一种教育元宇宙中学习目标的语义推理方法及终端技术

本发明专利技术公开了一种教育元宇宙中学习目标的语义推理方法及终端，接收学习目标的描述文本，将描述文本分割为词项序列，从词项序列中提取词条，基于词条提取语义词项，再将语义词项映射为第一词向量

【技术实现步骤摘要】
一种教育元宇宙中学习目标的语义推理方法及终端


[0001]本专利技术涉及元宇宙的教学应用
，特别涉及一种教育元宇宙中学习目标的语义推理方法及终端
。

技术介绍

[0002]AIGC
（生成式人工智能）综合运用机器学习
、
自然语言处理和计算机视觉等技术，学习和识别海量数据中的模式，以人工智能为基础，自动生成具有较高创造性和复杂性的内容
。
将
AIGC
应用于教育领域，能够自动化生成教学资源
。
而利用
AIGC
构建学习目标的语义推理引擎，能够丰富学习目标的语义和推理流程，能够实现更高效
、
精准的教学资源生成与交互，提升学习者的学习体验和效果，扩展元宇宙中教学场景的生成方式，改变元宇宙中教学资源的供给模式，具有广阔的应用前景
。
[0003]目前，虽然可以使用语义推理技术推断教师定义的学习目标，但缺乏与学习目标相匹配的词条和邻接知识点
。
同时，不同来源的教学资源很难有效地组织和聚合，还需要手动标记教学资源之间复杂而繁琐的关联关系
。
因此，在教育元宇宙中结合
AIGC
和学习目标语义推理，需要使用学科知识图谱，采用深度学习
、
自然语言处理等技术推断学科和知识点语义信息，匹配或生成教学场景
。
[0004]因此，当前教育元宇宙中学习目标语义推理领域还存在诸多的问题：（1）学习目标语义推理未考虑词条和邻接知识点：仅使用知识图谱推断学习目标，难以充分挖掘学习目标的语义信息，导致学习目标提取不准确；（2）学习目标语义推理与
AIGC
技术结合不紧密：当前生成的教学资源大多来自现有教学资源库，难以有效地组织和聚合多源教学资源；（3）模型之间交互行为尚未实现自动化关联：现有教学资源交互行为往往需要手动编辑，这一过程繁琐且复杂，缺乏自动化的关联流程
。

技术实现思路

[0005]本专利技术所要解决的技术问题是：提供一种教育元宇宙中学习目标的语义推理方法及终端，能够提高学习目标语义提取的准确性，并根据提取到的学习目标自动关联教学资源
。
[0006]为了解决上述技术问题，本专利技术采用的技术方案为：一种教育元宇宙中学习目标的语义推理方法，包括步骤：接收输入的学习目标的描述文本，将所述描述文本分割为词项序列，从所述词项序列中提取词条，基于所述词条提取语义词项，将所述语义词项映射为第一词向量；通过捕捉所述第一词向量中的语义特征向量，推理得到所述学习目标中的学科和知识点，并确定所述学习目标的目标知识点，对所述目标知识点进行定位索引，确定所述目标知识点的关联关系；基于所述学习目标匹配对应的教学场景，将匹配到的教学场景以及所述学习目标
中的学科和所述知识点间的关联关系整合至教学模型；建立各个教学模型之间的交互关系
。
[0007]为了解决上述技术问题，本专利技术采用的另一种技术方案为：一种教育元宇宙中学习目标的语义推理终端，包括存储器
、
处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种教育元宇宙中学习目标的语义推理方法的各个步骤
。
[0008]本专利技术的有益效果在于：接收学习目标的描述文本，将描述文本分割为词项序列，从词项序列中提取词条，基于词条提取语义词项，再将语义词项映射为第一词向量，以此方式自动提取文本中的词项，并转换成词向量进行标准化处理
。
通过捕捉词向量中的语义特征向量，推理得到学习目标中的学科和知识点，并确定学习目标的目标知识点，对目标知识点进行定位索引，确定目标知识点的关联关系，因此能够根据学习目标的词向量来提取学科和知识点，并进行知识点的关联，从而充分挖掘学习目标的语义信息，提高学习目标提取的准确性
。
基于学习目标匹配对应的教学场景，将匹配到的教学场景以及学习目标中的学科和知识点间的关联关系整合至教学模型，并建立各个教学模型之间的交互关系，以此方式，能够有效地组织和聚合多源教学资源，并实现模型之间的相互关联
。
附图说明
[0009]图1为本专利技术实施例的一种教育元宇宙中学习目标的语义推理方法的流程图；图2为本专利技术实施例的一种教育元宇宙中学习目标的语义推理终端的示意图；图3是本专利技术实施例中的布卢姆层次模型示意图；图4是本专利技术实施例中知识点之间的层级关系示意图；图5是本专利技术实施例中基于多头注意力胶囊网络的分类模型示意图；图6是本专利技术实施例中教学场景的目标尺寸和可视范围示意图；图7是本专利技术实施例中教学模型标记示意图；图8是本专利技术实施例中相同教学模型关联到不同知识点示意图；图9是本专利技术实施例中教学模型聚合示意图；图
10
是本专利技术实施例中不同教学模型之间交互关系示意图；图
11
是本专利技术实施例中教学模型之间交互行为示意图；图
12
是本专利技术实施例中基于深度学习的自编码语言模型结构示意图
。
[0010]标号说明：
1、
一种教育元宇宙中学习目标的语义推理终端；
2、
存储器；
3、
处理器
。
具体实施方式
[0011]为详细说明本专利技术的
技术实现思路

、
所实现目的及效果，以下结合实施方式并配合附图予以说明
。
[0012]请参照图1，本专利技术实施例提供了一种教育元宇宙中学习目标的语义推理方法，包括步骤：接收输入的学习目标的描述文本，将所述描述文本分割为词项序列，从所述词项序列中提取词条，基于所述词条提取语义词项，将所述语义词项映射为第一词向量；
通过捕捉所述第一词向量中的语义特征向量，推理得到所述学习目标中的学科和知识点，并确定所述学习目标的目标知识点，对所述目标知识点进行定位索引，确定所述目标知识点的关联关系；基于所述学习目标匹配对应的教学场景，将匹配到的教学场景以及所述学习目标中的学科和所述知识点间的关联关系整合至教学模型；建立各个教学模型之间的交互关系
。
[0013]从上述描述可知，本专利技术的有益效果在于：接收学习目标的描述文本，将描述文本分割为词项序列，从词项序列中提取词条，基于词条提取语义词项，再将语义词项映射为第一词向量，以此方式自动提取文本中的词项，并转换成词向量进行标准化处理
。
通过捕捉词向量中的语义特征向量，推理得到学习目标中的学科和知识点，并确定学习目标的目标知识点，对目标知识点进行定位索引，确定目标知识点的关联关系，因此能够根据学习目标的词向量来提取学科和知识点，并进行知识点的关联，从而充分挖掘学习目标的语义信息，提高学习目标提取的准确性
。
基于学习目标匹配对应的教学场景，将匹配到的教学场景以及学习目标中的学科和知识点间的关联关系整合至教学模型，并建立各个教学模型之间的交互关系，以此方式，能够有效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种教育元宇宙中学习目标的语义推理方法，其特征在于，包括步骤：接收输入的学习目标的描述文本，将所述描述文本分割为词项序列，从所述词项序列中提取词条，基于所述词条提取语义词项，将所述语义词项映射为第一词向量；通过捕捉所述第一词向量中的语义特征向量，推理得到所述学习目标中的学科和知识点，并确定所述学习目标的目标知识点，对所述目标知识点进行定位索引，确定所述目标知识点的关联关系；通过捕捉所述第一词向量中的语义特征向量，推理得到所述学习目标中的学科和知识点，包括：对所述第一词向量进行拼接得到语义词项向量，并使用流形学习挖掘所述语义词项向量的低维语义信息，将所述语义词项向量映射至低维向量；使用卷积神经网络捕捉所述低维向量中词性变化和词序关系的局部语义信息，并经过全连接层非线性变换处理提取得到语义特征向量；将所述语义特征向量输入自编码语言模型，并输出得到隐含多层抽象和递进关系的紧凑型语义向量，将所述紧凑型语义向量进行随机遮罩和微调，推理得到所述学习目标中的学科和知识点的语义；基于所述学习目标匹配对应的教学场景，将匹配到的教学场景以及所述学习目标中的学科和所述知识点间的关联关系整合至教学模型；建立各个教学模型之间的交互关系
。2.
根据权利要求1所述的一种教育元宇宙中学习目标的语义推理方法，其特征在于，将所述描述文本分割为词项序列，包括：采用混合型分词法将所述描述文本分割为词项序列，并标记所述词项序列中各词项的词性
。3.
根据权利要求2所述的一种教育元宇宙中学习目标的语义推理方法，其特征在于，从所述词项序列中提取词条，包括：识别并提取出所述词项序列中的独立术语和联合术语；将所述独立术语作为所述学习目标的标题；对所述联合术语进行拆分，根据所述标题所属的学科类别匹配对应的学科词条库，并基于所述联合术语的拆分结果提取与所述标题对应的词条
。4.
根据权利要求3所述的一种教育元宇宙中学习目标的语义推理方法，其特征在于，基于所述词条提取语义词项，包括：获取词条词项上下文的关系特征向量，使用正向最大匹配法提取所述词条中的待分割词项并映射为第二词向量，运用长短时记忆网络分类器判断所述第二词向量与所述关系特征向量的拼接结果是否为词条词项，若是，则计算词条词项的语义权重值，根据所...

【专利技术属性】
技术研发人员：刘德建，吴荣华，钟正，徐建，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：