基于知識圖譜的傷寒論課程學習資源推薦模型

摘 要：結合知識圖譜和個性化資源推薦算法，實現傷寒論課程學習資源的個性化推薦，幫助學習者更有效地學習。利用前期研究的知識圖譜，融合課程本體知識，構建傷寒論課程知識圖譜。在此基礎上，結合協同過濾和基于路徑的推薦算法，設計混合推薦算法，按相似度排序推薦學習資源給用戶。提供形式化的知識表示方法和組織模型，滿足個性化學習需求，為學習者提供符合其學習路線的資源，實現精準推送。該模型能夠有效地解決傷寒論課程教學中存在的“晦澀難讀懂、枯燥難專注、教學難互動”的問題，有助于學習者更好地學習傷寒論課程。

關鍵詞：課程知識圖譜；傷寒論；資源推薦算法；個性化學習

中圖分類號：TP391.3 文獻標識碼：A 文章編號：2096-4706（2024）16-0182-07

Learning Resource Recommendation Model of Treatise on Febrile Diseases Course Based on Knowledge Graph

Abstract： Combined with the knowledge graph and personalized resource recommendation algorithm， the personalized recommendation of the course learning resources of Treatise on Febrile Diseases is realized to help learners learn more effectively. The knowledge graph in the early research is used to integrate the knowledge of the course ontology to construct the course knowledge graph of Treatise on Febrile Diseases. On this basis， combined with collaborative filtering and path-based recommendation algorithms， a hybrid recommendation algorithm is designed to recommend learning resources to users according to similarity ranking. It provides formal knowledge representation methods and organizational models to meet personalized learning needs， provides learners with resources that are in line with their learning paths， and achieves accurate push. This model can effectively solve the problems of “obscure and difficult to read， boring and difficult to focus， and difficult to interact in teaching” in the course teaching of Treatise on Febrile Diseases， which is helpful for learners to better learn the course of Treatise on Febrile Diseases.

Keywords： course knowledge graph; Treatise on Febrile Diseases; resource recommendation algorithm; personalized learning

0 引 言

《傷寒論》作為一部重要的中醫經典，被譽為“啟萬世之法程，誠醫門之圣書”[1]，是中醫藥院校中醫類專業的核心課程。當前，成果導向教育（Outcomes-Based Education， OBE）理念已成為高校教學改革的熱點[2]，與傳統的高等教育理念相比，OBE理念更加重視學生的學習目標和學習成果。然而，在傷寒論課程的實際教學中，普遍存在“晦澀難讀懂、枯燥難專注、教學難互動”的問題，不利于學生掌握傷寒論課程知識，阻礙了學習目標的達成。

本文在前期研究的傷寒論知識圖譜[3]基礎上，融合課程本體知識來構建傷寒論課程知識圖譜，在此基礎上制定符合學習者學習目標和學習習慣的學習路徑，設計基于內容和協同過濾的混合推薦算法，從而構建面向傷寒論課程的個性化學習資源推薦模型，以此來向學習者推薦符合其學習偏好、知識聯系緊密且形式多樣的學習資源，幫助學習者更好的學習傷寒論課程。

1 相關研究

知識圖譜（Knowledge Graph， KG）是一種描述現實世界中客觀存在的實體及其相互關系的知識網絡[4]，實體特性采用“屬性-值”對（Attribute-Value Pair， AVP）的形式來表示，實體之間關系采用網絡中的邊來表示。它能夠形成對領域知識的共同理解，實現知識的表示、共享與重用。知識圖譜概念自2012年由Google正式提出并發布知識圖譜項目[5]以來，已在智能搜索、深度問答、決策支持等方面得到廣泛應用。

課程知識圖譜旨在構建面向特定課程的知識圖譜，提供形式化的課程知識表示和知識組織模型。相關文獻[6-10]強調了課程知識圖譜的重要性以及具體構建過程，并深入探討了課程知識圖譜在教學中的應用。Gao等人[6]指出在傳統的教學環境中，部分學生的知識結構呈碎片化，缺乏內在的聯系，因此無法對知識進行系統性理解，而課程知識圖譜的優勢在于以語義網絡的形式展現知識點的結構關系和分布情況。郎亞坤等人[7]和張春霞等人[8]對課程知識本體和課程知識圖譜構建方法進行了詳細研究。Lang等人[9]和黃煥等人[10]分別基于課程知識圖譜開發了個性化知識點推薦系統和適應性學習系統。

推薦算法主要包括基于內容的方法[11]和基于協同過濾的方法[12]。然而，這些算法存在用戶冷啟動、數據稀疏、推薦結果缺乏解釋性和新穎性等問題。近年來，研究者開始借助知識圖譜改進推薦系統，以實現更加精準的個性化推薦。與傳統方法相比，基于知識圖譜的推薦方法具有更強的解釋性，并能有效解決新用戶冷啟動和數據稀疏的問題。根據知識圖譜與推薦方法結合方式的不同，可以得到不同的分類結果。常亮等人[13]將基于知識圖譜的推薦方法分為基于本體的推薦生成方法、基于開放鏈接數據的推薦生成方法和圖嵌入的推薦生成方法；秦川等人[14]將之分為基于嵌入的知識圖譜信息挖掘方法和基于路徑的知識圖譜信息挖掘方法；朱冬亮等人[15]將之分為基于鏈接的推薦方法、基于嵌入的推薦方法和基于混合的推薦方法。

本文將知識圖譜與資源推薦算法相結合，以實現對傷寒論課程學習資源的個性化推薦。通過優化推薦結果和學習路徑，能夠幫助學習者更精準地獲取所需的課程內容。

2 傷寒論課程知識圖譜

本文以傷寒論課程為研究對象，采用自頂向下方式來構建傷寒論課程知識圖譜，首先通過構建傷寒論課程本體來實現傷寒論課程知識圖譜模式層的構建，然后將實體加入知識庫，完成數據層的構建。傷寒論課程本體包括《傷寒論》原文內容本體和課程內容本體。

《傷寒論》原文內容本體在前期研究的傷寒論知識圖譜[3]基礎上進行擴展，定義了疾病、證候、癥狀、方劑、治法、中藥六種語義類型，形成十四種語義關系及其約束關系。傷寒論課程內容本體則以全國中醫藥行業高等教育“十四五”規劃教材《傷寒論選讀（新世紀第5b589a9bcb69f4c56d19c9b1fb8c58f1840a83c7e3909f371ec801be6a8a164e9版）》[16]為主要數據源，將傷寒論課程內容劃分為課程、章、節、知識點四類知識單元，從中抽取并歸納了傷寒論課程內容中的各種概念及概念間的關系。這些知識單元被視作概念，并通過上下位關系、順序關系和關聯關系來描述概念之間的橫縱向關系。上下位關系代表著概念間的層次結構，例如一章包含多節，一節有多個知識點；“章—章”“節—節”和“知識點—知識點”則存在著順序關系，意味著學習需要按照一定順序進行，從而確保學習過程的有序性；關聯關系則表示某些知識點在內容或主題上的相關性，因此可以一同學習。通過《傷寒論》原文內容本體和傷寒論課程內容本體的構建，本文完成了傷寒論課程本體的構建。

為了構建傷寒論課程知識圖譜數據層，本文基于傷寒論課程知識圖譜模式層所確立的語義類型和語義關系，在中醫經方專家指導下采用人工模式從教材中抽取實體，并構建概念與實體之間的鏈接。例如，首先抽取實體“表郁輕證+桂枝二麻黃一湯證”，然后利用語義關系“rdf：type”將之與概念“表郁輕證”相連；進一步抽取“藥物療法”“桂枝二麻黃一湯”“寒熱往來”“周身瘙癢”“汗出”“太陽病”等實體，并通過“治療”“現象表達”“同時發生”等語義關系來建立鏈接，如圖1所示。

3 個性化資源推薦算法

3.1 算法構建

為了實現《傷寒論》學習資源的個性化推薦，本文將資源推薦算法與知識圖譜結合起來，以便根據學習者的興趣、水平和學習風格來推薦學習資源。在學習課程期間，學生需要依據知識之間的關聯按照特定的順序進行學習，因此推薦算法需要依據教學大綱和學生需求進行知識點和學習資源的推薦。當學生尚未完全掌握當前知識點時，推薦算法應為其提供相應的學習資源；否則，推薦算法應依據傷寒論課程知識圖譜為其推薦下一個知識點及其相應學習資源。

為實現這一目標，本文將傳統的協同過濾算法與基于路徑的推薦算法進行級聯混合，設計了一種基于傷寒論課程知識圖譜的混合推薦算法，具體思路如下：

首先，提取學生當前所學內容的實體，作為基于路徑的推薦算法的輸入，利用知識圖譜中實體之間的關系，運用基于路徑的推薦算法計算最短路徑，推薦與學生當前所學知識內容相關的一系列實體；其次，按照特定順序對推薦結果進行排列形成推薦實體列表，將順序關系指向的實體（下一個知識點）放在列表最后一位；再次，判斷當前實體是否為推薦實體列表最后一項，若是，表明學生已掌握當前知識點，此時將該實體輸入到基于路徑的推薦算法中，生成下一個知識點的推薦實體列表，反之則進行協同過濾推薦，這種方式有助于學生有條理地學習相關知識；最后，通過協同過濾算法計算目標項與其他項之間的余弦相似度，根據相似度從高到低對推薦結果排序，然后在數據庫中找出與推薦實體相關的學習資源。該過程能夠確保學生獲取與其學習需求相匹配的資源，從而提升學習效果。

經過以上步驟，得到一個推薦結果集。下面給出基于知識圖譜的混合推薦算法描述：

3.2 有效性分析

3.2.1 數據收集

《傷寒論》學習資源數據集包含2 817份數據，其中圖片類數據1 123份，文本類數據983份，視頻類數據511份。采集文本、圖片和視頻形式的傷寒論學習資源。文本資源包括傷寒論原文、解讀等文字內容；圖片資源包括病案圖片、經絡圖等圖像資料；視頻資源涵蓋專家講解、實際案例演示等多媒體內容。數據源來自嗶哩嗶哩、知乎、豆瓣平臺的用戶公開數據，嚴格按照平臺的robot.txt協議進行爬取，并未涉及任何個人隱私。統計數據集前24個高頻詞的分布，結果如表1所示。

3.2.2 實驗過程

實驗過程如下：

1）數據預處理。在完成數據收集后，將對其進行簡單預處理，包括標準化文本格式、調整圖片大小和質量，以及確保視頻文件格式的統一性。

2）特征提取。通過分析文件名稱，提取關鍵詞作為輸入，用于推薦算法。這些關鍵詞可反映文件的內容，例如“桂枝”“麻黃”等詞匯，以便更準確地推斷文件的特征和用途。

3）結合課程知識圖譜。通過Python的py2neo框架連接nei4j圖數據庫，從而可以編寫Python代碼來執行各種圖數據庫操作，讀取傷寒論課程知識圖譜實體標簽、名稱以及語義關系等重要信息，為基于路徑的推薦算法提供輸入。

4）模擬推薦。模擬用戶進行學習資源推薦的過程，通過比較基于內容的推薦算法、基于協同過濾的推薦算法以及本文設計的基于課程知識圖譜的混合推薦算法的推薦結果，對其進行對比評估。驗證本文設計的混合推薦算法在推薦學習資源方面的適用性和有效性。

3.2.3 算法評估

采用召回率、準確率等評估指標，對基于內容的推薦算法、基于協同過濾的推薦算法以及本文設計的混合推薦算法進行全面的對比分析。通過這些評估指標的綜合考量，能夠客觀地評估各個算法在推薦學習資源時的性能表現，評估結果如圖2所示。

3.2.4 實例驗證

本文通過對比基于內容的推薦算法、基于協同過濾的推薦算法以及基于知識圖譜的混合推薦算法，對傷寒論學習資源數據集進行了實例驗證。例如，當前學習內容為“桂枝二麻黃一湯證”，分別采用上述三種推薦算法后所得到的圖片類、文本類和視頻類資源集如表2所示。

從表2中可以看出，三種推薦算法的推薦結果均包含相關知識點“桂枝麻黃各半湯證”和“桂枝二麻黃一湯證”，但傳統推薦算法（基于內容的推薦算法和協同過濾算法）的推薦結果還包含當前不需要學習的太陽蓄血證和不相關的五苓散方、茯苓甘草湯等知識點。與此同時，基于知識圖譜的混合推薦算法的推薦結果則包含與當前知識點相關的、來自不同醫家的方歌，以及更詳細的關聯湯證之間的鑒別。導致上述差別的原因在于，基于知識圖譜的混合推薦算法可以充分利用豐富的實體和語義規則信息，將多樣化的屬性和語義關系融入推薦過程，從而提供更準確和多樣化的推薦結果，并具有更強的可解釋性。

4 個性化學習資源推薦模型

4.1 模型框架

本文所構建的《傷寒論》學習資源推薦模型包含用戶界面模塊、基于知識圖譜的混合推薦算法模塊和數據庫模塊，如圖3所示。

用戶界面模塊負責接收學習者的學習需求，并將這些需求傳遞給推薦算法模塊，同時還負責本地緩存、數據存儲等任務；推薦算法模塊基于傷寒論課程知識圖譜提取學習內容的實體并分析用戶行為，采用基于路徑的推薦算法從傷寒論課程知識圖譜中獲取推薦實體列表，然后結合學習資源庫，運用協同過濾算法生成推薦資源列表，并將結果集返回給用戶界面模塊；數據庫模塊包括圖數據庫和學習資源庫，為推薦算法模塊提供《傷寒論》內容實體、學習資源數據等，同時為用戶界面模塊的學習資源可視化展示提供數據支撐。

4.2 模型實現

4.2.1 系統架構

該推薦模型的系統實現采用前后端分離結構，使用Java和Python編程語言進行開發。系統架構從上自下分為四層：用戶界面層（UI）、業務邏輯層（BL）、數據訪問層（DAL）和數據層（DL），系統架構層次及其技術實現方案如表3所示。

4.2.2 系統功能

本系統包括五大主要功能模塊，分別為用戶管理模塊、資源管理模塊、交流互動模塊、個性化學習模塊和個人中心模塊，如圖4所示。

用戶管理模塊負責管理用戶的登錄、注冊以及權限分配等任務；資源管理模塊旨在有效管理不同類型和格式的學習資源。管理員擁有對數據庫中所有資源的管理權限，而普通用戶僅能管理自己所上傳的資源；交流互動模塊為學習者提供了交流平臺，他們可以發布文章、分享學習經驗、提出問題，并與其他學習者展開交流和討論，從而促進相互學習和協作，加強聯系和互動；個性化學習模塊利用用戶的學習需求、歷史記錄和學習進度等信息，向用戶推薦符合其學習需求的視頻、文章、思維導圖、筆記等學習資源，其中視頻資源涵蓋了教學視頻、案例分析、名家講座等多種類型資源；個人中心模塊則為用戶提供修改個人賬戶信息、調整學習習慣、定義感興趣方向、更新賬戶密碼等功能。

借助于本系統，用戶能夠方便、快捷地獲取個性化的《傷寒論》學習資源，并促進相互之間的交流與協作，提升學習效果。

4.2.3 系統界面

用戶可以通過系統界面獲取所需的《傷寒論》學習資源，與其他學習者進行交流互動，在個人中心頁面修改個人相關信息，并能獲取體現知識之間關聯的可視化圖譜。

圖5展示了與“中風表虛證”相關的章、節、知識點、疾病、證候、癥狀、治法、方劑和中藥的知識關聯。從圖5中可以看出，“中風表虛證”屬于章“辨太陽病脈證并治”中的節“太陽病辨證綱要”中的知識點“太陽病分類”，其包含了桂枝湯證、桂枝加厚樸杏子湯證、桂枝去芍藥加附子湯證等多個湯證。從每個湯證出發，通過圖5可以發現相關聯的癥狀、方劑和組成方劑的中藥材。這種直觀、形象的知識可視化方式有助于用戶將相關邏輯路徑上的知識點串聯起來，更好地理解傷寒論課程知識。

圖6展示了本系統APP客戶端響應用戶查詢“桂枝二麻黃一湯證”的圖片類、文本類和視頻類資源（部分）列表。該功能使學習者能夠快速獲取符合自身需求的各類學習資源，提升學習效率。

5 結 論

本文將知識圖譜與基于路徑和協同過濾的混合推薦算法相結合，提出基于傷寒論課程知識圖譜的個性化學習資源推薦算法，構建了相應的推薦模型，并對其進行了編程實現。本文所提出的推薦模型能夠有效克服用戶冷啟動、數據稀疏、推薦結果缺乏解釋性等問題，為學習者提供了更具針對性和多樣性的傷寒論課程學習資源。在下一步的研究工作中，我們將研究傷寒論課程知識的自動抽取和融合，豐富和完善現有的傷寒論課程知識圖譜；考慮更多維度的用戶特征和行為，以推薦更準確地個性化學習資源，進一步改善用戶體驗。

參考文獻：

[1] 吳謙.醫宗金鑒 [M].太原：山西科學技術出版社，2011.

[2] 李紅，石素君，趙修臣，等.基于OBE理念的引線鍵合實驗教學改革 [J].實驗室研究與探索，2020，39（7）：211-213+222.

[3] LIU D B，WEI C F，XIA S S，et al. Construction and Application of Knowledge Graph of Treatise on Febrile Diseases [J].Digital Chinese Medicine，2022，5（4）：394-405.

[4] 楊玉基，許斌，胡家威，等.一種準確而高效的領域知識圖譜構建方法 [J].軟件學報，2018，29（10）：2931-2947.

[5] SINGHAL A. Introducing the Knowledge Graph： Things， Not Strings [EB/OL].（2012-05-16）.https：//blog.google/products/search/introducing-knowledge-graph-things-not/.

[6] GAO J，WANG L，XU F. Research on the Construction of Course Knowledge Graph of High School Information Technology [C]//2020 International Conference on Artificial Intelligence and Education（ICAIE）.Tianjin：IEEE，2020：211-215.

[7] 郎亞坤，蘇超，王國中，等.基于Neo4j的C++課程知識圖譜的構建和推理 [J].智能計算機與應用，2021，11（7）：144-150+155.

[8] 張春霞，彭成，羅妹秋，等.數學課程知識圖譜構建及其推理 [J].計算機科學，2020，47（S2）：573-578.

[9] LANG Y K，WANG G Z. Personalized Knowledge Point Recommendation System Based on Course Knowledge Graph [J].Journal of Physics： Conference Series，2020，1634（1）：012073.

[10] 黃煥，元帥，何婷婷，等.面向適應性學習系統的課程知識圖譜構建研究——以“Java程序設計基礎”課程為例 [J].現代教育技術，2019，29（12）：89-95.

[11] LOPS P，JANNACH D，MUSTO C，et al. Trends in Content-based Recommendation [J].User Model User-adapt Interact，2019，29（2）：239-249.

[12] HE X N，LIAO L Z，ZHANG H W，et al. Neural Collaborative Filtering [J/OL].arXiv：1708.05031 [cs.IR].（2017-08-16）.https：//arxiv.org/abs/1708.05031v2.

[13] 常亮，張偉濤，古天龍，等.知識圖譜的推薦系統綜述 [J].智能系統學報，2019，14（2）：207-216.

[14] 秦川，祝恒書，莊福振，等.基于知識圖譜的推薦系統研究綜述 [J].中國科學：信息科學，2020，50（7）：937-956.

[15] 朱冬亮，文奕，萬子琛.基于知識圖譜的推薦系統研究綜述 [J].數據分析與知識發現，2021，5（12）：1-13.

[16] 王慶國，周春祥.傷寒論選讀：第5版 [M].北京：中國中醫藥出版社，2021.