CN111428051A - 一种融合多元智能的自适应学习知识图谱构建方法及*** - Google Patents

Abstract

本发明涉及知识图谱构建技术领域，公开了一种融合多元智能的自适应学习知识图谱构建方法及***，其方法包括步骤：S1：提取领域知识元素实体；S2：设定所述领域知识模型的元素的属性，并且将多元智能理论中用于描述学习者学习能力的属性集成到所述领域知识模型中知识点的属性上；S3：构建所述领域知识模型的元素之间的关系；S4：针对所述网状的知识图谱进行动态的更新。解决了现有技术中领域知识中的知识结点属性提取只关注知识点学科属性，忽略了学习者特征与其所学知识对象的属性之间的内在联系，造成在基于知识点特征与学习者特征进行知识点达成度计算时，缺乏准确依据，从而降低了自适应学习路径推荐的准确率技术问题。

Description

一种融合多元智能的自适应学习知识图谱构建方法及***

技术领域

本发明涉及自适应学习***中的知识图谱构建技术领域，更具体地说， 它涉及一种融合多元智能的自适应学习知识图谱构建方法及***。

背景技术

自适应学习旨在为不同学习者提供适应性的学习内容和学习路径，达到 个性化学习的目的。美国匹兹堡大学信息科学家Peter Brusilovsky于1996 年首次提出自适应学习概念，并提出了一个自适应学习***的通用模型，该 模型主要包括领域知识模型，学习者模型，教学模型，自适应引擎和接口模 型。

其中，领域知识模型用于描述学科领域的知识结构，包括知识点、知识 点属性以及知识点之间的联系，具有知识表达的作用，是自适应学习***进 行内容推荐的重要依据。知识图谱可直观表达实体之间的联系，是多学科融 合的知识结构图，是实体与实体之间关系以及实体属性的集合，采用知识图 谱技术存储和管理自适应学习***中的知识，可实现较快速地将不同知识融 入到知识体系中，并与其他知识进行关联，将不同学科、不同学段、不同知 识点以及所有的学习资源链接在一起，形成跨越学科的知识图，知识图谱的应用能有效解决知识模型***性不强的问题。因此，最新的自适应学习技术 中领域知识模型主要是通过知识图谱的构建来完成知识实体、实体关系和知 识属性的知识表达。

目前基于知识图谱的自适应学习***中，领域知识中的知识结点属性提 取只关注知识点学科属性，无法与学习者特征形成映射，忽略了学习者特征 与知识属性之间的内在联系，造成在基于知识点特征与学习者特征进行知识 点达成度计算时，缺乏准确依据，从而降低了自适应学习学习路径推荐的准 确率。

发明内容

针对上述问题，本发明的目的在于提供一种融合多元智能理论的知识图 谱构建的方法及***，将多元智能理论中用来描述学习者学习能力的八种属 性加入领域模型知识图谱的实体属性集，利用集成学习技术为知识点赋予针 对学习者观察能力、抽象能力、归纳能力、记忆能力、分析能力、计算能力、 想象能力及逻辑能力的一维属性向量P＝(p₁,p₂,…,p₈)，用以表示该知识点 学习所需具备的学习能力及对各维度学习能力的要求程度，为知识点赋予与 学习者学习能力一一对应的量化属性，依此可通过匹配知识点属性与学习者 属性得到学习者对该知识点学习的擅长程度，从而在后续计算知识点达成度 时有更准确的量化证据，可计算得到更准确的达成度预测值，继而在根据知 识点达成度进行自适应学习路径推荐时准确率更高，可显著提高自适应学习 ***的有效性。

本发明的上述发明目的是通过以下技术方案得以实现的：

一种融合多元智能的自适应学习知识图谱构建方法，包括以下步骤：

S1：提取领域知识元素实体，构建领域知识模型，其中，所述领域知识 元素实体包括学科，课程，学习对象在内的元素实体；

S2：设定所述领域知识模型的元素的属性，并且将多元智能理论中用于 描述学习者学习能力的属性集成到所述领域知识模型中知识点的属性上，生 成用于表述学习所述知识点所需具备的学习能力以及对各维度的学习能力的 要求程度的属性向量；

S3：构建所述领域知识模型的元素之间的关系，对所述领域知识元素实 体，提取出实体之间的关联关系，通过所述关联关系将所述领域知识元素实 体联系起来，最终形成网状的知识图谱；

S4：根据包括所述知识点在内的知识资源的变化和所述关联关系的变化， 针对所述网状的知识图谱进行动态的更新。

进一步地，在步骤S1中：

所述学科，由一级知识点，二级知识点和所述知识点构成，并且形成自 上而下的层级关系；

所述课程，依据同一所述学科的不同教材，由章，节和所述知识点构成， 并且形成自上而下的层级关系；

所述学习对象，用于向学习者呈现适合其个性特征的学习内容，并且通 过所述知识点关联到所述领域知识模型，其中，所述学习对象的类型包括文 本、视频、音频、图片、测验、测试题、样例、动画和示范、课件、教学案 例、常见问题解答在内的类型。

进一步地，在步骤S2中，所述生成用于表述学习所述知识点所需具备 的学习能力以及对各维度的学习能力的要求程度的属性向量，具体包括以下 步骤：

S21：选取知识点集合N，针对所述知识点集合中每一个所述知识点 n(n∈N)，选取学习过该所述知识点的s个学生的学习力向量X_i＝ (x₁,x₂,…,x₈),(1≤i≤s)中的学习力属性，其中所述学习力属性包括观察能 力、抽象能力、归纳能力、记忆能力、分析能力、计算能力、想象能力及逻 辑能力在内的特征属性；以所述学习力属性中的每一个所述特征属性x_j(1≤j≤8)以及该学生对该所述知识点的测试成绩等级G_i(1≤i≤s)为输 入，作为分类标签，建立随机森林模型，所述随机森林模型中决策树个数记 为t，其中G_i∈{0，1}，用以表示“未掌握，掌握”；

S22：计算所述特征属性x_j(1≤j≤8)对所述知识点学习成绩的贡献度 VIM_j，具体如下:

S221：对所述随机森林模型中含有特征x_j的决策树T_i(1≤i≤t)，计算基 于gini指数(公式1)的平均不纯度，对特征x_j在T_i中的重要性

进行 评估(公式2～公式3)：

其中，k为T_i中因特征x_j而分支的结点m中数据的分类类别，P_mk为结点 m中类别k所占的比例；

其中，

为节点m分枝前后Gini指数的变化，表示特征x_j在节点 m的重要性；

其中，M为特征x_j在决策树T_i中出现的结点集合，

表示特征x_j在 决策树T_i中的重要性；

S222：对所述特征属性x_j在整个所述随机森林模型中的重要性

进行评估(公式4)：

S23：计算作为样本的所述知识点n的属性向量P_n＝(p₁,p₂,…,p₈)，具 体如下:

S231：对任一所述特征属性X_j在所述随机森林模型中重要性评分进行归 一化处理：

S232：将VIM_j(1≤j≤8)作为所述知识点n∈N的属性向量P_n＝ (p₁,p₂,…,p₈)，写入n的属性集:

p_j＝VIM_j(1≤j≤8)

S24：计算任一新的所述知识点q的属性向量P_q＝(p_q1,p_q2,…,p_q8)，具 体如下：

将所述知识点的学习内容特征、学习对象特征等作为知识点属性，对集 合N中所有作为样本的所述知识点n做K-means聚类分析，计算所述知识点 q与最近分类中心点的所述知识点r(P_r＝(p_r1,p_r2,…,p_r8))的欧式距离d，则 所述知识点q的属性向量计算方式为：

进一步地，在步骤S3中，提取出所述领域知识元素实体之间的关联关 系，通过所述关联关系将所述领域知识元素实体联系起来，具体为：

所述关联关系包括上位与下位，前驱与后继关系；

处于上位的所述领域知识模型的元素整体性强，包含多种知识内容；

处于下位的所述领域知识模型的元素局部性强，反映当前所述领域知识 模型的元素的上位的所述领域知识模型的元素的一方面的知识内容；

所述前驱与后继关系，用于表示所述领域知识模型的元素在逻辑上存在 先后关系。

进一步地，在步骤S4中，针对所述网状的知识图谱进行动态的更新， 包括资源管理和关联规则挖掘；

所述资源管理，通过对所述知识内容的增添、删减和修改完成对所述网 状的知识图谱上的所述知识内容的更新；

所述管理规则挖掘，通过关联分析算法，基于实际学习者学习路径数据 进行课程实体关系挖掘，实现所述网状的知识图谱的更新。

为了执行上述方法，本发明还提供了一种融合多元智能的自适应学习知 识图谱构建***，包括领域知识模型元素实体提取模块，领域知识模型属性 设置模块，领域知识模型关联关系构建模块，知识图谱更新模块；

所述领域知识模型元素实体提取模块，用于提取领域知识元素实体，构 建领域知识模型，其中，所述领域知识元素实体包括学科，课程，学习对象 在内的元素实体；

所述领域知识模型属性设置模块，用于设定所述领域知识模型的元素的 属性，并且将多元智能理论中用于描述学习者学习能力的属性集成到所述领 域知识模型中知识点的属性上，生成用于表述学习所述知识点所需具备的学 习能力以及对各维度的学习能力的要求程度的属性向量；

所述领域知识模型关联关系构建模块，用于构建所述领域知识模型的元 素之间的关系，提取出所述领域知识元素实体之间的关联关系，通过所述关 联关系将所述命名实体联系起来，最终形成网状的知识图谱；

知识图谱更新模块，用于根据包括所述知识点在内的知识资源的变化和 所述关联关系的变化，针对所述网状的知识图谱进行动态的更新。

进一步地，所述领域知识模型元素实体提取模块，进一步包括：

学科建立单元，用于建立所述领域知识模型的元素中的所述学科，其中， 所述学科由一级知识点，二级知识点和所述知识点构成，并且形成自上而下 的层级关系；

课程建立单元，用于建立所述领域知识模型的元素中的所述课程，其中， 所述课程依据同一所述学科的不同教材，由章，节和所述知识点构成，并且 形成自上而下的层级关系；

学习对象建立单元，用于建立所述领域知识模型的元素中的所述学习对 象，其中，所述学习对象用于向学习者呈现适合其个性特征的学习内容，并 且通过所述知识点关联到所述领域知识模型，所述学习对象的类型包括文本、 视频、音频、图片、测验、测试题、样例、动画和示范、课件、教学案例、 常见问题解答在内的类型。

进一步地，所述领域知识模型属性设置模块，进一步包括：

领域知识元素学科属性提取单元，用于提取并设置所述领域知识模型的 元素的学科属性；

学习力向量计算单元，用于将多元智能理论中用于描述学习者学习能力 的属性集成到所述领域知识模型中知识元素的属性上，生成用于表述学习所 述知识点所需具备的学习能力以及对各维度的学习能力的要求程度的知识元 素属性向量。

进一步地，所述领域知识模型关联关系构建模块，进一步包括：

上下位关系构建单元，用于所述领域知识模型中实体的上下位关系的构 建，其中，处于上位的所述领域知识模型的元素整体性强，包含多种知识内 容，处于下位的所述领域知识模型的元素局部性强，反映当前所述领域知识 模型的元素的上位的所述领域知识模型的元素的一方面的知识内容；

前后位关系构建单元，用于所述领域知识模型中实体的前后位关系的构 建，所述前后位关系用于表示所述领域知识模型的元素在逻辑上存在先后关 系。

进一步地，所述知识图谱更新模块，进一步包括：

资源管理单元，用于通过对所述知识内容的增添、删减和修改完成对所 述网状的知识图谱上的所述知识内容的更新；

管理规则挖掘，用于通过关联分析算法，基于实际学习者学习路径数据 进行课程实体关系挖掘，实现所述网状的知识图谱的更新。

与现有技术相比，本发明的有益效果是：

通过知识图谱构建技术建立领域知识初始化模型，同时开创性地提出融 合多元智能理论的知识图谱构建，为知识点赋予与学习者学习能力一一对应 的，表示对知识点的学习需要学习者具备的不同素质的量化属性，并基于学 习者学习路径数据，利用关联规则算法挖掘知识实体间关系，从而实现知识 图谱的动态更新。该方案充分考虑了学习者实际学习数据对知识模型质量的 影响，并建立了知识模型与学习者模型之间的映射关系，从而可以为基于知 识模型与学习者模型的自适应学习路径的推荐提供更准确的匹配依据。

附图说明

图1为本发明一种融合多元智能的自适应学习知识图谱构建方法的整体 流程图；

图2为实施例一中数据学科所包含的领域知识元素及其层级关系图；

图3为实施例一中初中数学七年级上学期课程的层级关系图；

图4为实施例一中领域知识模型建立规范示意图；

图5为本发明一种融合多元智能的自适应学习知识图谱构建***的整体 结构图。

具体实施方式

下面结合附图和实施例，对本发明进行详细描述。

实施例一

如图1所示，本实施例提供一种融合多元智能理论的知识图谱构建的方 法，包括以下步骤：

S1：提取领域知识元素实体，构建领域知识模型，其中，所述领域知识 元素实体包括学科，课程，学习对象在内的元素实体；

其中，所述学科，由一级知识点，二级知识点和所述知识点构成，并且 形成自上而下的层级关系；

所述课程，依据同一所述学科的不同教材，由章，节和所述知识点构成， 并且形成自上而下的层级关系；

所述学习对象，是学习过程中进行学习任务和学习活动的支撑，学习对 象以其丰富多样的类型向学习者呈现适合其个性特征的学习内容，并且通过 所述知识点关联到所述领域知识模型，其中，所述学习对象的类型包括文本、 视频、音频、图片、测验、测试题、样例、动画和示范、课件、教学案例、 常见问题解答在内的类型。

学科的层级关系以初中数学学科为例，数学学科所包含的领域知识元素 及其层级关系如图2所示。

课程的层级关系以华东师范大学编写的初中数学七年级上学期课程为例， 该课程所包含的章，节，知识点形成的自上而下的层级关系如图3所示。

S2：设定所述领域知识模型的元素的属性，并且将多元智能理论中用于 描述学习者学习能力的属性集成到所述领域知识模型中知识点的属性上，生 成用于表述学习所述知识点所需具备的学习能力以及对各维度的学习能力的 要求程度的属性向量；

在本实施例中，设定所述领域知识模型的元素的属性，为了提高领域知 识模型的学科通用性，本实施例基于中国***教育信息化技术标准委员会 定义的学习对象元数据CELTS-3.1标准设定领域知识元素的属性，参考规范 如图4所示。

在步骤S2中，所述生成用于表述学习所述知识点所需具备的学习能力 以及对各维度的学习能力的要求程度的属性向量，具体包括以下步骤：

S21：选取学习人数多，样本成熟度高的知识点集合N作为样本，针对 所述知识点集合中每一个所述知识点n(n∈N)，选取学习过该所述知识点的 s个学生的学习力向量X_i＝(x₁,x₂,…,x₈),(1≤i≤s)中的学习力属性，其中 所述学习力属性包括观察能力、抽象能力、归纳能力、记忆能力、分析能力、 计算能力、想象能力及逻辑能力在内的特征属性；以所述学习力属性中的每 一个所述特征属性x_j(1≤j≤8)以及该学生对该所述知识点的测试成绩等级 G_i(1≤i≤s)为输入，作为分类标签，建立随机森林模型，所述随机森林模 型中决策树个数记为t，其中G_i∈{0，1}，0和1用以表示“未掌握，掌握”；

其中，在本实施例中，可以通过XGB模型自动完成随机森林模型的建 立，当前方法仅是一种举例，不用于对本发明的限制。

S22：计算所述特征属性x_j(1≤j≤8)对所述知识点学习成绩的贡献度 VIM_j，具体如下:

S221：对所述随机森林模型中含有特征x_j的决策树T_i(1≤i≤t)，计算基 于gini指数(公式1)的平均不纯度，对特征x_j在T_i中的重要性

进行 评估(公式2～公式3)：

其中，k为T_i中因特征x_j而分支的结点m中数据的分类类别，P_mk为结点 m中类别k所占的比例；

其中，

为节点m分枝前后Gini指数的变化，表示特征x_j在节点 m的重要性；

其中，M为特征x_j在决策树T_i中出现的结点集合，

表示特征x_j在 决策树T_i中的重要性；

S222：对所述特征属性x_j在整个所述随机森林模型中的重要性

进行评估(公式4)：

S23：计算作为样本的所述知识点n的属性向量P_n＝(p₁,p₂,…,p₈)，具 体如下:

S231：对任一所述特征属性X_j在所述随机森林模型中重要性评分进行归 一化处理：

S232：将VIM_j(1≤j≤8)作为所述知识点n∈N的属性向量P_n＝ (p₁,p₂,…,p₈)，写入n的属性集:

p_j＝VIM_j(1≤j≤8)

S24：计算任一新的所述知识点q的属性向量P_q＝(p_q1,p_q2,…,p_q8)，具 体如下：

将所述知识点的学习内容特征、学习对象特征等作为知识点属性，对集 合N中所有作为样本的所述知识点n做K-means聚类分析，计算所述知识点 q与最近分类中心点的所述知识点r(P_r＝(p_r1,p_r2,…,p_r8))的欧式距离d，则 所述知识点q的属性向量计算方式为：

S3：构建所述领域知识模型的元素之间的关系，对所述领域知识元素实 体，提取出实体之间的关联关系，通过所述关联关系将所述领域知识元素实 体联系起来，最终形成网状的知识图谱。

其中，在本实施例中，对文本语料的实体进行抽取，采用基于双向LSTM 深度神经网络及条件随机场的实体识别实现知识实体提取，该方法对于文本 数据集中的实体提取准确率与召回率均可达到95％以上。

提取出所述领域知识元素实体之间的关联关系，通过所述关联关系将所 述领域知识元素实体联系起来，具体为：

所述关联关系包括上位与下位，前驱与后继关系；

处于上位的所述领域知识模型的元素整体性强，包含多种知识内容；

处于下位的所述领域知识模型的元素局部性强，反映当前所述领域知识 模型的元素的上位的所述领域知识模型的元素的一方面的知识内容；

所述前驱与后继关系，用于表示所述领域知识模型的元素在逻辑上存在 先后关系。

例如，若学习某个领域知识元素A之前必须掌握其前提领域知识元素B， 即B先于A，则A的前驱是B，B的后继是A。通过分布相似度方法计算实 体并列相似性及上下位关系信息，采用聚类和语义类标定方法确定语义类别 及每个语义类所包含的实体，并为每个语义类附加一个或多个上位词作为其 成员的公共上位词，最终形成网状的知识结构。

S4：根据包括所述知识点在内的知识资源的变化和所述关联关系的变化， 针对所述网状的知识图谱进行动态的更新。

其中，针对所述网状的知识图谱进行动态的更新，包括资源管理和关联 规则挖掘；

所述资源管理，通过对所述知识内容的增添、删减和修改完成对所述网 状的知识图谱上的所述知识内容的更新；

所述关联规则挖掘，通过关联分析算法，基于实际学习者学习路径数据 进行课程实体关系挖掘，实现所述网状的知识图谱的更新。其中，在本实施 例中关联分析算法为FP-Growth关联分析算法。需要说明的是：FP-Growth 关联分析算法仅是一种举例，不用于对本发明的限制。

实施例二

基于实施例一中的融合多元智能的自适应学习知识图谱构建方法，本实 施例提供一种融合多元智能的自适应学习知识图谱构建***，用于执行以上 方法，包括领域知识模型元素实体提取模块11，领域知识模型属性设置模块 12，领域知识模型关联关系构建模块13，知识图谱更新模块14；

所述领域知识模型元素实体提取模块11，用于提取领域知识元素实体， 构建领域知识模型，其中，所述领域知识元素实体包括学科，课程，学习对 象在内的元素实体；

所述领域知识模型属性设置模块12，用于设定所述领域知识模型的元素 的属性，并且将多元智能理论中用于描述学习者学习能力的属性集成到所述 领域知识模型中知识点的属性上，生成用于表述学习所述知识点所需具备的 学习能力以及对各维度的学习能力的要求程度的属性向量；

所述领域知识模型关联关系构建模块13，用于构建所述领域知识模型的 元素之间的关系，提取出所述领域知识元素实体之间的关联关系，通过所述 关联关系将所述命名实体联系起来，最终形成网状的知识图谱；

所述知识图谱更新模块14，用于根据包括所述知识点在内的知识资源的 变化和所述关联关系的变化，针对所述网状的知识图谱进行动态的更新。

进一步地，所述领域知识模型元素实体提取模块11，还包括：

学科建立单元111，用于建立所述领域知识模型的元素中的所述学科， 其中，所述学科由一级知识点，二级知识点和所述知识点构成，并且形成自 上而下的层级关系；

课程建立单元112，用于建立所述领域知识模型的元素中的所述课程， 其中，所述课程依据同一所述学科的不同教材，由章，节和所述知识点构成， 并且形成自上而下的层级关系；

学习对象建立单元113，用于建立所述领域知识模型的元素中的所述学 习对象，其中，所述学习对象用于向学习者呈现适合其个性特征的学习内容， 并且通过所述知识点关联到所述领域知识模型，所述学习对象的类型包括文 本、视频、音频、图片、测验、测试题、样例、动画和示范、课件、教学案 例、常见问题解答在内的类型。

进一步地，所述领域知识模型属性设置模块12，还包括：

领域知识元素学科属性提取单元121，用于提取并设置所述领域知识模 型的元素的学科属性；

学习力向量计算单元122，用于将多元智能理论中用于描述学习者学习能 力的属性集成到所述领域知识模型中知识元素的属性上，生成用于表述学习 所述知识点所需具备的学习能力以及对各维度的学习能力的要求程度的知识 元素属性向量。

进一步地，所述领域知识模型关联关系构建模块13，还包括：

上下位关系构建单元131，用于所述领域知识模型中实体的上下位关系 的构建，其中，处于上位的所述领域知识模型的元素整体性强，包含多种知 识内容，处于下位的所述领域知识模型的元素局部性强，反映当前所述领域 知识模型的元素的上位的所述领域知识模型的元素的一方面的知识内容；

前后位关系构建单元132，用于所述领域知识模型中实体的前后位关系 的构建，所述前后位关系用于表示所述领域知识模型的元素在逻辑上存在先 后关系。

进一步地，所述知识图谱更新模块14，还包括：

资源管理单元141，用于通过对所述知识内容的增添、删减和修改完成 对所述网状的知识图谱上的所述知识内容的更新；

关联规则挖掘单元142，用于通过关联分析算法，基于实际学习者学习路 径数据进行课程实体关系挖掘，实现所述网状的知识图谱的更新。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于 上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应 当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下 的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种融合多元智能的自适应学习知识图谱构建方法，其特征在于，包括以下步骤：

S1：提取领域知识元素实体，构建领域知识模型，其中，所述领域知识元素实体包括学科，课程，学习对象在内的元素实体；

S2：设定所述领域知识模型的元素的属性，并且将多元智能理论中用于描述学习者学习能力的属性集成到所述领域知识模型中知识点的属性上，生成用于表述学习所述知识点所需具备的学习能力以及对各维度的学习能力的要求程度的属性向量；

S3：构建所述领域知识模型的元素之间的关系，对所述领域知识元素实体，提取出实体之间的关联关系，通过所述关联关系将所述领域知识元素实体联系起来，最终形成网状的知识图谱；

S4：根据包括所述知识点在内的知识资源的变化和所述关联关系的变化，针对所述网状的知识图谱进行动态的更新。

2.根据权利要求1所述的融合多元智能的自适应学习知识图谱构建方法，其特征在于，在步骤S1中：

所述学科，由一级知识点，二级知识点和所述知识点构成，并且形成自上而下的层级关系；

所述课程，依据同一所述学科的不同教材，由章，节和所述知识点构成，并且形成自上而下的层级关系；

所述学习对象，用于向学习者呈现适合其个性特征的学习内容，并且通过所述知识点关联到所述领域知识模型，其中，所述学习对象的类型包括文本、视频、音频、图片、测验、测试题、样例、动画和示范、课件、教学案例、常见问题解答在内的类型。

3.根据权利要求1所述的融合多元智能的自适应学习知识图谱构建方法，其特征在于，在步骤S2中，所述生成用于表述学习所述知识点所需具备的学习能力以及对各维度的学习能力的要求程度的属性向量，具体包括以下步骤：

S21：选取知识点集合N，针对所述知识点集合中每一个所述知识点n(n∈N)，选取学习过该所述知识点的s个学生的学习力向量X_i＝(x₁,x₂,…,x₈),(1≤i≤s)中的学习力属性，其中所述学习力属性包括观察能力、抽象能力、归纳能力、记忆能力、分析能力、计算能力、想象能力及逻辑能力在内的特征属性；以所述学习力属性中的每一个所述特征属性x_j(1≤j≤8)以及该学生对该所述知识点的测试成绩等级G_i(1≤i≤s)为输入，作为分类标签，建立随机森林模型，所述随机森林模型中决策树个数记为t，其中G_i∈{0，1}，用以表示“未掌握，掌握”；

S22：计算所述特征属性x_j(1≤j≤8)对所述知识点学习成绩的贡献度VIM_j，具体如下:

S221：对所述随机森林模型中含有特征x_j的决策树T_i(1≤i≤t)，计算基于gini指数(公式1)的平均不纯度，对特征x_j在T_i中的重要性

进行评估(公式2～公式3)：

其中，k为T_i中因特征x_j而分支的结点m中数据的分类类别，P_mk为结点m中类别k所占的比例；

其中，

为节点m分枝前后Gini指数的变化，表示特征x_j在节点m的重要性；

其中，M为特征x_j在决策树T_i中出现的结点集合，

表示特征x_j在决策树T_i中的重要性；

S222：对所述特征属性x_j在整个所述随机森林模型中的重要性

进行评估(公式4)：

S23：计算作为样本的所述知识点n的属性向量P_n＝(p₁,p₂,…,p₈)，具体如下:

S231：对任一所述特征属性X_j在所述随机森林模型中重要性评分进行归一化处理：

S232：将VIM_j(1≤j≤8)作为所述知识点n∈N的属性向量P_n＝(p₁,p₂,…,p₈)，写入n的属性集:

p_j＝VIM_j(1≤j≤8)

S24：计算任一新的所述知识点q的属性向量P_q＝(p_q1,p_q2,…,p_q8)，具体如下：

将所述知识点的学习内容特征、学习对象特征等作为知识点属性，对集合N中所有作为样本的所述知识点n做K-means聚类分析，计算所述知识点q与最近分类中心点的所述知识点r(P_r＝(p_r1,p_r2,…,p_r8))的欧式距离d，则所述知识点q的属性向量计算方式为：

4.根据权利要求1所述的融合多元智能的自适应学习知识图谱构建方法，其特征在于，在步骤S3中，提取出所述领域知识元素实体之间的关联关系，通过所述关联关系将所述领域知识元素实体联系起来，具体为：

所述关联关系包括上位与下位，前驱与后继关系；

处于上位的所述领域知识模型的元素整体性强，包含多种知识内容；

处于下位的所述领域知识模型的元素局部性强，反映当前所述领域知识模型的元素的上位的所述领域知识模型的元素的一方面的知识内容；

所述前驱与后继关系，用于表示所述领域知识模型的元素在逻辑上存在先后关系。

5.根据权利要求1所述的融合多元智能的自适应学习知识图谱构建方法，其特征在于，在步骤S4中，针对所述网状的知识图谱进行动态的更新，包括资源管理和关联规则挖掘；

所述资源管理，通过对所述知识内容的增添、删减和修改完成对所述网状的知识图谱上的所述知识内容的更新；

所述关联规则挖掘，通过关联分析算法，基于实际学习者学习路径数据进行课程实体关系挖掘，实现所述网状的知识图谱的更新。

6.一种融合多元智能的自适应学习知识图谱构建***，包括领域知识模型元素实体提取模块，领域知识模型属性设置模块，领域知识模型关联关系构建模块，知识图谱更新模块；

所述领域知识模型元素实体提取模块，用于提取领域知识元素实体，构建领域知识模型，其中，所述领域知识元素实体包括学科，课程，学习对象在内的元素实体；

所述领域知识模型属性设置模块，用于设定所述领域知识模型的元素的属性，并且将多元智能理论中用于描述学习者学习能力的属性集成到所述领域知识模型中知识点的属性上，生成用于表述学习所述知识点所需具备的学习能力以及对各维度的学习能力的要求程度的属性向量；

所述领域知识模型关联关系构建模块，用于构建所述领域知识模型的元素之间的关系，提取出所述领域知识元素实体之间的关联关系，通过所述关联关系将所述命名实体联系起来，最终形成网状的知识图谱；

所述知识图谱更新模块，用于根据包括所述知识点在内的知识资源的变化和所述关联关系的变化，针对所述网状的知识图谱进行动态的更新。

7.根据权利要求6所述的融合多元智能的自适应学习知识图谱构建***，其特征在于，所述领域知识模型元素实体提取模块，进一步包括：

学科建立单元，用于建立所述领域知识模型的元素中的所述学科，其中，所述学科由一级知识点，二级知识点和所述知识点构成，并且形成自上而下的层级关系；

课程建立单元，用于建立所述领域知识模型的元素中的所述课程，其中，所述课程依据同一所述学科的不同教材，由章，节和所述知识点构成，并且形成自上而下的层级关系；

学习对象建立单元，用于建立所述领域知识模型的元素中的所述学习对象，其中，所述学习对象用于向学习者呈现适合其个性特征的学习内容，并且通过所述知识点关联到所述领域知识模型，所述学习对象的类型包括文本、视频、音频、图片、测验、测试题、样例、动画和示范、课件、教学案例、常见问题解答在内的类型。

8.根据权利要求6所述的融合多元智能的自适应学习知识图谱构建***，其特征在于，所述领域知识模型属性设置模块，进一步包括：

领域知识元素学科属性提取单元，用于提取并设置所述领域知识模型的元素的学科属性；

学习力向量计算单元，用于将多元智能理论中用于描述学习者学习能力的属性集成到所述领域知识模型中知识元素的属性上，生成用于表述学习所述知识点所需具备的学习能力以及对各维度的学习能力的要求程度的知识元素属性向量。

9.根据权利要求6所述的融合多元智能的自适应学习知识图谱构建***，其特征在于，所述领域知识模型关联关系构建模块，进一步包括：

上下位关系构建单元，用于所述领域知识模型中实体的上下位关系的构建，其中，处于上位的所述领域知识模型的元素整体性强，包含多种知识内容，处于下位的所述领域知识模型的元素局部性强，反映当前所述领域知识模型的元素的上位的所述领域知识模型的元素的一方面的知识内容；

前后位关系构建单元，用于所述领域知识模型中实体的前后位关系的构建，所述前后位关系用于表示所述领域知识模型的元素在逻辑上存在先后关系。

10.根据权利要求6所述的融合多元智能的自适应学习知识图谱构建***，其特征在于，所述知识图谱更新模块，进一步包括：

资源管理单元，用于通过对所述知识内容的增添、删减和修改完成对所述网状的知识图谱上的所述知识内容的更新；

关联规则挖掘单元，用于通过关联分析算法，基于实际学习者学习路径数据进行课程实体关系挖掘，实现所述网状的知识图谱的更新。

Images