一种基于知识图谱的个性化学习方案引导方法与流程

本发明属于知识图谱的个性化学习技术领域，具体涉及一种基于知识图谱的个性化学习方案引导方法。

背景技术：

近年来，随着互联网技术的迅猛发展，线上学习逐渐兴起，它打破了时间和空间的限制，大大缓解了教育资源短缺或分配不均的难题，成为了未来教育发展的一种趋势。但是目前的线上学习系统存在一些问题：首先，现有线上学习多以传授方式为主，不能及时反馈学习者的当前学习状况；其次，线上学习系统因其标准化而不能适应学习者的个性特征和知识水平的差异；最后，学习者在学习过程中可能会偏离学习目标，而传统学习系统未能有效给予学习者学习路径的引导和学习内容的推荐。

知识图谱可以描述真实世界中存在的各种实体或概念以及它们之间的联系，知识图谱最初在搜索领域获得应用之后，逐渐的扩展到了其他领域，目前知识图谱在关系推理、情报分析、智能问答中的应用都较为广泛。在个性化推荐方面，知识图谱主要是用于旅游、电影、音乐和书籍的推荐，而将知识图谱和教育结合进行研究的较少。为展示知识点之间的关联性和知识结构，利用知识图谱关系表达能力强的特点。在知识图谱映射的网络中，为学习者寻找最合适的知识，最终为学习者提供一条合理的学习路径。

技术实现要素：

本发明的目的是提供一种基于知识图谱的个性化学习方案引导方法，结合计算机技术和理论方法，在对学习者自主学习的过程中进行有效的指导。

本发明所采用的技术方案是，一种基于知识图谱的个性化学习方案引导方法，具体按照以下步骤实施：

步骤1、获取学习者的基本信息，将基本信息存入数据库，将数据库命名为学习者基本信息数据库，学习者的基本信息包括姓名、年龄、性别、教育程度；采集学习者的学习动态信息，学习者的学习动态信息包括测试成绩、测试时间排名、作业完成率、测试成绩平均得分、学习总时长、学习总进度，将学习者的学习动态信息存入学习者行为数据库；

步骤2、根据步骤1采集的学习者的学习动态信息，对学习者的学习能力、认知水平和学习风格三种个性特征使用模糊综合评价法进行综合评价，得出每种特征的评价结果；

步骤3、选择学科中基本的知识内容作为知识点，其中，知识点的编号、知识的名称、知识点的所属知识章节范围、知识点的难度系数、知识点与其它知识点的联系程度、知识点的相关资源作为知识点的固有属性，提取知识点具有代表性的属性作为重要属性，重要属性包括知识点的难度系数、知识点的关联程度、知识点的资源类型这三种，分别对每种重要属性进行量化得到量化的结果；

步骤4、分别将步骤2得到的学习者特征的评价结果和步骤3得到的知识点重要属性进行差异匹配，根据最小差异匹配原则，计算学习者与知识点之间的匹配度；

步骤5、从学习者当前学完的知识点开始，结合步骤4计算得到的学习者和知识点之间的匹配度和步骤2中学习者特征的评价结果，在知识图谱映射的网络空间中遍历整个网络空间；

步骤6、通过步骤5进行排序后，最终输出一条适合学习者的学习路径序列，反馈给学习者。

本发明的特点还在于，

步骤2中，认知水平即学习者在某一学习阶段的知识掌握情况，学习者在学习的过程中是由多个知识点组成的，学习者对知识的掌握程度反应出学习者的学习情况；

学习能力即学习者在学习活动中掌握知识的能力，通过掌握知识的快慢和效果衡量；

学习风格即学习者对学习资源类型的偏好，分为文本、演示文稿、视频三种类型；

以上三种特征构成了学习者特征。

步骤2中模糊综合评价法的具体过程：

步骤2.1、选定评价对象：选定学习者的学习能力和认知水平两种特征作为模糊综合评价的评价对象；

步骤2.2、确定评价对象的指标集：选择步骤1获取的学习者动态信息作为评价指标，评价指标包括测试成绩、测试时间排名、作业完成率、学习总时长、学习总进度；

步骤2.3、确定评价集：将步骤2.2中的评价指标进行模糊分割处理，分割出不同区间对应的评价等级；

步骤2.4、确定评价指标权重：利用层次分析法确定评价指标对评价对象影响的权重；

步骤2.5、构建综合评价矩阵：确定评价对象中各指标对步骤2.3中评价集的的隶属函数，将输入的指标集中的数据带入隶属函数求得隶属度，得出综合评价矩阵；

步骤2.6、评价结果分析：通过对步骤2.4中得到的评价矩阵和步骤2.5中得到的综合评价矩阵进行合成运算得到评价结果向量，经过精确化处理最终得到评价结果。

步骤2.3中评价等级具体如下：

将测试成绩的取值分为“优秀”、“良好”、“中等”、“及格”、“较差”五个等级，根据学习者多次测试成绩的平均值，判定测试成绩这一指标落在哪一个等级区间内；

将测试时间排名的取值分为“高”、“较高”、“中等”、“较低”、“低”五个等级，根据学习者多次测试所用时间的在所有学习者中的排名，判定测试时间排名这一指标落在哪一个等级区间内；

将作业完成率的取值分为“好”、“较好”、“中等”、“较差”、“差”五个等级，根据学习者在已学过知识点中的作业完成率情况，判定作业完成率这一指标落在哪一个等级区间内；

将学习总时长的取值分为“多”、“较多”、“中等”、“较少”、“少”五个等级，统计学习者的学习时长，判定这一指标落在哪一个等级区间内；

将学习总进度的取值分为“快”、“较快”、“中等”、“较慢”、“慢”五个等级，根据学习者已学过知识点数量和所有知识点数量的比值，判定测试时间排名这一指标落在哪一个等级区间内。

步骤3中对每种重要属性进行量化具体如下：

知识点的关联程度：体现为知识点与知识点之间的语义密集程度，映射在图谱中，每个实体都有0～n个与之关联的实体，第i个知识点的关联程度定义为关联数目ci均值归一化后的值；

知识点的难度系数：使用专家判别法进行定义，每个知识点的难度分值介于0～1之间，分值越大代表知识点难度越高；

知识点的资源类型分为文本、演示文稿、视频三种类型。

步骤4具体如下：

步骤4.1、计算第i个学习者学习能力和第p个知识点难度系数的差异度s1：

s1＝|ni-hp|

其中，ni表示第i个学习者的学习能力，hp表示第p个知识点p的难度系数，i,p均为常数；

步骤4.2、计算第i个学习者认识水平和第p个知识点关联程度的差异度s2：

s2＝|ri-gp|

其中，ri表示第i个学习者的认知水平，gp表示第p个知识点的关联系数，i,p均为常数；

步骤4.3、计算第i个学习者学习风格与第p个知识点资源类型的差异度s3：

s3＝|fi-zp|

其中，fi表示第i个学习者的认知水平，zp表示第p个知识点的资源类型，i,p均为常数；

步骤4.4、将学习者特征与知识点的重要属性进行匹配，根据计算出的匹配度进行知识点的优先排列，对于第i个学习者和第p个知识点，匹配度mi,p的计算公式如下：

其中，|ri-gp|表示学习者认知水平与知识点关联程度的差异度，|ni-hp|表示学习者学习能力与知识点难度系数差异度，|fi-zp|表示学习者学习风格与知识点资源类型的差异度，λ1,λ2,λ3分别表示各差异度的权重，λ1,λ2,λ3取值均为0～1之间，且λ1+λ2+λ3＝1。

步骤5具体如下：

步骤5.1、根据步骤2中收集的学习者动态信息，获取学习者当前学过的知识点，将学习者最新学过的知识点作为根节点，将学习过程中未学过的知识点看成一个有向图；

步骤5.2、将有向图表示为一个邻接矩阵；

步骤5.3、依据邻接矩阵，从当前第一个知识点出发，采用图搜索算法寻找与当前知识点相邻的匹配度最高的下一个知识点，知识点的匹配度由步骤4.4计算得出；

步骤5.4、将遍历结果进行排序，生成路径方案；

步骤5.5、每个阶段的学习结束后，根据学习者的学习情况和测试情况重新计算器个性化特征和知识点的匹配度，由此进行更新。

本发明的有益效果是，一种基于知识图谱的个性化学习方案引导方法从学习者的角度进行分析，对学习者的行为进行挖掘，对原有学习者建模标准上进行拓展，从学习者的知识状态特征、学习风格、交互行为特征等方面刻画学习者。设计以一种基于知识图谱的个性化学习方案引导模型，将学习者产生的信息抽象成多种属性，对应每个知识点中提取关键属性，对知识点属性与学习者属性进行差异匹配。利用知识图谱在知识点之间的关联性和知识结构福安息表达能力强的特点。将知识图谱映射在网络结构中，在知识图谱中进行搜索，为学习者寻找最合适的知识，最终为学习者提供一条合理的学习路径方案。

附图说明

图1整体框架图；

图2学习者知识匹配图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种基于知识图谱的个性化学习方案引导方法，流程图如图1所示，具体按照以下步骤实施：

步骤1、获取学习者的基本信息，将基本信息存入数据库，将数据库命名为学习者基本信息数据库，学习者的基本信息包括姓名、年龄、性别、教育程度；采集学习者的学习动态信息，学习者的学习动态信息包括测试成绩、测试时间排名、作业完成率、测试成绩平均得分、学习总时长、学习总进度，将学习者的学习动态信息存入学习者行为数据库；

步骤2、根据步骤1采集的学习者的学习动态信息，对学习者的学习能力、认知水平和学习风格三种个性特征使用模糊综合评价法进行综合评价，得出每种特征的评价结果；

步骤2中，认知水平即学习者在某一学习阶段的知识掌握情况，学习者在学习的过程中是由多个知识点组成的，学习者对知识的掌握程度反应出学习者的学习情况；

学习能力即学习者在学习活动中掌握知识的能力，通过掌握知识的快慢和效果衡量；

学习风格即学习者对学习资源类型的偏好，分为文本、演示文稿、视频三种类型；

以上三种特征构成了学习者特征。

步骤2中模糊综合评价法的具体过程：

步骤2.1、选定评价对象：选定学习者的学习能力和认知水平两种特征作为模糊综合评价的评价对象；

步骤2.2、确定评价对象的指标集：选择步骤1获取的学习者动态信息作为评价指标，评价指标包括测试成绩、测试时间排名、作业完成率、学习总时长、学习总进度；

步骤2.3、确定评价集：将步骤2.2中的评价指标进行模糊分割处理，分割出不同区间对应的评价等级；

步骤2.4、确定评价指标权重：利用层次分析法确定评价指标对评价对象影响的权重；

步骤2.5、构建综合评价矩阵：确定评价对象中各指标对步骤2.3中评价集的的隶属函数，将输入的指标集中的数据带入隶属函数求得隶属度，得出综合评价矩阵；

步骤2.6、评价结果分析：通过对步骤2.4中得到的评价矩阵和步骤2.5中得到的综合评价矩阵进行合成运算得到评价结果向量，经过精确化处理最终得到评价结果。

步骤2.3中评价等级具体如下：

将测试成绩的取值分为“优秀”、“良好”、“中等”、“及格”、“较差”五个等级，根据学习者多次测试成绩的平均值，判定测试成绩这一指标落在哪一个等级区间内；

将测试时间排名的取值分为“高”、“较高”、“中等”、“较低”、“低”五个等级，根据学习者多次测试所用时间的在所有学习者中的排名，判定测试时间排名这一指标落在哪一个等级区间内；

将作业完成率的取值分为“好”、“较好”、“中等”、“较差”、“差”五个等级，根据学习者在已学过知识点中的作业完成率情况，判定作业完成率这一指标落在哪一个等级区间内；

将学习总时长的取值分为“多”、“较多”、“中等”、“较少”、“少”五个等级，统计学习者的学习时长，判定这一指标落在哪一个等级区间内；

将学习总进度的取值分为“快”、“较快”、“中等”、“较慢”、“慢”五个等级，根据学习者已学过知识点数量和所有知识点数量的比值，判定测试时间排名这一指标落在哪一个等级区间内。

步骤3、选择学科中基本的知识内容作为知识点，其中，知识点的编号、知识的名称、知识点的所属知识章节范围、知识点的难度系数、知识点与其它知识点的联系程度、知识点的相关资源作为知识点的固有属性，提取知识点具有代表性的属性作为重要属性，重要属性包括知识点的难度系数、知识点的关联程度、知识点的资源类型这三种，分别对每种重要属性进行量化得到量化的结果；

步骤3中对每种重要属性进行量化具体如下：

知识点的关联程度：体现为知识点与知识点之间的语义密集程度，映射在图谱中，每个实体都有0～n个与之关联的实体，第i个知识点的关联程度定义为关联数目ci均值归一化后的值；

知识点的难度系数：使用专家判别法进行定义，每个知识点的难度分值介于0～1之间，分值越大代表知识点难度越高；

知识点的资源类型分为文本、演示文稿、视频三种类型。

步骤4、分别将步骤2得到的学习者特征的评价结果和步骤3得到的知识点重要属性进行差异匹配，根据最小差异匹配原则，计算学习者与知识点之间的匹配度；

如图2所示，步骤4具体如下：

步骤4.1、计算第i个学习者学习能力和第p个知识点难度系数的差异度s1：

s1＝|ni-hp|

其中，ni表示第i个学习者的学习能力，hp表示第p个知识点p的难度系数，i,p均为常数；

步骤4.2、计算第i个学习者认识水平和第p个知识点关联程度的差异度s2：

s2＝|ri-gp|

其中，ri表示第i个学习者的认知水平，gp表示第p个知识点的关联系数，i,p均为常数；

步骤4.3、计算第i个学习者学习风格与第p个知识点资源类型的差异度s3：

s3＝|fi-zp|

其中，fi表示第i个学习者的认知水平，zp表示第p个知识点的资源类型，i,p均为常数；

步骤4.4、将学习者特征与知识点的重要属性进行匹配，根据计算出的匹配度进行知识点的优先排列，对于第i个学习者和第p个知识点，匹配度mi,p的计算公式如下：

其中，|ri-gp|表示学习者认知水平与知识点关联程度的差异度，|ni-hp|表示学习者学习能力与知识点难度系数差异度，|fi-zp|表示学习者学习风格与知识点资源类型的差异度，λ1,λ2,λ3分别表示各差异度的权重，λ1,λ2,λ3取值均为0～1之间，且λ1+λ2+λ3＝1。

步骤5、从学习者当前学完的知识点开始，结合步骤4计算得到的学习者和知识点之间的匹配度和步骤2中学习者特征的评价结果，在知识图谱映射的网络空间中遍历整个网络空间；

步骤5具体如下：

步骤5.1、根据步骤2中收集的学习者动态信息，获取学习者当前学过的知识点，将学习者最新学过的知识点作为根节点，将学习过程中未学过的知识点看成一个有向图；

步骤5.2、将有向图表示为一个邻接矩阵；

步骤5.3、依据邻接矩阵，从当前第一个知识点出发，采用图搜索算法寻找与当前知识点相邻的匹配度最高的下一个知识点，知识点的匹配度由步骤4.4计算得出；

步骤5.4、将遍历结果进行排序，生成路径方案；

步骤5.5、每个阶段的学习结束后，根据学习者的学习情况和测试情况重新计算器个性化特征和知识点的匹配度，由此进行更新。

步骤6、通过步骤5进行排序后，最终输出一条适合学习者的学习路径序列，反馈给学习者。

本发明，知识体系结构能为知识的关联提供指导，体系结构能够让知识链接，可以快速方便的让学习者对自己所学的碎片化知识有一个结构概况，从而进行有效的学习指导。为了描述一门学科的知识结构，表现知识结构中知识点以及知识点之间的联系，提出将知识图谱作为研究工具。

参考已有的学习者建模标准。首先，采集学习者信息和学习行为信息。然后，以学习者的认知水平、学习能力和学习风格为特征构建动态调整的学习者模型。通过构建学习者、知识点、学习资源之间的关联。通过计算知识点和学习者之间匹配度，基于知识图谱的知识点选择策略，选择满足学习目标的知识集合。最后面向不同风格的学习者，选择不同的学习序列进行推荐。引导学习者选择适合自己的学习路径，提高推荐的准确率和个性化程度。

在判定知识点的难度系数时，使用专家判别法进行定义，即根据考试大纲中专家对每个知识点难度判定的分值来定义难度系数。每个知识点的难度系数分值介于0～1之间，分值越大代表知识点难度越高。

本发明提出了一种基于知识图谱的个性化学习引导方案，根据分析学习者的个人学习特征和知识内容的特征，为学习者寻找最合适自身状态的学习内容，从而为学习者提供个性化的学习方案，达到个性化学习的需求。