具有學(xué)習(xí)反饋的自適應(yīng)知識圖譜構(gòu)建

摘" 要：針對目前學(xué)科知識圖譜缺乏學(xué)習(xí)者學(xué)習(xí)行為信息的問題，以操作系統(tǒng)課程為例，以教材和百度百科為主要數(shù)據(jù)源，設(shè)計操作系統(tǒng)課程本體庫，并依照設(shè)計的本體結(jié)構(gòu)構(gòu)建課程知識圖譜，同時將在線開放平臺上142名學(xué)生產(chǎn)生的學(xué)習(xí)數(shù)據(jù)作為學(xué)習(xí)反饋，對課程知識圖譜進行動態(tài)更新，使得知識圖譜能根據(jù)學(xué)生對知識點掌握程度，進行動態(tài)的學(xué)習(xí)路徑規(guī)劃和學(xué)習(xí)資源推薦，對構(gòu)建動態(tài)環(huán)境中的自適應(yīng)學(xué)科知識圖譜具有相應(yīng)的參考價值。

關(guān)鍵詞：智慧教育；學(xué)習(xí)反饋；自適應(yīng)；知識圖譜；操作系統(tǒng)

中圖分類號：TP391.1" " " 文獻標識碼：A 文章編號：2096-4706（2024）24-0182-08

Construction of Adaptive Knowledge Graph with Learning Feedback

—Taking the Operating System Course as an Example

WANG Quanrui

（School of Computer Science and Technology， Henan Institute of Science and Technology， Xinxiang" 453003， China）

Abstract： In view of the problem that current subject Knowledge Graph lacks learners' learning behavior information， this paper takes the operating system course as an example， designs the operating system course ontology library with textbooks and Baidu Baike as the main data sources， and constructs the course Knowledge Graph according to the designed ontology structure. Meanwhile， the learning data generated by 142 students on the online open platform is taken as learning feedback to dynamically update the course Knowledge Graph. In this way， the Knowledge Graph can conduct dynamic learning path planning and provide learning resource recommendation according to students' mastery degree of knowledge points. It has corresponding reference value for constructing an adaptive discipline Knowledge Graph in a dynamic environment.

Keywords： smart education; learning feedback; adaptability; Knowledge Graph; operating system

0" 引" 言

在人工智能、大數(shù)據(jù)技術(shù)的飛速發(fā)展的同時也為教育機構(gòu)在學(xué)科教育方面提供了更智能化的數(shù)據(jù)存儲、分析、管理和決策支持，推動著學(xué)科教育朝著更智慧的方向發(fā)展。與此同時隨著網(wǎng)絡(luò)教育的興起，涌現(xiàn)了大量的在線學(xué)習(xí)平臺，如中國大學(xué)MOOC、學(xué)堂在線、超星、智慧樹網(wǎng)等，這些在線學(xué)習(xí)平臺打破了傳統(tǒng)教育的時空限制，使得教育資源更均衡化，在逐步擴大了教育的普及面的同時也加速了教育的高質(zhì)量發(fā)展。在線學(xué)習(xí)平臺儼然已成為學(xué)習(xí)者學(xué)習(xí)的主要陣地，而線上學(xué)習(xí)也將成為學(xué)習(xí)者主要的學(xué)習(xí)方式。然而面對網(wǎng)絡(luò)中浩瀚的學(xué)習(xí)資源，如何使得學(xué)習(xí)者在數(shù)據(jù)迷航中找到正確的方向識別有用的信息，如何幫助學(xué)習(xí)者在信息過載的網(wǎng)絡(luò)中通過信息重組發(fā)現(xiàn)知識，是知識圖譜在自動構(gòu)建、自適應(yīng)更新方面亟待解決的關(guān)鍵問題。

在教育領(lǐng)域中，教育大數(shù)據(jù)主要包括教育管理數(shù)據(jù)、教育行為數(shù)據(jù)、教育情景和環(huán)境數(shù)據(jù)、教育其他數(shù)據(jù)，蘊含了豐富的用戶行為和偏好信息。目前在智慧教育發(fā)展初期，這些教育大數(shù)據(jù)多是以無序、分散、異構(gòu)的形式出現(xiàn)且沒有被有效地組織與管理、利用與共享、搜索與理解[1-2]。通過知識圖譜，可以將教育領(lǐng)域海量異質(zhì)數(shù)據(jù)整合為一個直觀可理解的語義知識網(wǎng)絡(luò)，由此很好的實現(xiàn)知識融合。因此教育領(lǐng)域中的知識圖譜構(gòu)建任務(wù)不僅是知識導(dǎo)航視角下生成面向?qū)W習(xí)目標的個性化學(xué)習(xí)路徑推薦的基礎(chǔ)工作，也是學(xué)習(xí)認知視角下形成學(xué)習(xí)者的認知圖式的基礎(chǔ)，還是知識庫視角下以計算機可“理解”的方式存儲教育領(lǐng)域知識的結(jié)構(gòu)化語義知識庫的關(guān)鍵性工作[3]。

1" 現(xiàn)狀分析

知識圖譜以揭示知識間的邏輯關(guān)系為表征，廣泛滲透到教育技術(shù)領(lǐng)域，衍生了教育知識圖譜和學(xué)科知識圖譜等概念[4]。學(xué)科知識圖譜作為認知智能技術(shù)，可有效將各類學(xué)科知識與資源建序優(yōu)化，并以動態(tài)語義圖式結(jié)構(gòu)，映射學(xué)習(xí)者高階認知活動[5]。通過構(gòu)建學(xué)科知識圖譜可以將割裂無序狀態(tài)的知識進行重組進而表示成具有語義關(guān)系的知識網(wǎng)絡(luò)，優(yōu)化學(xué)科知識表示并為學(xué)習(xí)者提供個性化服務(wù)，由此實現(xiàn)網(wǎng)絡(luò)資源從數(shù)據(jù)到信息再到知識的自動轉(zhuǎn)化，提高學(xué)習(xí)者的高階認知活動和深度學(xué)習(xí)能力。

美國早在2008年就開始將知識圖譜應(yīng)用到教育學(xué)科領(lǐng)域，通過建立知識地圖來增強教學(xué)效果。國內(nèi)在這一方面的應(yīng)用研究稍晚于國外，2012年在谷歌正式提出知識圖譜概念之后，才在真正意義上出現(xiàn)了使用引文分析方法構(gòu)建教育技術(shù)學(xué)科知識圖譜的研究，隨著智慧教育理念的提出和深度學(xué)習(xí)技術(shù)的發(fā)展，學(xué)科知識圖譜構(gòu)建研究和應(yīng)用而快速發(fā)展。目前學(xué)科知識圖譜主要應(yīng)用于學(xué)情診斷、智慧課堂、自適應(yīng)學(xué)習(xí)、深度閱讀等場景，并逐漸成為教育研究機構(gòu)和學(xué)術(shù)研究者關(guān)注的重點。美國Knewton自適應(yīng)學(xué)習(xí)平臺是當前最為成熟的自適應(yīng)學(xué)習(xí)平臺之一[6]，它在知識圖譜的支持下通過不斷完善自適應(yīng)反饋鏈路，為用戶提供自適應(yīng)學(xué)習(xí)服務(wù)；北京師范大學(xué)智慧學(xué)習(xí)研究團隊構(gòu)建的唐詩語義檢索與可視化平臺基于知識圖譜技術(shù)，對詩歌的主題、情感、風(fēng)格，詩人的軌跡、社交關(guān)系等實現(xiàn)了全方位的抽取和可視化呈現(xiàn)[7]；北京師范大學(xué)未來教育高精尖創(chuàng)新中心設(shè)計和開發(fā)的“AI好老師”智能助理系統(tǒng)通過不同的育人數(shù)據(jù)定義育人知識模式，進行知識的獲取和融合，構(gòu)建育人領(lǐng)域的知識圖譜[8]；學(xué)者陸星兒等人以學(xué)堂在線“心理學(xué)概論”課程為例，采用共詞分析法和社會網(wǎng)絡(luò)分析法建立基于課程知識點的知識圖譜，并將其作為優(yōu)化MOOC教學(xué)的一種可視化方式[9]；周東岱等人針對目前學(xué)科知識圖譜缺少教與學(xué)的動態(tài)行為信息，提出了學(xué)科教學(xué)圖譜的概念，并解析了其深層內(nèi)涵，建構(gòu)了學(xué)科知識、學(xué)科學(xué)習(xí)活動、學(xué)生學(xué)科認知發(fā)展三視圖融合的結(jié)構(gòu)模型[10]。鄭志宏等人以學(xué)科知識圖譜構(gòu)建過程為研究對象，分析并實施學(xué)科知識圖譜技術(shù)路線，提煉大單元特征提取與質(zhì)量評估方法，構(gòu)建出面向大單元設(shè)計的信息科技學(xué)科知識圖譜[11]。

不同學(xué)科領(lǐng)域的知識圖譜涉及知識的內(nèi)容和形式往往差別很大，而要保證學(xué)科知識的準確性、完備性、系統(tǒng)性和科學(xué)性，就會使得構(gòu)建學(xué)科知識圖譜很難借鑒其他領(lǐng)域知識圖譜構(gòu)建的方法和流程。而目前學(xué)科知識圖譜大都是在靜態(tài)環(huán)境下構(gòu)建的，導(dǎo)致知識圖譜很難反映學(xué)習(xí)者的學(xué)習(xí)狀態(tài)、學(xué)習(xí)能力、學(xué)習(xí)偏好等動態(tài)特征，嚴重降低了知識圖譜在個性化學(xué)習(xí)路徑規(guī)劃和推薦上的可解釋性。因此本文試圖將自適應(yīng)學(xué)習(xí)引入到學(xué)科知識圖譜的構(gòu)建過程中，將學(xué)習(xí)者的在線學(xué)習(xí)行為表征于知識圖譜中，使得知識圖譜能夠?qū)W(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)作為反饋信息，自動學(xué)習(xí)并更新知識圖譜知識點之間的關(guān)聯(lián)關(guān)系和關(guān)聯(lián)強度，同時自動調(diào)整學(xué)習(xí)者學(xué)習(xí)路徑和學(xué)習(xí)資源，以提高路徑生成的精準性和資源推薦的適配性。

2" 課程知識圖譜概念模型

2.1" 課程概念體系

課程概念是對課程知識以一種以簡明扼要的形式進行歸納總結(jié)的載體，可以看作課程知識的模型。明確課程的概念有助于梳理課程知識脈絡(luò)，使課程知識體系更加條理化和清晰化，有助于學(xué)生更好地理解課程內(nèi)容的本質(zhì)和核心，同時也是課程知識圖譜構(gòu)建工作的重要基石。鑒于操作系統(tǒng)課程的特點，即操作系統(tǒng)本身是一個十分復(fù)雜龐大的系統(tǒng)軟件，且課程與高級編程語言、數(shù)據(jù)結(jié)構(gòu)與算法、計算機組成原理等多門課程相關(guān)，導(dǎo)致該課程的概念抽象且繁雜，容易混淆，學(xué)生在學(xué)習(xí)過程沒有輔助的情況下很可能會導(dǎo)致學(xué)生失去學(xué)習(xí)的興趣，使學(xué)生產(chǎn)生學(xué)科孤立感。因此構(gòu)建清晰的課程概念體系，學(xué)生能夠逐步建立對操作系統(tǒng)關(guān)鍵概念的認知框架，形成有機的知識脈絡(luò)。這有助于減少概念混淆，使學(xué)生更容易掌握操作系統(tǒng)的核心原理和技術(shù)。

本文從基本概念和核心概念、上位概念和下位概念、實體概念和屬性概念等幾個維度出發(fā)，對操作系統(tǒng)課程相關(guān)概念進行分類，對概念進行多屬性標注，同時為了更清晰的顯示概念層級性，將操作系統(tǒng)概念分為三級。其中一級概念是依據(jù)操作系統(tǒng)的五大功能進行劃分的，分別是：進程管理、存儲器管理、設(shè)備管理、文件管理和用戶接口。

進程控制和管理部分的概念層級關(guān)系如圖1所示。該概念體系同時也體現(xiàn)了進程管理一部分內(nèi)容中概念的上下位概念關(guān)系、基本概念和核心概念的關(guān)系。

課程概念體系能夠?qū)W(xué)習(xí)目標、教學(xué)資源、學(xué)科領(lǐng)域等進行有機的融合，使得教師能夠更好地規(guī)劃和設(shè)計教學(xué)內(nèi)容。構(gòu)建完備的課程概念體系有助于為學(xué)習(xí)者提供清晰有序的學(xué)習(xí)路線圖，同時教師能夠精準地設(shè)計教學(xué)內(nèi)容組織，及時調(diào)整授課進度，滿足學(xué)生的個性化需求，提升教學(xué)質(zhì)量。此外，課程概念體系能夠為教師提供更為直觀的教學(xué)資源管理組織的工具，在確保教學(xué)過程與課程內(nèi)容的適配性的同時也提升了教師的教學(xué)方式的創(chuàng)新性。

2.2" 課程本體和關(guān)系定義

構(gòu)建高質(zhì)量的課程知識本體是課程知識圖譜具有完備性的重要保障。通過對課程知識本體在概念層級上進行概念明確、關(guān)系約束和屬性規(guī)范，可以保證后期在構(gòu)建知識圖譜過程中進行實體抽取、關(guān)系抽取的工作更具有指導(dǎo)性和更具有可靠性。操作系統(tǒng)課程本體分類和關(guān)系定義如下（定義1）。

定義1：操作系統(tǒng)課程本體分為概念concept、算法algorithm、準則guideline和目標target四類，分別對應(yīng)于概念集合C = {ec1，ec2，…，ecn}、算法集合A = {ea1，ea2，…，eam}、準則集合G = {eg1，eg2，…，egk}、目標集合T = {et1，et2，…，etp}，本體集由概念集、算法集、準則集和目標集組成的，即E = C∪A∪G∪T。

對于操作系統(tǒng)課程中歸納出的概念有如進程、內(nèi)存、輸入輸入系統(tǒng)之類共478個概念；算法有如先來先服務(wù)調(diào)度算法、銀行家算法、動態(tài)分區(qū)分配算法之類共28種；準則有如互斥、空閑讓進、付出代價最小之類共11個；目標有如吞吐量、可靠性之類共15個。

課程本體之間存在多種關(guān)系使得本體所承載的知識形成了特定的脈絡(luò)和體系。本體知識關(guān)系直接決定了知識圖譜的上層應(yīng)用，如學(xué)習(xí)資源推薦、學(xué)習(xí)路徑查詢和學(xué)習(xí)路徑規(guī)劃、學(xué)習(xí)偏好分析等。為了使得實體間的關(guān)系更為簡潔清晰，可以將實體的屬性看作實體與屬性值之間的屬性關(guān)系，由此本文將操作系統(tǒng)課程本體之間的關(guān)系歸納為四種，定義如下（定義2）。

定義2：操作系統(tǒng)課程本體關(guān)系分為包含關(guān)系include、遞進關(guān)系progressive、相關(guān)關(guān)系correlation和屬性關(guān)系attribute。具體為：

1）Include = {eci includes ecj|eci，ecj∈C}，包含關(guān)系有兩種含義，一種是指實體與實體之間在概念范疇上具有包含和被包含的關(guān)系，如進程和父進程、子進程的關(guān)系；一種是指部分與整體的關(guān)系，如進程和程序段、相關(guān)的數(shù)據(jù)段和進程控制塊的組成關(guān)系。

2）Progressive = {eci is follow ecj|eci，ecj∈C}，遞進關(guān)系也有兩種含義，一種是指本體知識在學(xué)習(xí)過程中具有先后順序關(guān)系，如連續(xù)分配存儲管理和離散存儲管理的關(guān)系；一種是具有明顯的時間先后發(fā)展關(guān)系，如單道批處理系統(tǒng)、多道批處理系統(tǒng)、分時系統(tǒng)和實時系統(tǒng)。

3）Correlation = {eai is relation to egi/eti|eci，eai∈A，egi∈G，eti∈T}，相關(guān)關(guān)系是指本體知識之間具有一定的遵循關(guān)系、達到關(guān)系、對比分析關(guān)系等，如內(nèi)存分配算法和最小物理塊數(shù)原則、處理機調(diào)度算法和公平性目標、共享段的內(nèi)存分配方法和非共享段的內(nèi)存分配方法等。

4）Attribute = {eci is a attribute of ecj|eci，ecj∈C}，為了便于統(tǒng)一表示三元組，本文將實體的屬性也看成是一種關(guān)系，即屬性關(guān)系，如操作系統(tǒng)的特征是操作系統(tǒng)的特征屬性關(guān)系，其值為并發(fā)、共享、虛擬和異步。

2.3" 課程本體庫構(gòu)建

目前對于學(xué)科領(lǐng)域中雖然還沒有統(tǒng)一的本體構(gòu)建方法，但許多學(xué)者提出了多種不同的本體構(gòu)建標準，其中大家公認最具影響力的是Gruber[12]提出的本體構(gòu)建的5個準則，即：明確性、一致性、可擴展性、最小編碼偏好、最小本體約定。本文參照該本體構(gòu)建原則，以《操作系統(tǒng)》教學(xué)大綱和電子教案為主要的數(shù)據(jù)源，結(jié)合百度百科相關(guān)詞條，借助Protégé本體開發(fā)和管理工具，由多位領(lǐng)域?qū)＜覅⑴c共同完成課程知識本體的構(gòu)建。

首先確定操作系統(tǒng)課程基本概念范疇和核心概念，參照課程大綱和教材目錄初步列出課程術(shù)語；其次根據(jù)概念之間的內(nèi)在邏輯關(guān)系定義概念類和類的等級關(guān)系；最后通過填充實例確定課程的三個級別上的所有本體。使用Protégé工具構(gòu)建的課程本體庫如圖2所示。

在課程概念體系的框架下，課程本體庫可以為知識圖譜提供一個共享的語義框架，有助于不同的教育參與者之間更準確、一致地理解學(xué)科領(lǐng)域的核心概念。本體庫作為知識圖譜的基礎(chǔ)，通過形式化定義領(lǐng)域中的概念、關(guān)系和屬性，為知識圖譜提供了結(jié)構(gòu)化的語義信息。這種清晰的語義定義使得知識圖譜的數(shù)據(jù)更具一致性和規(guī)范性。同時，本體庫中的概念和關(guān)系為知識圖譜中的實體和連接賦予了特定的含義，提供了豐富的上下文信息。通過這一結(jié)構(gòu)化的知識表示，知識圖譜的可解釋性得以增強，用戶能夠更容易理解和解釋知識圖譜中的關(guān)聯(lián)、推理和信息。

3" 自適應(yīng)學(xué)科知識圖譜構(gòu)建

為了能更好地保持知識圖譜中概念所表述知識點的一致性，構(gòu)建知識圖譜采用自頂向下的方式構(gòu)建，即從本體構(gòu)建開始，由領(lǐng)域?qū)＜乙罁?jù)課程知識所呈現(xiàn)的特點，設(shè)計和抽象對應(yīng)的本體，再將本體中的概念實例化，同時抽取實體間的關(guān)系，表示為三元組存儲到數(shù)據(jù)庫中，初步構(gòu)建靜態(tài)環(huán)境下的知識圖譜，用于教師教學(xué)過程。針對學(xué)生，可以使用學(xué)生在線學(xué)習(xí)行為信息來定義知識點的影響因子，由此反映學(xué)生對知識點的內(nèi)化程度就，同時可以借助學(xué)生學(xué)習(xí)偏好信息為學(xué)生在知識圖譜上進行學(xué)習(xí)路線規(guī)劃和學(xué)習(xí)資源推薦。

3.1" 知識圖譜構(gòu)建框架

構(gòu)建知識圖譜的第一步是獲取數(shù)據(jù)。數(shù)據(jù)主要依賴課程的電子教案和教學(xué)大綱資源，同時結(jié)合百度百科中有關(guān)操作系統(tǒng)的詞條作為輔助信息。第二步構(gòu)建本體。使用Protégé工具對通過整理收集到的數(shù)據(jù)建立一個清晰的課程本體體系框架。第三步抽取知識，包括實體抽取和關(guān)系抽取。在實體抽取階段，首先要對文本進行分詞、去除停用詞等操作，之后構(gòu)建一個關(guān)鍵詞字典，以便更準確地識別和分類實體。在關(guān)系抽取階段，為能實現(xiàn)半自動化的關(guān)系識別，需要事先將文本中顯式表示關(guān)系的詞如“分為/組成/包含”“雖然…但…”“與…不同/與…相似”等抽取出來定義為關(guān)系字典，然后利用該關(guān)系字典進行實體關(guān)系定義和分類。同時為進一步提高關(guān)系識別的精準度，采用遠程監(jiān)督技術(shù)，通過已知的關(guān)系信息來指導(dǎo)模型抽取新的關(guān)系。第四步是知識融合和更新，這是用于知識圖譜管理中的一項重要任務(wù)。首先將從不同來源獲得的知識整合到一個一致且完整的知識圖譜中，包括去重、解決同一實體不同表述的問題，以及合并來自不同數(shù)據(jù)源的信息，確保知識的一致性和完整性；其次將知識圖譜中的實體和關(guān)系表示為節(jié)點嵌入和邊嵌入訓(xùn)練圖注意力網(wǎng)絡(luò)（Graph Attention Network， GAT）模型，并反復(fù)迭代優(yōu)化模型的預(yù)測和推理新關(guān)系的性能；然后是知識圖譜的自適應(yīng)更新過程，通過引入學(xué)習(xí)反饋因子及時對知識圖譜中的實體關(guān)系關(guān)聯(lián)強度進行調(diào)整，以便能反映用戶的學(xué)習(xí)偏好變化；最后是定期評估知識圖譜的質(zhì)量，確保用戶學(xué)習(xí)行為的影響因子對知識圖譜的改進是正面的。第五步是知識圖譜的終端應(yīng)用，包括知識計算、推理決策、智能問答、資源推薦、路徑規(guī)劃等?；趯W(xué)習(xí)反饋的自適應(yīng)知識圖譜構(gòu)建技術(shù)框架如圖3所示。

3.2" 數(shù)據(jù)獲取

3.2.1" 數(shù)據(jù)收集

本文從兩個方面收集所需數(shù)據(jù)，一方面是收集課程相關(guān)的數(shù)據(jù)，包括課程大綱、教學(xué)教案、電子教材以及后期從百度百科中爬取的詞條；一方面是收集學(xué)習(xí)者在線學(xué)習(xí)數(shù)據(jù)，包括學(xué)習(xí)時間數(shù)據(jù)、瀏覽行為數(shù)據(jù)、作業(yè)和測驗數(shù)據(jù)、互動數(shù)據(jù)、學(xué)習(xí)進度數(shù)據(jù)、在線反饋數(shù)據(jù)等。

3.2.2" 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理的工作包括對以上兩種類型數(shù)據(jù)的處理。首先是對電子教材在轉(zhuǎn)換過程中出現(xiàn)的問題進行修正，由于課程大綱和教學(xué)教案本身就是本文類型的數(shù)據(jù)不需要轉(zhuǎn)換，而電子教案是PDF格式的，需要利用文本轉(zhuǎn)換工具將其轉(zhuǎn)換為文本數(shù)據(jù)，但是在轉(zhuǎn)換的過程中會出現(xiàn)一些字符識別錯誤的問題，需要人工排查和矯正以解決該問題，并形成課程文本語料，待以后從中提出實體、關(guān)系和屬性；其次是對收集的在線學(xué)習(xí)數(shù)據(jù)進行數(shù)據(jù)清洗、標準化和規(guī)范化處理，待以后將其表示為矩陣并嵌入知識圖譜中。

3.3" 知識抽取

知識抽取是一種從文本數(shù)據(jù)中自動提取有價值信息的技術(shù)，其核心問題就是從結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)等大量異構(gòu)數(shù)據(jù)源中自動抽取候選知識要素[13]。知識抽取過程涉及從大量文本中識別、提取和組織實體、關(guān)系和事實，以建立更有結(jié)構(gòu)和可查詢的知識庫或圖譜。知識抽取是構(gòu)建學(xué)科知識圖譜的重要步驟，具體分為實體抽取、關(guān)系抽取和屬性抽取三個方面[14-15]。實體抽取是一種從經(jīng)過處理后的數(shù)據(jù)中提取與領(lǐng)域相關(guān)信息的技術(shù)，其期望獲取的知識包括領(lǐng)域相關(guān)的實體、實體涉及的屬性和展現(xiàn)實體脈絡(luò)的關(guān)系，是知識圖譜構(gòu)建的基石，其抽取效率和準確率將直接影響知識圖譜的構(gòu)建。

3.3.1" 實體識別

實體識別是指從特性形式的學(xué)科數(shù)據(jù)中識別出基本概念、術(shù)語、公式、定義、原理等具有可解釋性和帶有屬性的事物的過程。實體識別常采用三種方法：基于規(guī)則的方法、面向開放領(lǐng)域的方法和基于機器學(xué)習(xí)的方法。基于規(guī)則的實體識別需要人工制定識別規(guī)則，并且需要前期驗證規(guī)則的有效性和完備性；面向開放領(lǐng)域的實體識別需要從海量的原始數(shù)據(jù)中獲取，耗時耗力且抽取質(zhì)量不高；基于機器學(xué)習(xí)的實體識別是對大規(guī)模數(shù)據(jù)集進行訓(xùn)練，使模型能夠自動學(xué)習(xí)特定領(lǐng)域的實體特征。

由于學(xué)科領(lǐng)域知識是面向教育工作者和眾多學(xué)習(xí)者的，既要嚴格保證知識的嚴謹性和確切性，即保證概念和定義的規(guī)范性、公式的正確性、術(shù)語的唯一性以及原理的可解釋性，又要實現(xiàn)實體識別的高效性，因此在前期可采用基于機器學(xué)習(xí)的方法，后期可借助學(xué)科專家進行人工檢驗和更正的方法構(gòu)建高質(zhì)量的學(xué)科領(lǐng)域?qū)嶓w庫。

在學(xué)科領(lǐng)域中由于缺乏與課程相關(guān)的專業(yè)詞匯字典，導(dǎo)致在對課程文本資源進行分詞時精確度不高，如在引論部分出現(xiàn)的“計算機操作系統(tǒng)”概念借助jieba或是jiagu進行分詞時會將其分為“計算機”和“操作系統(tǒng)”，其實“計算機操作系統(tǒng)”在操作系統(tǒng)課程中表示一個整體概念；類似的在進程管理部分出現(xiàn)的“進程調(diào)度”概念也被分為了“進程”和“調(diào)度”兩個詞，但“進程調(diào)度”也是一個整體概念，再對其進行分詞沒有太大的意義。

本文采用增量式BiLSTM+CRF算法進行實體識別，在初始關(guān)鍵詞字典的基礎(chǔ)上通過逐步標注新文本語料和不斷更新關(guān)鍵字字典，從而獲取課程較為固定的實體。本文采用的課程實體識別算法如算法1所示。

算法1：Incremental-NER

輸入：課程文本語料、關(guān)鍵詞頻率閾值α、最大迭代次數(shù)max_iter、BiLSTM-CRF模型參數(shù)

輸出：課程字典course_dictionary、訓(xùn)練好的BiLSTM-CRF模型

1. " " # 初始化課程字典

2. " " course_dictionary=[]

3. " " # 迭代訓(xùn)練模型

4. " " for iter in range（max_iter）：

5. " " " " # Tokenize、分塊和標注

6. " " " " for text in course_corpus：

7. " " " " " " tokenized_and_labeled=tokenize_and_label（text， course_dictionary）

8. " " " " " " # 利用公式（1）計算相似性

9. " " " " " " similarity=calculate_similarity（tokenized_and_labeled）

10. " " " " " " # 根據(jù)閾值判斷是否建立關(guān)系

11. " " " " " " if 0 lt; similarity lt; alpha：

12. " " " " " " " " establish_relation（tokenized_and_labeled）

13. " " " " # 更新詞典，爬取百度百科獲取新實體

14. " " " " baidu_baike_entities=crawl_baidu_baike（course_dictionary）

15. " " " " course_dictionary=update_dictionary（baidu_baike_entities， course_dictionary）

16. " " # 訓(xùn)練BiLSTM-CRF模型

17. " " X_train， y_train=prepare_training_data（course_corpus， course_dictionary）

18. " " bilstm_crf_model=train_bilstm_crf_model（X_train， y_train， bilstm_crf_params）

19. " " return course_dictionary， bilstm_crf_model

3.3.2" 實體關(guān)系計算

在對課程文本語料中的實體識別后，知識處于一種離散態(tài)和抽象態(tài)，只有賦予實體和實體特定關(guān)系時，知識才能以一種脈絡(luò)化體系結(jié)構(gòu)呈現(xiàn)，最終形成帶有語義信息的知識網(wǎng)絡(luò)。因此實體關(guān)系計算和發(fā)現(xiàn)是將知識組織成圖譜的關(guān)鍵。目前，用于關(guān)系抽取的常用工具主要有NLTK、Deep-Dive、Stanford CoreNLP以及LTP-Cloud等[16]。但是由于學(xué)科課程中對知識點的描述常具有簡明扼要特性，導(dǎo)致相關(guān)文本語料中顯式的能標明實體與實體之間關(guān)系詞語比較特殊且數(shù)量較少，因此直接使用這些常用的關(guān)系抽取工具抽取學(xué)科實體關(guān)系的效果并不理想。本文采用基于模板、關(guān)聯(lián)規(guī)則和基于多特征注意機制實體共現(xiàn)的BiLSTM模型[17]三種方法聯(lián)合進行關(guān)系抽取。

首先對課程文本語料進行分詞和詞性標注，保留詞性為動詞的詞語，篩選出能明顯表明四種關(guān)系的詞語共41個，如表示包含關(guān)系的“組成”“分為”“包含”等，表示屬性關(guān)系的“特征”“定義”等，表示遞進關(guān)系的“首先”“其次”“進而”等，表示相關(guān)關(guān)系的“雖然”“盡管”等，同時定義關(guān)系匹配模板如式（1）所示：

Pattern=eci（？：分為|包含ecj1…ecjn） （1）

其中eci，ecj1，…，ecjn∈C，根據(jù)課程文本語料中四種關(guān)系定義的關(guān)系匹配模板共23個，由匹配模板抽取的實體三元組共352組。

其次借助關(guān)聯(lián)規(guī)則挖掘算法找出每小節(jié)和每章中所有滿足最小支持度閾值α的實體頻繁項集，再從頻繁項集中找出滿足最小置信度閾值β的關(guān)聯(lián)規(guī)則，從關(guān)聯(lián)規(guī)則中抽取實體對，為了確保抽取出的實體關(guān)系的準確性和可解釋性，需要人工進一步對實體之間的關(guān)系進行分析，并最終確認其所屬的關(guān)系，最后共得到719組實體三元組。

前兩步都是根據(jù)文本語料中實體和實體之間存在顯式關(guān)系進行抽取的，但是對于實體間的隱式關(guān)系利用模板和關(guān)聯(lián)規(guī)則則無法有效抽取，因此需要借助基于多特征注意機制和實體共現(xiàn)的BiLSTM模型進行關(guān)系抽取。

基于多特征注意機制和實體共現(xiàn)的BiLSTM模型抽取關(guān)系的過程：第一步利用多特征注意機制提取句子層次的語義特征，這包括將句子輸入到模型中進行數(shù)據(jù)清理，然后提取詞性標注、依賴分析、語義角色標注和相對位置四個特征；將特征映射到低維空間，并將上述四個特征向量進行拼接；采用邊界層嵌入技術(shù)實現(xiàn)高級特征；通過權(quán)重向量的乘積，將每次迭代中的詞匯層次特征合并為句子層次特征。第二步實體共現(xiàn)網(wǎng)絡(luò)提取全局語料庫級特征。第三步結(jié)合以上兩部分提取的特征，計算出“包含、屬性、遞進、相關(guān)”四種關(guān)系每種關(guān)系標簽的概率分布，再對實體對進行關(guān)系分類。最終該過程進行關(guān)系分類共得到176組實體三元組。

最后對操作系統(tǒng)課程獲得的895組三元組使用Neo4j存儲，有關(guān)進程部分的知識圖譜可視化圖，如圖4所示。

圖4" 操作系統(tǒng)課程有關(guān)進程部分的知識圖譜可視化圖

3.4" 知識融合與圖譜更新

知識融合與圖譜更新是指不斷將新的信息、數(shù)據(jù)或知識集成到已有的知識圖譜或數(shù)據(jù)庫中，并對其進行更新和完善的過程。這實際上是一個學(xué)習(xí)反饋和自適應(yīng)的循環(huán)過程。首先從在線平臺上收集學(xué)習(xí)者的學(xué)習(xí)數(shù)據(jù)，然后將其融合到已有的知識圖譜中，并進行整合與消解，隨后更新與擴展圖譜，系統(tǒng)通過學(xué)習(xí)反饋不斷調(diào)整自身，包括改進推理能力和更新算法，最終對系統(tǒng)性能進行評估與優(yōu)化，以提高準確性、效率和可靠性。

3.4.1" 知識融合

知識融合包含指代消解、實體對齊和實體鏈接知識融合中最關(guān)鍵的三個過程，同時也是交叉關(guān)聯(lián)的過程，它們將來自不同數(shù)據(jù)源的實體關(guān)聯(lián)到知識圖譜中以構(gòu)建一個更為準確和完整的知識圖譜，從而為知識發(fā)現(xiàn)和數(shù)據(jù)分析任務(wù)提供更好的支持。

本文將在線學(xué)習(xí)平臺上142名學(xué)習(xí)者一學(xué)年的學(xué)習(xí)數(shù)據(jù)融合到知識圖譜中，在后期隨著學(xué)習(xí)者學(xué)習(xí)數(shù)據(jù)的不斷更新，知識圖譜也會隨之不斷更新，從而實現(xiàn)動態(tài)知識圖譜。

學(xué)習(xí)者學(xué)習(xí)數(shù)據(jù)主要從學(xué)習(xí)者的四種在線學(xué)習(xí)行為中獲取，包括：

1）在線活躍程度。反映學(xué)習(xí)者在線學(xué)習(xí)的活躍程度，包括登錄頻率、訪問時長、學(xué)習(xí)時段等。

2）課程參與度。衡量學(xué)習(xí)者參與課程學(xué)習(xí)的程度，包括問題提問、回答、話題討論參與等。

3）課程學(xué)習(xí)程度。反映學(xué)習(xí)者對課程內(nèi)容的深入學(xué)習(xí)程度，包括觀看課程視頻、課程大綱、課件、測試情況、完成實驗任務(wù)情況等。

4）遷移學(xué)習(xí)情況。反映學(xué)習(xí)者對課程的在線拓展資源閱讀情況，包括查閱課程的拓展資料、完成拓展實驗任務(wù)等。

首先，對學(xué)習(xí)數(shù)據(jù)進行預(yù)處理，包括去除停用詞、詞干化、標點符號去除等操作。將文本數(shù)據(jù)劃分為單詞或短語，并為每個實體和屬性賦予唯一的標識符。將預(yù)處理后的學(xué)習(xí)數(shù)據(jù)構(gòu)建成語料庫，其中每個文檔或句子對應(yīng)一個向量表示。設(shè)語料庫為D = {d1，d2，…，dn}，其中n表示學(xué)生數(shù)量。使用Word2Vec詞向量化技術(shù)，將語料庫中的每個詞w映射到一個d維向量空間，表示為w→vw∈Rd。由此每個文檔di可以表示為包含詞向量的平均值或加權(quán)平均值。采用實體嵌入學(xué)習(xí)技術(shù)將學(xué)習(xí)數(shù)據(jù)中的實體轉(zhuǎn)換為向量表示；根據(jù)相似度計算的結(jié)果，定義一組啟發(fā)式規(guī)則來判斷學(xué)習(xí)數(shù)據(jù)中的實體與知識圖譜中的實體是否匹配，再根據(jù)規(guī)則，生成學(xué)習(xí)數(shù)據(jù)中每個實體的匹配候選集。從候選集中選擇最佳的匹配實體進行實體對齊。將匹配好的學(xué)習(xí)數(shù)據(jù)中的實體與知識圖譜中的實體進行鏈接，形成實體對齊的結(jié)果。這些鏈接可以被表示為知識圖譜中的邊，連接對應(yīng)的實體節(jié)點。

3.4.2" 圖譜更新

建立學(xué)習(xí)數(shù)據(jù)與知識點的關(guān)系模型，利用圖注意力網(wǎng)絡(luò)（GAT）及矩陣分解輸出學(xué)習(xí)者學(xué)習(xí)行為影響因子，根據(jù)影響因子動態(tài)調(diào)整學(xué)習(xí)者的知識圖譜。

使用GAT建模學(xué)習(xí)者學(xué)習(xí)數(shù)據(jù)和知識點之間的關(guān)系。將學(xué)習(xí)數(shù)據(jù)中的學(xué)習(xí)者、課程、問題等實體表示為圖的節(jié)點，將學(xué)習(xí)者與課程之間的學(xué)習(xí)行為、學(xué)習(xí)者與問題之間的交互等關(guān)系表示為圖的邊。形成學(xué)習(xí)數(shù)據(jù)的圖結(jié)構(gòu)，其中節(jié)點表示實體，邊表示實體之間的關(guān)系。使用GAT對學(xué)習(xí)數(shù)據(jù)中的節(jié)點進行表示學(xué)習(xí)。通過聚合相鄰節(jié)點的信息，學(xué)習(xí)出每個節(jié)點在一個低維空間中的特征表示。同樣地，將知識點表示為圖中的節(jié)點，并使用GAT學(xué)習(xí)知識點的嵌入向量。通過聚合知識點周圍的信息，學(xué)習(xí)出每個知識點在一個低維空間中的特征表示。利用式（3）計算學(xué)習(xí)者學(xué)習(xí)行為的影響影子。即將學(xué)習(xí)者的學(xué)習(xí)行為信息表示為學(xué)習(xí)者-行為矩陣L，行列分別表示學(xué)習(xí)者和不同在線學(xué)習(xí)行為信息。使用矩陣分解將L分解為三個矩陣P、Q和R的成績，即：

（2）

其中，P表示學(xué)習(xí)者潛在特征矩陣，Q表示學(xué)習(xí)行為的潛在特征矩陣，R表示一個權(quán)重矩陣，表示學(xué)習(xí)者每種學(xué)習(xí)行為對影響因子的重要性。通過調(diào)整，可以使得P、QT·R盡可能接近原始的用戶行為矩陣。由此定義學(xué)習(xí)者學(xué)習(xí)行為的影響因子如下：

（3）

其中，U表示學(xué)習(xí)者，I表示知識點，R表示權(quán)重矩陣，表示學(xué)習(xí)者u對知識點i的行為權(quán)重。K表示調(diào)節(jié)因子數(shù)量。該方法可以通過最小化用戶行為矩陣和因子矩陣乘積之間的差異，來找到最適合描述用戶行為的因子矩陣。在實際應(yīng)用中，通過梯度下降等方法對U和V進行優(yōu)化。

最后通過計算得到的學(xué)習(xí)行為影響因子，設(shè)置知識圖譜更新閾值，當影響因子達到閾值，則表示學(xué)習(xí)者對該知識點的掌握度較高以及具有一定的知識內(nèi)化程度，因此可以對知識圖譜中實體的屬性關(guān)系和實體間的關(guān)聯(lián)度進行及時更新，使知識圖譜更加貼近學(xué)習(xí)者的實際需求和學(xué)習(xí)狀態(tài)，提供更加個性化、精準的知識服務(wù)和學(xué)習(xí)指導(dǎo)。

5" 應(yīng)用分析

自適應(yīng)知識圖譜可以幫助學(xué)習(xí)者進行個性化學(xué)習(xí)路徑規(guī)劃、精準學(xué)習(xí)資源推薦、學(xué)習(xí)進度與效果監(jiān)控以及課程知識圖譜后期的自適應(yīng)更新與優(yōu)化。

5.1" 個性化學(xué)習(xí)路徑規(guī)劃

通過分析學(xué)習(xí)者的學(xué)習(xí)行為和成績，自適應(yīng)知識圖譜能精準識別學(xué)習(xí)者的知識掌握情況和薄弱環(huán)節(jié)，動態(tài)的調(diào)整學(xué)習(xí)內(nèi)容和難度。同時結(jié)合學(xué)習(xí)者的學(xué)習(xí)進度和反饋，圖譜系統(tǒng)能智能推薦下一步的學(xué)習(xí)路徑，確保學(xué)習(xí)者按適合自己的學(xué)習(xí)進度學(xué)習(xí)。這種個性化的學(xué)習(xí)方式不僅能提高學(xué)習(xí)者的學(xué)習(xí)效率，還能激發(fā)他們的學(xué)習(xí)興趣，使學(xué)習(xí)者有精力在學(xué)科課程的學(xué)習(xí)中涉獵更廣的知識面。

5.2" 精準學(xué)習(xí)資源推薦

通過持續(xù)跟蹤和分析學(xué)習(xí)者的學(xué)習(xí)行為、成績以及互動數(shù)據(jù)，構(gòu)建出每個學(xué)習(xí)者的個性化課程知識圖譜。基于該個性化課程知識圖譜，能夠準確識別學(xué)習(xí)者的知識掌握程度和學(xué)習(xí)需求，為其推薦適合的學(xué)習(xí)資源，如視頻教程、習(xí)題集、實驗項目、拓展閱讀材料等，以滿足學(xué)習(xí)者不同的學(xué)習(xí)需求。

5.3" 學(xué)習(xí)進度與效果監(jiān)控

在操作系統(tǒng)課程的學(xué)習(xí)過程中，具有學(xué)習(xí)反饋的自適應(yīng)知識圖譜可以作為學(xué)習(xí)者學(xué)習(xí)進度與效果監(jiān)控的有力工具。圖譜系統(tǒng)通過實時追蹤學(xué)習(xí)者的學(xué)習(xí)路徑，記錄他們在各個知識點上的學(xué)習(xí)時長、答題正確率等關(guān)鍵數(shù)據(jù)，從而為學(xué)生提供一個清晰的學(xué)習(xí)進度概覽。同時，通過深入分析這些數(shù)據(jù)，知識圖譜能夠準確評估學(xué)習(xí)者的學(xué)習(xí)效果，及時發(fā)現(xiàn)他們在理解或應(yīng)用操作系統(tǒng)概念時存在的障礙，并為學(xué)習(xí)者提供個性化的學(xué)習(xí)建議，幫助他們調(diào)整學(xué)習(xí)策略，以更高效地掌握課程內(nèi)容。由此學(xué)習(xí)者不僅能夠?qū)ψ约旱膶W(xué)習(xí)狀態(tài)有更為準確的認識，還能在系統(tǒng)的引導(dǎo)下，持續(xù)優(yōu)化學(xué)習(xí)過程，最終實現(xiàn)學(xué)習(xí)效果的顯著提升。

5.4" 知識圖譜的自適應(yīng)更新與優(yōu)化

圖譜系統(tǒng)通過持續(xù)收集并分析學(xué)習(xí)者的學(xué)習(xí)行為、成績和反饋，動態(tài)調(diào)整知識圖譜中的節(jié)點和連線，以反映學(xué)習(xí)者當前的知識掌握情況和學(xué)習(xí)需求。同時根據(jù)領(lǐng)域?qū)＜业闹笇?dǎo)和最新研究成果，圖譜系統(tǒng)還能對知識圖譜中的實體和關(guān)系進行修正和完善，確保其準確性和完整性。

6" 結(jié)" 論

構(gòu)建具有學(xué)習(xí)反饋的自適應(yīng)知識圖譜通過整合學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)和知識圖譜構(gòu)建技術(shù)實現(xiàn)對知識圖譜的動態(tài)更新和個性化調(diào)整，不僅能夠為學(xué)習(xí)者提供更具針對性和有效性的學(xué)習(xí)資源推薦、學(xué)習(xí)路徑規(guī)劃以及學(xué)習(xí)進度跟蹤等服務(wù)，以提高學(xué)習(xí)者的學(xué)習(xí)成效和滿意度，實現(xiàn)個性化、智能化的教育教學(xué)目標，同時能夠為教育管理者和決策者提供重要的參考信息，幫助他們更好地理解學(xué)習(xí)者的學(xué)習(xí)狀態(tài)和需求，從而制定更加精準和有效的教育政策和措施，推動教育教學(xué)的持續(xù)發(fā)展和進步。

參考文獻：

[1] 王運武，彭梓涵，張堯，等.智慧教育的多維透視——兼論智慧教育的未來發(fā)展 [J].現(xiàn)代教育技術(shù)，2020，30（2）：21-27.

[2] 劉新業(yè).智慧教育趨向下學(xué)習(xí)環(huán)境與教學(xué)現(xiàn)狀的變化與改良——評《智慧教育下的教學(xué)變革》 [J].中國教育學(xué)刊，2020（9）：109.

[3] 李振.基于知識圖譜的自適應(yīng)學(xué)習(xí)系統(tǒng)關(guān)鍵構(gòu)建技術(shù)研究 [D].長春：東北師范大學(xué)，2019.

[4] 范佳榮，鐘紹春.學(xué)科知識圖譜研究：由知識學(xué)習(xí)走向思維發(fā)展 [J].電化教育研究，2022，43（1）：32-38.

[5] 林健，柯清超，黃正華，等.學(xué)科知識圖譜的動態(tài)生成及其在資源智能組織中的應(yīng)用 [J].遠程教育雜志，2022，40（4）：23-34.

[6] 葉小敏.美國Knewton自適應(yīng)學(xué)習(xí)平臺研究 [D].重慶：西南大學(xué)，2019.

[7] 互聯(lián)網(wǎng)教育智能技術(shù)及應(yīng)用國家工程實驗室.唐詩別苑 [EB/OL].[2018-07-25].https：//cit.bnu.edu.cn/kxyj/kyzy/53588.html.

[8] 陳鵬鶴，彭燕，余勝泉.“AI好老師”智能育人助理系統(tǒng)關(guān)鍵技術(shù) [J].開放教育研究，2019，25（2）：12-22.

[9] 陸星兒，曾嘉靈，章夢瑤，等.知識圖譜視角下的MOOC教學(xué)優(yōu)化研究 [J].中國遠程教育，2016（7）：5-9+79.

[10] 周東岱，董曉曉，顧恒年.教育領(lǐng)域知識圖譜研究新趨向：學(xué)科教學(xué)圖譜 [J].電化教育研究，2024，45（2）：91-97+120.

[11] 鄭志宏，馬濤，孔新梅，等.基于最近發(fā)展區(qū)的學(xué)科知識圖譜構(gòu)建及大單元設(shè)計研究 [J].遠程教育雜志，2024，42（2）：56-64.

[12] GRUBER T R. Toward Principles for the Design of Ontologies Used for Knowledge Sharing？ [J].International Journal of Human-Computer Studies，1995，43（5-6）：907-928.

[13] 于瀏洋，郭志剛，陳剛，等.面向知識圖譜構(gòu)建的知識抽取技術(shù)綜述 [J].信息工程大學(xué)學(xué)報，2020，21（2）：227-235.

[14] 李冬梅，張揚，李東遠，等.實體關(guān)系抽取方法研究綜述 [J].計算機研究與發(fā)展，2020，57（7）：1424-1448.

[15] 楊玉基，許斌，胡家威，等.一種準確而高效的領(lǐng)域知識圖譜構(gòu)建方法 [J].軟件學(xué)報，2018，29（10）：2931-2947.

[16] 趙宇博，張麗萍，閆盛，等.個性化學(xué)習(xí)中學(xué)科知識圖譜構(gòu)建與應(yīng)用綜述 [J].計算機工程與應(yīng)用，2023，59（10）：1-21.

[17] SONG M X，ZHAO J S，GAO X. Research on Entity Relation Extraction in Education Field Based on Multi-feature Deep Learning [C]//ICBDT'20： Proceedings of the 3rd International Conference on Big Data Technologies.Qingdao：Association for Computing Machinery，2020，10：102-106.

作者簡介：王全蕊（1981—），女，漢族，河南新鄉(xiāng)人，講師，碩士，研究方向：智慧教育、知識圖譜構(gòu)建。