人工智能課程領域知識圖譜及其創新教學模式

謝 榕，朱衛平

（武漢大學 計算機學院，湖北 武漢 430072）

0 引言

人工智能是計算機科學的重要分支，現已成為當今科學技術發展的重要前沿學科。2017 年國務院印發新一代人工智能發展規劃通知，指出人工智能是引領未來的戰略性技術［1］。人工智能基礎課程，如《人工智能引論》等，是學生學習人工智能知識的重要專業課程，主要講授人工智能的基本原理、方法與技術。該課程內容特點是概念偏多、理論抽象、算法復雜、內容難懂。在學習過程中，學生普遍反映學習該課程難度偏大，理解與掌握課程知識要點有一定困難，對該課程雖很有興趣卻望而生畏。當前課本知識所呈現的知識體系描述相對抽象，知識要點之間只是一種單維上下位關系，缺乏多維邏輯關系的體現。如果主講教師僅采用傳統方法開展教學往往難以取得較好效果。因此，如何運用科學先進的教學理念、通俗易懂的教學方法，特別是運用一些人工智能新技術作為輔助教學手段傳授課程內容，對任課教師來說是一項極具挑戰性的任務。

2012 年美國Google 公司提出知識圖譜計劃，引起了學術界與工業界的高度關注［2］。利用信息處理、數據挖掘與圖形繪制等手段，知識圖譜把學科最復雜的知識內容以可視化圖譜形式形象地展現出來，可很好地體現學科整體知識架構、知識點以及相鄰知識關聯。因此，將知識圖譜引入課程教學，可有效地對課程知識脈絡進行梳理，有助于學生充分理解學科知識，對優化課程教學能夠起到很好的輔助作用。近年來，國內一些高校也逐漸開始重視知識圖譜教學方法，并將知識圖譜技術應用于智慧課堂［3］、MOOC教學［4］以及翻轉課堂［5］等，都取得了良好的教學效果。

然而，在開展人工智能課程教學調研時發現，目前國內外尚沒有一套完整的人工智能課程知識圖譜，也較少運用知識圖譜開展人工智能課程教學實踐。因此，本文旨在探索人工智能課程教學的創新方法，利用知識圖譜技術構建一種面向人工智能課程教學的多媒態領域知識圖譜，并基于所建設的知識圖譜梳理專業知識，指導人工智能課程創新教學模式改革與實踐。具體地，以人工智能引論課程為研究對象，優化教學內容，形成集先進性、前沿性與實用性為一體的人工智能知識體系、教學大綱和教學教案。在此基礎上收集、整理知識圖譜素材，利用分詞、文本挖掘、語義分析、可視化等技術手段構建一個完整、多模態的人工智能教學領域知識圖譜，運用所構建的知識圖譜開展創新教學實踐，并提出該教學模式的具體實施細節。

1 人工智能課程教學內容優化

1.1 人工智能知識體系

在我國現行新成立的人工智能本科專業中，人工智能引論為一門基礎課程，一般只有32 學時。在教學時間十分有限的情況下，為了讓學生們能夠全方位地領略系統而完整的人工智能知識，盡快入門人工智能領域，并為進一步學習人工智能其它相關課程打下牢固基礎，主講教師需要考慮以什么角度組織、優化課程教學內容，才能讓學生更容易接受、理解并掌握人工智能的原理、方法與技術。

人工智能是一門研究人類一切智能活動規律、模擬與擴展人類智能行為的學科。其是一個龐大家族，涉及人工智能眾多基礎理論、重要方法與實現算法、學科分支及應用領域等［6］。由于智能本身的復雜性，往往難以用單一理論與方法進行描述，因此一般可建立如圖1 所示的人工智能學科知識體系，用基礎層、抽象層、邏輯層和應用層等不同層次來描述智能本質。從基礎層到抽象層和邏輯層，再到應用層，4 個層次層層推進，最終實現人工智能目標。

Fig.1 Artificial intelligence knowledge architecture圖1 人工智能學科知識體系

（1）基礎層。該層是人工智能的最底層，用于描述基于腦系統與腦認知的人工神經網絡對現實世界的感知、認知以及與現實世界的交互與映射，包括腦系統（結構、機理、工作方式）、腦認知（感知、記憶、意識、學習等理論）、人工神經網絡（感知器、反向傳播神經網絡、卷積神經網絡、概率神經網絡、遞歸神經網絡、時間序列神經網絡等）等內容。

（2）抽象層。該層是對人類知識的抽象與表達，圍繞著對求解應用問題的理解，用于反映人類知識在人工智能中所扮演的角色，包括問題求解（狀態空間搜索、知情搜索、約束滿足問題等）、高級問題求解（自動推理、自然語言理解等）、知識及其表示（狀態空間、問題歸約、謂詞邏輯、語義網絡、框架、過程、產生式系統、本體等）、高級知識表示（知識圖譜）等內容。

（3）邏輯層。該層是人工智能能力的集中體現，用于描述一切與人類智能活動有關的搜索、學習、規劃、推理、決策模型，包括搜索（盲目搜索、知情搜索）、高級搜索（博弈搜索、CSP 回溯搜索、受自然啟發的搜索等）、學習（觀察學習、歸納學習、統計學習、解釋學習等）、機器學習（決策樹、神經網絡、支持向量機、貝葉斯分類器、集成學習、聚類、降維與度量學習等）、高級機器學習（特征選擇與稀疏學習、計算學習理論、半監督學習、概率圖模型、規則學習、強化學習等）、深度學習、自動規劃（現實世界規劃與行動、任務規劃、運動路徑規劃、軌跡規劃、條件規劃）、確定性推理（消解原理、規則演繹系統、自然演繹推理）、不確定性推理（概率推理、主觀Bayes 方法、可信度方法、證據理論、模糊推理）、知識發現、決策（簡單決策、復雜決策）以及智能計算（進化算法、遺傳算法、群智能）等內容。

（4）應用層。該層涉及到智能化系統的開發及其應用，用于讓計算機實現以往需要人的智力才能完成的各項工作，包括智能體（多智能體、智能體通信、智能體體系結構）、自然語言處理（語義分析、語音識別、機器翻譯）、計算機視覺（模式識別、圖像理解）、知識問答系統、專家系統、智慧醫療、智能機器人、無人系統、人工智能游戲、人工生命、人工智能應用框架（Tensorflow、PyTorch 等）、人工智能語言等。

人工智能學科知識體系為人工智能課程教學內容確定、教案編寫以及課程知識圖譜建設提供了重要依據。

1.2 《人工智能引論》教學大綱

1.2.1 教學目標

《人工智能引論》是人工智能、計算機科學與技術、軟件工程及其相關智能專業的必修課程，研究如何用計算機模擬、擴展與實現人類智能行為及其規律。通過本課程的學習，使學生對人工智能發展概況、研究內容、關鍵技術、應用領域有初步了解，掌握人工智能基本概念、基本原理與實現算法，以及信息分析、決策支持等各類智能系統建立與應用方法，熟悉當今人工智能的主要前沿方向，培養學生運用經典人工智能方法與前沿技術解決實際智能應用問題的能力。

1.2.2 課程特點

介紹人工智能學科知識體系中的重點內容，覆蓋人工智能基礎層、抽象層、邏輯層及應用層的不同層次；注重理論與實踐相結合，除基本原理、方法介紹外，還配有大量實例及應用案例；把握國內外人工智能研究領域最新進展與前沿動態；注重綜合利用人工智能知識解決實際應用問題。

1.2.3 教學內容覆蓋面

圍繞“智能”本質，并體現人工智能的技術特征，即知識、搜索、學習、推理與決策，本課程著重講解人工智能學科知識體系核心內容，包括神經網絡、知識表示、搜索求解、機器學習、深度學習、自動規劃、推理技術、遺傳算法、群智算法等基礎理論、方法與技術，以及智能體、自然語言處理、計算機視覺、知識問答系統、專家系統、智慧醫療、智能機器人、無人系統、人工智能游戲、人工生命、人工智能語言等前沿應用與關鍵技術。具體課程教學內容及其基本要求如表1 所示。

Table 1 Unit contents and basic requirements of the course of introduction of artificial intelligence表1 人工智能引論課程單元教學內容及基本要求

1.3 教學教案

依據知識體系與教學大綱，對國內外優秀人工智能教材的最新內容進行梳理、整合［9-15］。同時，從研究設計方案、科研項目、人工智能技術網站、GitHub 開源代碼等多種渠道收集講課素材。教師對所講授的教學內容進行梳理，形成課程教案，教案內容包括所屬教學模塊、教學內容、教學目標及要求、教學重難點、實例/應用案例、復習題/課外作業、課外讀物等。以教學模塊“知識及其表示”中問題歸約法的教學為例，形成如表2 所示的教學教案，為進一步構建該教學內容的知識圖譜作準備。

Table 2 Teaching schedule of“problem reduction method”表2 “問題歸約法”教學教案

2 人工智能課程多模態領域知識圖譜建設

2.1 知識圖譜基本組成

知識圖譜是表示實體或概念，以及實體或概念之間各種復雜語義關系的一種大規模語義網絡，用來對現實世界的事物及其相互關聯進行形式化地描述，一般分為通用知識圖譜和領域知識圖譜。通用知識圖譜較多，包括DBpedia、WordNet、谷歌Knowledge Graph、微軟Probase、百度知心等。人工智能課程知識圖譜屬于后者，即聚焦、限定于人工智能課程范疇的特定領域。本文以人工智能引論課程為例建設該課程的領域知識圖譜，由知識點、知識點屬性、知識點關聯組成知識圖譜的三元組［7］。根據圖1 所示的人工智能知識體系與表1 所示的單元教學內容及基本要求，形成人工智能概論、人工神經網絡、知識及其表示、搜索求解策略、機器學習方法、深度學習方法、確定推理、不確定性推理、遺傳進化算法、群體智能算法10 個知識大類，構建該課程領域知識圖譜的基本骨架。

2.2 領域知識圖譜建設一般流程

圖2 給出了人工智能課程領域知識圖譜建設的一般流程。首先，通過教學大綱、教材和網絡資源等信息來源形成教案，從教案中提取知識點，并對知識點進行屬性設計；然后，進行知識點關系關聯，通過知識融合形成一張錯綜復雜的語義網絡；最后，利用Neo4j 圖數據庫管理系統等可視化工具生成一個相對完整的多模態領域知識圖譜［8］。

Fig.2 Flow of knowledge graph construction of the course of artificial intelligence圖2 人工智能課程領域知識圖譜建設流程

（1）知識點提取。從教案中對各單元教學模塊的主要內容進行知識點識別，提取人工智能課程各個重要知識要點及內容，包括人工智能基本概念/定義、基本原理/工作原理、解題步驟、計算公式、推導、流程圖、算法、源代碼與結論等。同時，還包括一些考題類資源，如思考題、復習題、課堂練習、課外作業、大作業、討論題等。對收集的各個知識要點和考題類資源進行分類匯總，知識點類型包括結構化（如關系數據庫等）、非結構化（如圖片、音頻、視頻等）以及半結構化（如XML、JSON、百科等）3 種。例如，在“人工智能概論”教學模塊中，教學目標為了解從智能機器、學科、能力三方面對人工智能的定義；通過人類認知過程、圖靈測試熟悉人工智能與人類智能之間的關系；了解人工智能學科知識體系、研究范圍及應用領域；熟悉人工智能起源、簡史與發展趨勢；了解人工智能倫理。其中，講解圖靈測試時，涉及到圖靈測試定義、圖靈實驗本質、圖靈測試提問、圖靈測試的爭議與批評、新圖靈測試等知識要點。此外，還可將知識點延伸到阿蘭·圖靈的人物介紹、發表的論文，以及如何研制圖靈測試機器等內容。

（2）知識點屬性設計。對各個知識點進行屬性設計，標識知識點基本特性，包括所屬教學模塊、知識點類型（即基本概念/定義、基本原理/工作原理、解題步驟、計算公式、推導、流程圖、算法、源代碼和結論）、教學目標、教學要求（掌握、熟悉、了解）、重點程度、難易程度（難、一般、易）等。以圖靈測試為例，其知識點屬性設計具體內容如表3 所示。

Table 3 Attribute design of knowledge key points of“Turing test”表3 “圖靈測試”教學內容知識點屬性設計

（3）知識點關系關聯。學習是一個循序漸進的過程，需要在不斷的學習過程中掌握知識點之間承前啟后的關系，這對于構建知識圖譜來說至關重要。進行知識點關系關聯時，需要確定各知識點之間在含義或語義上的相互聯系，定義關系名并確定語義關系類型。其中，語義關系類型包括隸屬關系、泛化關系、聚集關系、屬性關系、實例關系、時間關系及其它關系。隸屬關系表示知識點與其它知識點之間的內在本質聯系，如某知識點的定義、方法、實現步驟等；泛化關系表示類知識點與更高層次抽象類知識點之間的聯系，所有知識點可由此組織成層次網絡；聚集關系表示知識點與其組成成分之間的聯系；屬性關系表示知識點—屬性—屬性值之間的聯系；實例關系表示知識點與其實例之間的聯系；時間關系表示知識點時間前序與時間后序的關系；其它關系包括聚類聯系、易混淆關系等。對于一些相似的知識點，可將其聚類放在一起進行學習，強化學生對其的認識；對于一些易混淆的知識點，也可將其關聯起來，使學生在學習時注意其區別。例如，“機器學習方法”教學模塊中“示例學習”教學內容的知識點關系如圖3 所示，包括隸屬關系（定義、方法）、泛化關系、聚集關系與實例關系。

Fig.3 The relationship of knowledge key points in the knowledge graph of“learning by example”圖3 “示例學習”知識圖譜中的知識點關系

2.3 多模態領域知識圖譜可視化

在建設人工智能課程領域知識圖譜時，將知識點、屬性及其關系導入其中，完成知識圖譜的創建與可視化。在知識圖譜中，可用不同顏色表示知識圖譜的基本組成，如用紫色表示該教學模塊核心內容，紅色表示重點知識點，藍色表示思考題、課堂作業、課外作業和大作業，黃色表示課外讀物、教學視頻、應用案例等。圖4、圖5 分別為“人工智能概論”教學模塊中“圖靈測試”以及“知識及其表示”教學模塊中“問題歸約法”的多模態知識圖譜展示。使用如Neo4j 圖數據庫等工具，可進行多模態領域知識圖譜的可視化。

Fig.4 Knowledge graph of the unit of“Turing test”圖4 “圖靈測試”教學知識圖譜

Fig.5 Knowledge graph of the unit of“problem reduction method”圖5 “問題歸約法”教學知識圖譜

3 領域知識圖譜驅動的人工智能課程教學實踐

基于所建設好的領域知識圖譜，可設計一些知識圖譜的課堂教學應用，包括知識圖譜實踐教學、知識圖譜智能問答等，用于輔助教師授課并幫助學生實現真正的個性化學習。

3.1 知識圖譜實踐教學

針對書本知識點關系單一、缺乏知識之間的導航、傳統教學方法學習效果不佳等問題，開展人工智能知識圖譜實踐教學。圖6 展示了運用知識圖譜開展人工智能課程教學的整個過程。

Fig.6 Teaching process of artificial intelligence course driven by domain knowledge graph圖6 領域知識圖譜驅動的人工智能課程教學過程

以“問題歸約法”教學為例，根據教學目標與教學內容，上課前首先向學生提出思考問題并展示該教學模塊的知識總圖譜（見圖5），讓學生把握該模塊的總體框架。然后，以該知識總圖譜為基礎，生成針對該教學模塊的一系列知識子圖譜，如問題歸約法所涉及到的全部基本概念匯總（見圖7（a））、知識要點及其關聯（見圖7（b））、所有要求重點掌握的內容及難點內容（見圖7（b）中的紅色標識）、“梵塔難題”應用實例（見圖7（c））、課外作業（見圖7（d））等。以知識子圖譜中涉及的知識點為重點講解內容，并根據知識點之間的關系組織課堂教學，讓學生有序地學習相關基本原理、方法、技術及實現算法。在課堂教學中，針對具體問題設計教學知識圖譜，并在實際中加以應用。

充分運用多媒體知識圖譜教學手段展示與講解課程內容，包括圖片、音頻及視頻等。圖譜可視化信息為多媒體教學提供了豐富的教學資源，這些資源依附于相應知識點，使學生在進行課堂學習和課后復習時能夠以知識圖譜為主體，充分利用相關教學資源。

3.2 知識圖譜智能問答

Neo4j 圖數據庫管理系統提供了一種簡單、方便、快捷的操作語言Cypher［8］。借助知識圖譜問答技術，其能夠在知識圖譜中進行搜索查詢（Query），快速查詢知識圖譜中的知識信息，并直接回答有客觀答案的問題及一些匯總信息。例如，在復習“問題歸約法”教學模塊時，查詢“梵塔難題的解題步驟是什么？”知識圖譜可回答梵塔難題的3 個解題步驟（見圖8）。通過這種知識導航式的查詢方式，學生可以從局部到整體學習基礎知識與案例，也可以從整體到局部，先形成課程知識總體印象，再導航到具體知識要點。

4 實施效果

本文對知識圖譜應用實踐效果進行分析，分別選取20名2016 級、15 名2018 級學生作為研究對象，對教師課堂教學未采用知識圖譜（未用）、教師課堂教學采用知識圖譜（單用）、教師課堂教學采用知識圖譜且學生制作知識圖譜（雙用）3 種情況下學生課堂測驗的學習成績進行統計。如圖9 所示，未用情況下（教師給2016 級學生講課時尚沒有應用知識圖譜），90 分以上的學生人數偏少，而60-70 分偏多；單用情況下（教師給2018 級學生講解第二章知識表示方法時，除介紹傳統狀態空間表示、問題歸約表示、謂詞邏輯表示等方法外，還講解了知識圖譜表示方法及構建技術），90 分以上的學生人數相比未用情況有所增加，而60-70 分的人數有所下降；雙用情況下（教師要求2018 級學生在課堂練習前復習相關內容并動手制作章節內容知識圖譜），獲得高分的學生人數進一步上升，而低分人數進一步下降，說明知識圖譜有助于學生對所學知識的理解。

Fig.7 Knowledge sub map of“problem reduction method”圖7 “問題歸約法”知識子圖譜

Fig.8 Intelligent Q&A on the knowledge graph of the"Tower of Hanoi Problem”圖8 有關“梵塔難題”的知識圖譜智能問答

Fig.9 Evaluation of the effects of knowledge graph teaching圖9 知識圖譜實踐效果評估

從實踐效果來看：①教師層面。借助知識圖譜技術手段將人工智能課程教學內容相關知識進行抽取、融合，形成完整的知識網絡，有利于教師高效、合理地安排教學；②學生層面。通過多模態知識圖譜進行直觀而具體的教學展示能有效幫助學生更深入、全面地理解人工智能課程知識體系，培養學生對人工智能學科的興趣，并輔助學生以關聯學習方法進行高效學習；③教改層面。將知識圖譜教學法運用于人工智能課程教學中，可將離散、碎片化的知識點串聯起來，并將知識點之間的關聯關系以多模態可視化的方式展示出來，從而有效優化課堂教學，顯著提高教學效果。

5 結語

目前國內外尚沒有一套完整的人工智能課程知識圖譜以及相關知識圖譜教學實踐方法。借助知識圖譜最新技術手段與工具，本文提出基于人工智能知識圖譜的創新教學方法，可有效梳理知識之間的關聯，獲得人工智能領域專業知識的整體邏輯體系，生成緊密關聯的教學知識序列，從而較好地支撐教師對教學知識的講解，并顯著提高學生的學習興趣與學習效率，為傳統教學注入新的活力。