[发明专利]一种基于图匹配网络的可对比学习对象生成方法及系统

说明书

本发明公开了一种基于图匹配网络的可对比学习对象生成方法及系统，通过解析半结构化数据获得两个学习对象间的关系和学习对象的初始属性集合，将初始属性集合中所有属性的概率值进行迭代传播，利用学习对象所对应的属性词进行相关性操作得到两个属性词的注意力权重，解决远程监督带来的噪声问题，用图神经网络来捕获学习对象属性间关联的整体和局部结构，基于图匹配网络进行学习对象的结构间对齐，将学习对象的属性重要性计算转化为在属性关联上的中心度计算问题，采用属性节点中心度来实现可对比学习对象识别方法，实现非结构化的文本进行知识点和属性抽取，提高非结构化的文本学习对象的快速识别，为学习者提供一种可对比的学习对象生成结果。

技术领域

本发明属于知识对比学习领域，具体涉及一种基于图匹配网络的可对比学习对象生成方法及系统。

背景技术

对比是一种基本的人类认知手段，贯穿于感知、分类、解释等各种认知活动中。根据美国心理学家Dedre Gentner的结构映射理论(Structure Mapping Theory)，对比能促进学习对象间的结构对齐。这里，结构对齐不仅要建立不同学习对象在属性上的一一对应关系，而且在属性之间的关系上也需要实现对齐。例如，在物理课程中“无线电波”与“声波”对象可以进行对比学习；两者在“波长λ”、“频率f”、“速度v”三个属性之间的关系上实现了结构对齐，因为都存在v＝λf函数关系。

学习对象之间的对比能够帮助学习者识别出被对比的学习对象在共同属性上的重要差异，从而促进深层次的联系性学习，并促进学习者思考导致这些异同点的原因，提高学习者学习效率。对比学习能够用于各类课程教学。例如，在“解析几何”课程中，可以将学习对象“双曲线”与“椭圆”进行对比学习；在“数据结构”课程中，可以将学习对象“堆栈”与“队列”进行对比学习。然而，这些课程中可对比学习对象的选取目前主要依赖教师与领域专家，存在人工开销大、时效性不强等局限性，很难满足在线学习环境下对比对象学习的需求。

大多数研究表明学习对象之间的对比都能取得较好的教学效果。典型研究工作如：Star等人采用工具变量法(Instrumental Variables Estimation)分析发现在代数课堂上，对比学习能降低学生的学习难度，并且强化过程性知识学习。Begolli与Richland的研究表明，在数学教学中，以并列方式呈现并对比不同的解题方案，要比顺序方式更加有效。Straaten等人将对比学习用于历史教学，其核心是以人类社会中的一些持久性问题(如难民问题)为线索，建立过去和现在之间的联系。Benjamin等人将对比学习用于地球科学中空间概念“断层”的学习，并研究了视觉相似性对学习效果的影响，实验表明视觉上相似的对比对象更有助于学习者区分断层的相关特征和无关特征。Alfieri等对前期对比学习相关文献中的57个实验进行了元分析(Meta-analysis)，发现对比目的、相关原理的表示等因素与学习效果紧密相关。郭建鹏等研究了一元一次方程类型和解法的对比学习中，多重样例变异性与先前知识之间的相互作用。目前在计算机领域还未见到关于可对比学习对象生成的研究工作，而在认知领域的研究主要依赖教师与领域专家给出可对比学习对象，这将极大的限制了对比学习的作用，无法满足在线教育中快速生成大量可对比学习对选哪个的学习需求。

CN201910025419.5-提供一种基于知识图谱的快速知识对比方法及系统，包括构建知识表示单元，将各领域词条拆分解析成知识表示单元；构建知识图谱，包括将知识表示单元保存到图数据库中形成知识图谱，领域词条之间形成多对多的图结构关系；构建需对比的领域概念，包括确定需要进行比较的领域概念，拆分解析成知识表示单元，存入知识图谱并建立不破坏原图结构的临时提及关系；抽取领域概念的多级拓扑；对比多级拓扑，计算出拓扑节点权重，然后计算出领域概念的带权相似度，得到知识对比结果，而上述方法只是在结构化的知识图谱中进行计算，获取结果，无法对非结构化的文本进行知识点和属性抽取。

发明内容

本发明的目的在于提供一种基于图匹配网络的可对比学习对象生成方法及系统，以克服现有技术的不足。

为达到上述目的，本发明采用如下技术方案：