基于知識圖譜的智慧教育系統研究

薛輝?徐智淵?劉時佐?劉時佑

摘要：智慧教育是將人工智能、大數據等技術應用于教育的重要方向。通過知識圖譜可以管理不同的知識點，并基于此進行智能問答、知識搜索、學習路徑推薦等。

關鍵詞：知識圖譜；智慧教育；智能問答

智慧教育是應用新一代信息技術，提升教學系統的效率和智能化程度。隨著信息化在教育中的普及，“互聯網+教育”逐漸在教育領域得到推廣，未來教育將可以利用信息技術進行教學，讓學生能夠個性化學習。這將改變教育服務方式，有助于更好地實現教育的核心目標。知識圖譜能夠構建不同領域知識要素之間的關聯關系，通過知識圖譜，學生以及教師能夠提高學習的效率。知識圖譜不僅為師生提供知識的快速檢索方式，同時也將各類知識要素進行結構化的組織，能夠幫助師生系統性地掌握相關學科的內容。

一、知識圖譜的理論基礎

知識圖譜是一種結構化數據的形式，用于表達實體、概念以及它們之間的關系。其構建原理基于三個核心要素：實體、屬性和關系。實體代表現實世界中的個體，可以是人、地點、物品、概念等。每個實體都有一個唯一的標識符，并與一些屬性相關聯。屬性是描述實體特征或性質的信息，如姓名、年齡、性別等。屬性用于描述實體的各個方面。關系表示實體之間的連接或交互方式，如“工作于”“位于”“擁有”等。知識圖譜通過將這些要素組織成圖形結構，構建了一個網絡，其中的節點表示實體，邊表示實體之間的關系。這種結構有助于提取、理解和推理出有關實體之間關系的信息，從而實現更高層次的知識表達和應用。

知識圖譜的建立有兩種方法：自上而下和自下而上。自上而下的方法是通過構建不同領域知識的系統性結構，根據系統性的知識結構來搜集相關數據，并組成知識圖譜。自下而上的方式是直接針對數據集合進行處理，通過數據集合之間的關聯關系，逐漸建立不同知識要素之間的關聯，并最終形成知識圖譜。

（一）知識獲取

知識圖譜中的知識獲取通過多種渠道和方法，將信息整合到一個系統化的知識庫中。通常，可以從多個來源收集原始數據，包括網絡、數據庫、文檔、半結構化或非結構化數據等。采集數據后，要進行清理、去重、格式化處理，以確保數據的質量和一致性。此外，需要識別并抽取出文本中的實體（例如人物、地點、事件等），同時識別實體之間的關聯、聯系或描述它們之間的關系。

（二）知識表示

知識圖譜中的知識表示指的是如何以結構化的方式表示各種信息和實體，使計算機能夠理解和處理。在知識圖譜中，常用的知識表示方法是采用三元組。三元組是一種基本的知識表示方式，由主體（Subject）、謂詞（Predicate）、客體（Object）組成，形如（實體1，關系，實體2）。舉例來說，“蘋果是一種水果”可以表示為（蘋果，屬于，水果）。這種表示方式能夠清晰地表達實體之間的關系，為計算機的理解和處理提供了便利。

（三）知識管理

知識圖譜的存儲方式可以采用多種方法，取決于數據的結構、規模和使用場景。圖數據庫是專門用于存儲和處理圖結構數據的數據庫，它們以圖的形式存儲數據，利用節點和邊表示實體和實體之間的關系。這種存儲方式可以提供高效的圖查詢和圖算法操作。常見的圖數據庫包括Neo4j、Amazon Neptune和OrientDB等。資源描述框架（RDF）是一種用于描述資源的語義網數據模型，它使用三元組（Subject-Predicate-Object）的形式表示知識。RDF存儲方式采用三元組來組織和存儲數據，例如將數據存儲在三元組數據庫中，常見的包括Virtuoso和Stardog等。在某些情況下，知識圖譜可以存儲為文檔型數據庫，使用文檔來表示實體和關系。這種方式適合于部分結構化和半結構化數據，如JSON或XML格式的數據。

RDF（Resource Description Framework）是一種用于描述資源關系的語義網絡數據模型。SPARQL（SPARQL Protocol and RDF Query Language）是用于查詢RDF數據的標準化查詢語言，它類似于SQL對于關系型數據庫的作用。SPARQL提供了靈活和強大的查詢機制，允許用戶對RDF數據進行復雜的查詢操作。SPARQL使用類似于SQL的語法結構，包括SELECT、WHERE、FILTER和OPTIONAL等關鍵字，用于描述查詢的模式和條件。SPARQL允許對三元組模式進行查詢，其中包括主語、謂語和賓語。用戶可以通過這些模式來獲取特定實體的屬性或者實體之間的關聯關系。

二、基于知識圖譜的智慧教育系統構建

首先，需要收集不同學科的教材，如歷史、初中等。收集到數據后，運用詞法模型提取概念及其關系。這些信息經過可視化呈現知識圖譜，并應用于知識問答、查詢和推薦等方面。數據是建立知識圖譜的基礎，構建學科知識圖譜需要大量學科數據。因此，獲取數據是建立圖譜的首要步驟。獲得數據后，需要進行自然語言處理。分詞在自然語言處理中是一項重要的預處理步驟，尤其是針對中文等字符沒有明顯分隔符的語言。分詞的目的是將連續的文本序列切分為有意義的詞語或詞組，這是許多NLP任務的基礎，包括文本分類、信息檢索、命名實體識別等。LTP（Language Technology Platform）是一個自然語言處理平臺，其中包含分詞作為其基礎功能之一。它可以執行中文文本的分詞處理，將文本切分為詞語或詞組，并標注它們的詞性等信息。

識別實體詞是自然語言處理中的一個重要任務，其目的是從文本中識別出具有特定含義的專有名詞、實體或術語。這些實體可以是人名、地名、組織機構、日期、時間、數字、專業術語等，對于文本理解和信息提取非常關鍵。將文本分解成詞語或短語的序列是實體識別的基礎，因為實體通常由多個詞構成。對于分詞后的每個詞語，詞性標注有助于區分不同詞語在句子中的功能，從而更好地判斷其是否為實體。命名實體識別是實體識別的核心步驟，利用機器學習算法或深度學習模型，根據上下文語境識別出文本中的命名實體。NER包括對文本中的實體進行分類，如人名、地名、機構名等，并標注它們的邊界。 在識別出實體后，可能會對它們進行更詳細的分類，比如人名可能進一步區分為政治人物、藝術家等。

本文采用如公式（1）所示的啟發性方法進行實體詞識別：A表示形容詞，N表示名詞，P表示介詞，通過公式（1）形成用不同類型詞匯形成的句法類型。

（（AA|NN）+|（（AA|NN）×（NNP）？ ）（AA|NN）×）NN? ?（1）

句法分析旨在識別句子中的語法成分，如“主謂賓”“定狀補”等，并分析它們之間的關系，通常用依存句法樹表示。句子中的實體在依存結構中占據重要地位，實體之間的語義關系可以通過語義成分的依存結構推斷得出。

在此基礎上，本文采用Neo4j存儲知識圖譜。Neo4j是一套圖形數據庫管理系統，專注于圖形數據的存儲和處理。它適用于存儲和處理復雜的關聯數據，特別適用于處理知識圖譜中實體之間存在多重關系的場景。在Neo4j中，知識圖譜的數據以節點和關系的形式存儲。節點表示知識圖譜中的實體，例如人物、地點、概念等，關系表示這些實體之間的關聯和連接。每個節點和關系都可以具有屬性，這些屬性可以提供關于實體和關系的更多信息。例如，一個人物節點可以有姓名、年齡等屬性。節點可以被賦予標簽，這樣可以根據標簽對節點進行分類。標簽有助于快速識別節點所屬的類別。Neo4j使用Cypher查詢語言進行圖形數據庫的查詢，這種查詢語言專門針對圖形數據模型設計。Cypher通過指定節點的標簽或屬性，可以查詢滿足特定條件的節點。 Cypher還能查詢節點之間的關系，包括特定類型的關系、關系的方向等，以及查找節點之間的路徑，如查找兩個節點之間的最短路徑或特定條件下的路徑。在此基礎上，形成了如圖1所示的知識結構模型。

三、基于知識圖譜的智慧教育系統的應用

基于知識圖譜的智慧教育系統可以應用在不同的方向，主要如下。

（一）智能問答

知識圖譜中的智能問答是指利用知識圖譜的信息結構和關聯性來回答用戶提出的問題。這種智能問答系統可以通過對知識圖譜中的實體、關系和屬性進行搜索和推理，為用戶提供準確、個性化的答案。系統需要理解用戶提出的問題。這包括分析問題的語義、關鍵詞提取和語法分析。通過自然語言處理技術，將問題轉化為計算機能夠理解的形式。在知識圖譜中進行信息檢索，系統會根據問題的內容在圖譜中尋找相關的實體、關系或屬性。這可以通過圖查詢語言（例如SPARQL）或圖數據庫提供的API來實現。從圖譜中檢索到的信息需要進一步分析和推斷，以生成最終的答案。這可能涉及對實體之間的關系推理、答案的排名或過濾等。最終的答案以易于理解和接受的方式呈現給用戶。這可以是文本形式的答案、圖表甚至是語音回答，取決于系統的設計和用戶的需求。

（二）知識搜索

知識圖譜中的知識搜索是指通過使用圖數據庫或圖形查詢語言等技術，在用戶提出的問題或關鍵字的基礎上，在知識圖譜中進行信息檢索，并返回與查詢相關的知識點、實體或關系。系統需要理解并分析用戶提出的問題或關鍵字的含義，包括語義、上下文等。在知識圖譜中，信息需要被索引，這樣才能快速地進行搜索。索引可以是實體、屬性、關系等。搜索引擎會針對查詢在這些索引中查找匹配的內容。根據用戶的查詢，在知識圖譜中進行圖查詢操作。這可能涉及使用圖數據庫提供的查詢語言（例如SPARQL）或者利用圖數據庫的API進行查詢操作。檢索到的信息將被組織和呈現給用戶。這可以是簡單的文本輸出、圖形展示，或者其他用戶友好的展示形式，以便用戶理解和使用。基于知識圖譜的搜索能夠提供更為準確、精確的結果，因為它基于事實和關系而不是簡單的關鍵詞匹配。知識圖譜搜索可以展示實體之間的關聯關系，幫助用戶更全面地理解相關信息的上下文和關聯。部分系統可以根據用戶的歷史查詢、興趣等信息，提供個性化的搜索結果。某些系統整合了自然語言處理和智能推薦技術，能夠理解語義、解析查詢，并針對查詢進行智能推薦或修正。例如，根據給定實體s1，可以使用公式（2）來解析與其三度關聯的實體。

?xr（s1，x）??xr2（x，s2） and ?x，y r1（s1，x）?r2（x，y）r3（y，s2）

（2）

通過組合不同的條件，最后返回公式（3）表示的三元組。

?x，y r（x，y）? ? ? ? ? ? ? ? ? ?（3）

（三）學習路徑推薦

在智慧教育中，發現知識點之間的相互聯系對于自動整合知識結構和提供優質教育服務至關重要。這些聯系多種多樣，例如，先修知識點關系。學生在學習某個知識點前，通常需要先了解其他相關知識點。課程大綱內的章節、小節之間就隱含著知識點的上下級關系，在智慧教育素材中起著重要作用。首先提取課程大綱中的知識點，再利用通用信息，形成課程大綱的基礎架構。然后將提取自課程視頻的每個小節知識點加入課程大綱的基礎結構中，形成基于課程大綱的知識點上下級關系。知識點的先后順序決定了學生在學習后續知識前應掌握的先導知識。在智慧教育背景下，有許多特征影響著知識概念的先后順序，這些特征來自多個方面，包括語義、文本和結構等。通過學習這些特征來提取知識點的先修關系，以推薦學習路徑。

四、結束語

知識圖譜在在線教育中扮演著關鍵的角色，它提供了智能化、個性化的學習體驗，從而提升了教學效果和學習體驗。 基于知識圖譜對課程內容和知識點的結構化，系統可以為學習者創建個性化學習路徑，根據學習者的水平、興趣和目標，提供合適的學習路線。基于知識圖譜的智能問答系統可以回答學生提出的問題，提供實時支持和解答，能夠幫助學生更快速地理解概念和解決問題。

參考文獻

[1]李振，周東岱.教育知識圖譜的概念模型與構建方法研究[J].電化教育研究， 2019， 1（8）：78-86，113.

[2]袁榮亮，姬忠田.基于深度學習的網絡信息資源知識圖譜研究[J].情報理論與實踐， 2021， 44（5）：173-179.

[3]蔣逸，張偉，王佩等.基于互聯網群體智能的知識圖譜構造方法[J].軟件學報， 2022， 33（7）：21-25.

[4]郭宏偉.基于智能教育的高校在線課程知識圖譜構建研究——以中國醫學史為例[J].中國電化教育， 2021，1（2）：8-11.

[5]高茂，張麗萍.融合多模態資源的教育知識圖譜的內涵，技術與應用研究[J].計算機應用研究， 2022， 39（8）：11-14.