基于知识特征划分与多维测评的个性化知识图谱生成方法技术

本发明专利技术涉及信息与网络技术领域，具体是一种基于知识特征划分与多维测评的个性化知识图谱生成方法，对教材的知识点进行细化拆分，并通过关键词匹配方法对每个章节进行自动化标定分类；采用多维能力测评方法对学生基础能力及学习力进行测评；编制学生测评数据格式，收集学生测评数据，得到学生测评数据集；通过关联分析方法对学生测评数据集进行反向关联分析，得到关联规则；根据关联规则

【技术实现步骤摘要】
基于知识特征划分与多维测评的个性化知识图谱生成方法


[0001]本专利技术涉及基于知识特征划分与多维测评的个性化知识图谱生成方法
。

技术介绍

[0002]个性化教学是一种基于学生的特点
、
需求和兴趣，为每个学生提供独特教学方法和资源的教学模式
。
它将学生视为主动参与者，强调根据学生的不同能力水平
、
学习风格和学科兴趣进行个别化的指导和支持
。
学生在认知
、
学习风格
、
兴趣和背景方面存在差异
。
传统的一刀切教学模式难以满足不同学生的需求
。
个性化教学可以更好地适应学生的个体差异，提供针对性和灵活性的学习体验
。
[0003]随着大数据技术的快速发展，获取并分析海量的学习者数据
。
这些数据包括学习者的学习力
、
基础学业水平
、
课程学习情况等信息
。
通过对这些数据的挖掘和分析，可以建立个性化知识图谱，为学习者提供个性化的学习资源和服务
。
[0004]现有的知识图谱生成方法，仅从教材本身的章节结构出发进行创建
。
如专利文件
CN 110287327A
中提出了基于教材和有向超图的路径适应性知识图谱自动生成方法，是根据现有教材利用有向超图自动生成某个学科的路径适应性知识图谱，该方法能够建立教材章节之间的有向关系，但该方法仅创建了基于教材的知识图谱，没有考虑学生的学习力
、
基础学业水平
、
课程学习情况等对教材学习的影响
。
[0005]公开号为
CN107085803A
的专利文献中提出了基于知识图谱和能力测评的个性化教学资源推荐系统，该系统是依据教学资源，对学习能力各不相同的学生，以及面向差异学生进行教学的教师能够以比较高的精准度推荐教学资源
。
该系统是利用知识图谱技术将教学资源库中的知识点和资源分层次描述并穿接起来，清楚的展示了知识点和资源各个实体之间的关系，同时描述了资源实体之间的相似度，使得知识点和资源的结构清晰明了，方便了资源库应用层进行信息提取
。
该系统通过对学生学习能力的测评来划分学生学习能力的等级，以获得每个学生在学习上已覆盖知识点，未覆盖知识点，得分低知识点，以及与上一等级的差异知识点，以便于找出学生未获及的知识点，并以此为基准对学生进行有针对性的资源推荐，可以很大程度上提高推荐精确度，把学生真正欠缺和需要的资源推荐给学生
。
[0006]频繁项集关联分析是一种数据挖掘技术，可用于发现教学教材与学生自身情况之间的关联规则
。
该方法能够帮助识别和理解教学教材与学生能力中的隐藏模式和关系，从而为个性化知识图谱的构建提供有用的信息
。

技术实现思路

[0007]现有技术中的不足之处在于现有的教材知识图谱生成方法，仅是从教材本身的章节结构出发进行创建的，没有考虑学生的学习力
、
基础学业水平
、
课程学习情况等对教材学习的影响，无法提供个性化的学习资源和服务
。
[0008]本专利技术的目的在于克服现有技术中的不足之处，提供一种基于知识特征划分与多维测评的个性化知识图谱生成方法，以便于提供个性化的学习资源和服务
。
[0009]基于知识特征划分与多维测评的个性化知识图谱生成方法，其特征在于，
S1
，将教材目录细化拆分为知识点，并通过关键词匹配方法对每个章节进行标定分类，将知识点分成概念类
、
逻辑类
、
发散思维类以及强化类的课程；
S2
，采用多维能力测评方法对学生的基础能力及学习力进行测评；
S3
，用编排好的学生测评数据格式集学生测评数据，并由学生测评数据组成学生测评数据集；
S4
，通过关联分析方法对学生测评数据集进行反向关联分析生成关联规则；
S5
，根据关联规则
、
学习力测评结果生成个性化知识图谱
。
[0010]进一步的方案是，所述教材目录拆分成知识点及知识点标定分类的方法包括如下所述的步骤：
S11、
以教材为基础构建思维导图，将不同层级的章节规划为统一层级；
S12、
针对每一章节按照完整句子进行分割；对于每个句子，进行分词和词性标注处理，并过滤掉停用词，只保留指定词性的单词，如名词
、
动词
、
形容词，得到保留后的候选关键词；
S13、
构建候选关键词图
G = (V,E)
，其中
V
为节点集，由生成的候选关键词组成，然后采用共现关系构造任两点之间的边；
S14、
迭代传播各节点的权重，直至收敛；对节点权重进行倒序排序，从而得到最重要的
T
个单词，作为候选关键词；
S15、
将得到的最重要的
T
个单词，在原始文本中进行回溯定位，若多个关键词在同一章节内则定义为互为相邻词，组合为关键词组；
S16、
根据得到的关键词组
、
关键词组在原始文本中的位置
、
进行人为判断标定分类
。
[0011]进一步的方案是，所述多维能力测评方法包括学生基础能力测评方法及学习力测评方法
。
[0012]更进一步的方案是，所述学生基础能力测评方法包括如下步骤：
S41
：从上述分类中随机抽取四节关联课程用于测试；
S42
：测试工具来源于贴片式脑电设备，用于采集学生在在线学习过程中的脑电波，用于测评学生专注力
、
记忆力
、
逻辑推理力；
S43
：根据采集的脑电数据计算出学生在四节课程中的平均专注力水平
、
评价记忆力水平及平均逻辑推理力水平
。
[0013]更进一步的方案是，所述学习力测评方法包括如下步骤：
S51
：使用学习力测评量表及贴片式脑电设备实现测评；
S52
：采集学生在做量表时的脑电数据及量表结果；
S53
：根据脑电数据判断学生是否认真进行量表测评，满足条件则根据量表结果给出学生学习能力水平
、
学习动力水平及学习态度水平
。
[0014]更进一步的方案是，所述量表包括但不限于持续性操作测验
(CPT)、
瞬时记忆力测验
、
瑞文推理测验联合型
(CRT)。
[0015]进一步的方案是，所述学生测评数据格式是以概念类
、
逻辑类
、
发散思维类以及强化类课程为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于知识特征划分与多维测评的个性化知识图谱生成方法，其特征在于，该方法包括如下所述的步骤：
S1
，将教材目录细化拆分为知识点，并通过关键词匹配方法对每个知识点进行标定分类，将知识点分成概念类
、
逻辑类
、
发散思维类以及强化类的课程；
S2
，采用多维能力测评方法对学生的基础能力及学习力进行测评；
S3
，用编排好的学生测评数据格式收集学生测评数据，并由学生测评数据组成学生测评数据集；
S4
，通过关联分析方法对学生测评数据集进行反向关联分析生成关联规则；
S5
，根据关联规则以及学习力测评结果生成个性化知识图谱
。2.
根据权利要求1所述的基于知识特征划分与多维测评的个性化知识图谱生成方法，其特征在于，在所述
S1
中，所述教材目录拆分成知识点及知识点标定分类的方法包括如下所述的步骤：
S11、
以每本教材为基础构建思维导图，将不同层级的章节规划为统一层级的步骤；
S12、
对每一章节按照完整句子进行分割的步骤；
S13、
对于每个句子，进行分词和词性标注处理，并过滤掉停用词，只保留指定词性的单词，得到保留后的候选关键词的步骤；
S14、
构建候选关键词图
G = (V,E)
，其中
V
为节点集，由生成的候选关键词组成，采用共现关系构造任两点之间的边的步骤；
S15、
迭代传播各节点的权重，直至收敛的步骤；
S16、
对节点权重进行倒序排序，从而得到最重要的
T
个单词，作为候选关键词的步骤；
S17、
将得到的最重要的
T
个单词，在原始文本中进行回溯定位，若多个关键词在同一章节内则定义为互为相邻词，组合为关键词组的步骤；
S18、
根据得到的关键词组
、
关键词组在原始文本中的位置
、
进行人为判断标定分类的步骤
。3.
根据权利要求1所述的基于知识特征划分与多维测评的个性化知识图谱生成方法，其特征在于，所述的多维能力测评方法包括学生基础能力测评方法和学习力测评方法
。4.
根据权利要求3所述的基于知识特征划分与多维测评的个性化知识图谱生成方法，其特征在于，所述学生基础能力测评方法包括如下所述的步骤：
S41
：从所述分类中随机抽取四节关联课程用于测试；
S42
：测试工具来源于贴片式脑电设备，用于采集学生在在线学习过程中的脑电波；
S43
：根据采集的脑电波计算出学生在四节课程中的平均注意力水平
V_a、
平均记忆力水平
V_m
及平均理解力水
V_c。5.
根据权利要求3所述的基于知识特征划分与多维测评的个性化知识图谱生成方法，其特征在于，所述的学习力测评方法包括如下所述的步骤：
S51
：使用学习力测评量表及贴片式脑电设备来进行测评；
S52
：采集学生在做量表时的脑电数据及量表结果；
S...

【专利技术属性】
技术研发人员：吴响，余泽华，祖洁，郑海源，刘莘，
申请(专利权)人：徐州医科大学，
类型：发明
国别省市：