一种知识图谱体系搭建方法与流程

本发明涉及智能教学的技术领域，特别涉及一种知识图谱体系搭建方法。

背景技术：

素质教育对教学内容和教学质量都提出了更高的要求，为了适应素质教育的要求，教育工作者需要根据不同的教学模式或者教学场景制定适应性的教学方案。教学方案的制定需要考虑到学生的知识水平和学习能力，在实际应用中，不同教师的教学习惯和不同学生的学习进度不尽相同，为了提高教学质量和学习效率，现有技术通常会将教学知识数据转换为相应的知识图谱体系，该知识图谱体系能够将复杂的知识通过相应的数据挖掘和知识形象化展示，从而便于教师和学生对教学知识的理解和掌握。但是，目前对于教学知识图谱体系的搭建都只是仅限于对教学知识进行一维或者二维结构的加工处理，通过这种方式形成的教学知识图谱体系的数量体量较大，其并不利于进行管理和存储，并且这种教学知识图谱体系并没有充分利用文本、音频和视频等不同类型教学知识之间的关联性和差异性来进行搭建，这都不利于提高教学知识图谱的利用便捷性。

技术实现要素：

针对现有技术存在的缺陷，本发明提供一种知识图谱体系搭建方法，该知识图谱体系搭建方法包括如下步骤：步骤s1，采集不同教学模式的不同教学知识数据，并对该不同教学知识数据进行预处理，以此获得相应的教学知识多维度表征数据；步骤s2，对该教学知识多维度表征数据进行图像转换和计算处理，以此获得关于不同教学知识数据的教学知识多维矩阵；步骤s3，获取关于该教学知识多维矩阵对应的知识映射关系，并对该知识映射关系进行特征抽取处理，以此获得对应的教学知识多态分类信息；步骤s4，根据该教学知识多态分类信息，构建关于不同教学模式的教学知识图谱体系；可见，该知识图谱体系搭建方法通过对教学知识进行多维度的表征转换处理，以此获得关于教学知识的多维结构状态信息，再通过该多维结构状态信息来搭建相应的知识图谱体系，从而提高该知识图谱体系的数据利用效率、知识图谱压缩存储便捷性和知识图谱的图谱质量。

本发明提供一种知识图谱体系搭建方法，其特征在于，所述知识图谱体系搭建方法包括如下步骤：

步骤s1，采集不同教学模式的不同教学知识数据，并对所述不同教学知识数据进行预处理，以此获得相应的教学知识多维度表征数据；

步骤s2，对所述教学知识多维度表征数据进行图像转换和计算处理，以此获得关于不同教学知识数据的教学知识多维矩阵；

步骤s3，获取关于所述教学知识多维矩阵对应的知识映射关系，并对所述知识映射关系进行特征抽取处理，以此获得对应的教学知识多态分类信息；

步骤s4，根据所述教学知识多态分类信息，构建关于不同教学模式的教学知识图谱体系；

进一步，在所述步骤s1中，采集不同教学模式的不同教学知识数据，并对所述不同教学知识数据进行预处理，以此获得相应的教学知识多维度表征数据具体包括，

步骤s101，获取当前教学模式的类型信息，并根据所述类型信息，确定当前教学模式对应的教学知识数据采集模式；

步骤s102，根据所述教学知识数据采集模式，采集当前教学模式下不同教学科目对应的教学知识数据；

步骤s103，对所述教学知识数据以此进行归类处理、降噪处理和多维度信息熵提取处理，以此获得所述教学知识多维度表征数据；

进一步，在所述步骤s101中，获取当前教学模式的类型信息，并根据所述类型信息，确定当前教学模式对应的教学知识数据采集模式具体包括，

步骤s1011，判断当前教学模式属于线上教学模式还是线下教学模式；

步骤s1012，若当前教学模式属于线上教学模式，则确定对所述线上教学模式采用线上大数据抓取的数据采集模式采集所述教学知识数据；

步骤s1013，若当前教学模式属于线下教学模式，则确定对所述线下教学模式采用线下实体资料摘选的数据采集模式采集所述教学知识数据；

或者，

在所述步骤s102中，根据所述教学知识数据采集模式，采集当前教学模式下不同教学科目对应的教学知识数据具体包括，

根据所述教学知识数据采集模式，采集当前教学模式下文科和/或理科细分科目下对应的文本形式、音频形式和视频形式中至少一者的教学知识数据；

或者，

在所述步骤s103中，对所述教学知识数据以此进行归类处理、降噪处理和多维度信息熵提取处理，以此获得所述教学知识多维度表征数据具体包括，

步骤s1031，根据所述教学知识数据的科目细分类型，对所述教学知识数据进行所述归类处理，以此获得初级归类化教学知识数据；

步骤s1032，对所述初级归类化教学知识数据进行数据内容重复性检测，以此对所述初级归类化教学知识数据进行去重降噪处理；

步骤s1033，对经过所述去重降噪处理的所述初级归类化教学知识数据进行多维度数据熵计算处理，以此获得所述教学知识多维度表征数据；

进一步，在所述步骤s1011中，判断当前教学模式属于线上教学模式还是线下教学模式具体包括，

步骤s10111，获取当前教学模式的相关信息，其中，所述相关信息至少包括学生的位置，学生开始学习的时间和结束学习的时间，教师开始授课的时间和结束授课的时间；

步骤s10112，判断学生是否同时处于学习状态，其中，当预设判断值μ＝0时，则确定学生同时处于学习状态，当预设判断值μ≠0时，则确定学生不同时处于学习状态，所述判断值μ通过下面公式计算得到

在上述公式中，μ为判断值，ai为第i个学生开始学习的时间，a为教师开始授课的时间，bi为第i个学生结束学习的时间，b为教师结束授课的时间，n为学生的总数；

步骤s10113，若学生不同时处于学习状态，则判断当前教学模式为线上教学模式，并且为录播式线上教学模式，若学生同时处于学习状态，则进入下面步骤s10114；

步骤10114，根据下面公式计算最大距离判断值χ，

在上述公式中，χ为最大距离判断值，xi为第i个学生的位置，x为教师的位置，n为学生的总数，max表示取集合中的最大值；

步骤s10115，当χ大于预设阈值时，确定当前教学模式为线上教学模式，并且为直播式教学模式，当χ小于或者等于所述预设阈值，则确定当前教学模式为线下教学模式；

进一步，在所述步骤s2中，对所述教学知识多维度表征数据进行图像转换和计算处理，以此获得关于不同教学知识数据的教学知识多维矩阵具体包括，

步骤s201，将所述教学知识多维度表征数据进行数据有效性判断处理，以此获得满足预设有效性要求的教学知识多维度有效表征数据；

步骤s202，将所述教学知识多维度有效表征数据按照预设维度排布要求，形成相应的教学知识数据表征排列组合；

步骤s203，将所述教学知识数据表征排列组合转换为二进制灰度图像，并对所述二进制灰度图像进行关联矩阵计算处理，以此获得所述教学知识多维矩阵；

进一步，在所述步骤s201中，将所述教学知识多维度表征数据进行数据有效性判断处理，以此获得满足预设有效性要求的教学知识多维度有效表征数据具体包括，

若所述教学知识多维度表征数据中的某一表征值超过预设表征阈值，则确定所述某一表征值具有有效性，否则，确定所述，某一表征值不具有有效性；

或者，

在所述步骤s203中，将所述教学知识表征排列组合转换为二进制灰度图像，并对所述二进制灰度图像进行关联矩阵计算处理，以此获得所述教学知识多维矩阵具体包括，

步骤s2031，根据预设教学知识点的难度划分等级，将所述教学知识表征排列组合转换为所述二进制灰度图像；

步骤s2032，对所述二进制灰度图像进行关于教学知识点逻辑联系性的关联矩阵计算处理，以此获得所述教学知识多维矩阵；

进一步，在所述步骤s3中，获取关于所述教学知识多维矩阵对应的知识映射关系，并对所述知识映射关系进行特征抽取处理，以此获得对应的教学知识多态分类信息具体包括，

步骤s301，通过预设深度学习卷积神经网络模型，对所述教学知识多维矩阵进行关于学生知识学习过程大数据的计算处理，以此获得所述知识映射关系；

步骤s302，对所述知识映射关系进行关于符号实体、知识点属性和知识点结构中至少一者的特征抽取处理，以此获得关于知识符号实体信息、知识点属性信息和知识点结构信息中的至少一者；

步骤s303，对所述知识符号实体信息、所述知识点属性信息和所述知识点结构信息中的至少一者进行多模态标定处理，以此获得所述教学知识多态分类信息；

进一步，在所述步骤s301中，通过预设深度学习卷积神经网络模型，对所述教学知识多维矩阵进行关于学生知识学习过程大数据的计算处理，以此获得所述知识映射关系具体包括，

步骤s3011，构建关于期望教学模式标准的深度学习卷积神经网络模型，并基于历史教学记录数据，对所述深度学习卷积神经网络模型进行优化训练处理，以使所述深度学习卷积神经网络模型满足学习收敛条件；

步骤s3012，根据经过所述优化训练的所述深度学习卷积神经网络模型进行所述计算处理，以此获得所述知识映射关系；

或者，

在所述步骤s303中，对所述知识符号实体信息、所述知识点属性信息和所述知识点结构信息中的至少一者进行多模态标定处理，以此获得所述教学知识多态分类信息具体包括，

对所述知识符号实体信息、所述知识点属性信息和所述知识点结构信息中的至少一者进行知识共性和知识特性的多模态标定处理，以此获得所述教学知识多态分类信息；

进一步，在所述步骤s4中，根据所述教学知识多态分类信息，构建关于不同教学模式的教学知识图谱体系具体包括，

步骤s401，根据所述教学知识多态分类信息中关于知识符号实体信息、实时点属性信息和知识点结构信息中的至少一者对应的知识共性和知识特性，组建关于所述知识符号实体信息、所述实时点属性信息和所述知识点结构信息三者自身内部与相互之间的索引关系信息；

步骤s402，根据所述索引关系信息，构建关于所述不同教学知识数据的知识数据索引库；

步骤s403，对所述知识数据索引库进行数据优化处理，以此搭建形成所述教学知识图谱体系；

进一步，在所述步骤s402中，根据所述索引关系信息，构建关于所述不同教学知识数据的知识数据索引库具体包括，

步骤s4021，根据所述索引关系信息，确定所述知识符号实体信息、所述实时点属性信息和所述知识点结构信息相互之间知识关联路径；

步骤s4022，根据所述知识关联路径，构建满足预设置信度条件和所述知识数据索引库；

进一步，在所述步骤s403中，对所述知识数据索引库进行数据优化处理，以此搭建形成所述教学知识图谱体系具体包括，

对所述知识数据索引库进行知识推理计算，以此确定数据库中不同知识实体的隐藏拓扑关系，并根据所述隐藏拓扑关系，拓展搭建形成所述教学知识图谱体系。

相比于现有技术，该知识图谱体系搭建方法包括如下步骤：步骤s1，采集不同教学模式的不同教学知识数据，并对该不同教学知识数据进行预处理，以此获得相应的教学知识多维度表征数据；步骤s2，对该教学知识多维度表征数据进行图像转换和计算处理，以此获得关于不同教学知识数据的教学知识多维矩阵；步骤s3，获取关于该教学知识多维矩阵对应的知识映射关系，并对该知识映射关系进行特征抽取处理，以此获得对应的教学知识多态分类信息；步骤s4，根据该教学知识多态分类信息，构建关于不同教学模式的教学知识图谱体系；可见，该知识图谱体系搭建方法通过对教学知识进行多维度的表征转换处理，以此获得关于教学知识的多维结构状态信息，再通过该多维结构状态信息来搭建相应的知识图谱体系，从而提高该知识图谱体系的数据利用效率、知识图谱压缩存储便捷性和知识图谱的图谱质量。

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所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种知识图谱体系搭建方法的流程示意图。

具体实施方式

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作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。

参阅图1，为本发明实施例提供的一种知识图谱体系搭建方法的流程示意图。该知识图谱体系搭建方法包括如下步骤：

步骤s1，采集不同教学模式的不同教学知识数据，并对该不同教学知识数据进行预处理，以此获得相应的教学知识多维度表征数据；

步骤s2，对该教学知识多维度表征数据进行图像转换和计算处理，以此获得关于不同教学知识数据的教学知识多维矩阵；

步骤s3，获取关于该教学知识多维矩阵对应的知识映射关系，并对该知识映射关系进行特征抽取处理，以此获得对应的教学知识多态分类信息；

步骤s4，根据该教学知识多态分类信息，构建关于不同教学模式的教学知识图谱体系。

优选地，在该步骤s1中，采集不同教学模式的不同教学知识数据，并对该不同教学知识数据进行预处理，以此获得相应的教学知识多维度表征数据具体包括，

步骤s101，获取当前教学模式的类型信息，并根据该类型信息，确定当前教学模式对应的教学知识数据采集模式；

步骤s102，根据该教学知识数据采集模式，采集当前教学模式下不同教学科目对应的教学知识数据；

步骤s103，对该教学知识数据以此进行归类处理、降噪处理和多维度信息熵提取处理，以此获得该教学知识多维度表征数据。

优选地，在该步骤s101中，获取当前教学模式的类型信息，并根据该类型信息，确定当前教学模式对应的教学知识数据采集模式具体包括，

步骤s1011，判断当前教学模式属于线上教学模式还是线下教学模式；

步骤s1012，若当前教学模式属于线上教学模式，则确定对该线上教学模式采用线上大数据抓取的数据采集模式采集该教学知识数据；

步骤s1013，若当前教学模式属于线下教学模式，则确定对该线下教学模式采用线下实体资料摘选的数据采集模式采集该教学知识数据。

优选地，在该步骤s102中，根据该教学知识数据采集模式，采集当前教学模式下不同教学科目对应的教学知识数据具体包括，

根据该教学知识数据采集模式，采集当前教学模式下文科和/或理科细分科目下对应的文本形式、音频形式和视频形式中至少一者的教学知识数据

优选地，在该步骤s103中，对该教学知识数据以此进行归类处理、降噪处理和多维度信息熵提取处理，以此获得该教学知识多维度表征数据具体包括，

步骤s1031，根据该教学知识数据的科目细分类型，对该教学知识数据进行该归类处理，以此获得初级归类化教学知识数据；

步骤s1032，对该初级归类化教学知识数据进行数据内容重复性检测，以此对该初级归类化教学知识数据进行去重降噪处理；

步骤s1033，对经过该去重降噪处理的该初级归类化教学知识数据进行多维度数据熵计算处理，以此获得该教学知识多维度表征数据。

优选地，在该步骤s1011中，判断当前教学模式属于线上教学模式还是线下教学模式具体包括，

步骤s10111，获取当前教学模式的相关信息，其中，该相关信息至少包括学生的位置，学生开始学习的时间和结束学习的时间，教师开始授课的时间和结束授课的时间；

步骤s10112，判断学生是否同时处于学习状态，其中，当预设判断值μ＝0时，则确定学生同时处于学习状态，当预设判断值μ≠0时，则确定学生不同时处于学习状态，所述判断值μ通过下面公式计算得到

在上述公式中，μ为判断值，ai为第i个学生开始学习的时间，a为教师开始授课的时间，bi为第i个学生结束学习的时间，b为教师结束授课的时间，n为学生的总数；

步骤s10113，若学生不同时处于学习状态，则判断当前教学模式为线上教学模式，并且为录播式线上教学模式，若学生同时处于学习状态，则进入下面步骤s10114；

步骤10114，根据下面公式计算最大距离判断值χ，

在上述公式中，χ为最大距离判断值，xi为第i个学生的位置，x为教师的位置，n为学生的总数，max表示取集合中的最大值；

步骤s10115，当χ大于预设阈值时，确定当前教学模式为线上教学模式，并且为直播式教学模式，当χ小于或者等于所述预设阈值，则确定当前教学模式为线下教学模式。

通过上述过程中，判断当前教学模式属于线上教学模式还是线下教学模式分两大步来进行判断，首先判断学生是否同时在学习，若不同时在学习，则可以说明当前的教学模式是线上教学，而且是线上录播教学；若同时学习，则当前的教学模式既可以是线下教学又可以是线上教学中的直播教学，需进一步根据学生的位置与老师的位置相差最大的距离是否在预设阈值内来具体判断当前教学模式是线上教学还是线下教学，其不仅可以判断当前教学模式是线上教学还是线下教学，而且可以区分线上教学是录播教学还是直播教学，此外，分步判断比直接判断准确率更高。

优选地，在该步骤s2中，对该教学知识多维度表征数据进行图像转换和计算处理，以此获得关于不同教学知识数据的教学知识多维矩阵具体包括，

步骤s201，将该教学知识多维度表征数据进行数据有效性判断处理，以此获得满足预设有效性要求的教学知识多维度有效表征数据；

步骤s202，将该教学知识多维度有效表征数据按照预设维度排布要求，形成相应的教学知识数据表征排列组合；

步骤s203，将该教学知识数据表征排列组合转换为二进制灰度图像，并对该二进制灰度图像进行关联矩阵计算处理，以此获得该教学知识多维矩阵。

优选地，在该步骤s201中，将该教学知识多维度表征数据进行数据有效性判断处理，以此获得满足预设有效性要求的教学知识多维度有效表征数据具体包括，

若该教学知识多维度表征数据中的某一表征值超过预设表征阈值，则确定该某一表征值具有有效性，否则，确定该，某一表征值不具有有效性。

优选地，在该步骤s203中，将该教学知识表征排列组合转换为二进制灰度图像，并对该二进制灰度图像进行关联矩阵计算处理，以此获得该教学知识多维矩阵具体包括，

步骤s2031，根据预设教学知识点的难度划分等级，将该教学知识表征排列组合转换为该二进制灰度图像；

步骤s2032，对该二进制灰度图像进行关于教学知识点逻辑联系性的关联矩阵计算处理，以此获得该教学知识多维矩阵。

优选地，在该步骤s3中，获取关于该教学知识多维矩阵对应的知识映射关系，并对该知识映射关系进行特征抽取处理，以此获得对应的教学知识多态分类信息具体包括，

步骤s301，通过预设深度学习卷积神经网络模型，对该教学知识多维矩阵进行关于学生知识学习过程大数据的计算处理，以此获得该知识映射关系；

步骤s302，对该知识映射关系进行关于符号实体、知识点属性和知识点结构中至少一者的特征抽取处理，以此获得关于知识符号实体信息、知识点属性信息和知识点结构信息中的至少一者；

步骤s303，对该知识符号实体信息、该知识点属性信息和该知识点结构信息中的至少一者进行多模态标定处理，以此获得该教学知识多态分类信息。

优选地，在该步骤s301中，通过预设深度学习卷积神经网络模型，对该教学知识多维矩阵进行关于学生知识学习过程大数据的计算处理，以此获得该知识映射关系具体包括，

步骤s3011，构建关于期望教学模式标准的深度学习卷积神经网络模型，并基于历史教学记录数据，对该深度学习卷积神经网络模型进行优化训练处理，以使该深度学习卷积神经网络模型满足学习收敛条件；

步骤s3012，根据经过该优化训练的该深度学习卷积神经网络模型进行该计算处理，以此获得该知识映射关系。

优选地，在该步骤s303中，对该知识符号实体信息、该知识点属性信息和该知识点结构信息中的至少一者进行多模态标定处理，以此获得该教学知识多态分类信息具体包括，

对该知识符号实体信息、该知识点属性信息和该知识点结构信息中的至少一者进行知识共性和知识特性的多模态标定处理，以此获得该教学知识多态分类信息。

优选地，在该步骤s4中，根据该教学知识多态分类信息，构建关于不同教学模式的教学知识图谱体系具体包括，

步骤s401，根据该教学知识多态分类信息中关于知识符号实体信息、实时点属性信息和知识点结构信息中的至少一者对应的知识共性和知识特性，组建关于该知识符号实体信息、该实时点属性信息和该知识点结构信息三者自身内部与相互之间的索引关系信息；

步骤s402，根据该索引关系信息，构建关于该不同教学知识数据的知识数据索引库；

步骤s403，对该知识数据索引库进行数据优化处理，以此搭建形成该教学知识图谱体系。

优选地，在该步骤s402中，根据该索引关系信息，构建关于该不同教学知识数据的知识数据索引库具体包括，

步骤s4021，根据该索引关系信息，确定该知识符号实体信息、该实时点属性信息和该知识点结构信息相互之间知识关联路径；

步骤s4022，根据该知识关联路径，构建满足预设置信度条件和该知识数据索引库。

优选地，在该步骤s403中，对该知识数据索引库进行数据优化处理，以此搭建形成该教学知识图谱体系具体包括，

对该知识数据索引库进行知识推理计算，以此确定数据库中不同知识实体的隐藏拓扑关系，并根据该隐藏拓扑关系，拓展搭建形成该教学知识图谱体系。

从上述实施例的内容可知，该知识图谱体系搭建方法包括如下步骤：步骤s1，采集不同教学模式的不同教学知识数据，并对该不同教学知识数据进行预处理，以此获得相应的教学知识多维度表征数据；步骤s2，对该教学知识多维度表征数据进行图像转换和计算处理，以此获得关于不同教学知识数据的教学知识多维矩阵；步骤s3，获取关于该教学知识多维矩阵对应的知识映射关系，并对该知识映射关系进行特征抽取处理，以此获得对应的教学知识多态分类信息；步骤s4，根据该教学知识多态分类信息，构建关于不同教学模式的教学知识图谱体系；可见，该知识图谱体系搭建方法通过对教学知识进行多维度的表征转换处理，以此获得关于教学知识的多维结构状态信息，再通过该多维结构状态信息来搭建相应的知识图谱体系，从而提高该知识图谱体系的数据利用效率、知识图谱压缩存储便捷性和知识图谱的图谱质量。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。