[发明专利]一种基于跨媒体动态知识图谱的教学方法及系统

权利要求书

1.一种基于跨媒体动态知识图谱的教学方法，其特征在于，包括：

-构建跨媒体动态知识图谱；

-在知识图谱中存放实体相关信息，通过学科知识问答，返回实体相应的属性值；

-获取学生以及知识点的反馈信息，计算知识点推荐度以及学习资源推荐值评分，从而构造出知识点推荐列表与学习资源推荐列表返回给学习者；

-构建课程知识卡片：为不同类型的实体构建不同的知识卡片，通过用户查询实体并在知识图谱中进行匹配，以知识卡片的形式返回相应的实体及其属性值；

-好友推荐：向当前用户推荐与当前用户学习进度、学习情况相近的其他用户。

2.根据权利要求1所述基于跨媒体动态知识图谱的教学方法，其特征在于，构建跨媒体动态知识图谱包括：使用Python工具爬取所需课程的相关信息，相关信息包括文本、图像、视频、习题以及PPT；对爬取的数据进行清洗，并对文本数据采用BIO方法进行人工标注；抽取处理好的数据集中的实体以及实体间属性和关系，将抽取出的实体集、关系集以及图像、视频进行整合，构成跨媒体知识图谱，跨媒体知识图谱经系统人员授权后由学生和教师共同编辑，对在学习过程中发现图谱缺少的知识点进行反馈与补充，形成跨媒体动态知识图谱。

3.根据权利要求2所述基于跨媒体动态知识图谱的教学方法，其特征在于，构建学科领域专有名词词典，在分词时将其加入jieba的自定义词库，融合内置传统字典对文本进行分词；采用Word2vec作为词向量训练模型，将整理好的学科领域数据集作为该模型的训练语料对其进行训练，采用BILSTM+CRF神经网络模型进行实体抽取，并通过标注好的文本数据对神经网络模型进行训练，并将词向量表示作为BILSTM网络的输入，使用两个LSTM网络来获取词向量的上下文信息提取特征进行建模，再融合CRF中转移矩阵的计算，最终预测词作为实体的概率从而完成实体抽取；采用基于模板的方式进行属性抽取和关系抽取，属性抽取是对实体进行描述，通过属性完整的表达实体；关系抽取则是抽取实体之间存在的内在逻辑关系，将分散的实体连接起来，共同构成一个语义网络；通过将抽取出的实体集、关系集以及图像、视频整合之后分批导入Neo4j，完成知识存储，构成跨媒体知识图谱。

4.根据权利要求1所述基于跨媒体动态知识图谱的教学方法，其特征在于，学科知识问答的过程包括：在知识图谱中以“实体-属性-属性值”的三元组形式存放实体相关信息，当提出问题时，首先通过命名实体识别，抽取出问句中的实体，与知识图谱进行链接，找到相应实体，然后利用问句信息结合提前设置好的规则模板进行实体属性匹配，返回相应属性值。

5.根据权利要求4所述基于跨媒体动态知识图谱的教学方法，其特征在于，对问句进行分词及词向量训练，在分词过程中，使用jieba工具并加入提前设定的学科领域专有词典；利用BILSTM+CRF模型对自然语言问句进行实体抽取；结合已构建的知识图谱，将抽取出的实体与图谱中实体进行匹配，若知识图谱中有相匹配实体，选定该实体，若知识图谱中没有相匹配实体，则利用余弦相似度算法进行语义相似度计算，选取最接近实体；将所选实体和属性与知识图谱中的三元组进行匹配；返回相应属性值，作为该问句的答案提供给用户。

6.根据权利要求1所述基于跨媒体动态知识图谱的教学方法，其特征在于，构造出知识点推荐列表与学习资源推荐列表的过程包括：首先通过构建学习者-资源类型矩阵、学习者-知识点评分矩阵、知识点-资源类型矩阵，获取学生以及知识点的显式反馈信息与隐式反馈信息，包括学习者的学习兴趣偏好、学习情况以及知识点包含资源类型；然后利用协同过滤与神经网络相结合的方法，计算知识点推荐度以及学习资源推荐值评分，根据评分构造列表。