基于知识图谱的学习路径推荐方法、系统、计算机及介质技术方案

本发明专利技术公开了一种基于知识图谱的学习路径推荐方法，包括：获取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据；对所述课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据进行清洗处理分析；根据清洗处理分析后的所述课程知识点相关数据构建课程知识点本体，进而根据所述课程知识点本体生成课程体系知识图谱；分别根据清洗处理分析后的所述学习者相关数据以及学习者学习环境相关数据构建学习者本体以及学习情景本体。本发明专利技术还公开了一种基于知识图谱的学习路径推荐系统、计算机设备及可读存储介质。采用本发明专利技术，能够解决现有大多数学习路径生成推荐方法存在的难题，从而向学习者精准地推荐个性化的学习路径。化的学习路径。化的学习路径。

【技术实现步骤摘要】
基于知识图谱的学习路径推荐方法、系统、计算机及介质


[0001]本专利技术涉及大数据领域，尤其涉及一种基于知识图谱的学习路径推荐方法、系统、计算机及介质。

技术介绍

[0002]人工智能、大数据等信息技术的创新与发展，给传统教育带来了深刻的影响，智慧教育日益受到教育行业的关注。大数据驱动下的智慧教育对学生个性化管理和学校教学质量管理等方面起到着重要的推动作用。教育大数据，是指整合个人在整个受教育活动过程中产生的教育数据，并从海量的、复杂多样的教育数据中诊断现存教育教学问题、评估教学预测发展趋势、探索教育教学模式；客观了解学生现有的学科知识、学习动机、学习能力、发掘学习行为数据与学习效果间的隐性关联、实现精准的个性化教育，从而在提升教育管理质量、促进学生个性化管理、辅助高校科学化决策等方面的发挥重要作用。
[0003]大量的数据时代也随之带来了信息价值密度低的问题，面对海量的学习内容以及学习资源，学习者很难从海量信息中寻找适合自己所需要的知识以及适合自身的个性化学习路径。利用大数据技术设计和构建精准高效的学习路径推荐方法已成为国内外研究热点；目前市场上还没有真正的产品实现该功能需求，大多数路径生成推荐方法不能融合多源异构数据，无法细粒度地描述情景特征、学习者特征、学习内容特征以及隐形知识的缺失，从而导致难以真正地做到学习路径推荐的个性化。

技术实现思路

[0004]本专利技术所要解决的技术问题在于，提供一种基于知识图谱的学习路径推荐方法、系统、计算机及介质，能够解决现有大多数学习路径生成推荐方法存在的以上技术问题，从而向学习者精准地推荐个性化的学习路径。
[0005]为了解决上述技术问题，本专利技术提供了一种基于知识图谱的学习路径推荐方法，包括：获取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据；对所述课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据进行清洗处理分析；根据清洗处理分析后的所述课程知识点相关数据构建课程知识点本体，进而根据所述课程知识点本体生成课程体系知识图谱；分别根据清洗处理分析后的所述学习者相关数据以及学习者学习环境相关数据构建学习者本体以及学习情景本体，进而根据所述学习者本体以及学习情景本体生成学习者画像知识图谱；根据所述课程体系知识图谱以及学习者画像知识图谱并结合混合推荐算法生成学习者个性化的学习路径，其中，所述混合推荐算法包括协同过滤、知识图谱路径、知识嵌入以及遗传算法。
[0006]优选地，所述获取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据的步骤包括；获取校园环境中的异构数据，其中，所述异构数据包括教务数据、学工数据、图书馆数据、学科数据、在线课程数据、上网数据以及网络爬取数据；根据所述异构数据提取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据。
[0007]优选地，所述根据清洗处理分析后的所述课程知识点相关数据构建课程知识点本体，进而根据所述课程知识点本体生成课程体系知识图谱的步骤包括：S301，对清洗处理分析后的所述课程知识点相关数据进行逻辑定义、关系描述以及标签标注处理以构建多个课程知识点本体，进而形成课程知识点本体库，其中，所述课程知识点相关数据包括课程、教程、教师讲义、教师教学大纲、学生培养计划、图书馆书籍以及学术论文；S302，根据所述课程知识点本体并结合所述课程知识点相关数据创建课程知识点本体实例，其中，结合获取的校园环境中的课程相关数据如培养计划，教程信息，教材以及老师讲义等数据，以课程教材为主结合老师讲义以及教学大纲将其中的知识点以本体实例形式表现出来，此外，结合学习者学习课程期间借阅的同类书籍以及线上相同课程的记录为辅助，梳理隐形知识点以及相关知识点，作为课程知识点的补充，同时，通过对课程简介以及网络爬取的知识点的简介进行NLP处理，形成课程和知识点本体实例的知识描述，通过对学习者在线学习平台的行为数据进行处理分析，对大多数学习者都学习或是经常回溯的课程和知识点实例进行重要程度属性标注为重点，其他标注为普通，统计所有学习者的成绩对课程和知识点的难度属性标注为高难度，普通，简单；S303，根据所述课程知识点本体实例，以课程知识点作为关联点，并结合章节以及学校提供的课程之间前驱后继关系，进行知识融合，以生成基础课程体系知识图谱；S304，由专业教师或专家学者对所述基础课程体系知识图谱进行评估审核，并判断所述基础课程体系知识图谱是否符合预定标准；S305，当判断为是时，则生成最终的课程体系知识图谱，并执行S306；当判断为否时，则返回S301；S306，提取到新的课程以及新的知识点时，根据课程体系知识图谱，可自动将新知识元实体映射到相应的关系中，实现课程体系知识图谱的自动化知识补充和知识合并。
[0008]优选地，所述分别根据清洗处理分析后的所述学习者相关数据以及学习者学习环境相关数据构建学习者本体以及学习情景本体，进而根据所述学习者本体以及学习情景本体生成学习者画像知识图谱的步骤包括：对所述学习者相关数据进行分析和挖掘，通过对不同特征因子设置初始权重参数以构建学习者本体，其中，学习者本体包括学习者的学习能力特征因子、学习风格特征因子、学习目标特征因子以及认知水平特征因子，所述学习能力特征因子包括学习能力、跨学科学习、科研能力以及实践创新四个二级因子，根据所述学习者学习环境相关数据构建学习情景本体；根据所述学习者本体，并根据每个学习者的具体数据生成学习者实例，结合获取的异构数据，根据所述学习情景本体生成学习情境实例；针对所有学习者实例，以及其对应的学习情境实例，生成学习者画像知识图谱。
[0009]优选地，所述根据所述课程体系知识图谱以及学习者画像知识图谱并结合混合推荐算法生成学习者个性化的学习路径的步骤包括：S501，遍历整个所述课程体系知识图谱以及学习者画像知识图谱，以前驱后继关系为基准，生成各个课程的初始课程学习路径；S502，针对历史学习者实例，根据学习者本体，以所述学习者本体中四个特征因子为基础，基于余弦相似度计算得到多个相似学习者，将相似学习者目标课程映射到课程知识图谱中，以前驱后继关系为基准，生成相似学习者课程学习路径，与步骤S501中生成的所述初始课程学习路径进行比对，挑选出课程重叠率最高的路径，并利用ApprioriAll算法，对所述初始课程学习路径进行修剪、补充和优化；S503，对于没有任何学习记录的初学者，步骤S502中生成的课程学习路径即可，对于已经有学习记录的学习者，参考前驱课程的成绩，如果有功课成绩为差时，可参考知识图谱中该课程的同义课程以及并列课程，挑选相关性或
是相似度最高的课程加入上述课程学习路径中进行补充；S504，将步骤S503中生成的课程学习路径，以前驱后继关系为基准，映射到所述课程体系知识图谱中，获取所述课程体系知识图谱中的知识点，既可得到每一门功课的初始知识点集合；S505，针对每一门功课的知识点集合，结合校园以及在线平台上所有该课程学习者学习记录，以前驱后继关系为基准，对步骤S504中生成的初始知识点集合进行补充，形成该功课最大前驱后继知识点学习集，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识图谱的学习路径推荐方法，其特征在于，包括：获取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据；对所述课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据进行清洗处理分析；根据清洗处理分析后的所述课程知识点相关数据构建课程知识点本体，进而根据所述课程知识点本体生成课程体系知识图谱；分别根据清洗处理分析后的所述学习者相关数据以及学习者学习环境相关数据构建学习者本体以及学习情景本体，进而根据所述学习者本体以及学习情景本体生成学习者画像知识图谱；根据所述课程体系知识图谱以及学习者画像知识图谱并结合混合推荐算法生成学习者个性化的学习路径，其中，所述混合推荐算法包括协同过滤、知识图谱路径、知识嵌入以及遗传算法。2.如权利要求1所述的基于知识图谱的学习路径推荐方法，其特征在于，所述获取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据的步骤包括；获取校园环境中的异构数据，其中，所述异构数据包括教务数据、学工数据、图书馆数据、学科数据、在线课程数据、上网数据以及网络爬取数据；根据所述异构数据提取课程知识点相关数据、学习者相关数据以及学习者学习环境相关数据。3.如权利要求2所述的基于知识图谱的学习路径推荐方法，其特征在于，所述根据清洗处理分析后的所述课程知识点相关数据构建课程知识点本体，进而根据所述课程知识点本体生成课程体系知识图谱的步骤包括：S301，对清洗处理分析后的所述课程知识点相关数据进行逻辑定义、关系描述以及标签标注处理以构建多个课程知识点本体，进而形成课程知识点本体库，其中，所述课程知识点相关数据包括课程、教程、教师讲义、教师教学大纲、学生培养计划、图书馆书籍以及学术论文，其中，在构建课程本体时，以知识点作为基本单位，以课程、章、节、知识点以及教学资源为知识本体的6个顶层类，通过前驱后继关系、包含关系、相关关系、并列关系、同义关系、属性关系以及人物
‑
概念关系来描述课程知识点之间的关系，同时定义各个课程和知识点本体的包括知识描述、重要程度，难易程度等属性；S302，根据所述课程知识点本体并结合所述课程知识点相关数据创建课程知识点本体实例，其中，结合获取的校园环境中的课程相关数据如培养计划，教程信息，教材以及老师讲义等数据，以课程教材为主结合老师讲义以及教学大纲将其中的知识点以本体实例形式表现出来，此外，结合学习者学习课程期间借阅的同类书籍以及线上相同课程的记录为辅助，梳理隐形知识点以及相关知识点，作为课程知识点的补充，同时，通过对课程简介以及网络爬取的知识点的简介进行NLP处理，形成课程和知识点本体实例的知识描述，通过对学习者在线学习平台的行为数据进行处理分析，对大多数学习者都学习或是经常回溯的课程和知识点实例进行重要程度属性标注为重点，其他标注为普通，
统计所有学习者的成绩对课程和知识点的难度属性标注为高难度，普通，简单；S303，根据所述课程知识点本体实例，以课程知识点作为关联点，并结合章节以及学校提供的课程之间前驱后继关系，进行知识融合，以生成基础课程体系知识图谱；S304，由专业教师或专家学者对所述基础课程体系知识图谱进行评估审核，并判断所述基础课程体系知识图谱是否符合预定标准；S305，当判断为是时，则生成最终的课程体系知识图谱，并执行S306；当判断为否时，则返回S301；S306，提取到新的课程以及新的知识点时，使用知识图谱中的TransR算法，可自动将新知识元实体映射到相应的关系中，实现课程体系知识图谱的自动化知识补充和知识合并。4.如权利要求3所述的基于知识图谱的学习路径推荐方法，其特征在于，所述分别根据清洗处理分析后的所述学习者相关数据以及学习者学习环境相关数据构建学习者本体以及学习情景本体，进而根据所述学习者本体以及学习情景本体生成学习者画像知识图谱的步骤包括：对所述学习者相关数据进行分析和挖掘，通过对不同特征因子设置初始权重参数以构建学习者本体，其中，学习者本体包括学习者的学习能力特征因子、学习风格特征因子、学习目标特征因子以及认知水平特征因子，所述学习...

【专利技术属性】
技术研发人员：孙佳，陈国镇，汪凡，钟晓迪，罗龙，张国友，
申请(专利权)人：三盟科技股份有限公司，
类型：发明
国别省市：