CN110120001A - 一种基于知识图谱库与记忆曲线结合提分的方法及*** - Google Patents
一种基于知识图谱库与记忆曲线结合提分的方法及*** Download PDFInfo
- Publication number
- CN110120001A CN110120001A CN201910381685.1A CN201910381685A CN110120001A CN 110120001 A CN110120001 A CN 110120001A CN 201910381685 A CN201910381685 A CN 201910381685A CN 110120001 A CN110120001 A CN 110120001A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- module
- user
- library
- plan
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000015654 memory Effects 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001228 spectrum Methods 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/3332—Query translation
- G06F16/3334—Selection or weighting of terms from queries, including natural language queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2053—Education institution selection, admissions, or financial aid
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Electrically Operated Instructional Devices (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及教育领域,特别涉及一种基于知识图谱库与记忆曲线结合提分的方法及***。具体包括以下步骤:建立知识体系;开始;选定计划;形成计划库;对计划库内知识信息个性化排序,并将计划库的知识信息提取形成个人知识体系;开始记忆;提供多手段辅助记忆;语音录入信息;语义分析;调整知识信息的属性;形成个人记忆特征;更新个人知识体系展示个性化学习计划。本发明快速向使用者反馈背诵结果;针对文字类学科的遗忘曲线算法,帮助使用者科学有效的进行背诵,提升背诵效果;根据知识图谱和个人知识体系建立个性化学习方案,并利用知识图谱,深层次追溯背诵知识相关节点,全面提升背诵效率。
Description
技术领域
本发明涉及教育领域,特别涉及一种基于知识图谱库与记忆曲线结合提分的方法及***。
背景技术
当前市场上有很多软件针对英语单词背诵提供了解决方案,但对文字类科目提供背诵解决方案的软件相对较少。
如图1所示,英语单词背诵的软件,通常的使用模式为:用户根据选定的词库,每天选出一定数量单词,***会以遗忘曲线为判定标准,向用户推送需学习和复习的单词。这一过程虽可以起到帮助用户记忆的作用,但仅是从点上进行片面的的记忆,无法从知识架构、认知层面、个人记忆感知等多方面的帮助使用者,也缺乏有效的录入手段,更无法帮助使用者进行个性化的学习,没有将录入信息和知识体系进行有效关联。
如图2所示,文字类科目背诵软件,通常使用模式为:利用文字、图像以及声音辅助用户进行文字类科目的背诵。用户虽在一定程度掌握了该背诵内容,但软件并没有将用户背诵的实时情况进行监控,获取反馈,也没有根据人的遗忘曲线对相关知识进行推送。
发明内容
本发明实施例提供了一种基于知识图谱库与记忆曲线结合提分的方法及***,对语音录入转换的文字信息,进行关键字智能匹配,查询知识图谱,快速向使用者反馈背诵结果;针对文字类学科的遗忘曲线算法,帮助使用者科学有效的进行背诵,提升背诵效果;根据知识图谱和个人知识体系建立个性化学习方案,并利用知识图谱,深层次追溯背诵知识相关节点,全面提升背诵效率。
根据本发明实施例的第一方面,本发明一种基于知识图谱库与记忆曲线结合提分的方法,具体包括以下步骤:
步骤一、建立知识体系;
步骤二、开始,使用者开始使用;
步骤三、使用者从知识体系中选取需要学习的知识信息;
步骤四、将使用者选取的知识信息,构建计划库;
步骤五、使用者对计划库内知识信息个性化排序,并将计划库的知识信息提取形成个人知识体系;
步骤六、开始记忆,并更新计划库知识信息的属性,属性包括掌握度数据;
步骤七、提供多手段辅助记忆;
步骤八、语音录入信息,将背诵的语音录入,并将录入的语音解析为文字;
步骤九、语义分析,获取知识点的掌握度数据;
步骤十、调整知识信息的属性,更新计划库知识信息的属性;
步骤十一、形成个人记忆特征,针对知识信息的属性拟合计算出其个性化记忆特征参数,与遗忘特征算法结合,形成个人记忆特征;
步骤十二、更新个人知识体系,结合计划库的知识信息的属性将个人知识体系的所有知识信息的属性进行更新,并将更新好的用户知识属性来更新计划库的知识信息属性;
步骤十三、展示个性化学习计划,根据知识信息属性对计划库进行比对查找,发现薄弱环节,并根据步骤十一的个人记忆特征,输出符合需求的个性化学习计划。
所述知识信息的属性还包括学习次数、遗忘度。
所述步骤九中,语义分析具体为:
将读取的计划库中的参***进行分句处理;然后对分句后语句按照其中词语的含义进行切分,并为其中分词结果中的每个单词标注一个正确的词性;得到参***各字句的各语义块;抽取出参***的关键词;对参***再词向量提取,生成参***词向量数据;
将使用者答案进行分句处理,然后对分句后语句按照其中词语的含义进行切分,并为其中分词结果中的每个单词标注一个正确的词性,得到使用者答案各字句的各语义块;然后抽取出使用者答案的关键词作为得分点;对使用者答案的关键词进行词向量提取,生成使用者词向量数据;
提取参***和使用者答案中每个题的词向量;将两个答案中的词向量进行对比,得到知识点的掌握度数据。
所述步骤五中,知识信息个性化排序包括智能排序、遗忘排序、重点排序以及手动调整学习顺序。
所述步骤七中的多手段辅助记忆,具体包括在记忆过程中,提供以下记忆方式,针对单个知识信息的原文,提示单个知识信息的关键字;根据记忆方式,根据不同记忆方式下的学习次数、掌握度的百分比、上次记忆的时间,对比后向用户提供最优的记忆方式。
所述步骤十中,根据个人记忆特征和遗忘算法计算知识点的掌握度,使知识信息的掌握度随时间衰减。
所述步骤六中,根据计划库的知识图谱,将每个正在记忆的知识信息的相关知识通过学习模块展示。
一种基于知识图谱库与记忆曲线结合提分的***,该***包括个人端包括设置模块、计划模块、学习模块、学情展示模块;服务端包括学习计划模块、个人知识体系模块;公共端包括知识体系模块、遗忘算法模块;
其中,设置模块用以用户设置选取信息,并将选取的信息从服务端的个人知识体系模块传递给服务端的学习计划模块,形成计划库;
计划模块为使用者提供排序选择,对服务端的学习计划模块计划库内知识信息排序;
学习模块为使用者提供学习界面,且提供多手段辅助记忆,并接收服务端的学习计划模块计划库知识点;
学情展示模块展示真正符合使用者需求的个性化学习方案,具体为根据用户学习单个知识点掌握度确认使用者的知识体系,且根据构建的计划库进行比对查找,发现使用者薄弱环节,并根据个性化遗忘特征,输出符合使用者需求的个性化学习方案;
学习计划模块用以存放计划库,且接收个人端计划模块对计划库内知识信息排序;且可以根据计划库的知识图谱,将每个正在记忆的知识信息的相关知识通过个人端的学习模块展示给使用者,方便使用者成体系的进行学习;更新相关掌握度、遗忘度、学习次数;学习计划模块将计划库的相关掌握度、遗忘度、学习次数数据传递给服务端的个人知识体系模块,用以信息的更新;
个人知识体系模块将调动公共端的知识体系模块,并将结果通过个人端学习模块呈现给使用者,并存放服务端学习计划模块中计划库的知识点;
知识体系模块用以存放知识体系,并将知识体系传递给服务端的个人知识体系模块;
遗忘算法模块以时间为变量,按照遗忘函数,提供对应的遗忘程度值,给服务端的个人知识体系模块提供遗忘度。
所述服务端还包括语音识别模块,语音识别模块接收个人端学习模块的语音录入,并将录入的语音解析为文字,将语义分析,得到知识点的掌握度数据,并将掌握度数据传递给计划库。
所述服务端还包括个性化推荐模块,个性化推荐模块用以保存在针对知识点的学习次数、掌握百分比、遗忘度拟合计算出的个性化记忆特征,并与公共端的遗忘算法模块结合提供新的遗忘算法,用以更新个人知识体系模块的遗忘度。
本发明实施例提供的技术方案可以包括以下有益效果:
1)语音高效录入检验成果:采用语音识别,语音录入的方法,快速收集使用者针对某个信息的记忆情况,并且***自动判断其记忆结果,实时给与真实反馈。
2)多手段辅助背诵,提升效率:该方法和***,提供题干、关键字、原文等多种记忆模式,采用多种辅助记忆手段对记忆合理引导提示,帮助使用者快速记忆。
3)个性化遗忘特征算法:对每个独立知识信息,根据用户每次记忆情况,以及其个人遗忘特征,进行掌握度计算,并结合知识体系,对用户进行个性化推荐。使用户优先记忆符合自己需求的内容,达到快速提分效果。
4)个性化知识体系:利用文字智能拆分标注,确定知识体系内各信息的实体、属性、重要度等属性,建立整体知识体系。随着用户的使用,记录用户使用数据,可逐渐形成个性化知识体系,即用户针对整体知识体系中内容的掌握情况,从而进行个性化定制。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1为现有英语类记忆应用流程图;
图2为现有文字类学科记忆应用流程图;
图3为本发明的一种基于知识图谱库与记忆曲线结合提分的方法流程图;
图4为知识体系结构的可视化的形式展示图;
图5为语音识别流程图;
图6为本发明的一种基于知识图谱库与记忆曲线结合提分的***的示意图;
图7为本发明的实施例一的一种基于知识图谱库与记忆曲线结合提分的***的框架图;
图8为本发明的实施例二的一种基于知识图谱库与记忆曲线结合提分的***的框架图;
图9为本发明的实施例三的一种基于知识图谱库与记忆曲线结合提分的***的框架图;
图10为本发明的实施例四的一种基于知识图谱库与记忆曲线结合提分的***的框架图。
具体实施方式
如图3所示,本发明提供了一种基于知识图谱库与记忆曲线结合提分的方法,具体包括以下步骤:
步骤一、在公共端建立知识体系,形成知识体系模块,采用多种数据库类型进行知识信息数据录入和建立,譬如图数据库(Neo4j)等;并进行人工专家校验,从而使得知识体系内的知识具有准确性,时效性,相关性等多种属性;优选的,根据用户目标在所选图数据库(Neo4j)中创建所有知识节点,每个知识节点存储所有关系性属性,具体包括节点名称、节点重要程度、学习次数、掌握度百分比、遗忘度等,以此来形成个性化的知识体系结构;
步骤二、开始,用户开始使用该方法和***;
步骤三、选定计划,在开始使用时,服务端个人知识体系模块调动公共端的知识体系模块,并将结果以可视化的形式通过个人端学习模块呈现给使用者,使用者从其中选取需要学习的知识信息。如图4所示,以历史学科为例子,可视化的展示如下目标知识体系;
步骤四、形成计划库,将计划库存放于服务端的学习计划模块。图数据库 (Neo4j)根据使用者通过设置模块选取的信息,利用查询语言Cypher在服务端的学习计划模块创建自定义的计划库;
步骤五、对服务端的学习计划模块的计划库内知识信息个性化排序,并将计划库的知识信息提取形成个人知识体系,使用者通过个人端的计划模块对服务端的学习计划模块计划库内知识信息排序,优选的,排序包括智能排序、遗忘排序、重点排序以及手动调整学习顺序;其中智能排序算法采用遗忘度的50%合并每个知识点权重的50%;遗忘排序算法参考艾宾浩斯曲线中的实验值,选取6天的记忆约为25.4%的这个值,按照每秒钟阅读7个字的数值代入到牛顿冷却公式中来得到遗忘的***;重点排序算法根据使用者创建计划库中每个知识节点的权重大小进行排序;手动调整学习顺序根据前端对事件的触发,后台记录使用者对知识点调整的顺序。所以使用者可以根据自身实际需求,进行个性化排序,优先记忆符合自己需要的内容,从而进行个性化的学习;将计划库的知识点存放于个人知识体系模块;优选的,个人知识体系模块中每一个知识信息都具备多个属性,包含单个知识点的重要度,学习次数、掌握的百分之比、上次记忆的时间等属性。使用者初次创建计划库时,学习次数及掌握度百分比为0,上次记忆的时间为未使用的状态
步骤六、开始记忆,在选定好记忆顺序后,个人端的计划模块更新服务端的学习计划模块关于计划库知识点的属性,具体为学习次数、掌握度百分比、遗忘度等,并按照使用者选择的排序将计划库知识点依次传递到个人端学习模块。使用者可成体系来进行学习;优选的,***学习计划模块可以根据计划库的知识图谱,将每个正在记忆的知识信息的相关知识通过学习模块展示给使用者,方便使用者成体系的进行学习;
步骤七、个人端学习模块提供多手段辅助记忆;一方面,在记忆过程中,提供多种记忆方式,例如显示针对单个知识信息的原文---以读代背,或提示单个知识信息的关键字---方便联想记忆等等,使用者可自由的切换多种记忆模式,快速记忆;另一方面,参考这几种记忆方式,根据收集的学习次数、掌握的百分之比、上次记忆的时间等用户数据,向用户提供一些适合其的记忆方式;
步骤八、语音高效录入信息、***自动快速检测,大多数***均缺乏有效的录入手段,而该***提供了语音识别,语音录入的解决办法,帮助使用者快速将信息精准的录入到***中,从而使***能够准确判断使用者的情况具体操作为学习模块将用户背诵的语音录入,并传递给***服务端的语音识别模块,并将录入的语音解析为文字;
步骤九、语义分析,获取结果,如图5所示,录入的文字,***服务端的语音识别模块将读取的计划库中的参***进行分句处理,通常用句号、感叹号、问号等作为子句的分隔符合;其中主要以它们为标志进行答案语句的分句处理。然后对分句后语句按照其中词语的含义进行切分,并为其中分词结果中的每个单词标注一个正确的词性。比如:每个词是名词、动词、形容词或其他词性的过程。经过分句、分词,得到参***各字句的各语义块。然后运用关键字提取算法抽取出参***的关键词。对参***再利用神经网络进行词向量提取,将分词后参***的关键字做成语料库,加载到word2vec中,并使用 CBOW模型生成参***词向量数据;同样的,将使用者答案进行分句处理,通常用句号、感叹号、问号等作为子句的分隔符合。其中主要以它们为标志进行答案语句的分句处理。然后对分句后语句按照其中词语的含义进行切分,并为其中分词结果中的每个单词标注一个正确的词性。比如:每个词是名词、动词、形容词或其他词性的过程。经过分句、分词,得到使用者答案各字句的各语义块。然后运用关键字提取算法抽取出使用者答案的关键词作为得分点。对使用者答案再利用神经网络进行词向量提取,将分词后使用者答案的关键字做成语料库,加载到word2vec中,并使用CBOW模型生成使用者词向量数据。提取参***和使用者答案中每个题的词向量。将两个答案中的词向量进行对比,计算出两个词向量的向量空间相似度,通过向量空间的相似度来标识词语义上的相似度,最后来进行评分处理,得到知识点的掌握度数据;
步骤十、调整知识信息的属性,***中图数据库(Neo4j)会根据用户对某个知识信息的记忆结果调整该使用者服务端学习计划模块的关于计划库的知识点的掌握度、遗忘度、学习次数。优选的,***会根据个人记忆特征和公共端的个性化遗忘算法模块计算知识点的掌握度,使知识信息的掌握度按照科学的方式随时间衰减,以提醒使用者在合适的时间再次进行记忆;
步骤十一、形成个人记忆特征,在最初使用***时,使用者的记忆特征将按照普遍的人类遗忘规律进行计算,随着其循环使用,在针对个人知识体系模块中的知识点的学习次数、掌握度百分比、遗忘度拟合计算出其个性化记忆参数,并将其保存于服务端的个性化推荐模块,通过个性化推荐模块的个性化记忆特征和公共端的个性化遗忘特征算法模块结合,形成个人记忆特征;从而更有效的帮助使用者进行记忆;
步骤十二、更新个人知识体系,同时随深入使用,使用图数据库Neo4j提供的查询语言Cypher利用计划库和个人知识体系模块,将对应的服务端的个人知识体系模块中的所有知识信息进行深度优先遍历,遍历的结果关联用户节点,并更新用户所有知识属性,包括学习次数、掌握度百分比、遗忘度,从而形成较完整的个人知识体系,并将更新好的用户知识属性来更新计划库的知识信息属性。
步骤十三、将个性化学习计划展示于个人端的学情展示模块,根据用户学习单个知识点掌握度确认使用者的知识体系,且可以根据构建的计划库进行精准比对查找,发现使用者薄弱环节,并根据使用者的使用习惯以及个性化遗忘特征,输出真正符合使用者需求的个性化学习方案,展示于个人端的学情展示模块。
实施例一
如图7所示,本发明一种基于知识图谱库与记忆曲线结合提分的***,具体包括个人端、服务端和公共端,其中,个人端包括设置模块、计划模块、学习模块、学情展示模块;服务端包括学习计划模块、个人知识体系模块;公共端包括知识体系模块、遗忘算法模块;
其中,个人端设置模块用以用户设置选取信息,并将选取的信息从服务端的个人知识体系模块传递给服务端的学习计划模块,形成计划库;
个人端的计划模块为使用者提供排序选择,即对服务端的学习计划模块计划库内知识信息排序,排序包括智能排序、遗忘排序、重点排序以及手动调整学习顺序,包括使用者创建的计划列表,使用者的整体掌握度以及掌握的总数量;
个人端学习模块为使用者提供学习界面,且提供多手段辅助记忆,并接收服务端的学习计划模块计划库知识点;包括“开始背诵”功能;
个人端学情展示模块展示真正符合使用者需求的个性化学习方案,具体为根据用户学习单个知识点掌握度确认使用者的知识体系,且可以根据构建的计划库进行精准比对查找,发现使用者薄弱环节,并根据使用者的使用习惯以及个性化遗忘特征,输出真正符合使用者需求的个性化学习方案;
服务端学习计划模块用以存放计划库,且接收个人端计划模块对计划库内知识信息排序;且可以根据计划库的知识图谱,将每个正在记忆的知识信息的相关知识通过个人端的学习模块展示给使用者,方便使用者成体系的进行学习;更新相关掌握度、遗忘度、学习次数;学习计划模块将计划库的相关掌握度、遗忘度、学习次数数据传递给服务端的个人知识体系模块,用以信息的更新;
服务端的个人知识体系模块将调动公共端的知识体系模块,并将结果以可视化的形式通过个人端学习模块呈现给使用者,并存放服务端学习计划模块中计划库的知识点;
公共端的知识体系模块用以存放知识体系,并将知识体系传递给服务端的个人知识体系模块;知识体系模块提供某一项内容的局部知识图谱;提供知识图谱的增加、删除、修改和更新功能;提供知识图谱的高速查询功能;提供相关知识图谱的统计功能;
公共端的遗忘算法模块以时间为变量,按照遗忘函数,提供对应的遗忘程度值,给服务端的个人知识体系模块提供遗忘度。
其中,如图6所示,个人端可以提供Brower(B)端和Client(C)端,为用户提供个性化背诵。使用者可以选择计划进行语音背诵,背诵的结果录入到个人端学习模块,并可以得到实时反馈,反馈的结果可以调整使用者背诵的内容及背诵计划;服务端可为Brower(B)端或Client(C)端提供学习计划、个人性知识体系等操作。公共端由图数据库、遗忘算法组成。图数据库为服务端学习计划、个人知识体系提供数据,根据遗忘算法可进行个性化推荐操作。
客户端与服务端接入协议包含以下三个部分:基本部分:包括软件版本、基础设置、终端信息、个性化设置等;学习部分:包括学习进度、学习情况等;配置部分:包括加密算法策略、程序升级策略、账号级别策略、报错信息收集、基础使用信息等。
优选的,服务端与公共端接入协议流程设计部分如下:主要采用https协议,遵循restful接口的协议,UTF-8编码格式,JSON数据格式。
实施例二
如图8所示,本实施例与实施一的区别在于,本实施例的服务端还包括语音识别模块,语音识别模块接收个人端学习模块的语音录入,并将录入的语音解析为文字,将语义分析,得到知识点的掌握度数据,并将掌握度数据传递给计划库。
实施例三
如图9所示,本实施例与实施一的区别在于,本实施例的服务端还包括个性化推荐模块,个性化推荐模块用以保存在针对知识点的学习次数、掌握百分比、遗忘度拟合计算出的个性化记忆特征,并与公共端的遗忘算法模块结合提供新的遗忘算法,用以更新个人知识体系模块的遗忘度。
实施例四
如图10所示,本实施例实施一的区别在于,
本实施例的服务端还包括语音识别模块,语音识别模块接收个人端学习模块的语音录入,并将录入的语音解析为文字,将语义分析,得到知识点的掌握度数据,并将掌握度数据传递给计划库。
服务端还包括个性化推荐模块,个性化推荐模块用以保存在针对知识点的学习次数、掌握百分比、遗忘度拟合计算出的个性化记忆特征,并与公共端的遗忘算法模块结合提供新的遗忘算法,用以更新个人知识体系模块的遗忘度。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于知识图谱库与记忆曲线结合提分的方法,其特征在于,具体包括以下步骤:
步骤一、建立知识体系;
步骤二、使用者开始使用;
步骤三、使用者从知识体系中选取需要学习的知识信息;
步骤四、将使用者选取的知识信息,构建计划库;
步骤五、使用者对计划库内知识信息个性化排序,并将计划库的知识信息提取形成个人知识体系;
步骤六、开始记忆,并更新计划库知识信息的属性,属性包括掌握度数据;
步骤七、提供多手段辅助记忆;
步骤八、语音录入信息,将背诵的语音录入,并将录入的语音解析为文字;
步骤九、语义分析,获取知识点的掌握度数据;
步骤十、调整知识信息的属性,更新计划库知识信息的属性;
步骤十一、形成个人记忆特征,针对知识信息的属性拟合计算出其个性化记忆特征参数,与遗忘特征算法结合,形成个人记忆特征;
步骤十二、更新个人知识体系,结合计划库的知识信息的属性将个人知识体系的所有知识信息的属性进行更新,并将更新好的用户知识属性来更新计划库的知识信息属性;
步骤十三、展示个性化学习计划,根据知识信息属性对计划库进行比对查找,发现薄弱环节,并根据步骤十一的个人记忆特征,输出符合需求的个性化学习计划。
2.如权利要求1所述的一种基于知识图谱库与记忆曲线结合提分的方法,其特征在于,所述知识信息的属性还包括学习次数、遗忘度。
3.如权利要求2所述的一种基于知识图谱库与记忆曲线结合提分的方法,其特征在于,所述步骤九中,语义分析具体为:
将读取的计划库中的参***进行分句处理;然后对分句后语句按照其中词语的含义进行切分,并为其中分词结果中的每个单词标注一个正确的词性;得到参***各字句的各语义块;抽取出参***的关键词;对参***再词向量提取,生成参***词向量数据;
将使用者答案进行分句处理,然后对分句后语句按照其中词语的含义进行切分,并为其中分词结果中的每个单词标注一个正确的词性,得到使用者答案各字句的各语义块;然后抽取出使用者答案的关键词作为得分点;对使用者答案的关键词进行词向量提取,生成使用者词向量数据;
提取参***和使用者答案中每个题的词向量;将两个答案中的词向量进行对比,得到知识点的掌握度数据。
4.如权利要求3所述的一种基于知识图谱库与记忆曲线结合提分的方法,其特征在于,所述步骤五中,知识信息个性化排序包括智能排序、遗忘排序、重点排序以及手动调整学习顺序。
5.如权利要求4所述的一种基于知识图谱库与记忆曲线结合提分的方法,其特征在于,所述步骤七中的多手段辅助记忆,具体包括在记忆过程中,提供以下记忆方式,针对单个知识信息的原文,提示单个知识信息的关键字;根据记忆方式,根据不同记忆方式下的学习次数、掌握度的百分比、上次记忆的时间,对比后向用户提供最优的记忆方式。
6.如权利要求5所述的一种基于知识图谱库与记忆曲线结合提分的方法,其特征在于,所述步骤十中,根据个人记忆特征和遗忘算法计算知识点的掌握度,使知识信息的掌握度随时间衰减。
7.如权利要求6所述的一种基于知识图谱库与记忆曲线结合提分的方法,其特征在于,所述步骤六中,根据计划库的知识图谱,将每个正在记忆的知识信息的相关知识通过学习模块展示。
8.一种基于知识图谱库与记忆曲线结合提分的***,其特征在于,该***包括个人端包括设置模块、计划模块、学习模块、学情展示模块;服务端包括学习计划模块、个人知识体系模块;公共端包括知识体系模块、遗忘算法模块;
其中,设置模块用以用户设置选取信息,并将选取的信息从服务端的个人知识体系模块传递给服务端的学习计划模块,形成计划库;
计划模块为使用者提供排序选择,对服务端的学习计划模块计划库内知识信息排序,包括使用者创建的计划列表,使用者的整体掌握度以及掌握的总数量;
学习模块为使用者提供学习界面,且提供多手段辅助记忆,并接收服务端的学习计划模块计划库知识点,包括“开始背诵”功能;
学情展示模块展示真正符合使用者需求的个性化学习方案,具体为根据用户学习单个知识点掌握度确认使用者的知识体系,且根据构建的计划库进行比对查找,发现使用者薄弱环节,并根据个性化遗忘特征,输出符合使用者需求的个性化学习方案;
学习计划模块用以存放计划库,且接收个人端计划模块对计划库内知识信息排序;且可以根据计划库的知识图谱,将每个正在记忆的知识信息的相关知识通过个人端的学习模块展示给使用者,方便使用者成体系的进行学习;更新相关掌握度、遗忘度、学习次数;学习计划模块将计划库的相关掌握度、遗忘度、学习次数数据传递给服务端的个人知识体系模块,用以信息的更新;
个人知识体系模块将调动公共端的知识体系模块,并将结果通过个人端学习模块呈现给使用者,并存放服务端学习计划模块中计划库的知识点;
知识体系模块用以存放知识体系,并将知识体系传递给服务端的个人知识体系模块;
遗忘算法模块以时间为变量,按照遗忘函数,提供对应的遗忘程度值,给服务端的个人知识体系模块提供遗忘度。
9.如权利要求8所述的一种基于知识图谱库与记忆曲线结合提分的***,其特征在于,所述服务端还包括语音识别模块,语音识别模块接收个人端学习模块的语音录入,并将录入的语音解析为文字,将语义分析,得到知识点的掌握度数据,并将掌握度数据传递给计划库。
10.如权利要求8或9所述的一种基于知识图谱库与记忆曲线结合提分的***,其特征在于,所述服务端还包括个性化推荐模块,个性化推荐模块用以保存在针对知识点的学习次数、掌握百分比、遗忘度拟合计算出的个性化记忆特征,并与公共端的遗忘算法模块结合提供新的遗忘算法,用以更新个人知识体系模块的遗忘度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910381685.1A CN110120001B (zh) | 2019-05-08 | 2019-05-08 | 一种基于知识图谱库与记忆曲线结合提分的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910381685.1A CN110120001B (zh) | 2019-05-08 | 2019-05-08 | 一种基于知识图谱库与记忆曲线结合提分的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110120001A true CN110120001A (zh) | 2019-08-13 |
CN110120001B CN110120001B (zh) | 2021-07-20 |
Family
ID=67521940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910381685.1A Active CN110120001B (zh) | 2019-05-08 | 2019-05-08 | 一种基于知识图谱库与记忆曲线结合提分的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110120001B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110795555A (zh) * | 2019-10-31 | 2020-02-14 | 北京明略软件***有限公司 | 知识图谱数据展示方法及相关装置 |
CN111861817A (zh) * | 2020-06-19 | 2020-10-30 | 北京国音红杉树教育科技有限公司 | 一种字母语言听写学习的记忆强度计算方法及*** |
CN111858876A (zh) * | 2020-05-14 | 2020-10-30 | 北京捷通华声科技股份有限公司 | 一种知识库的生成方法、文本查找方法和装置 |
CN112015991A (zh) * | 2020-08-31 | 2020-12-01 | 上海松鼠课堂人工智能科技有限公司 | 学生学习提醒方法 |
CN112115274A (zh) * | 2020-09-16 | 2020-12-22 | 上海松鼠课堂人工智能科技有限公司 | 考虑时间影响的知识图谱生成***及区块链排名*** |
CN112381229A (zh) * | 2020-11-03 | 2021-02-19 | 中国直升机设计研究所 | 一种基于三维数模的知识集成架构及方法 |
CN112380335A (zh) * | 2020-11-24 | 2021-02-19 | 中教云智数字科技有限公司 | 一种数字教育资源推荐*** |
CN118098515A (zh) * | 2024-04-25 | 2024-05-28 | 徐州医科大学 | 一种基于退火算法的记忆增强方法及课程学习*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346976A (zh) * | 2011-03-03 | 2012-02-08 | 郭华 | 基于知识结构及效果反馈的电子设备辅助学习方法 |
CN103413478A (zh) * | 2013-07-09 | 2013-11-27 | 复旦大学 | 记忆单词智能学习方法与*** |
CN105512349A (zh) * | 2016-02-23 | 2016-04-20 | 首都师范大学 | 一种用于学习者自适应学习的问答方法及装置 |
CN106384319A (zh) * | 2016-09-20 | 2017-02-08 | 四川教云网络科技有限公司 | 一种基于遗忘曲线的教学资源个性化推荐方法 |
CN106503172A (zh) * | 2016-10-25 | 2017-03-15 | 天闻数媒科技(湖南)有限公司 | 基于知识图谱推荐学习路径的方法和装置 |
CN106599179A (zh) * | 2016-12-13 | 2017-04-26 | 竹间智能科技(上海)有限公司 | 融合知识图谱和记忆图谱的人机对话控制方法及装置 |
CN107480270A (zh) * | 2017-08-18 | 2017-12-15 | 北京点易通科技有限公司 | 一种基于用户反馈数据流的实时个性化推荐方法及*** |
CN107526799A (zh) * | 2017-08-18 | 2017-12-29 | 武汉红茶数据技术有限公司 | 一种基于深度学习的知识图谱构建方法 |
CN107943998A (zh) * | 2017-12-05 | 2018-04-20 | 竹间智能科技(上海)有限公司 | 一种基于知识图谱的人机对话控制***及方法 |
CN109189943A (zh) * | 2018-09-19 | 2019-01-11 | 中国电子科技集团公司信息科学研究院 | 一种能力知识抽取及能力知识图谱构建的方法 |
CN109271506A (zh) * | 2018-11-29 | 2019-01-25 | 武汉大学 | 一种基于深度学习的电力通信领域知识图谱问答***的构建方法 |
CN109378053A (zh) * | 2018-11-30 | 2019-02-22 | 安徽影联云享医疗科技有限公司 | 一种用于医学影像的知识图谱构建方法 |
-
2019
- 2019-05-08 CN CN201910381685.1A patent/CN110120001B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346976A (zh) * | 2011-03-03 | 2012-02-08 | 郭华 | 基于知识结构及效果反馈的电子设备辅助学习方法 |
CN103413478A (zh) * | 2013-07-09 | 2013-11-27 | 复旦大学 | 记忆单词智能学习方法与*** |
CN105512349A (zh) * | 2016-02-23 | 2016-04-20 | 首都师范大学 | 一种用于学习者自适应学习的问答方法及装置 |
CN106384319A (zh) * | 2016-09-20 | 2017-02-08 | 四川教云网络科技有限公司 | 一种基于遗忘曲线的教学资源个性化推荐方法 |
CN106503172A (zh) * | 2016-10-25 | 2017-03-15 | 天闻数媒科技(湖南)有限公司 | 基于知识图谱推荐学习路径的方法和装置 |
CN106599179A (zh) * | 2016-12-13 | 2017-04-26 | 竹间智能科技(上海)有限公司 | 融合知识图谱和记忆图谱的人机对话控制方法及装置 |
CN107480270A (zh) * | 2017-08-18 | 2017-12-15 | 北京点易通科技有限公司 | 一种基于用户反馈数据流的实时个性化推荐方法及*** |
CN107526799A (zh) * | 2017-08-18 | 2017-12-29 | 武汉红茶数据技术有限公司 | 一种基于深度学习的知识图谱构建方法 |
CN107943998A (zh) * | 2017-12-05 | 2018-04-20 | 竹间智能科技(上海)有限公司 | 一种基于知识图谱的人机对话控制***及方法 |
CN109189943A (zh) * | 2018-09-19 | 2019-01-11 | 中国电子科技集团公司信息科学研究院 | 一种能力知识抽取及能力知识图谱构建的方法 |
CN109271506A (zh) * | 2018-11-29 | 2019-01-25 | 武汉大学 | 一种基于深度学习的电力通信领域知识图谱问答***的构建方法 |
CN109378053A (zh) * | 2018-11-30 | 2019-02-22 | 安徽影联云享医疗科技有限公司 | 一种用于医学影像的知识图谱构建方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110795555A (zh) * | 2019-10-31 | 2020-02-14 | 北京明略软件***有限公司 | 知识图谱数据展示方法及相关装置 |
CN111858876A (zh) * | 2020-05-14 | 2020-10-30 | 北京捷通华声科技股份有限公司 | 一种知识库的生成方法、文本查找方法和装置 |
CN111858876B (zh) * | 2020-05-14 | 2024-05-10 | 北京捷通华声科技股份有限公司 | 一种知识库的生成方法、文本查找方法和装置 |
CN111861817A (zh) * | 2020-06-19 | 2020-10-30 | 北京国音红杉树教育科技有限公司 | 一种字母语言听写学习的记忆强度计算方法及*** |
CN111861817B (zh) * | 2020-06-19 | 2023-12-22 | 北京国音红杉树教育科技有限公司 | 一种字母语言听写学习的记忆强度计算方法及*** |
CN112015991A (zh) * | 2020-08-31 | 2020-12-01 | 上海松鼠课堂人工智能科技有限公司 | 学生学习提醒方法 |
CN112115274A (zh) * | 2020-09-16 | 2020-12-22 | 上海松鼠课堂人工智能科技有限公司 | 考虑时间影响的知识图谱生成***及区块链排名*** |
CN112381229A (zh) * | 2020-11-03 | 2021-02-19 | 中国直升机设计研究所 | 一种基于三维数模的知识集成架构及方法 |
CN112381229B (zh) * | 2020-11-03 | 2024-01-02 | 中国直升机设计研究所 | 一种基于三维数模的知识集成***及方法 |
CN112380335A (zh) * | 2020-11-24 | 2021-02-19 | 中教云智数字科技有限公司 | 一种数字教育资源推荐*** |
CN118098515A (zh) * | 2024-04-25 | 2024-05-28 | 徐州医科大学 | 一种基于退火算法的记忆增强方法及课程学习*** |
Also Published As
Publication number | Publication date |
---|---|
CN110120001B (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110120001A (zh) | 一种基于知识图谱库与记忆曲线结合提分的方法及*** | |
WO2021139283A1 (zh) | 基于深度学习技术的知识图谱问答方法、装置及设备 | |
CN105512349B (zh) | 一种用于学习者自适应学习的问答方法及装置 | |
CN105808590B (zh) | 搜索引擎实现方法、搜索方法以及装置 | |
CN109213864A (zh) | 基于深度学习的刑事案件预判***及其构建和预判方法 | |
CN111026842A (zh) | 自然语言处理方法、自然语言处理装置及智能问答*** | |
CN111785368A (zh) | 基于医疗知识图谱的分诊方法、装置、设备及存储介质 | |
CN108351986A (zh) | 学习***、学习装置、学习方法、学习程序、训练数据生成装置、训练数据生成方法、训练数据生成程序、终端装置以及阈值变更装置 | |
CN108874783A (zh) | 电力信息运维知识模型构建方法 | |
CN112148890B (zh) | 基于网络群体智能的教学知识点图谱*** | |
EP2504779A2 (en) | Automated generation of ontologies | |
CN109002431A (zh) | 法律意见书生成***及生产方法 | |
CN106991161A (zh) | 一种自动生成开放式问题答案的方法 | |
CN113569023A (zh) | 一种基于知识图谱的中文医药问答***及方法 | |
CN111400453B (zh) | 一种基于法律咨询的智能交互***及方法 | |
CN111858940A (zh) | 一种基于多头注意力的法律案例相似度计算方法及*** | |
CN111370102A (zh) | 科室导诊方法、装置以及设备 | |
KR20200046523A (ko) | 인공지능 기반의 자동 로고생성 시스템 및 이를 이용한 로고생성 서비스 방법 | |
CN113871020B (zh) | 一种基于ai机器学习的急危重症诊后健康管理方法及*** | |
CN113706251A (zh) | 基于模型的商品推荐方法、装置、计算机设备和存储介质 | |
CN108647229B (zh) | 基于人工智能的虚拟人模型构建方法 | |
CN112926325A (zh) | 基于bert神经网络的中文人物关系抽取构建方法 | |
KR20190046062A (ko) | 대화 시스템을 위한 대화 시나리오 데이터베이스 구축 방법 및 장치 | |
KR102117287B1 (ko) | 대화 시스템을 위한 대화 시나리오 데이터베이스 구축 방법 및 장치 | |
CN111400525B (zh) | 基于视觉组合关系学习的时尚服装智能搭配与推荐方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |