基于动态学习模型的动态知识图谱搭建系统、方法及应用与流程

1.本发明涉及机器学习技术领域，尤其涉及一种基于动态学习模型的动态知识图谱搭建系统、方法及应用。


背景技术：

2.在传统教学中，教师根据不同年龄段的教学大纲、以及相关教材内容进行授课，并让学生完成该知识点所对应的作业、练习，及相关测试，从而判断不同学生对该知识点的掌握熟练情况。这种判断方式高度依赖于不同教师个体的经验、资历，从而对学生做出相应的评判结论部分取决于主观判断。受限于教师的个人精力，在一对多授课教学的过程中，教师往往很难精准捕捉到每个学生在学业成长过程中的个体特殊性。
3.举例说明，在同一道测试题中，对于回答错误的学生，教师很难精准判断学生是基于对前置知识点理解不足，或是基于对本知识点的理解不牢，或是基于遗忘曲线而产生的对前置知识点及本知识点的熟练度不足，还是仅基于粗心而导致错误。而对于回答正确的学生，教师也很难精准判断学生是基于对知识点理解深刻，或是基于对本节教学互动内容的临时记忆，还是仅基于猜测而选择正确。
4.而不同知识点所对应的难度系数在学生的成长过程中，在不同年份，以及对于不同地域、不同学习习惯、不同天赋偏好的同年龄段学生都有明显区别。而现有的知识体系、数据化后的知识图谱，以及它们所对应的教学、练习及测评手段都为固化框架，无法让知识系统依据于学生群体不断更新的学业状态而进行动态调整。
5.如何能根据学生的学习状态而动态调整学习难度，形成更为合适的学习路径是学习系统智能化发展研究的重要课题之一。


技术实现要素：

6.针对现有学习系统知识图谱固化而无法根据学生学习状态而动态调整学习难度的缺陷，本发明的目的在于提供一种基于动态学习模型的动态知识图谱搭建系统、方法及应用，能够根据学生的学习情况动态调整二维映射知识图谱的难度系数结构，形成新的学习路径。
7.本发明公开了一种基于动态学习模型的动态知识图谱搭建系统，包括学科认知系统搭建模块、学科难度系数反馈模块、知识图谱随样动态更新模块；所述学科认知系统搭建模块，包括：一级认知分支单元、二级认知分支单元、学科认知知识点单元、知识点网状结构构建单元、认知交互数据采集单元；所述学科难度系数反馈模块，包括：学科难度初始系数确定单元、学生数据拟合学习难度函数单元；所述知识图谱随样动态更新模块，包括：数据样本量级单元、数据样本时间单元、数据样本更新记录单元；所述一级认知分支单元，用于从知识数据中提取学科的一级分支；
所述二级认知分支单元，用于从知识数据中提取各个一级分支包含的二级分支；所述学科认知知识点单元，用于从知识数据中提取各个二级分支包含的知识点和每个知识点关联的教学互动内容；所述知识点网状结构构建单元，用于先根据一级分支、二级分支、知识点的关联关系构建学科的知识结构树，再将二级分支下的所有知识点按前置后置关系建立网状结构的关联关系，并为每个知识点设置难度系数属性，最终构建包括二级分支、难度系数两个维度的二维映射知识图谱；所述认知交互数据采集模块，用于采集学生样本和学生学习知识点对应教学互动内容时产生的交互数据；所述学科难度初始系数确定单元，用于为各个知识点赋予初始的难度系数；所述学生数据拟合学习难度函数单元，用于从认知交互数据采集模块获取交互数据，根据交互数据中的重复次数、错误率拟合成学习难度曲线，再根据难度系数拟合函数拟合计算出新的难度系数；所述数据样本量级单元，用于从学生样本和交互数据中采集各个知识点对应的学习教学互动内容的学生数量，并形成学生数量临界值数列；所述数据样本时间单元，用于计算时间信息并计算距离上次难度系数更新日期的时间临界值数列；所述数据样本更新记录单元，用于在难度系数更新时，记录数据拟合并更新难度系数的流程步骤。
8.进一步地，所述学生样本包括学生的性别、年龄、年级、地域、学校类别、民族、学习习惯。
9.进一步地，所述交互数据包括知识点的基础信息和学生的操作信息；所述知识点的基础信息，包括知识点在二维映射知识图谱中的位置、从属的类别特性；所述学生的操作信息，包括学生学习每个知识点对应的教学互动内容时的错误率、重复次数。
10.进一步地，所述难度系数拟合函数为：wn=g
nn
×
w；其中，wn为m个学生对同一个教学互动内容经过n次操作后的平均错误率；gn为m个学生对同一教学互动内容经过（m
×
n）次操作后，该教学互动内容对应的知识点的难度系数；n为操作次数；w为教学互动内容对用的错误率通用参数；m为学生样本数量，m正整数。
11.本发明还提供了一种基于动态学习模型的动态知识图谱搭建方法，基于动态知识图谱搭建系统构建能够动态调整各个知识点难度系数的动态知识图谱。所述动态知识图谱搭建方法，先基于动态学习模型为每个知识点设置难度系数属性，并将二级分支下所有知识点按照前置后置关系建立网状结构的关联关系，形成二维映射知识图谱；然后由学生样本对二维映射知识图谱进行训练，得到由错误率、重复次数拟合成的学习难度曲线；再根据难度系数拟合函数拟合计算出新的难度系数进行更新，从而构建一个能动态调整难度系数
的知识图谱。
12.本发明还提供了一种用于自适应学习系统的动态知识图谱，包括按学科分类的一级分支、二级分支、知识点、难度系数、难度系数；每个学科分具有多个一级分支，每个一级分支又分为多个二级分支，每个二级分支又涵盖至少一个知识点；每个知识点都有对应的难度系数和难度系数；一个知识点属于一个或多个二级分支。
13.本发明还提供了一种具有动态知识图谱的自适应学习系统，包括如权利要求9所述的动态知识图谱。
14.本发明的有益效果如下。
15.（1）本发明能根据不同学生样本智能动态调整知识图谱的难度系数结构，从而使一套自适应学习系统就能自动匹配不同学生样本的学生，可以大大提高自适应学习系统的时效性与精准性，真正实现以学生为中心因材施教的自适应学习模式。
16.（2）本发明对知识图谱进行了细分和优化，不仅包括一级分支、二级分支、知识点，还包括难度系数、难度系数，而且难度系数可根据学生样本进行动态调整。
17.（3）本发明提供的一种用于自适应学习系统的动态知识图谱体系架构，包括按学科分类的具有关联关系的一级分支、二级分支、知识点、难度系数、难度系数，且难度系数可根据学习情况动态调整。
附图说明
18.图1为本发明动态知识图谱搭建系统的架构示意图。
19.图2为已构建完成的低龄数学学科的网状知识点图谱的示意图。图3为同一类型教学交互练习重复的次数与该学生样本中错误率的关系示意图。
具体实施方式
20.以下结合实施例的具体实施方式，对本发明的上述内容再做进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。在不脱离本发明上述技术思想情况下，根据本领域普通技术知识和惯用手段作出的各种替换或变更，均应包括在本发明的范围内。
21.实施例1：本实施例公开了一种基于动态学习模型的动态知识图谱搭建系统，如图1所示，包括学科认知系统搭建模块、学科难度系数反馈模块、知识图谱随样动态更新模块；所述学科认知系统搭建模块，包括：一级认知分支单元、二级认知分支单元、学科认知知识点单元、知识点网状结构构建单元、认知交互数据采集单元；所述学科难度系数反馈模块，包括：学科难度初始系数确定单元、学生数据拟合学习难度函数单元；所述知识图谱随样动态更新模块，包括：数据样本量级单元、数据样本时间单元、数据样本更新记录单元；所述一级认知分支单元，用于从知识数据中提取学科的一级分支；所述二级认知分支单元，用于从知识数据中提取各个一级分支包含的二级分支；所述学科认知知识点单元，用于从知识数据中提取各个二级分支包含的知识点和
每个知识点关联的教学互动内容；所述知识点网状结构构建单元，用于先根据一级分支、二级分支、知识点的关联关系构建学科的知识结构树，再将二级分支下的所有知识点按前置后置关系建立网状结构的关联关系，并为每个知识点设置难度系数属性，最终构建包括二级分支、难度系数两个维度的二维映射知识图谱；所述认知交互数据采集模块，用于采集学生样本和学生学习知识点对应教学互动内容时产生的交互数据；所述学科难度初始系数确定单元，用于为各个知识点赋予初始的难度系数；所述学生数据拟合学习难度函数单元，用于从认知交互数据采集模块获取交互数据，根据交互数据中的重复次数、错误率拟合成学习难度曲线，再根据难度系数拟合函数拟合计算出新的难度系数；所述数据样本量级单元，用于从学生样本和交互数据中采集各个知识点对应的学习教学互动内容的学生数量，并形成学生数量临界值数列；所述数据样本时间单元，用于计算时间信息并计算距离上次难度系数更新日期的时间临界值数列；所述数据样本更新记录单元，用于在难度系数更新时，记录数据拟合并更新难度系数的流程步骤。
22.进一步地，所述学生样本包括学生的性别、年龄、年级、地域、学校类别、民族、学习习惯。
23.进一步地，所述交互数据包括知识点的基础信息和学生的操作信息；所述知识点的基础信息，包括知识点在二维映射知识图谱中的位置、从属的类别特性；所述学生的操作信息，包括学生学习每个知识点对应的教学互动内容时的错误率、重复次数。
24.在自适应学习环境下，针对每个教学互动内容及同一类型教学交互练习，在类似样本的学生多次参与的情况下，该教学交互练习的错误率与参与次数呈逆相关（anti-correlated）。而在对足够多的统计学通用评估等级为b级以上的学生样本进行数据更新时，不同学生样本所呈现的逆相关性也将不同。以指数模型对这些逆相关性数据进行拟合，从而可得到在实时环境下的动态难度系数。
25.如图3所示，相连接的点由数百位学生样本平均后得来。横轴表示了同一类型教学交互练习重复的次数，纵轴为该学生样本中错误率的正态分布均值。
26.由此，所述难度系数拟合函数为：wn=g
nn
×
w；其中，wn为m个学生对同一个教学互动内容经过n次操作后的平均错误率；gn为m个学生对同一教学互动内容经过（m
×
n）次操作后，该教学互动内容对应的知识点的难度系数；n为操作次数；w为教学互动内容对用的错误率通用参数；m为学生样本数量，m正整数。
27.gn和w的原始起始参数为g_0，w_0，由前置参考教学点的g’与w’决定。当动态知识
图谱中每个知识点的教学交互练习都积累了超过临界值的样本数据后，即可随时发起对动态知识图谱中知识点难度系数的微调模式，不断更新g的最新数值，并智能动态调整自适应学习系统的动态知识图谱。
28.而针对不同学生样本s，每个知识点都将生成并存储针对该样本的难度系数参数g_n,s。而此样本参数s包含了学生学习行为、学习偏好、学习天赋倾向等学习状态强相关参数，以及年龄、性别、地域、民族等弱相关参数。
29.通过采取上述技术方案，自适应学习系统可智能动态而非固态地评定学生的半实时学习表现，可更准确地为每类学生样本中的每位学生提供个性化的教学服务，从而更大限度提升自适应系统对不同学习习惯的学生的适配性，以及最优学习路径实时的精准性。
30.与现有技术相比，所述基于动态学习模型的动态知识图谱搭建系统将学习者学习情况作为考察要素进行动态分析，从而调整动态知识图谱中的难度系数，向学习者提供更合适的学习路径。所述基于动态学习模型的动态知识图谱搭建系统将学习者学习情况作为考察要素进行动态分析，从而调整动态知识图谱中的难度系数，向学习者提供更合适的学习路径。
31.本实施例的其他部分与上述实施例相同，故不再赘述。
32.实施例2：本实施例还提供了一种基于动态学习模型的动态知识图谱搭建方法，基于动态知识图谱搭建系统构建能够动态调整各个知识点难度系数的动态知识图谱。所述动态知识图谱搭建方法，先基于动态学习模型为每个知识点设置难度系数属性，并将二级分支下所有知识点按照前置后置关系建立网状结构的关联关系，形成二维映射知识图谱；然后由学生样本对二维映射知识图谱进行训练，得到由错误率、重复次数拟合成的学习难度曲线；再根据难度系数拟合函数拟合计算出新的难度系数进行更新，从而构建一个能动态调整难度系数的知识图谱。
33.进一步地，所述动态知识图谱搭建方法，包括以下步骤：步骤s1：由学科认知系统搭建模块按照学科知识架构从广至窄划分为一级分支、二级分支、知识点、教学互动内容；步骤s2：由学科难度初始系数确定单元对二级分支下的所有知识点设置初始的难度系数，且所有知识点按初始的难度系数从小到大纵向排列；步骤s3：由知识点网状结构构建单元将二级分支下的所有知识点按照前置后置关系建立网状结构的关联关系，形成二维映射知识图谱；例如：如图2所示的已构建完成的低龄数学学科的网状知识点图谱；步骤s4：根据网状结构的二维映射知识图谱调整知识点的难度系数；步骤s5：由认知交互数据采集模块采集学生模型和交互数据，分析并记录每个知识点对应的教学互动内容的错误率、重复次数；步骤s6：由学生数据拟合学习难度函数单元，根据每个知识点对应的教学互动内容的错误率、重复次数和难度系数拟合函数进行拟合，计算出新的难度系数，将新的难度系数反馈给二维映射知识图谱，得到动态知识图谱。
34.更进一步地，所述步骤s5具体包括以下步骤：步骤s51：记录多个学生（s1, s2, s3, ..., sn）进行同一个知识点学习的交互数
据（c1, c2, c3, ..., cn）；n、n均为正整数；通常n所在的范围：5《n《10；步骤s52：从学生样本和交互数据中获取学习同一个知识点的学生数量和/或距离上次难度系数更新日期；当参与该知识点学习的学生数量初始达到临界值数列（thr1, thr2, thr3, ..., thrp）中的某个临界值时，或距离上次难度系数更新日期大于时间临界值，则激活学生数据拟合学习难度函数单元。
35.更进一步地，所述步骤s6具体包括以下步骤：步骤s61：对学生样本的数据进行分类，并标注类别；步骤s62：筛选全部或部分知识点中的每个教学互动内容所对应的交互数据（c1, c2, c3, ..., cn），为每个教学互动内容计算全部或部分类别学生的平均错误率和重复次数；通常n所在的范围：5《n《10；步骤s63：对于每个教学互动内容，根据平均错误率和重复次数对难度系数拟合函数进行拟合，计算出新的难度系数；若生成的新的难度系数与原数值不同，则更新该知识点所对应的难度系数的数值；步骤s64：遍历二维映射知识图谱中所有的知识点，对达到激活触发条件的知识点重复s61-s6134流程，从而动态调整知识图谱。
36.本实施例的其他部分与上述实施例相同，故不再赘述。
37.实施例4：本实施例提供了一种用于自适应学习系统的动态知识图谱，包括按学科分类的一级分支、二级分支、知识点、难度系数、难度系数；每个学科分具有多个一级分支，每个一级分支又分为多个二级分支，每个二级分支又涵盖至少一个知识点；每个知识点都有对应的难度系数和难度系数；一个知识点属于一个或多个二级分支。
38.一级分支（strand）是针对该学科所设计的树形结构的第一层级，兼具全局性及精炼性，从而可较好平衡后台人工智能算法在模型搭建以及在通过树形结构筛选知识点时兼具准确度及高效率。
39.二级分支（sub strand）是针对该学科树形结构的第一层级的补充细化，兼具完备性及细节度，从而可将第一层级进行充分而系统性地延展，有效覆盖该学科的所有知识结构。
40.知识点（node）是该学习系统中的最小学习单元，在树形结构中的末端，并相互之间存在前置或后置的从属依赖关系。每个知识点自带教学及练习交互等评估环节，是学生在系统中掌握程度的重要参考内容。
41.难度系数（g）是在类似学生样本对同一类型教学练习进行大量多次训练后所对应的错误率曲线拟合而成的参考系数。
42.在上述动态知识图谱中，将知识点与难度系数拟合并纵向排列，并设定知识点难度系数初始值，使难度系数在，同时确定知识点之前的前置与后置依赖关系，从而得到初始网状知识点图谱。
43.本实施例的其他部分与上述实施例相同，故不再赘述。
44.实施例5：本实施例提供了一种具有动态知识图谱的自适应学习系统，包括如上述实施例所述的动态知识图谱。
45.在自适应学习系统环境下的动态知识图谱中，学生参与学习系统学习后，学习系统根据后台判定标准及算法推断出学生对不同知识点的掌握程度，并在该体系架构中智能动态评估符合学生学习行为习惯的最优路径（efficiency optimized learning path），以及该路径所对应的下一个最优知识点。
46.在不断有新学生加入学习系统学习时，学习系统后台将不断更新并扩充学生在各自知识点（node）中的学习行为表现数据，并为每个知识点积累更充足的学生样本，记录下每位学生在类似教学练习中的表现以及各自的正确率错误率，为后续的智能动态调整知识图谱架构做好数据支撑准备。进而为不同学生更精准地判断出最优学习路径，从而显著增强学生实时的学习效率。
47.本实施例的其他部分与上述实施例相同，故不再赘述。
48.以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化，均落入本发明的保护范围之内。