知識(shí)圖譜與圖嵌入在個(gè)性化教育中的應(yīng)用綜述①

張栩翔,馬 華

(湖南師范大學(xué) 信息科學(xué)與工程學(xué)院,長沙 410081)

隨著當(dāng)下互聯(lián)網(wǎng)技術(shù)的發(fā)展,各種智能化技術(shù)正在引發(fā)新一輪教育變革,傳統(tǒng)的教育方式正在向智慧教育與個(gè)性化教育轉(zhuǎn)型與演化[1].個(gè)性化教育就是培養(yǎng)學(xué)生個(gè)性發(fā)展的教育,為每個(gè)學(xué)生提供最適合的教育,使學(xué)生的個(gè)性特長得到充分發(fā)展[2].但是,面對(duì)互聯(lián)網(wǎng)上大量的知識(shí)與學(xué)習(xí)資源,學(xué)習(xí)者往往無法高效快速地獲取滿足自身需求的信息,使得學(xué)習(xí)效果和學(xué)習(xí)質(zhì)量難以明顯提升.現(xiàn)有的多數(shù)網(wǎng)絡(luò)學(xué)習(xí)平臺(tái),尚未具備結(jié)合學(xué)習(xí)者的學(xué)習(xí)風(fēng)格與學(xué)習(xí)需求進(jìn)行個(gè)性化輔助學(xué)習(xí)的有效支持能力.如何更好地利用信息技術(shù)進(jìn)行個(gè)性化教育,促進(jìn)學(xué)習(xí)者高效學(xué)習(xí),已成為教育領(lǐng)域研究的熱點(diǎn)問題,對(duì)提高我國的教育質(zhì)量具有重要意義.

學(xué)習(xí)者學(xué)習(xí)的過程是循序漸進(jìn)的,學(xué)習(xí)的知識(shí)點(diǎn)也是由淺入深.學(xué)習(xí)者在學(xué)習(xí)中的需求不僅是針對(duì)自身的興趣需求,還有對(duì)知識(shí)的學(xué)習(xí)需求,因此在個(gè)性化教育技術(shù)中考慮知識(shí)點(diǎn)之間的關(guān)系是很有必要的.近年來知識(shí)圖譜(knowledge graph)[3]在語言表證學(xué)習(xí)、問答與推薦系統(tǒng)等領(lǐng)域應(yīng)用廣泛.知識(shí)圖譜可直接表示現(xiàn)實(shí)世界中的實(shí)體關(guān)系,并對(duì)梳理的概念關(guān)系與關(guān)聯(lián)知識(shí)以圖結(jié)構(gòu)進(jìn)行持久化存儲(chǔ),其包含的語義網(wǎng)絡(luò)關(guān)系為知識(shí)推理提供了基礎(chǔ),并可通過可視化交互方式展現(xiàn).知識(shí)圖譜本身作為知識(shí)庫,還能很好地增強(qiáng)推薦結(jié)果的可解釋性.圖嵌入(graph embedding)[4]是一種將圖數(shù)據(jù)映射為低微稠密向量的過程.在知識(shí)圖譜應(yīng)用中引入圖嵌入算法,可大大提高系統(tǒng)性能,增強(qiáng)用戶體驗(yàn).

為緩解當(dāng)前個(gè)性化教育實(shí)踐中面臨的“信息過載”“知識(shí)迷航”等問題,越來越多的學(xué)者將研究聚焦到知識(shí)圖譜與圖嵌入領(lǐng)域上.基于知識(shí)圖譜的個(gè)性化教育技術(shù),不僅考慮了豐富的知識(shí)語義信息,使技術(shù)結(jié)果更加符合學(xué)習(xí)者的學(xué)習(xí)需求與學(xué)習(xí)過程的客觀規(guī)律,而且還能在此基礎(chǔ)上構(gòu)建多種學(xué)習(xí)應(yīng)用交互系統(tǒng),提高學(xué)習(xí)者學(xué)習(xí)興趣和學(xué)習(xí)效率.而圖嵌入與知識(shí)圖譜的結(jié)合,可以有效解決大規(guī)模數(shù)據(jù)場(chǎng)景下的效率問題,進(jìn)一步增強(qiáng)學(xué)習(xí)應(yīng)用效果.

本文首先介紹有關(guān)知識(shí)圖譜與圖嵌入的基本概念與相關(guān)算法,然后,回顧了目前知識(shí)圖譜與圖嵌入技術(shù)在個(gè)性化教育領(lǐng)域的應(yīng)用研究,并對(duì)現(xiàn)有工作進(jìn)行總結(jié)分析.這些領(lǐng)域包括知識(shí)檢索、知識(shí)問答、路徑規(guī)劃、資源推薦、能力診斷與習(xí)題推薦、評(píng)分預(yù)測(cè)與課程設(shè)計(jì)與教案評(píng)估等7 類.最后,總結(jié)全文并給出未來的研究展望.

1 知識(shí)圖譜與圖嵌入模型

1.1 知識(shí)圖譜與圖嵌入基本概念

Google 于2012年提出知識(shí)圖譜的概念,其初衷是為了優(yōu)化搜索引擎返回的結(jié)果,增強(qiáng)用戶搜索質(zhì)量及體驗(yàn).知識(shí)圖譜并不是一個(gè)全新的概念,早在2006年就有文獻(xiàn)提出了語義網(wǎng)(semantic network)的概念,并呼吁推廣、完善使用本體模型來形式化表達(dá)數(shù)據(jù)中的隱含語義,資源描述框架(resource description framework,RDF)模式和OWL (Web ontology language)就是基于上述目的產(chǎn)生的.知識(shí)圖譜本質(zhì)上是一種揭示實(shí)體之間關(guān)系的語義網(wǎng)絡(luò),現(xiàn)在已有一些比較大規(guī)模的知識(shí)圖譜,例如SUMO、YAGO、Freebase、Wikidata等.這些知識(shí)圖譜被廣泛地應(yīng)用于自然語言處理、實(shí)體識(shí)別、信息提取、問答領(lǐng)域與推薦系統(tǒng)等領(lǐng)域.

真實(shí)的圖網(wǎng)絡(luò)往往是高維、難以處理的,例如社交網(wǎng)絡(luò)、通信網(wǎng)絡(luò)、生物結(jié)構(gòu)網(wǎng)絡(luò)等大規(guī)模和高維度的網(wǎng)絡(luò).圖嵌入是一種將圖數(shù)據(jù)(通常為高維稠密的矩陣)映射為低微稠密向量的過程,因向量計(jì)算效率大大高于圖形運(yùn)算,所以圖嵌入算法可很好地提高圖網(wǎng)絡(luò)的計(jì)算效率.圖嵌入的關(guān)鍵在于,嵌入結(jié)果應(yīng)捕獲圖的拓?fù)浣Y(jié)構(gòu)、頂點(diǎn)到頂點(diǎn)的關(guān)系以及關(guān)于圖、子圖和頂點(diǎn)的其他相關(guān)信息.

1.2 基于三元組的表征學(xué)習(xí)模型

基于三元組事實(shí)的嵌入模型,將知識(shí)圖譜視為一組包含所有觀察到的事實(shí)的三元Triplet (實(shí)體,關(guān)系,實(shí)體).在本節(jié)中,我們將介紹3 類嵌入模型:基于向量平移的模型、基于張量的模型和基于神經(jīng)網(wǎng)絡(luò)的模型,分類信息如表1所示.

表1 知識(shí)圖譜圖嵌入模型分類

1.2.1 向量平移模型

自從2013年Mikolov 等人[20]提出了Word2Vec詞嵌入算法以來,此類分布式表達(dá)算法越來越受到人們的關(guān)注.在使用Word2Vec的過程中,人們發(fā)現(xiàn)了嵌入后的詞向量空間具有一種意外的特性,將詞語嵌入的向量空間后,其對(duì)應(yīng)的向量的計(jì)算結(jié)果帶有語言特性.受到Word2Vec的啟發(fā),Bordes 等人[5]提出了TransE算法,TransE 算法將所有的實(shí)體和向量映射到一個(gè)連續(xù)統(tǒng)一的低維特征空間R,對(duì)于每一個(gè)三元組Triplet(h,r,t)都有一個(gè)H、R、T向量與其對(duì)應(yīng).此算法訓(xùn)練目標(biāo)是要使H+R=T,使其在計(jì)算上具有最接近原三元組的語義關(guān)系.向量平移圖嵌入模型如圖1所示.

圖1 向量平移圖嵌入模型

Wang 等人[8]考慮到同一個(gè)關(guān)系,對(duì)于不同實(shí)體也是有區(qū)別的,在TransE 算法基礎(chǔ)上做了優(yōu)化并提出了TransH 算法.TransE 算法得到的結(jié)果,對(duì)于不同實(shí)體間同樣的關(guān)系,其在訓(xùn)練過程中會(huì)逐漸趨于一個(gè)向量表示.TransH 算法將每個(gè)三元組實(shí)體映射到其關(guān)系向量的法平面上,使每個(gè)實(shí)體向量都帶有了其對(duì)應(yīng)關(guān)系的隱含特征,有效彌補(bǔ)了TransE 算法無法有效區(qū)分多對(duì)多關(guān)系的缺陷.Liu 等人[11]也是考慮到關(guān)系存在區(qū)別,將實(shí)體空間與關(guān)系空間分開,為每個(gè)關(guān)系開辟一個(gè)關(guān)系空間,將每個(gè)實(shí)體映射到對(duì)應(yīng)的關(guān)系空間進(jìn)行訓(xùn)練,提出了TransR 算法.Ji 等人[14]考慮到不僅關(guān)系有區(qū)別,而且實(shí)體類型也有區(qū)別,提出了TransD 算法.其為頭尾實(shí)體也分別設(shè)置了映射矩陣,再將實(shí)體映射到對(duì)應(yīng)的關(guān)系空間來進(jìn)行訓(xùn)練,相比于TransR,TransD減少了矩陣運(yùn)算,但需要占用更多資源.

以上算法都是在TransE的基礎(chǔ)上,對(duì)向量映射進(jìn)行優(yōu)化,而Jia 等人[17]則是從另一種角度來對(duì)TransE 進(jìn)行優(yōu)化并提出了TransA 算法,用馬氏距離(Mahalanobis distance)代替了傳統(tǒng)的歐式距離,從而獲得更好的適應(yīng)性與靈活性.

1.2.2 基于張量因式分解的模型

張量因式分解不同于前面提到了基于向量平移的方法,它的核心在于將三元組轉(zhuǎn)化成3 階張量,每一個(gè)切面代表對(duì)應(yīng)一個(gè)關(guān)系,每個(gè)平面表示各個(gè)實(shí)體在此關(guān)系上有無對(duì)應(yīng)的三元組,再通過計(jì)算得到每個(gè)實(shí)體與關(guān)系對(duì)應(yīng)的嵌入向量.張量因式分解圖嵌入模型如圖2所示.

圖2 張量因式分解圖嵌入模型

Nickel 等人[6]利用張量去表達(dá)知識(shí)圖譜的原生結(jié)構(gòu),并利用rank-d 因式分解區(qū)包含一些隱含的語義關(guān)系,提出了RESCAL 算法,但此算法由于復(fù)雜度較大而存在一定局限性.Yang 等人[9]降低了RESCAL的計(jì)算復(fù)雜度,提出了DistMult 算法,其要求目標(biāo)函數(shù)的中間矩陣必須為對(duì)角矩陣,不僅降低了算法的復(fù)雜度,在其訓(xùn)練效果上較其他算法也有較大的提升.Nickel 等人[12]提出了HolE 算法,在頭實(shí)體和尾實(shí)體之間進(jìn)行了循環(huán)相關(guān)處理[21].為了解決在實(shí)體向量嵌入過程中獨(dú)立事件的CP 張量分解,Kazemi 等人[15]提出了SimpleE 算法,其使用一種加強(qiáng)型的CP 方法,即利用原關(guān)系與其反向關(guān)系來平均CP 值.Sun 等人[18]提出了RotatE 算法,提出了一種旋轉(zhuǎn)哈瑪?shù)贸朔e(rotational Hadmard product),其把關(guān)系當(dāng)作是頭實(shí)體與尾實(shí)體之間在復(fù)雜空間內(nèi)的一種旋轉(zhuǎn).

1.2.3 基于神經(jīng)網(wǎng)絡(luò)的模型

近年來神經(jīng)網(wǎng)絡(luò)模型非常受歡迎,神經(jīng)網(wǎng)絡(luò)特有的網(wǎng)絡(luò)結(jié)構(gòu)能很好地表示復(fù)雜的非線性映射.Bordes等人[7]提出了SME 算法,他們定義來一個(gè)語義匹配的能量函數(shù),用來評(píng)估每個(gè)被神經(jīng)網(wǎng)絡(luò)利用的三元組可信度,然后利用兩個(gè)映射矩陣來捕捉實(shí)體與關(guān)系之間的聯(lián)系,并通過全連接層計(jì)算每個(gè)三元組的語義匹配能量.最終得到的神經(jīng)網(wǎng)絡(luò)模型能夠很好地表示原圖中對(duì)應(yīng)的語義關(guān)系與三元組結(jié)構(gòu),如圖3所示.

圖3 神經(jīng)網(wǎng)絡(luò)圖嵌入模型

Socher 等人[10]提出了NTN 算法,其利用一種張量神經(jīng)網(wǎng)絡(luò)來計(jì)算能量得分,它用雙線性張量層替換了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中的標(biāo)準(zhǔn)線性層,使其能更好地體現(xiàn)原圖譜中的復(fù)雜語義關(guān)系,但也造成張量層計(jì)算規(guī)模過大.Dong 等人[13]提出了MLP 算法,此算法定義了一種輕量級(jí)的結(jié)構(gòu),讓所有的關(guān)系共享參數(shù),所有的實(shí)體與關(guān)系在輸入層同時(shí)映射到嵌入空間,然后利用非線性隱藏層來更好地計(jì)算得分.Nguyen 等人[16]利用卷積神經(jīng)網(wǎng)絡(luò)來捕捉知識(shí)圖譜中潛在的語義信息,提出了ConvKB 算法.在此模型中,每一個(gè)三元組用一個(gè)三行矩陣來表示,再將矩陣輸入到卷積層中,并將特征映射串聯(lián)并投影到一個(gè)分?jǐn)?shù)上,最后利用基于此分?jǐn)?shù)進(jìn)行的加權(quán)向量運(yùn)算來估計(jì)三元組的真實(shí)性.

1.3 其他表征學(xué)習(xí)模型

知識(shí)圖譜的文本信息主要有兩類:實(shí)體類型信息與描述信息.基于文本描述的模型是對(duì)傳統(tǒng)三元組模型的一個(gè)擴(kuò)展,主要利用附加的文本信息來提高性能.Xie 等人[22]提出了TKRL 算法,假設(shè)每個(gè)實(shí)體都有可能有多重實(shí)體類型,為了捕捉多重類型的語義關(guān)系,每一個(gè)不同的類型都被映射到不同的類型矩陣.Lin 等人[23]考慮到有一些關(guān)系存在多層或者多步連接,提出了PtransE 算法.對(duì)于一個(gè)三元組(h,r,t),r不僅僅代表直接連接h與t的關(guān)系,還代表經(jīng)過一個(gè)或多個(gè)中間節(jié)點(diǎn)后連接h和t的一條路徑P.其得分函數(shù)為直接連接的分?jǐn)?shù)加上經(jīng)過多層路徑連接的分?jǐn)?shù),此得分代表了h與t之間路徑的可靠度.

2 在個(gè)性化教育中的應(yīng)用研究

知識(shí)圖譜及圖嵌入在個(gè)性化教育領(lǐng)域已有較廣泛的應(yīng)用,不同的應(yīng)用類型偏向利用不同的知識(shí)圖譜特性,表2給出了不同類型應(yīng)用的總結(jié)分析.本文將從知識(shí)圖譜構(gòu)建方法的通用性、知識(shí)圖譜的特性利用程度、實(shí)驗(yàn)設(shè)計(jì)的合理性和系統(tǒng)使用效果等4 個(gè)方面來評(píng)價(jià)已有的研究工作.

表2 個(gè)性化教育中的應(yīng)用分析

2.1 知識(shí)檢索

學(xué)習(xí)過程中學(xué)習(xí)者接受的知識(shí)往往是零散、冗余的,這為學(xué)生記憶與理解增加了難度.過多的孤立知識(shí)點(diǎn)會(huì)導(dǎo)致學(xué)習(xí)者的思維邏輯變得不清晰,并且,大部分學(xué)習(xí)者在學(xué)習(xí)完一門課程后不會(huì)整合知識(shí)并梳理構(gòu)建自己的知識(shí)結(jié)構(gòu),以致學(xué)習(xí)效果難以有效提升.

李光明[24]構(gòu)建了初中化學(xué)學(xué)科知識(shí)圖譜及其可視化查詢系統(tǒng).該研究依托自行設(shè)計(jì)的化學(xué)學(xué)科本體數(shù)據(jù)模型,梳理各層次的學(xué)科知識(shí)構(gòu)建知識(shí)圖譜,并依靠學(xué)科教師與專家學(xué)者的人工審核來保證知識(shí)的準(zhǔn)確性,以此來提高學(xué)習(xí)者的學(xué)習(xí)積極性與學(xué)習(xí)效率.但是,該研究選取構(gòu)建本體的知識(shí)范圍較窄,構(gòu)造的本體模型僅有5 種概念及其相關(guān)屬性,數(shù)據(jù)規(guī)模較小且設(shè)計(jì)應(yīng)用場(chǎng)景較為單一;其利用問卷調(diào)查來統(tǒng)計(jì)用戶滿意度、學(xué)習(xí)效果、學(xué)習(xí)態(tài)度等指標(biāo)數(shù)據(jù),并以此來評(píng)估系統(tǒng)實(shí)踐效果,缺少對(duì)實(shí)際使用數(shù)據(jù)的量化分析.

Sun 等人[25]通過構(gòu)建領(lǐng)域知識(shí)圖譜,來更清晰的表示學(xué)科知識(shí)體系.該研究基于其構(gòu)建的領(lǐng)域知識(shí)圖譜,實(shí)現(xiàn)了可視化使用平臺(tái),提供了詞云、力矢量圖、環(huán)形圖等多種可視化交互方式.學(xué)生可根據(jù)自己的興趣點(diǎn)檢索知識(shí),有利于提高學(xué)生的學(xué)習(xí)興趣,增強(qiáng)學(xué)習(xí)主動(dòng)性,使學(xué)習(xí)內(nèi)容更加豐富.但是,該研究缺乏對(duì)知識(shí)圖譜構(gòu)建過程的描述,并且,該研究?jī)H基于樣例數(shù)據(jù)集進(jìn)行可視化的界面展示,未提供實(shí)驗(yàn)分析來驗(yàn)證應(yīng)用的效果.

2.2 知識(shí)問答

信息時(shí)代,學(xué)習(xí)者需要從各個(gè)平臺(tái)檢索,才能獲取足夠的相關(guān)知識(shí),但是檢索返回的信息臃腫雜亂,還需要較多的精力去識(shí)別歸納并整理其中有用的信息.知識(shí)問答是知識(shí)圖譜的一種智能化應(yīng)用形式,用戶給出自然語言問題,問答系統(tǒng)將其轉(zhuǎn)化為對(duì)知識(shí)圖譜的輸入,將相關(guān)知識(shí)作為答案反饋給用戶.

趙維平等人[26]提出了利用古譜及古文化知識(shí)圖譜實(shí)現(xiàn)可視化教育,基于構(gòu)建的音樂領(lǐng)域知識(shí)圖譜建立專業(yè)知識(shí)問答系統(tǒng),在可視化教育方面取得了良好的效果.該研究設(shè)計(jì)的問答引擎可實(shí)現(xiàn)對(duì)自然語言描述的問題給出答案,它基于預(yù)定義的古譜及古文化領(lǐng)域語義模板在圖譜中匹配相應(yīng)子圖,再進(jìn)行數(shù)據(jù)庫查詢得到相應(yīng)結(jié)果.雖然所構(gòu)建的專業(yè)領(lǐng)域知識(shí)圖譜數(shù)據(jù)規(guī)模較小且缺乏應(yīng)用效果的實(shí)驗(yàn)驗(yàn)證,但該研究提供了一種基于知識(shí)圖譜構(gòu)建問答系統(tǒng)的可行方案.

針對(duì)知識(shí)圖譜構(gòu)建過程中實(shí)體識(shí)別與關(guān)系抽取環(huán)節(jié),李軒[27]分別提出了基于BiLSTM+CNN-CRF的實(shí)體識(shí)別算法與基于共現(xiàn)矩陣的多因素職位能力模型抽取算法,構(gòu)建了人工智能領(lǐng)域?qū)I(yè)知識(shí)圖譜.其算法在準(zhǔn)確率、召回率、F值3 個(gè)指標(biāo)上同其他現(xiàn)有算法相比都有較明顯的提升,且能快速應(yīng)用于其他領(lǐng)域知識(shí)圖譜的構(gòu)建.但是,在已構(gòu)建知識(shí)圖譜的基礎(chǔ)上搭建問答系統(tǒng)時(shí),其只利用了知識(shí)圖譜的數(shù)據(jù)存儲(chǔ)與數(shù)據(jù)查詢特性,通過對(duì)接第三方公司搭建的對(duì)話機(jī)器人平臺(tái)來實(shí)現(xiàn)意圖識(shí)別與問答模板定義等功能,并沒有利用知識(shí)圖譜原有的知識(shí)推理與關(guān)聯(lián)性分析特性.

2.3 學(xué)習(xí)路徑分析

學(xué)習(xí)者進(jìn)行學(xué)習(xí)活動(dòng)時(shí)面臨著大量零碎的學(xué)習(xí)內(nèi)容,合理安排學(xué)習(xí)對(duì)象的順序,生成一條明確的學(xué)習(xí)路徑,可以幫助學(xué)習(xí)者高效、系統(tǒng)地完成學(xué)習(xí)目標(biāo).

根據(jù)連接主義理論,學(xué)習(xí)是一個(gè)不斷連接知識(shí)節(jié)點(diǎn)或資源的過程,知識(shí)要素之間的內(nèi)在聯(lián)系在學(xué)習(xí)過程中具有重要作用.因此,在知識(shí)圖譜的基礎(chǔ)上,結(jié)合學(xué)習(xí)者的領(lǐng)域知識(shí)結(jié)構(gòu)與認(rèn)知結(jié)構(gòu)生成學(xué)習(xí)路徑更加符合學(xué)習(xí)者的學(xué)習(xí)需求.基于假設(shè)“一個(gè)學(xué)習(xí)者在不同的學(xué)習(xí)場(chǎng)景下有不同的學(xué)習(xí)路徑,不同的學(xué)習(xí)者在相同的學(xué)習(xí)場(chǎng)景下有相似的學(xué)習(xí)路徑”,Zhu 等人[28]提出了一種新的基于知識(shí)圖譜的多約束學(xué)習(xí)路徑推薦算法,克服了學(xué)習(xí)者在不同學(xué)習(xí)情境下的學(xué)習(xí)路徑偏好不同的問題,并通過組織學(xué)習(xí)者在不同的學(xué)習(xí)情境下自組織學(xué)習(xí)路徑與推薦路徑進(jìn)行對(duì)比,驗(yàn)證了算法的有效性.該研究有效地利用了知識(shí)圖譜強(qiáng)大的路徑分析與關(guān)聯(lián)分析能力,但僅考慮了4 種基本的學(xué)習(xí)情境,而實(shí)際學(xué)習(xí)過程中的情境多種多樣.

Shi 等人[29]提出了基于多維度知識(shí)圖譜框架的學(xué)習(xí)路徑推薦模型.此模型設(shè)計(jì)了一個(gè)多維度知識(shí)圖譜框架,將學(xué)習(xí)對(duì)象分別存儲(chǔ)在多個(gè)類中.然后,其團(tuán)隊(duì)將圖中學(xué)習(xí)對(duì)象之間的關(guān)系劃分為6 種語義關(guān)系,提出了一種加權(quán)加權(quán)系數(shù)評(píng)分的學(xué)習(xí)路徑選擇方法并以此為基礎(chǔ)生成學(xué)習(xí)路徑,最后通過對(duì)比實(shí)驗(yàn)驗(yàn)證了算法的有效性.但是,該模型對(duì)知識(shí)圖譜的數(shù)據(jù)規(guī)模與結(jié)構(gòu)有較強(qiáng)的依賴,當(dāng)數(shù)據(jù)量不夠或者關(guān)聯(lián)關(guān)系過于復(fù)雜時(shí)實(shí)驗(yàn)效果受限.

張博雅[30]設(shè)計(jì)了慕課平臺(tái)上基于知識(shí)圖譜的學(xué)習(xí)路徑規(guī)劃方法,為學(xué)習(xí)者在線學(xué)習(xí)提供個(gè)性化的路徑規(guī)劃.對(duì)于課程間的學(xué)習(xí)路徑規(guī)劃,作者引入了RippleNet 算法,它將用戶的歷史興趣視為知識(shí)圖譜中的種子集,沿著知識(shí)圖譜中實(shí)體間的鏈接迭代擴(kuò)展,以此來發(fā)現(xiàn)用戶對(duì)項(xiàng)目的潛在興趣;對(duì)于課程內(nèi)的路徑規(guī)劃,作者先根據(jù)該課程的知識(shí)圖譜與學(xué)習(xí)者對(duì)課后習(xí)題的答題情況來生成學(xué)習(xí)路徑并進(jìn)行動(dòng)態(tài)更新,再基于慕課平臺(tái)數(shù)據(jù)來生成學(xué)習(xí)路徑,并對(duì)比實(shí)際用戶使用記錄來驗(yàn)證系統(tǒng)準(zhǔn)確率.該研究利用處于測(cè)試階段的慕課平臺(tái)進(jìn)行實(shí)驗(yàn),用戶數(shù)據(jù)質(zhì)量不高;慕課平臺(tái)的知識(shí)圖譜語義關(guān)系梳理深度有限,尚未達(dá)到領(lǐng)域知識(shí)圖譜的要求.

2.4 資源推薦

學(xué)習(xí)資源種類多、數(shù)據(jù)量大,例如音頻、視頻、學(xué)習(xí)網(wǎng)站、學(xué)習(xí)工具、論壇社區(qū)資訊等.

為了更好地針對(duì)學(xué)習(xí)者個(gè)性化特征進(jìn)行自適應(yīng)學(xué)習(xí)資源推薦推薦,孫紅旭[31]構(gòu)建了基于知識(shí)圖譜的自適應(yīng)學(xué)習(xí)系統(tǒng),它多維度分析學(xué)習(xí)者個(gè)性化特征并標(biāo)簽化,利用聚類算法建立學(xué)習(xí)者畫像,以知識(shí)圖譜關(guān)聯(lián)規(guī)則挖掘試題間的知識(shí)點(diǎn)關(guān)系,形成知識(shí)點(diǎn)關(guān)聯(lián)圖.利用拓?fù)渑判蛩惴▽⒅R(shí)點(diǎn)關(guān)聯(lián)圖轉(zhuǎn)化為先行有序序列,生成學(xué)習(xí)者學(xué)習(xí)資源集合.但是,該研究?jī)H考慮了選擇題中單一試題的單一知識(shí)點(diǎn),并未考慮一個(gè)實(shí)體對(duì)應(yīng)多個(gè)知識(shí)點(diǎn)、單一或多知識(shí)點(diǎn)的主觀題等情況.雖然實(shí)驗(yàn)效果較好,但構(gòu)建圖譜時(shí)基于學(xué)習(xí)者的相關(guān)數(shù)據(jù)較少,尚不足以體現(xiàn)其系統(tǒng)的綜合性能.

邱玥[32]提出了知識(shí)圖譜增強(qiáng)的在線課程推薦方法,通過模型層面有機(jī)融合知識(shí)圖譜信息與深度協(xié)同過濾算法思想,提出了基于知識(shí)圖譜增強(qiáng)的推薦算法Ripple_mlp.在Ripple_mlp 算法基礎(chǔ)上引入共現(xiàn)實(shí)體網(wǎng)絡(luò)Co-net,追溯捕捉用戶的顯性興趣特征,以便于更好地挖掘?qū)W習(xí)者興趣.該研究利用AUC與ACC 作為評(píng)價(jià)指標(biāo)進(jìn)行對(duì)比實(shí)驗(yàn)和不同稀疏程度的數(shù)據(jù)集影響測(cè)試,并通過具體案例分析驗(yàn)證模型效率與推薦結(jié)果可解釋性.但在共現(xiàn)網(wǎng)絡(luò)部分,其采用了與知識(shí)圖譜特征采集時(shí)相同的訓(xùn)練方法,實(shí)際是把共現(xiàn)網(wǎng)絡(luò)中的課程當(dāng)成了知識(shí)圖譜中的實(shí)體,這樣得到的共現(xiàn)實(shí)體網(wǎng)絡(luò)的關(guān)系權(quán)重還值得進(jìn)一步探究.

2.5 能力診斷

在個(gè)性化教育中,準(zhǔn)確地對(duì)學(xué)習(xí)者當(dāng)前的知識(shí)水平與能力進(jìn)行診斷也是很重要的.

胡輝[33]基于知識(shí)點(diǎn)以及習(xí)題的關(guān)系,構(gòu)建知識(shí)圖譜,并以知識(shí)追蹤技術(shù)作為學(xué)習(xí)者掌握知識(shí)點(diǎn)能力的評(píng)估方法,若學(xué)習(xí)者未掌握當(dāng)前知識(shí)點(diǎn),則偏向推薦此知識(shí)點(diǎn)及其前驅(qū)知識(shí)點(diǎn)的相關(guān)習(xí)題.其核心在于通過學(xué)習(xí)者與知識(shí)點(diǎn)相關(guān)習(xí)題的概率轉(zhuǎn)移矩陣來動(dòng)態(tài)評(píng)估學(xué)習(xí)者能力.該研究在實(shí)驗(yàn)中以準(zhǔn)確率、召回率與F值等指標(biāo)驗(yàn)證系統(tǒng)性能與算法的有效性,并對(duì)數(shù)據(jù)的獲取和知識(shí)圖譜的構(gòu)建進(jìn)行了詳細(xì)論述,但所構(gòu)建的圖譜知識(shí)范圍較窄,應(yīng)用場(chǎng)景有限,其能力診斷部分并未很好利用知識(shí)圖譜特性,尚可進(jìn)一步研究.

李其娜[34]通過構(gòu)建“數(shù)據(jù)結(jié)構(gòu)”學(xué)科知識(shí)圖譜,并結(jié)合知識(shí)圖譜的語義關(guān)系,設(shè)計(jì)了基于知識(shí)圖譜與知識(shí)點(diǎn)的推薦算法.王冬青等人[35]也通過梳理知識(shí)點(diǎn)關(guān)系并構(gòu)建知識(shí)圖譜,再結(jié)合習(xí)題的知識(shí)點(diǎn)及難度,設(shè)計(jì)了基于知識(shí)圖譜的個(gè)性化習(xí)題推薦系統(tǒng).此類算法或應(yīng)用主要基于習(xí)題測(cè)試分?jǐn)?shù)與對(duì)應(yīng)知識(shí)點(diǎn)對(duì)學(xué)習(xí)者進(jìn)行知識(shí)點(diǎn)掌握程度評(píng)估,再按照知識(shí)圖譜中知識(shí)的關(guān)聯(lián)關(guān)系與依賴程度進(jìn)行綜合能力診斷,推薦符合其認(rèn)知水平并且難度適中的題目.其知識(shí)圖譜的主要作用在于梳理知識(shí)點(diǎn)的層次關(guān)系與先后依賴順序等,為基于知識(shí)點(diǎn)的認(rèn)知診斷提供更好的支持,但沒有充分發(fā)揮知識(shí)圖譜的潛力.

2.6 得分預(yù)測(cè)

對(duì)學(xué)生成績(jī)進(jìn)行分析預(yù)測(cè),并尋找成績(jī)數(shù)據(jù)中潛在的知識(shí)和信息,對(duì)提高個(gè)性化教學(xué)質(zhì)量也有著積極的指導(dǎo)意義.

陳曦等人[36]構(gòu)造了一個(gè)表示課程信息的課程知識(shí)圖譜,分別使用基于鄰節(jié)點(diǎn)的方法和基于知識(shí)圖譜表示學(xué)習(xí)的方法計(jì)算課程在知識(shí)層面的相似度,并將課程的知識(shí)相似度集成到傳統(tǒng)的成績(jī)預(yù)測(cè)框架協(xié)同過濾中,提出了一種基于課程知識(shí)圖譜的預(yù)測(cè)算法.該研究以RMSE與MAE 指標(biāo)進(jìn)行了實(shí)驗(yàn)對(duì)比分析,驗(yàn)證了知識(shí)圖譜可作為歷史數(shù)據(jù)缺乏場(chǎng)景下信息補(bǔ)足的手段,可有效地解決冷啟動(dòng)問題.為改善系統(tǒng)性能,它引入了基于圖譜表示學(xué)習(xí)的圖嵌入算法,并對(duì)比了多種不同算法在不同場(chǎng)景下的效率,但其數(shù)據(jù)規(guī)模過小,構(gòu)建知識(shí)圖譜的本體設(shè)計(jì)較為簡(jiǎn)單,從而其實(shí)驗(yàn)結(jié)果具有一定的局限性.

2.7 課程設(shè)計(jì)與教案評(píng)估

個(gè)性化教育離不開個(gè)性化的課程設(shè)計(jì)與教案,針對(duì)學(xué)習(xí)者特征進(jìn)行課程設(shè)計(jì)能更好地引導(dǎo)學(xué)生思維并讓其更好地理解知識(shí),因材施教.

王憲蓮等人[37]利用知識(shí)圖譜技術(shù)對(duì)微課課程內(nèi)容進(jìn)行組織和關(guān)聯(lián),給出了微課課程體系架構(gòu)和知識(shí)圖譜的建構(gòu)原則,構(gòu)建了基于知識(shí)圖譜的微課課程關(guān)聯(lián)性結(jié)構(gòu),并提出了以學(xué)習(xí)者為中心的微課課程設(shè)計(jì)流程.該研究采用問卷調(diào)查的方式收集用戶滿意度并論證實(shí)驗(yàn)效果,為微課程背景下的課程設(shè)計(jì)提供了一個(gè)借鑒思路.

胡輝[33]在個(gè)性化習(xí)題推薦研究中提出了一種教案評(píng)估方法,他根據(jù)教案映射知識(shí)圖譜的分布規(guī)律,將教案分為3 種類型,引入路徑矩陣和中心性算法,提出了基于路徑矩陣和知識(shí)點(diǎn)序列的教案特征類型判定方法.通過改進(jìn)中心性算法,評(píng)估得到教案重點(diǎn)和難點(diǎn),再基于圖的關(guān)聯(lián)查詢與路徑分析,獲得教案的補(bǔ)充知識(shí)點(diǎn)、異常知識(shí)點(diǎn)和知識(shí)點(diǎn)跨度評(píng)估.該研究充分利用了知識(shí)圖譜的圖網(wǎng)絡(luò)特性,通過圖譜的路徑分析與關(guān)聯(lián)分析,簡(jiǎn)化了分析過程,提高了分析效率.但在教案與相關(guān)知識(shí)的本體模型設(shè)計(jì)方面不夠深入,可進(jìn)一步提高圖譜的覆蓋面與知識(shí)深度.

3 結(jié)論與展望

基于知識(shí)圖譜的教育應(yīng)用具有語義豐富和個(gè)性化的鮮明特點(diǎn),可有效聯(lián)接施教者、學(xué)習(xí)者、學(xué)習(xí)資源和知識(shí)點(diǎn),增強(qiáng)數(shù)據(jù)的語義信息與特征關(guān)聯(lián)程度,它們?cè)谥R(shí)檢索、知識(shí)問答、路徑規(guī)劃、資源推薦、能力診斷、得分預(yù)測(cè)和課程設(shè)計(jì)與教案評(píng)估等場(chǎng)景下的應(yīng)用前景廣闊.

現(xiàn)有研究在本體設(shè)計(jì)、圖譜構(gòu)建、知識(shí)梳理、應(yīng)用結(jié)合與效率優(yōu)化等方面提出了多種模型或解決方案,在領(lǐng)域內(nèi)進(jìn)行了較全面的探索.但由于知識(shí)圖譜存在構(gòu)建的復(fù)雜性、知識(shí)的專業(yè)性和數(shù)據(jù)量的依賴性等問題,未來知識(shí)圖譜在個(gè)性化教育領(lǐng)域中的應(yīng)用仍需要解決諸多問題,例如,如何劃分界限并構(gòu)建有效的學(xué)科知識(shí)圖譜? 如何針對(duì)教育過程參與者精準(zhǔn)建模? 如何優(yōu)化大數(shù)據(jù)量處理效率? 如何與現(xiàn)有傳統(tǒng)方法進(jìn)行有效結(jié)合,以發(fā)揮各自優(yōu)勢(shì)? 除了準(zhǔn)確率、召回率、F值、MAE、RMSE 等傳統(tǒng)指標(biāo)外,是否可以定義更合適的知識(shí)圖譜應(yīng)用效果的驗(yàn)證標(biāo)準(zhǔn).

近年來知識(shí)圖譜以及圖嵌入在醫(yī)療、電子商務(wù)、旅游推薦等領(lǐng)域取得了較好的應(yīng)用效果,它們?yōu)榛谥R(shí)圖譜與圖嵌入的個(gè)性化教育提供了關(guān)鍵參考和重要啟發(fā).圖嵌入技術(shù)可為知識(shí)圖譜大規(guī)模應(yīng)用時(shí)的計(jì)算效率低下問題提供重要的解決方案,而現(xiàn)有的個(gè)性化教育領(lǐng)域的相關(guān)研究尚少,利用圖嵌入技術(shù)優(yōu)化現(xiàn)有的個(gè)性化教育應(yīng)用將是今后研究的一個(gè)重要方向.