用了经典教育测量理论和题型分类结合的计算方式;知识点掌握度计算同时考虑了学习者的个性特征和学习进度。实验结果表明推荐结果的准确性和有效性,证明所提方法的有效性和合理性。(3)系统实现,本文通过分析当前在线学习平台存在的个性化推荐不足问题,并结合学习者需求,以课程知识图谱为基础,个性化推荐方法作为核心思想,设计并实现了基于知识图谱的个性化推荐系统,采用主流技术栈进行开发,并对开发的系统进行了全面的测试,保证系统的可行性。

基于Web文档资源的课程知识图谱构建及应用研究

这是一篇关于课程知识图谱,知识服务,知识图谱应用的论文, 主要内容为随着信息技术的不断发展,互联网在人们的学习、工作和生活中扮演着日益重要的角色。互联网通信打破了时空的限制,给教育方式带来了全新的模式,并且孕育出了碎片化学习、远程教育、移动学习等一系列的全新概念,但是这些学习模式仍然只是简单地把传统学习资源搬到互联网中,虽然增加了形象生动的富媒体等内容,但仍然需要学习者自己去对学习资源进行解构,梳理知识点之间的内在关联,才能形成自身对课程内容的整体理解。该过程提供的学习支持与传统学习并无太大的差异,仍停留在学习内容的篇章级别上,并没有深入到知识点上,更没有建立知识点之间的相互关联,使得学习过程并没有太大的改变。新技术的发展给当前的教育方式带来了新机遇,Google于2012年5月推出了“知识图谱”(Knowledge Graph,KG)技术,其创新了表示、管理和组织知识的方式,赋予了传统互联网技术新的能力。如果将传统的课程篇章学习(网页互联)转换为对知识点及其相互之间关系(知识互联)的学习,这无疑能够解决部分传统学习方式中存在的问题。本文围绕课程知识图谱构建中的课程知识数据获取、课程本体构建和课程知识抽取,以及课程知识图谱的应用开展了如下研究工作:(1)获取课程知识内容。本文基于Python的scrapy爬虫框架开发了课程语料采集程序,从优质的在线平台中采集学习资源。然后采用Python库BeautifulSoup中提供的接口和工具,对采集的课程语料文档进行数据清洗。再利用哈工大开发的语言技术平台,结合清华大学开放中文词库的IT类词库,对清洗过的课程语料进行分词与词性标注。最后将清洗后的数据文件作为基础语料库,为课程知识图谱的构建工作奠定数据基础。(2)应用统计的方法开展课程知识图谱的构建研究。首先通过对TF-IDF算法进行加权优化和MI权值相结合的方法,发现并抽取课程内容中的概念词汇。然后运用相似度和细化度相结合的方法,科学地量化课程概念间的层次关系并完成课程知识图谱模式层的本体构建。再利用DOM树技术将课程语料中的语料文档内容分解并分别处理,完成课程知识实例的抽取。充分利用现有工具和技术,在兼顾知识实例描述的简明性和内容的完整性的同时,也保证了课程知识图谱构建过程的客观性和可量化的科学性。(3)在传统的以网页互联的形式为学习者提供学习资源的方案中,因复杂的链接跳转,加上实际网络学习环境的复杂性,容易导致学习者出现“信息迷航”的问题。对此,本文以大学计算机编程课程为例,设计并开发了基于课程知识图谱的课程知识导航服务平台。应用知识图谱的可视化技术,将以网页互联提供在线学习资源的传统方式转为以知识互联的新形式,为学习者提供更直观和直接的知识服务。同时,课程知识图谱也可作为一种教学辅助手段,可帮助教师组织好系统而精准的授课内容,改变传统授课方式。本文着眼于目前教育信息化的大趋势,利用知识图谱技术先进性和应用优势,开展课程知识图谱的构建与应用研究。充分利用知识图谱的技术特点与优势,完成了将课程知识导航服务从网页互联到知识互联的转换。验证了知识图谱技术可有效应用于课程知识的建构和管理中,为课程知识学习提供更好的服务支持,改进教师教学和学生学习的方式。

面向课程的知识图谱构建及资源链接的研究与系统实现

这是一篇关于在线学习,知识概念识别,课程资源链接,课程知识图谱的论文, 主要内容为近年来,随着信息技术和数字科技的广泛应用,在线学习已经成为日常学习的重要方式。在线学习降低了知识获取的门槛,提高了对教育资源的利用能力,极大地促进了教育公平。然而,随着在线课程和课程资源的数量急剧增加,也出现了一些亟需解决的问题。首先,传统的教学方法通常是线性的,按照固定的课程计划、教学大纲和教材内容进行教学。然而,在线学习中,学生更倾向于自主学习和自主探究。这需要更加灵活和个性化的课程知识表示方法来满足在线学习的新要求。其次,虽然在线课程和课程资源的数量急剧增加,但是其与课程知识的关联度较低,难以有效利用。课程资源过于分散,数量虽多但却不够集中,这极大地影响了学生的学习效率。这需要利用课程知识实现对课程资源的有效管理,以便学生能够获得更好的学习体验和学习效果。最后,个性化学习的相关任务对课程资源的管理提出了更高的要求。课程资源如习题、视频等是追踪学习状态进行合理推荐的基础,这也需要用更加灵活的方式表示课程知识管理课程资源。针对以上问题,本文的主要研究内容如下:(1)针对课程知识概念识别精度不够的问题,本文提出了基于BERT-CRF融合边界的课程知识概念识别方法。该方法首先使用BERT获得每个句子的嵌入表示,然后利用BERT获得整合了句子上下文信息的高维嵌入向量表示。然后将使用BERT获得的嵌入表示在输入一个BiLSTM网络中去提取每个知识概念的边界信息。最后,将BERT和BiLSTM的输出进行融合得到一个联合特征表示,再将其送入CRF层进行解码,得到每个字对应的标签,即可完成对整个句子的知识概念识别。此外,本文以数据结构这门课程为基础构造了一个课程知识概念识别的数据集,用以衡量此方法与基线方法。实验结果表明此方法比基线方法更优,可以更有效的执行课程知识概念识别的任务。(2)针对课程资源利用效率不高的问题以及解决自适应学习中学习资源推荐的实际需要,本文提出了一种基于对抗BERT的课程资源链接方法。该方法主要包含两个部分,首先是对预训练语言模型BERT微调,用于解决多标签文本分类任务。然后,引入对抗学习算法,在使用BERT进行多标签分类的基础上生成对抗样本,使模型具备泛化能力,能够更好地处理异源的课程资源。为了验证方法的有效性,本文以数据结构课程为基础,收集并整理了习题和博客数据,构建了课程资源链接的数据集。实验结果表明此方法对比基线方法有着明显的提升,能更好地实现课程资源链接。(3)设计并实现了智能课程知识工程系统。为了解决构建课程知识图谱过程中的工程问题并应用研究成果,本文设计并实现了智能课程知识工程系统。该系统具备多项功能,包括课程知识概念关系的标注、课程知识图谱的展示、课程知识概念的识别、课程资源的链接以及一些其它必要的基础功能。通过这些功能,系统实现了课程知识工程的闭环。

融合多模态资源的课程知识图谱构建与应用研究

这是一篇关于课程知识图谱,多模态资源,深度学习,实体识别,实体对齐的论文, 主要内容为近年来,随着“互联网+教育”模式的普及,教育领域逐渐积累了海量具有应用价值的课程资源。但不同来源的课程资源之间结构不同、没有建立起相应的联系,难以直观地服务于教学。此外,现有的教材、学习网站等课程知识组织方式单一,多数面向文本,很少整合不同模态间的课程资源去发挥更大的效果,迫切需要人工智能、大数据等新兴技术采集并处理相关的课程资源,为教师、学生群体提供智能服务,持续促进教育应用的智能化。本研究围绕数据结构课程的“多模态课程知识图谱构建”这一核心问题,结合课程知识抽取、多模态课程资源融合、问答系统搭建三部分,开展基于知识图谱的智能教育应用研究,给予学习者多模态的课程资源,降低学习者的学习难度,为教师的教学提供便利。主要研究内容如下:(1)课程知识抽取。以字为切分单位的BERT预训练模型在课程知识抽取的子任务实体识别中表现优异,但其忽略了粗粒度的领域词汇作为整体的语义表示信息,对于数据结构文本中存在大量嵌套实体的识别效果并不好,不利于课程知识抽取任务的实现。针对上述问题,提出动态融合字、词级别词向量的LEBERT-CRF实体识别方法,利用词典适配器将领域词典特征高效地融入BERT模型中,以提升BERT模型对实体词边界的识别效果,更好地适应于课程知识抽取任务。经实验结果证明,LEBERT-CRF模型相较其它主流的实体识别模型表现更好,F1值达到95.47%。(2)多模态课程资源融合。已有研究多利用基于相似度计算的方法对齐百度百科、互动百科知识社区的实体,进而扩充知识图谱的数据来源。但上述方法需要人工设定阈值、语言模型无法学习到深层次的领域语义知识。为了解决上述问题,提出微调BERT词嵌入的实体对齐方法,对齐百度百科、互动百科的多模态资源。首先,通过下游的分类任务微调BERT模型,提升模型预测正确结果的能力;其次,针对数据集正负样本比例不均衡的问题,提出负采样策略,提升模型的准确程度与泛化性能,实验结果证明分类任务性能明显提升,AUC值提升0.29;最后,将优化后的模型应用于实体对齐任务中,利用输出概率进行排序并预测最终对齐的实体对,实验结果优于基于相似度计算的实体对齐方法,F1值达到95.9%。(3)问答系统搭建。如何有效结合问答技术,向学习者提供知识反馈并展示知识点相关的多模态课程资源,是亟需解决的关键问题。基于此,构建基于课程知识图谱的问答系统,通过系统自动化地分析与理解,为学习者提供基于问答的知识反馈支持服务,辅助学习者学习数据结构课程。

基于知识图谱的学习者个性化推荐系统研究与实现

这是一篇关于推荐系统,个性化学习,课程知识图谱,个性化推荐,认知诊断的论文, 主要内容为近年来,由于在线教育的迅猛发展,各类在线学习平台的数字资源呈爆发式增长,如何从海量的数字资源中准确选择相关有用的信息是激活数据潜能提高在线学习平台用户粘性的重要途径之一。推荐系统无疑是帮助学习者准确选择相关有用信息的重要方法。因此,本文在分析了当前市面上的主流学习平台的基础上,针对在线学习平台学习模式僵化、扩展性差、缺乏资源的个性化推荐等问题,结合知识图谱在推荐领域特征表示方面的优势,使用当前主流的开发技术,设计并实现了一个基于知识图谱的学习者个性化推荐系统。该系统能够为学习者实现个性化的推荐,提供千人千面的个性化学习资源,同时还能够实现在不同的课程中推广应用。其主要完成工作如下:(1)构建课程知识图谱,本文采用人工构建方式构建知识图谱,以离散数学课程为例,实现了对知识图谱的可视化,并将构建好的离散数学知识图谱应用到系统中,离散数学课程知识图谱中包含实体类428个,实体之间的关系382条。该方法具有扩展性,可用于其他课程的知识图谱构建。(2)提出了一种新的习题难度和知识点掌握度计算模型,结合认知诊断模型构建了基于知识图谱的学习者个性化推荐算法,为学习者推荐最适合的习题和学习路径,用于提高学习者的学习效率和学习绩效。具体而言,习题难度计算依据习题难度的多样性采用了经典教育测量理论和题型分类结合的计算方式;知识点掌握度计算同时考虑了学习者的个性特征和学习进度。实验结果表明推荐结果的准确性和有效性,证明所提方法的有效性和合理性。(3)系统实现,本文通过分析当前在线学习平台存在的个性化推荐不足问题,并结合学习者需求,以课程知识图谱为基础,个性化推荐方法作为核心思想,设计并实现了基于知识图谱的个性化推荐系统,采用主流技术栈进行开发,并对开发的系统进行了全面的测试,保证系统的可行性。

基于Web文档资源的课程知识图谱构建及应用研究

这是一篇关于课程知识图谱,知识服务,知识图谱应用的论文, 主要内容为随着信息技术的不断发展,互联网在人们的学习、工作和生活中扮演着日益重要的角色。互联网通信打破了时空的限制,给教育方式带来了全新的模式,并且孕育出了碎片化学习、远程教育、移动学习等一系列的全新概念,但是这些学习模式仍然只是简单地把传统学习资源搬到互联网中,虽然增加了形象生动的富媒体等内容,但仍然需要学习者自己去对学习资源进行解构,梳理知识点之间的内在关联,才能形成自身对课程内容的整体理解。该过程提供的学习支持与传统学习并无太大的差异,仍停留在学习内容的篇章级别上,并没有深入到知识点上,更没有建立知识点之间的相互关联,使得学习过程并没有太大的改变。新技术的发展给当前的教育方式带来了新机遇,Google于2012年5月推出了“知识图谱”(Knowledge Graph,KG)技术,其创新了表示、管理和组织知识的方式,赋予了传统互联网技术新的能力。如果将传统的课程篇章学习(网页互联)转换为对知识点及其相互之间关系(知识互联)的学习,这无疑能够解决部分传统学习方式中存在的问题。本文围绕课程知识图谱构建中的课程知识数据获取、课程本体构建和课程知识抽取,以及课程知识图谱的应用开展了如下研究工作:(1)获取课程知识内容。本文基于Python的scrapy爬虫框架开发了课程语料采集程序,从优质的在线平台中采集学习资源。然后采用Python库BeautifulSoup中提供的接口和工具,对采集的课程语料文档进行数据清洗。再利用哈工大开发的语言技术平台,结合清华大学开放中文词库的IT类词库,对清洗过的课程语料进行分词与词性标注。最后将清洗后的数据文件作为基础语料库,为课程知识图谱的构建工作奠定数据基础。(2)应用统计的方法开展课程知识图谱的构建研究。首先通过对TF-IDF算法进行加权优化和MI权值相结合的方法,发现并抽取课程内容中的概念词汇。然后运用相似度和细化度相结合的方法,科学地量化课程概念间的层次关系并完成课程知识图谱模式层的本体构建。再利用DOM树技术将课程语料中的语料文档内容分解并分别处理,完成课程知识实例的抽取。充分利用现有工具和技术,在兼顾知识实例描述的简明性和内容的完整性的同时,也保证了课程知识图谱构建过程的客观性和可量化的科学性。(3)在传统的以网页互联的形式为学习者提供学习资源的方案中,因复杂的链接跳转,加上实际网络学习环境的复杂性,容易导致学习者出现“信息迷航”的问题。对此,本文以大学计算机编程课程为例,设计并开发了基于课程知识图谱的课程知识导航服务平台。应用知识图谱的可视化技术,将以网页互联提供在线学习资源的传统方式转为以知识互联的新形式,为学习者提供更直观和直接的知识服务。同时,课程知识图谱也可作为一种教学辅助手段,可帮助教师组织好系统而精准的授课内容,改变传统授课方式。本文着眼于目前教育信息化的大趋势,利用知识图谱技术先进性和应用优势,开展课程知识图谱的构建与应用研究。充分利用知识图谱的技术特点与优势,完成了将课程知识导航服务从网页互联到知识互联的转换。验证了知识图谱技术可有效应用于课程知识的建构和管理中,为课程知识学习提供更好的服务支持,改进教师教学和学生学习的方式。

面向金融类课程的知识图谱的设计与构建

这是一篇关于课程知识图谱,先修关系,金融类课程实体识别的论文, 主要内容为近年来随着教育信息化、个性化教育等观念的逐渐深化,在网络上进行自主学习已经成为学生获取知识的重要途径之一。在线教育平台会为学生提供不同形式的知识学习方式,如通过视频、文档的形式进行知识传播。然而,由于平台中的教学资源数据之间是相互独立的关系,分散地存在于网页结构中,学习资源之间并没有通过逻辑关系建立连接,难以形成系统化的知识体系结构。该问题导致课程信息背后隐含的丰富语义信息被人忽略,课程数据可利用价值大大降低。针对以上提出的问题,本论文使用python语言,基于开放领域网页数据源,设计并开发了一个金融类课程知识图谱,实现了对金融类课程信息的体系化构建。论文的具体工作内容如下:(1)对金融类课程知识图谱进行了针对性问题及目标分析,并列举了待解决的关键技术点,根据项目需求分析的指导,设计了金融类课程知识图谱的构建流程,包括数据源获取、数据预处理、金融类课程本体模型设计与建立、金融类课程语料关键词提取、信息抽取(实体与关系抽取)以及基于Neo4j的数据存储及展示。(2)数据源获取与预处理操作。设计分页数据爬取流程与方法,使用网页爬虫技术对中国大学Mooc网站中的课程属性信息(课程名称、授课机构、授课教师、课程概述、先修课程)进行爬取,并对初始语料池进行必要的预处理操作,包括对于空值项、过长项以及粘连项的数据清洗操作与之后的分词处理,在原始数据基础上分离出了更好的样本语料池。(3)金融类课程本体模型的设计与建立。分别从语义关系、语义类型以及本体对象三个维度对金融类课程本体模型进行了设计与描述。从这三个维度来看,金融类课程知识图谱内的语义关系可分为四类,分别为:课程上级分类的上下位关系、所属关系、教授关系以及先修关系。语义类型也可分为四类:课程实体、机构实体、标签实体以及人物实体。并在模型基础上,对金融类课程本体对象进行了实例化构建。(4)金融类课程语料关键词提取与知识存储模块的实现。分别使用基于TF-IDF与信息熵的关键词提取算法,对课程概述属性中包含的文本类型数据进行与金融专业相关的关键词提取工作,将提取到的关键词集合作为后续领域命名实体识别模型的外部词典,辅助其中的自动化序列标注任务。并实现了将关系型数据库中的结构化数据转换为三元组数据存入图数据库中进行关系链接与持久化保存的知识存储模块,对存储结果进行了展示。(5)基于Bi LSTM-CRF算法的金融类课程实体识别方法。首先,设计了对原始无标注语料进行自动化标注的方法并实现了相关工作,然后将金融类课程标注性语料作为基于Bi LSTM-CRF算法的命名实体识别模型的训练数据集,训练出了金融类课程实体识别模型,然后对构建效果进行了对比实验分析,并应用于课程先修关系的抽取工作中。