【技术实现步骤摘要】
面向维基百科的概念先决条件关系挖掘方法及相关设备
[0001]本专利技术涉及数据处理
,更具体地,涉及一种面向维基百科的概念先决条件关系挖掘方法
、
一种面向维基百科的概念先决条件关系挖掘装置
、
一种电子设备以及一种存储介质
。
技术介绍
[0002]随着信息技术的飞速发展,网络学习作为一种新常态的学习方式得到了长足发展
。
利用互联网进行在线学习已成为年轻一代获取知识的重要途径,然而相比于传统的面授方式,网络课堂所存在的一个最大问题是如何保证学习者能够充分理解网络课程所学知识
。
那些出现在电子文档或者课程视频中的各种知识概念,如果可以搞清楚之间的语义关系,将帮助学习者更好进行理解和学习
。
例如当谈到“人工智能”话题时,不可避免会介绍“机器学习”和“深度学习”等相关概念
。
对于一个刚刚入门人工智能的学生而言可能还不完全清楚“机器学习”与“深度学习”之间的关系,但是如果通过某种方式让其知道概念“深度学习”与“机器学习”的相关学习顺序,就会帮助学生更快理解和掌握与“人工智能”的相关概念
。
这种类似于课程之间的“先修关系”落实到概念层面就是所述的“先决条件关系”。
概念间先决条件关系是建立先决条件关系网络的基础,这种先决条件关系网络其实就代表了这些概念知识的学习路径和学习顺序
。
而对概念先决条件关系的识别能够为构建领域知识网络,学习对象排序
、
学 ...
【技术保护点】
【技术特征摘要】
1.
一种面向维基百科的概念先决条件关系挖掘方法,其特征在于,包括:基于所述概念的属性,构建多组特征,其中,所述多组特征包括:基于链接的特征
、
基于类别的特征
、
基于内容的特征以及基于时间的特征;利用所述多组特征,预测概念对之间的先决条件关系
。2.
如权利要求1所述的面向维基百科的概念先决条件关系挖掘方法,其特征在于,所述方法还包括:自所述维基百科中收集概念对并构建数据集;利用所述数据集,评估预测得到的所述概念对之间的先决条件关系
。3.
如权利要求1或2所述的面向维基百科的概念先决条件关系挖掘方法,其特征在于,在所述构建多组特征之前,所述方法还包括:定义所述特征的相关元素,其中,所述元素包括所述概念的摘要部分,所述概念的同义词,所述概念的创建时间,所述摘要部分中指向其他概念的链接集,所述概念的类别集
。4.
如权利要求3所述的面向维基百科的概念先决条件关系挖掘方法,其特征在于,所述链接包括:概念到概念的链接
、
集合到概念的链接以及集合到集合的链接;所述利用所述多组特征,预测概念对之间的先决条件关系,包括:利用概念到概念的链接特征公式,预测所述概念对之间的先决条件关系,其中,所述概念到概念的链接特征公式为:
A
和
B
表示一个概念对,表示概念
A
的摘要部分指向其他概念的链接集,
RefC(A,B)
表示基于概念到概念的链接特征确定的概念
A
和概念
B
之间的依赖程度;利用集合到概念的链接特征公式,预测所述概念对之间的先决条件关系,其中,所述集合到概念的链接特征公式为:合到概念的链接特征公式为:
RefS(A,B)
表示基于集合到概念的链接特征确定的概念
A
和概念
B
之间的依赖程度;利用集合到集合的链接特征公式,预测所述概念对之间的先决条件关系,其中,所述集合到集合的链接特征公式为:合到集合的链接特征公式为:
RefS
+
(A,B)
表示基于集合到集合的链接特征确定的概念
A
和概念
B
之间的依赖程度,
r(C,A)
表示概念
C
是指概念
A
的相关文章之一
。5.
如权利要求3所述的面向维基百科的概念先决条件关系挖掘方法,其特征在于,所述类别包括:概念到概念的类别重叠
、
集合到概念的类别重叠以及集合到集合的类别重叠;所述利用所述多组特征,预测概念对之间的先决条件关系,包括:利用概念到概念的类别重叠特征公式,预测所述概念对之间的先决条件关系,其中,所
述概念到概念的类别重叠特征公式为:
CatC(A,B)
=
Super(A,B)―Sub(A,B)
,
Super(A,B)
=
|K
↑
(A)
∩f
K(B)
|,Sub(A,B)
=
|K
↓
(A)
∩f
K(B)
|
,
K
↑
(A)
表示
K
的直接父类的集合,
K
↓
(A)
表示
K
的直接子类的集合,其中
K
属于概念
A
的类别集,
CatC(A,B)
表示基于概念到概念的类别特征确定的概念
A
和概念
B
之间的依赖程度;利用集合到概念的类别重叠特征公式,预测所述概念对之间的先决条件关系,其中,所述集合到概念的类别重叠特征公式为:
CatS(A,B)
=
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。