本發(fā)明專利技術(shù)公開了一種基于知識圖譜的大學(xué)計算機基礎(chǔ)習(xí)題推薦方法，基于大學(xué)計算機基礎(chǔ)知識點構(gòu)建的知識圖譜，使用圖團體檢測算法從知識點之間的關(guān)系結(jié)構(gòu)上分析知識點間的關(guān)聯(lián)性，從而推薦與學(xué)生錯誤知識點關(guān)聯(lián)性較高的知識點給學(xué)生進行學(xué)習(xí)；通過中文分詞提取習(xí)題語義特征構(gòu)建word2vec模型，使用RWMD方法計算學(xué)生的錯題與其他習(xí)題在內(nèi)容上的相似度，選取相似度高的習(xí)題進行推薦。通過分析學(xué)生的錯題為學(xué)生推薦相應(yīng)的知識點和習(xí)題，可以幫助學(xué)生盡快掃除知識盲點，更好地掌握大學(xué)計算機基礎(chǔ)這門課，同時也減輕了任課教師的壓力。

A method of recommendation of university computer basic exercises based on Knowledge Map

【技術(shù)實現(xiàn)步驟摘要】

基于知識圖譜的大學(xué)計算機基礎(chǔ)習(xí)題推薦方法

本專利技術(shù)屬于人工智能領(lǐng)域的一個重要方向，具體涉及一種基于知識圖譜的大學(xué)計算機基礎(chǔ)習(xí)題推薦方法。

技術(shù)介紹

隨著信息技術(shù)的發(fā)展，互聯(lián)網(wǎng)信息總量呈現(xiàn)爆炸性增長，同時也伴生了信息的組織結(jié)構(gòu)松散等問題。傳統(tǒng)的信息檢索方式已經(jīng)難以適應(yīng)現(xiàn)狀，知識圖譜以其強大的語義處理能力與開放互連能力為解決這些問題提供了新的思路。大學(xué)計算機基礎(chǔ)對于當(dāng)代大學(xué)生是一門非常重要的基礎(chǔ)課。這門課程包含計算機的起源與發(fā)展、硬件組成、操作系統(tǒng)、計算機網(wǎng)絡(luò)、算法與數(shù)據(jù)結(jié)構(gòu)、常用的辦公軟件操作等內(nèi)容。通過學(xué)習(xí)大學(xué)計算機基礎(chǔ)，學(xué)生對計算機可以有一個全面清楚的認識。由于大學(xué)計算機基礎(chǔ)這門課程知識覆蓋面廣、知識點繁雜，學(xué)生在復(fù)習(xí)的時候短時間內(nèi)難以入手。同時大學(xué)計算機基礎(chǔ)作為一門公共基礎(chǔ)課，每一個班級的學(xué)生數(shù)量多，任課教師難以通過分析每一個學(xué)生的錯題從而對其薄弱的知識點進行梳理，以此制定適合該學(xué)生的復(fù)習(xí)方案。并且大多數(shù)學(xué)生因為自身對知識的掌握度不高，也難以從做錯的習(xí)題中分析自己的知識盲區(qū)。因此形成一套可以自動從學(xué)生的錯題中分析該學(xué)生的知識盲區(qū)，從而給學(xué)生推薦需要學(xué)習(xí)的知識點和相應(yīng)的習(xí)題的方法是十分有必要的。目前使用的推薦算法大多為基于內(nèi)容的推薦，通過計算得到與用戶偏好相似度高的內(nèi)容進行推薦。但是在進行大學(xué)計算機基礎(chǔ)的知識點與習(xí)題推薦時，不僅要考慮習(xí)題在內(nèi)容上的相似性，還需要考慮知識點之間的關(guān)聯(lián)性。因為每一個知識點都不是獨立的，是具有相互關(guān)系的。本專利技術(shù)旨針對此種情況提出了一種新的解決方法。專利技術(shù)內(nèi)容本專利技術(shù)旨在提供一種基于知識圖譜的大學(xué)計算機基礎(chǔ)習(xí)題推薦方法。利用以大學(xué)計算機基礎(chǔ)知識點為節(jié)點構(gòu)建的知識圖譜，通過分析學(xué)生錯誤的習(xí)題得到該學(xué)生可能未掌握的知識點以及與錯題內(nèi)容相似的習(xí)題推薦給學(xué)生，幫助學(xué)生掃除知識盲區(qū)，解決了現(xiàn)有技術(shù)中存在的無法根據(jù)學(xué)生知識盲區(qū)進行針對性的做題訓(xùn)練的問題。本專利技術(shù)的關(guān)鍵在于如何衡量兩道習(xí)題在內(nèi)容上的相似性以及如何查詢與學(xué)生未掌握的知識點相關(guān)聯(lián)的知識點。本專利技術(shù)基于知識圖譜的大學(xué)計算機基礎(chǔ)習(xí)題推薦方法，運用大學(xué)計算機基礎(chǔ)知識點構(gòu)建的知識圖譜，使用圖團體檢測算法從知識點之間的關(guān)系結(jié)構(gòu)上分析關(guān)聯(lián)性，從而推薦與學(xué)生錯誤知識點關(guān)聯(lián)性較高的知識點進行學(xué)習(xí)；通過中文分詞提取習(xí)題語義特征構(gòu)建word2vec模型，使用RWMD方法計算學(xué)生的錯題與其他習(xí)題在內(nèi)容上的相似度，選取相似度高的習(xí)題并進行推薦。推薦方法具體包括以下步驟：步驟1，讀取學(xué)生的某一道錯題；步驟2，對步驟1中讀取的學(xué)生的錯題，在習(xí)題數(shù)據(jù)庫中查詢其對應(yīng)的知識點，并在大學(xué)計算機基礎(chǔ)知識圖譜中查詢與該知識點對應(yīng)的節(jié)點P1；步驟3，對步驟2中得到的節(jié)點P1，在大學(xué)計算機基礎(chǔ)知識圖譜中查詢流入P1并且與其關(guān)系為包含關(guān)系的節(jié)點P2；步驟4，對步驟3中得到的節(jié)點P2，在大學(xué)計算機基礎(chǔ)知識圖譜中查詢從P2流出并且與其關(guān)系為包含關(guān)系的所有節(jié)點，定義為集合W1；步驟5，對步驟3中得到的節(jié)點P2，在大學(xué)計算機基礎(chǔ)知識圖譜中查詢流入P2并且與其關(guān)系為前驅(qū)關(guān)系的節(jié)點P3；步驟6，對步驟5中得到的節(jié)點P3，在大學(xué)計算機基礎(chǔ)知識圖譜中查詢從P3流出與其關(guān)系為包含關(guān)系的所有節(jié)點，定義為集合W2；步驟7，對步驟4、步驟6中得到的節(jié)點的集合W1與W2，在大學(xué)計算機基礎(chǔ)知識圖譜中提取包含W1、W2中所有節(jié)點的圖結(jié)構(gòu)，并且依據(jù)圖結(jié)構(gòu)形成鄰接矩陣；步驟8，對步驟7中得到的鄰接矩陣，使用圖團體檢測算法進行聚類分析，得到與步驟2中得到的節(jié)點聚為一類的節(jié)點集合，該集合中的節(jié)點對應(yīng)的知識點即為與錯誤知識點關(guān)聯(lián)性高的知識點；步驟9，對步驟8得到的知識點，整合后推薦給學(xué)生；步驟10，對習(xí)題數(shù)據(jù)庫中的每道習(xí)題使用中文分詞提取N個關(guān)鍵詞，將N個關(guān)鍵詞的集合作為每道習(xí)題的語義特征；步驟11，構(gòu)建word2vec模型并輸入步驟10中提取的習(xí)題的語義特征進行訓(xùn)練，旨在得到每道習(xí)題的關(guān)鍵詞詞向量；步驟12，使用RWMD算法計算學(xué)生錯誤的習(xí)題與其他習(xí)題之間的詞移距離；步驟13，在習(xí)題數(shù)據(jù)庫中查詢步驟8得到的知識點所對應(yīng)的習(xí)題；步驟14，將步驟13得到的習(xí)題整合后推薦給學(xué)生。步驟3中，節(jié)點分為兩種類型，分別為知識面節(jié)點和知識點節(jié)點。知識面節(jié)點為概括性的知識，知識點節(jié)點為知識面節(jié)點下更為具體的知識。知識面節(jié)點與知識點節(jié)點之間存在包含關(guān)系，知識面節(jié)點和知識面節(jié)點之間存在前驅(qū)關(guān)系，知識點節(jié)點與知識點節(jié)點之間存在并列關(guān)系和因果關(guān)系。通過查詢知識點節(jié)點所屬的知識面節(jié)點，可以得到該知識面節(jié)點包含的全部知識點節(jié)點以及該知識面節(jié)點的前驅(qū)知識面節(jié)點；步驟7中，以鄰接矩陣的形式在大學(xué)計算機基礎(chǔ)知識圖譜中提取的節(jié)點的圖結(jié)構(gòu)，其中0表示兩個節(jié)點沒有連接關(guān)系，1表示兩個節(jié)點具有包含關(guān)系和并列關(guān)系，2表示兩個節(jié)點具有因果關(guān)系和前驅(qū)關(guān)系；步驟8中，對步驟7得到的鄰接矩陣，使用圖團體檢測算法進行聚類分析以得到與錯誤知識點關(guān)聯(lián)性高的其他知識點，對聚類結(jié)果使用模塊性這一指標(biāo)進行衡量，模塊性是衡量團體劃分質(zhì)量的一種標(biāo)準(zhǔn)，值越大表明劃分的越好；計算模塊性的公式為其中L表示圖所包含的邊的數(shù)量，N表示圖所包含的節(jié)點的數(shù)量，ki表示節(jié)點i的度，Aij為鄰接矩陣中的值，ci表示節(jié)點i的類別。本專利技術(shù)重新定義了δ函數(shù)；δ函數(shù)的邏輯為當(dāng)節(jié)點i、節(jié)點j為同一聚類時，如果Aij的值為2，則δ(ci，cj)返回值為2；如果Aij的值為1或0，則δ(ci，cj)返回值為1；當(dāng)節(jié)點i、節(jié)點j不屬于同一聚類，δ(ci，cj)返回值為0；步驟10中，對習(xí)題數(shù)據(jù)庫中的每道習(xí)題使用中文分詞提取N個關(guān)鍵詞x，將N個關(guān)鍵詞x的集合作為每道習(xí)題的語義特征，例如對于習(xí)題Qi可以表示為：Qi＝{xi1，xi2，xi3…，xin}；步驟11中，構(gòu)建word2vec模型并輸入步驟10中提取的習(xí)題的語義特征進行訓(xùn)練，將每一個關(guān)鍵詞表示為m維的詞向量w，則習(xí)題Qi的習(xí)題向量可以表示為：Vi＝{wi1，wi2，wi3…，win}；步驟12中，使用RWMD算法計算錯誤習(xí)題與其他習(xí)題之間的詞移距離，詞移距離越短，代表兩道習(xí)題的相似度越高，通過計算詞移距離挖掘與錯誤習(xí)題在內(nèi)容上相似度高的N道習(xí)題。本專利技術(shù)的有益效果是：本專利技術(shù)針對大學(xué)計算機基礎(chǔ)的知識點繁復(fù)，知識點之間的關(guān)聯(lián)性高的特點，對傳統(tǒng)的基于內(nèi)容的推薦方法進行了改進，提出了一種基于知識圖譜的大學(xué)計算機基礎(chǔ)習(xí)題推薦方法。所采用的推薦方法是基于大學(xué)計算機基礎(chǔ)知識點構(gòu)建的知識圖譜，使用圖團體檢測算法從知識點之間的關(guān)系結(jié)構(gòu)上分析知識點間的關(guān)聯(lián)性，從而推薦與學(xué)生未掌握的知識點關(guān)聯(lián)性較高的知識點給學(xué)生進行學(xué)習(xí)；通過中文分詞提取習(xí)題語義特征構(gòu)建word2vec模型，使用RWMD方法計算學(xué)生的錯題與其他習(xí)題在內(nèi)容上的相似度，選取相似度高的習(xí)題進行推薦。通過分析學(xué)生的錯題為學(xué)生推薦相應(yīng)的知識點和習(xí)題，可以幫助學(xué)生盡快掃除知識盲點，更好地掌握大學(xué)計算機基礎(chǔ)這門課，同時也減輕了任課教師的壓力。本文檔來自技高網(wǎng)...

【技術(shù)保護點】

1.基于知識圖譜的大學(xué)計算機基礎(chǔ)習(xí)題推薦方法，其特征在于，運用大學(xué)計算機基礎(chǔ)知識點構(gòu)建的知識圖譜，使用圖團體檢測算法從知識點之間的關(guān)系結(jié)構(gòu)上分析關(guān)聯(lián)性，從而推薦與學(xué)生錯誤知識點關(guān)聯(lián)性較高的知識點進行學(xué)習(xí)；通過中文分詞提取習(xí)題語義特征構(gòu)建word2vec模型，使用RWMD方法計算學(xué)生的錯題與其他習(xí)題在內(nèi)容上的相似度，選取相似度高的習(xí)題并進行推薦。/n

【技術(shù)特征摘要】

1.基于知識圖譜的大學(xué)計算機基礎(chǔ)習(xí)題推薦方法，其特征在于，運用大學(xué)計算機基礎(chǔ)知識點構(gòu)建的知識圖譜，使用圖團體檢測算法從知識點之間的關(guān)系結(jié)構(gòu)上分析關(guān)聯(lián)性，從而推薦與學(xué)生錯誤知識點關(guān)聯(lián)性較高的知識點進行學(xué)習(xí)；通過中文分詞提取習(xí)題語義特征構(gòu)建word2vec模型，使用RWMD方法計算學(xué)生的錯題與其他習(xí)題在內(nèi)容上的相似度，選取相似度高的習(xí)題并進行推薦。

2.根據(jù)權(quán)利要求1所述的基于知識圖譜的大學(xué)計算機基礎(chǔ)習(xí)題推薦方法，其特征在于，所述推薦方法具體包括以下步驟：

步驟1，讀取學(xué)生的某一道錯題；

步驟2，對步驟1中讀取的學(xué)生的錯題，在習(xí)題數(shù)據(jù)庫中查詢其對應(yīng)的知識點，并在大學(xué)計算機基礎(chǔ)知識圖譜中查詢與該知識點對應(yīng)的節(jié)點P1；

步驟3，對步驟2中得到的節(jié)點P1，在大學(xué)計算機基礎(chǔ)知識圖譜中查詢流入P1并且與其關(guān)系為包含關(guān)系的節(jié)點P2；

步驟4，對步驟3中得到的節(jié)點P2，在大學(xué)計算機基礎(chǔ)知識圖譜中查詢從P2流出并且與其關(guān)系為包含關(guān)系的所有節(jié)點，定義為集合W1；

步驟5，對步驟3中得到的節(jié)點P2，在大學(xué)計算機基礎(chǔ)知識圖譜中查詢流入P2并且與其關(guān)系為前驅(qū)關(guān)系的節(jié)點P3；

步驟6，對步驟5中得到的節(jié)點P3，在大學(xué)計算機基礎(chǔ)知識圖譜中查詢從P3流出與其關(guān)系為包含關(guān)系的所有節(jié)點，定義為集合W2；

步驟7，對步驟4、步驟6中得到的節(jié)點的集合W1與W2，在大學(xué)計算機基礎(chǔ)知識圖譜中提取包含W1、W2中所有節(jié)點的圖結(jié)構(gòu)，并且依據(jù)圖結(jié)構(gòu)形成鄰接矩陣；

步驟8，對步驟7中得到的鄰接矩陣，使用圖團體檢測算法進行聚類分析，得到與步驟2中得到的節(jié)點聚為一類的節(jié)點集合，該集合中的節(jié)點對應(yīng)的知識點即為與錯誤知識點關(guān)聯(lián)性高的知識點；

步驟9，對步驟8得到的知識點，整合后推薦給學(xué)生；

步驟10，對習(xí)題數(shù)據(jù)庫中的每道習(xí)題使用中文分詞提取N個關(guān)鍵詞，將N個關(guān)鍵詞的集合作為每道習(xí)題的語義特征；

步驟11，構(gòu)建word2vec模型并輸入步驟10中提取的習(xí)題的語義特征進行訓(xùn)練，旨在得到每道習(xí)題的關(guān)鍵詞詞向量；

步驟12，使用RWMD算法計算學(xué)生錯誤的習(xí)題與其他習(xí)題之間的詞移距離；

步驟13，在習(xí)題數(shù)據(jù)庫中查詢步驟8得到的知識點所對應(yīng)的習(xí)題；

步驟14，將步驟13得到的習(xí)題整合后推薦給學(xué)生。

3.根據(jù)權(quán)利要求2所述的基于知識圖譜的大學(xué)計算機基礎(chǔ)習(xí)題推薦方法，其特征在于，所述步驟3中，節(jié)點分為兩種類型，分別為知識面節(jié)點和知識點節(jié)點；...

【專利技術(shù)屬性】

技術(shù)研發(fā)人員：朱磊，劉堯林，黑新宏，馮林林，呂泓瑾，張晉源，王一川，姬文江，孟海寧，

申請(專利權(quán))人：西安理工大學(xué)，

類型：發(fā)明

國別省市：陜西;61

總結(jié)

以上是生活随笔為你收集整理的计算机基础知识图谱,基于知识图谱的大学计算机基础习题推荐方法技术的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。