本發明專利技術公開了一種基于知識圖譜的大學計算機基礎習題推薦方法，基于大學計算機基礎知識點構建的知識圖譜，使用圖團體檢測算法從知識點之間的關系結構上分析知識點間的關聯性，從而推薦與學生錯誤知識點關聯性較高的知識點給學生進行學習；通過中文分詞提取習題語義特征構建word2vec模型，使用RWMD方法計算學生的錯題與其他習題在內容上的相似度，選取相似度高的習題進行推薦。通過分析學生的錯題為學生推薦相應的知識點和習題，可以幫助學生盡快掃除知識盲點，更好地掌握大學計算機基礎這門課，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

【技術實現步驟摘要】

基于知識圖譜的大學計算機基礎習題推薦方法

本專利技術屬于人工智能領域的一個重要方向，具體涉及一種基于知識圖譜的大學計算機基礎習題推薦方法。

技術介紹

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

【技術保護點】

1.基于知識圖譜的大學計算機基礎習題推薦方法，其特征在于，運用大學計算機基礎知識點構建的知識圖譜，使用圖團體檢測算法從知識點之間的關系結構上分析關聯性，從而推薦與學生錯誤知識點關聯性較高的知識點進行學習；通過中文分詞提取習題語義特征構建word2vec模型，使用RWMD方法計算學生的錯題與其他習題在內容上的相似度，選取相似度高的習題并進行推薦。/n

【技術特征摘要】

1.基于知識圖譜的大學計算機基礎習題推薦方法，其特征在于，運用大學計算機基礎知識點構建的知識圖譜，使用圖團體檢測算法從知識點之間的關系結構上分析關聯性，從而推薦與學生錯誤知識點關聯性較高的知識點進行學習；通過中文分詞提取習題語義特征構建word2vec模型，使用RWMD方法計算學生的錯題與其他習題在內容上的相似度，選取相似度高的習題并進行推薦。

2.根據權利要求1所述的基于知識圖譜的大學計算機基礎習題推薦方法，其特征在于，所述推薦方法具體包括以下步驟：

步驟1，讀取學生的某一道錯題；

步驟2，對步驟1中讀取的學生的錯題，在習題數據庫中查詢其對應的知識點，并在大學計算機基礎知識圖譜中查詢與該知識點對應的節點P1；

步驟3，對步驟2中得到的節點P1，在大學計算機基礎知識圖譜中查詢流入P1并且與其關系為包含關系的節點P2；

步驟4，對步驟3中得到的節點P2，在大學計算機基礎知識圖譜中查詢從P2流出并且與其關系為包含關系的所有節點，定義為集合W1；

步驟5，對步驟3中得到的節點P2，在大學計算機基礎知識圖譜中查詢流入P2并且與其關系為前驅關系的節點P3；

步驟6，對步驟5中得到的節點P3，在大學計算機基礎知識圖譜中查詢從P3流出與其關系為包含關系的所有節點，定義為集合W2；

步驟7，對步驟4、步驟6中得到的節點的集合W1與W2，在大學計算機基礎知識圖譜中提取包含W1、W2中所有節點的圖結構，并且依據圖結構形成鄰接矩陣；

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中得到的節點聚為一類的節點集合，該集合中的節點對應的知識點即為與錯誤知識點關聯性高的知識點；

步驟9，對步驟8得到的知識點，整合后推薦給學生；

步驟10，對習題數據庫中的每道習題使用中文分詞提取N個關鍵詞，將N個關鍵詞的集合作為每道習題的語義特征；

步驟11，構建word2vec模型并輸入步驟10中提取的習題的語義特征進行訓練，旨在得到每道習題的關鍵詞詞向量；

步驟12，使用RWMD算法計算學生錯誤的習題與其他習題之間的詞移距離；

步驟13，在習題數據庫中查詢步驟8得到的知識點所對應的習題；

步驟14，將步驟13得到的習題整合后推薦給學生。

3.根據權利要求2所述的基于知識圖譜的大學計算機基礎習題推薦方法，其特征在于，所述步驟3中，節點分為兩種類型，分別為知識面節點和知識點節點；...

【專利技術屬性】

技術研發人員：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)人：西安理工大學，

類型：發明

國別省市：陜西;61

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。