[發(fā)明專利]一種基于知識圖譜的組合錯題推薦方法

有效

• 申請?zhí)枺?/td>: 201710449002.2
• 申請日: 2017-06-14
• 公開（公告）號: CN107273490B
• 公開（公告）日: 2020-04-17
• 發(fā)明（設(shè)計）人: 楊濤;竹翠
• 申請（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F16/9535
• 代理公司: 北京思海天達(dá)知識產(chǎn)權(quán)代理有限公司 11203
• 代理人: 沈波

本發(fā)明公開了一種基于知識圖譜的組合錯題推薦方法，通過該方法能夠精準(zhǔn)的給學(xué)習(xí)者推薦與其薄弱知識點(diǎn)相關(guān)的錯題。該發(fā)明包括構(gòu)建從大規(guī)模非結(jié)構(gòu)化試題數(shù)據(jù)中抽取知識，構(gòu)建知識圖譜；對學(xué)習(xí)者的錯題進(jìn)行文本挖掘，分詞，提取出錯題關(guān)鍵字，進(jìn)而確定該錯題所包含的知識點(diǎn)；通過對試題的語義相識性進(jìn)行分析，得到該知識點(diǎn)的語義近鄰；通過錯題知識點(diǎn)映射到知識圖譜中，獲得符合其知識點(diǎn)的試題實(shí)體。同時通過對試題庫進(jìn)行相識性權(quán)重計算，得到試卷的相識度矩陣，利用協(xié)同過濾技術(shù)得到錯題的推薦試題。最后，利用加權(quán)、混合、層疊和元級別等方式對兩種推薦結(jié)果進(jìn)行進(jìn)一步組合，給出最終推薦結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明屬于計算機(jī)軟件技術(shù)領(lǐng)域，具體涉及一種基于知識圖譜的組合錯題推薦方法。

背景技術(shù)

隨著互聯(lián)網(wǎng)發(fā)展的突飛猛進(jìn)，人們逐漸從一個信息匱乏的時代進(jìn)入到了一個信息過載的時代。信息爆炸式的增長使得網(wǎng)絡(luò)中信息泛濫的問題變得極其嚴(yán)重，對于用戶來說從海量數(shù)據(jù)中尋找到對自己有價值的數(shù)據(jù)便變得困難重重，一些很少被關(guān)注的有用信息往往被淹沒到信息的海洋中，成為孤島信息。推薦系統(tǒng)便是解決此類問題的有效方法，其本質(zhì)便是為用戶找到符合其興趣偏好的資源對象。

近年來，鑒于推薦技術(shù)在各個領(lǐng)域均有著巨大價值，各行各業(yè)的專家學(xué)者都投身于推薦技術(shù)的研究中去，由此而帶來了推薦技術(shù)發(fā)展的新的高峰。目前主流的推薦技術(shù)，包括基于規(guī)則的推薦技術(shù)、基于內(nèi)容的推薦技術(shù)和協(xié)同過濾技術(shù)。這些推薦技術(shù)在傳統(tǒng)的推薦系統(tǒng)中得到廣泛應(yīng)用，并取得了一定的成功。基于內(nèi)容的推薦對復(fù)雜屬性的處理不夠友好，同時對新用戶不能產(chǎn)生較好的推薦。基于規(guī)則的推薦技術(shù)，過度依賴于專業(yè)領(lǐng)域的語言專家定義語法規(guī)則，需要耗費(fèi)大量時間來提取規(guī)則，人工成本太高，同時遷移成本巨大。基于項目的協(xié)同過濾推薦算法在數(shù)據(jù)極度稀疏的情況下相似性度量不準(zhǔn)、推薦質(zhì)量低下的不足。同時，隨著推薦算法的不斷發(fā)展，人們也開始意識到現(xiàn)有推薦系統(tǒng)所存在的缺陷，如由于數(shù)據(jù)稀疏帶來的冷啟動問題、推薦精度以及Gray sheep。

錯誤是學(xué)習(xí)中所不可避免的，錯題是學(xué)習(xí)者學(xué)習(xí)的難點(diǎn)與盲點(diǎn)的集中體現(xiàn)，能最大程度上展現(xiàn)學(xué)習(xí)者的學(xué)習(xí)現(xiàn)狀，且具有很強(qiáng)的真實(shí)性。歸納總結(jié)這些錯題對學(xué)習(xí)者能否掌握知識有著巨大的影響，錯題知識點(diǎn)的推薦也就成為學(xué)習(xí)者學(xué)習(xí)進(jìn)步過程中至為重要的關(guān)鍵環(huán)節(jié)。通過使用具有較高推薦準(zhǔn)確率的方法，能夠有效利用錯題集給學(xué)習(xí)者提供精準(zhǔn)的知識推薦，利用錯題集強(qiáng)化學(xué)習(xí)者知識理解與記憶。錯題的鞏固練習(xí)作為學(xué)習(xí)中極其為重要的一部分，其主要目的就要是讓學(xué)習(xí)者練習(xí)其所在領(lǐng)域掌握較為薄弱的知識點(diǎn)，根據(jù)學(xué)習(xí)者的需求向其推薦一定數(shù)目的習(xí)題，以鞏固知識。

通過構(gòu)建試題的知識圖譜，將實(shí)體、關(guān)系以及路徑都在低維的向量空間中表示，然后計算各個知識點(diǎn)的語義相識性，通過對錯題分詞，提取知識點(diǎn)，得到該知識點(diǎn)的語義近鄰，然后在知識圖譜中給出所有知識點(diǎn)語義近鄰的試題推薦。同時計算錯題與試題庫的相似性權(quán)重，得到試題的相識性矩陣，根據(jù)協(xié)同過濾算法給出相應(yīng)的推薦。結(jié)合兩種推薦結(jié)果，利用加權(quán)、混合、層疊和元級別等方式，給出最終的推薦結(jié)果。

發(fā)明內(nèi)容

本發(fā)明旨在提供一種精準(zhǔn)度高的錯題推薦方法。

本發(fā)明提供的錯題推薦方法是基于試題知識圖譜的。通過從大規(guī)模非結(jié)構(gòu)化試題中，提取出知識點(diǎn)，構(gòu)建試題的知識圖譜。在此基礎(chǔ)上，通過對錯題的語義分析，抽取出該錯題的知識點(diǎn)，進(jìn)而在知識圖譜中計算該知識點(diǎn)的語義近鄰，與此同時通過協(xié)同過濾算法計算出該試題的最近鄰，最后采取加權(quán)、混合和元級別等方式結(jié)合兩種推薦技術(shù)，從而提高推薦的準(zhǔn)確度。同時，由于擁有豐富的語義數(shù)據(jù)，也在一定程度上解決了推薦系統(tǒng)的冷啟動問題。