CN117196042B - 一种教育元宇宙中学习目标的语义推理方法及终端 - Google Patents
一种教育元宇宙中学习目标的语义推理方法及终端 Download PDFInfo
- Publication number
- CN117196042B CN117196042B CN202311451652.2A CN202311451652A CN117196042B CN 117196042 B CN117196042 B CN 117196042B CN 202311451652 A CN202311451652 A CN 202311451652A CN 117196042 B CN117196042 B CN 117196042B
- Authority
- CN
- China
- Prior art keywords
- semantic
- learning
- teaching
- term
- target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 99
- 230000003993 interaction Effects 0.000 claims abstract description 47
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 230000006399 behavior Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 11
- 238000002474 experimental method Methods 0.000 description 23
- 239000000126 substance Substances 0.000 description 19
- 238000010586 diagram Methods 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000002360 preparation method Methods 0.000 description 7
- 239000002775 capsule Substances 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 239000007800 oxidant agent Substances 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 241000846171 Cremastra Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000010367 cloning Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 150000002484 inorganic compounds Chemical class 0.000 description 1
- 229910010272 inorganic material Inorganic materials 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000001795 light effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229910001437 manganese ion Inorganic materials 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000009965 odorless effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 239000012286 potassium permanganate Substances 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000006479 redox reaction Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Machine Translation (AREA)
Abstract
本发明公开了一种教育元宇宙中学习目标的语义推理方法及终端，接收学习目标的描述文本，将描述文本分割为词项序列，从词项序列中提取词条，基于词条提取语义词项，再将语义词项映射为第一词向量。通过捕捉词向量中的语义特征向量，推理得到学习目标中的学科和知识点，确定并定位学习目标的目标知识点，得到目标知识点的关联关系，因此能够充分挖掘学习目标的语义信息，提高学习目标提取的准确性。基于学习目标匹配对应的教学场景，将匹配到的教学场景以及学习目标中的学科和知识点间的关联关系整合至教学模型，并建立各个教学模型之间的交互关系，以此方式，能够有效地组织和聚合多源教学资源，并实现模型之间的相互关联。
Description
技术领域
本发明涉及元宇宙的教学应用技术领域，特别涉及一种教育元宇宙中学习目标的语义推理方法及终端。
背景技术
AIGC（生成式人工智能）综合运用机器学习、自然语言处理和计算机视觉等技术，学习和识别海量数据中的模式，以人工智能为基础，自动生成具有较高创造性和复杂性的内容。将AIGC应用于教育领域，能够自动化生成教学资源。而利用AIGC构建学习目标的语义推理引擎，能够丰富学习目标的语义和推理流程，能够实现更高效、精准的教学资源生成与交互，提升学习者的学习体验和效果，扩展元宇宙中教学场景的生成方式，改变元宇宙中教学资源的供给模式，具有广阔的应用前景。
目前，虽然可以使用语义推理技术推断教师定义的学习目标，但缺乏与学习目标相匹配的词条和邻接知识点。同时，不同来源的教学资源很难有效地组织和聚合，还需要手动标记教学资源之间复杂而繁琐的关联关系。因此，在教育元宇宙中结合AIGC和学习目标语义推理，需要使用学科知识图谱，采用深度学习、自然语言处理等技术推断学科和知识点语义信息，匹配或生成教学场景。
因此，当前教育元宇宙中学习目标语义推理领域还存在诸多的问题：
（1）学习目标语义推理未考虑词条和邻接知识点：仅使用知识图谱推断学习目标，难以充分挖掘学习目标的语义信息，导致学习目标提取不准确；
（2）学习目标语义推理与AIGC技术结合不紧密：当前生成的教学资源大多来自现有教学资源库，难以有效地组织和聚合多源教学资源；
（3）模型之间交互行为尚未实现自动化关联：现有教学资源交互行为往往需要手动编辑，这一过程繁琐且复杂，缺乏自动化的关联流程。
发明内容
本发明所要解决的技术问题是：提供一种教育元宇宙中学习目标的语义推理方法及终端，能够提高学习目标语义提取的准确性，并根据提取到的学习目标自动关联教学资源。
为了解决上述技术问题，本发明采用的技术方案为：
一种教育元宇宙中学习目标的语义推理方法，包括步骤：
接收输入的学习目标的描述文本，将所述描述文本分割为词项序列，从所述词项序列中提取词条，基于所述词条提取语义词项，将所述语义词项映射为第一词向量；
通过捕捉所述第一词向量中的语义特征向量，推理得到所述学习目标中的学科和知识点，并确定所述学习目标的目标知识点，对所述目标知识点进行定位索引，确定所述目标知识点的关联关系；
基于所述学习目标匹配对应的教学场景，将匹配到的教学场景以及所述学习目标中的学科和所述知识点间的关联关系整合至教学模型；
建立各个教学模型之间的交互关系。
为了解决上述技术问题，本发明采用的另一种技术方案为：
一种教育元宇宙中学习目标的语义推理终端，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种教育元宇宙中学习目标的语义推理方法的各个步骤。
本发明的有益效果在于：接收学习目标的描述文本，将描述文本分割为词项序列，从词项序列中提取词条，基于词条提取语义词项，再将语义词项映射为第一词向量，以此方式自动提取文本中的词项，并转换成词向量进行标准化处理。通过捕捉词向量中的语义特征向量，推理得到学习目标中的学科和知识点，并确定学习目标的目标知识点，对目标知识点进行定位索引，确定目标知识点的关联关系，因此能够根据学习目标的词向量来提取学科和知识点，并进行知识点的关联，从而充分挖掘学习目标的语义信息，提高学习目标提取的准确性。基于学习目标匹配对应的教学场景，将匹配到的教学场景以及学习目标中的学科和知识点间的关联关系整合至教学模型，并建立各个教学模型之间的交互关系，以此方式，能够有效地组织和聚合多源教学资源，并实现模型之间的相互关联。
附图说明
图1为本发明实施例的一种教育元宇宙中学习目标的语义推理方法的流程图；
图2为本发明实施例的一种教育元宇宙中学习目标的语义推理终端的示意图；
图3是本发明实施例中的布卢姆层次模型示意图；
图4是本发明实施例中知识点之间的层级关系示意图；
图5是本发明实施例中基于多头注意力胶囊网络的分类模型示意图；
图6是本发明实施例中教学场景的目标尺寸和可视范围示意图；
图7是本发明实施例中教学模型标记示意图；
图8是本发明实施例中相同教学模型关联到不同知识点示意图；
图9是本发明实施例中教学模型聚合示意图；
图10是本发明实施例中不同教学模型之间交互关系示意图；
图11是本发明实施例中教学模型之间交互行为示意图；
图12是本发明实施例中基于深度学习的自编码语言模型结构示意图。
标号说明：
1、一种教育元宇宙中学习目标的语义推理终端；2、存储器；3、处理器。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
请参照图1，本发明实施例提供了一种教育元宇宙中学习目标的语义推理方法，包括步骤：
接收输入的学习目标的描述文本，将所述描述文本分割为词项序列，从所述词项序列中提取词条，基于所述词条提取语义词项，将所述语义词项映射为第一词向量；
通过捕捉所述第一词向量中的语义特征向量，推理得到所述学习目标中的学科和知识点，并确定所述学习目标的目标知识点，对所述目标知识点进行定位索引，确定所述目标知识点的关联关系；
基于所述学习目标匹配对应的教学场景，将匹配到的教学场景以及所述学习目标中的学科和所述知识点间的关联关系整合至教学模型；
建立各个教学模型之间的交互关系。
从上述描述可知，本发明的有益效果在于：接收学习目标的描述文本，将描述文本分割为词项序列，从词项序列中提取词条，基于词条提取语义词项，再将语义词项映射为第一词向量，以此方式自动提取文本中的词项，并转换成词向量进行标准化处理。通过捕捉词向量中的语义特征向量，推理得到学习目标中的学科和知识点，并确定学习目标的目标知识点，对目标知识点进行定位索引，确定目标知识点的关联关系，因此能够根据学习目标的词向量来提取学科和知识点，并进行知识点的关联，从而充分挖掘学习目标的语义信息，提高学习目标提取的准确性。基于学习目标匹配对应的教学场景，将匹配到的教学场景以及学习目标中的学科和知识点间的关联关系整合至教学模型，并建立各个教学模型之间的交互关系，以此方式，能够有效地组织和聚合多源教学资源，并实现模型之间的相互关联。
进一步地，将所述描述文本分割为词项序列，包括：
采用混合型分词法将所述描述文本分割为词项序列，并标记所述词项序列中各词项的词性。
由上述描述可知，对文本进行分词分割以得到各词项，对词项进行词性标记，以便于后续从词项序列中进行术语识别和语义提取。
进一步地，从所述词项序列中提取词条，包括：
识别并提取出所述词项序列中的独立术语和联合术语；
将所述独立术语作为所述学习目标的标题；
对所述联合术语进行拆分，根据所述标题所属的学科类别匹配对应的学科词条库，并基于所述联合术语的拆分结果提取与所述标题对应的词条。
由上述描述可知，通过词项序列中的术语提取，能够得到学习目标的标题，进而匹配关联的学科词条库得到学习目标的词条，以便于进一步提高学习目标语义提取的准确性。
进一步地，基于所述词条提取语义词项，包括：
获取词条词项上下文的关系特征向量，使用正向最大匹配法提取所述词条中的待分割词项并映射为第二词向量，运用长短时记忆网络分类器判断所述第二词向量与所述关系特征向量的拼接结果是否为词条词项，若是，则计算词条词项的语义权重值，根据所述权重值对所述词条词项进行排序，并根据排序结果提取语义词项。
由上述描述可知，通过词项上下文的关系特征向量和词条的词向量结合，与词条词项进行比对，能够进一步确保语义提取的正确性。
进一步地，通过捕捉所述第一词向量中的语义特征向量，推理得到所述学习目标中的学科和知识点，包括：
对所述第一词向量进行拼接得到语义词项向量，并使用流形学习挖掘所述语义词项向量的低维语义信息，将所述语义词项向量映射至低维向量；
使用卷积神经网络捕捉所述低维向量中词性变化和词序关系的局部语义信息，并经过全连接层非线性变换处理提取得到语义特征向量；
将所述语义特征向量输入自编码语言模型，并输出得到隐含多层抽象和递进关系的紧凑型语义向量，将所述紧凑型语义向量进行随机遮罩和微调，推理得到所述学习目标中的学科和知识点的语义。
由上述描述可知，计算词项的语义权重值，按照权重值排序词项序列，提取语义词项，并且映射语义词项为第一词向量，能够更加标准地处理词向量。
进一步地，对所述目标知识点进行定位索引，确定所述目标知识点的关联关系，包括：
判断各知识点与学科知识图谱之间的关联关系，并将所述知识点***到所述学科知识图谱中；
根据所述知识图谱中节点的通道容量，使用最大流最小割法分割所述目标知识点所在的子图，并使用广度优先搜索遍历法递归所述子图，定位索引所述目标知识点，并获取所述目标知识点对应的学科和位置信息；
根据所述目标知识点的位置信息，通过近邻法计算所述目标知识点与其邻接知识点的距离和相似度，并确定所述目标知识点的关联关系。
由上述描述可知，能够在学习目标的语义推理过程中考虑词条和邻接知识点，充分挖掘学习目标的语义信息，提高学习目标提取的准确性。
进一步地，基于所述学习目标匹配对应的教学场景，包括：
在教学场景库中搜索教学场景，判断是否存在与所述学习目标的相似度超过阈值的教学场景，若是，则选择相似度最高的教学场景，否则，调取所述学习目标对应的场景模型，运用尺度归一化算法，设置所述场景模型的尺寸和可视范围。
由上述描述可知，通过为学习目标匹配对应的教学场景，便于后续将多维的学习目标信息进行整合，从而自动实现教育元宇宙中从学习目标到场景生成的过程。
进一步地，所述将匹配到的教学场景以及所述学习目标中的学科和所述知识点间的关联关系整合至教学模型，还包括：
使用深度优先搜索遍历算法，获取与邻接知识点关联所有教学模型，依据教学场景尺度和观察者远近关系，确定教学模型呈现次序。
进一步地，所述建立各个教学模型之间的交互关系，包括：
依据学习目标所属的学科和知识点语义，提取不同教学模型之间的交互关系；
通过脚本语言描述、绑定各模型的交互行为和事件，将场景中教学模型的交互关系进行分组，构建教学模型之间的交互网络。
由上述描述可知，通过实现模型之间交互行为的自动化关联，相较于现有技术中教学资源交互行为需要手动编辑的问题，能够实现自动化的关联流程。
请参照图2，本发明另一实施例提供了一种教育元宇宙中学习目标的语义推理终端，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种教育元宇宙中学习目标的语义推理方法的各个步骤。
本发明上述的一种教育元宇宙中学习目标的语义推理方法及终端，适用于提高学习目标语义提取的准确性，并根据提取到的学习目标自动关联教学资源。以下通过具体的实施方式进行说明：
实施例一
请参照图1，一种教育元宇宙中学习目标的语义推理方法，包括步骤：
S1、接收输入的学习目标的描述文本，将所述描述文本分割为词项序列，从所述词项序列中提取词条，基于所述词条提取语义词项，将所述语义词项映射为第一词向量。
S11、使用文本输入***侦测教师在学习目标编辑器中输入的学习目标的基本描述文本。
S12、采用混合型分词法将所述描述文本分割为词项序列。
在本实施例中，混合型分词法具体为按照（行为条件）{表现程度/行为标准}[动词]《知识点/行为对象》<备注>的结构进行分词。具体的，教师可在学习目标编辑器中输入学习目标的基本描述，譬如：（具备化学实验的基本知识）{熟练操作}[掌握]《O2产生实验》<化学反应>，使用文本输入***侦测教师输入的文本，采用基于编辑距离和字符串匹配方法纠错文本。
其中，纠错文本具体步骤为：
1.使用正向最大匹配算法将“举杯化学实验的计本知识”分词为{“举杯”、“化学实验”、“的”、“计本”、“知识”}词项序列；
2.采用基于编辑距离的算法获取错误词项为{“举杯”、“计本”}；
3.运用语言模型匹配错误词项为{“具备”、“基本”}；
4.替换词项序列中错误词项，获取纠错文本为“具备化学实验的基本知识”。
S13、标记所述词项序列中各词项的词性。
具体的，依据语言结构划分教师输入的文本，采用混合型分词算法将文本分割为[“具备”、“化学实验基本知识”、“熟练”、“操作”、“掌握”、“化学反应”、“O2产生实验”]词项序列之后，结合词项的上下文，使用基于深度学习的词性标注算法将词项标记为形容词、动词、名词、副词、代词、数词、介词、连词和感叹词类别，并分别使用a、v、n、d、r、m、p、c和e表示，则将词项标记为：（“具备”、v）、（“化学实验基本知识”、n）、（“熟练”、a）、（“操作”、v）、（“掌握”、v）、（“化学反应”、v）、（“O2产生实验”、n）。
S14、识别并提取出所述词项序列中的独立术语和联合术语，将所述独立术语作为所述学习目标的标题，对所述联合术语进行拆分，根据所述标题所属的学科类别匹配对应的学科词条库，并基于所述联合术语的拆分结果提取与所述标题对应的词条。
具体的，词条提取。使用“修饰术语+中心术语”模板匹配学科教材目录，识别、提取词项序列中的独立术语和联合术语，独立术语直接作为标题，联合术语则采用拆分法处理，依据标题所属学科类别，匹配学科词条库，提取该标题对应的词条。
其中，词条提取具体步骤为：
1.若词项序列中词项可作为独立的名词、动词或形容词，则将该词项作为独立术语，否则为联合术语；
2.提取词项序列中独立术语为{“化学反应”，“O2产生实验”}，联合术语为{“化学实验基本知识”}；
3.采用拆分法处理联合术语，获取“化学实验”和“基本知识”；
4.将“化学反应”、“O2产生实验”、“化学实验”和“基本知识”作为标题；
5.依据标题所属化学学科类别，匹配化学学科词条库，提取“O2产生实验”、“化学反应”、“化学实验”和“基本知识”词条：
O2产生实验：高锰酸钾（KMnO4）制O2是一种常用的O2制备方法，使用KMnO4的分解反应制O2；
化学反应：指两种或两种以上的物质之间作用，产生一种或一种以上新物质的化学过程；
化学实验：使用实验方法，研究和认识化学体系的一种活动；
基本知识：指某一领域内最基础、最核心、最普遍的知识，是学习和掌握该领域知识的前提和基础。
S15、获取词条词项上下文的关系特征向量，使用正向最大匹配法提取所述词条中的待分割词项并映射为第二词向量，运用长短时记忆网络分类器判断所述第二词向量与所述关系特征向量的拼接结果是否为词条词项，若是，则计算词条词项的语义权重值，根据所述权重值对所述词条词项进行排序，并根据排序结果提取语义词项。
具体的，使用正向最大匹配算法提取待分割词项，运用长短时记忆网络分类器判断待分割词项是否为词条词项，若是，则采用TF-IDF算法计算词项的语义权重值，按照权重值排序词项序列，提取语义词项；之后构建转换器模型，映射语义词项为词向量，标准化处理词向量。
请参照图12，图中1201表示语义特征向量，1202表示注意力权重，1203表示紧凑型语义向量。在本实施例中，先使用循环神经网络层处理步骤S14提取的词条，获取词条词项上下文关系特征向量，运用正向最大匹配算法分割词条，提取所有待分割词项，采用词向量模型映射待分割词项为词向量，使用长短时记忆网络分类器，拼接关系特征向量和词向量，判断是否为该词条的词项，“KMnO4”、“制”、“O2”,“是”、“一种”、“常用的”、“O2”、“制备”、“方法”、“使用”、“KMnO4”、“分解反应”、“制”、“O2”。
接着，运用基于计数数值分布的平滑算法处理词项序列，统计每个词项频率，设置频率阈值，删除低频词项，采用TF-IDF算法计算每个词项的语义权重值，归一化处理权重结果按照从大到小排列词项序列，提取语义词项。
其中，TF-IDF计算语义权重值具体步骤为：
1.将“O2产生实验”词条的词项序列定义为{、W制、/>、W是、W一种、W常用的、/>、W制备、W方法、W使用、/>、W分解反应、W制、/>}；
2.计算词项的词频TF W：
；
其中，f W表示词项W出现次数，表示“O2产生实验”词条中词项的数量；
3.计算词项的逆文档频率：
；
其中，C为步骤S14提取的词条总数量，C W表示包含词项W的词条数量；
4.计算词项的语义权重值：SW=TFW×IDFW；
5.计算“O2产生实验”词条中词项语义权重为：=0.267、S制=0.117、/>=0.178、S是=0.001、W一种=0.002、W常用的=0.0001、W制备=0.002、W方法=0.04、W使用=0.02、W分解反应=0.06；
6.排序词项语义权重，设置语义权重阈值为0.1，提取“KMnO4”、“制”和“O2”语义词项。
最后，采用词向量维度、学习率、正则化系数、迭代次数、优化器、激活函数、批量大小、丢弃率和上下文窗口大小参数，构建基于深度学习的转换器模型，将语义词项映射为词向量，使用Z-score标准化算法处理词向量，获得标准的语义词项向量。
其中，映射词向量具体步骤为：
1.获取语义词项“KMnO4”、“制”和“O2”；
2.转换语义词项为词向量：V = glove(W)；其中，glove表示GloVe词向量模型，W和V分别表示语义词项和其对应的向量；
3.得到语义词项的词向量为：
KMnO4：[-1.1 -0.4 1.0 0.8 -1.2 -1.9 1.1 0.3]；
制：[0.2 -0.4 0.4 0.8 -0.2 -0.2 -0.2 0.3]；
O2：[0.1 -0.3 0.4 0.8 -0.1 -0.1 -0.1 0.2]。
S2、通过捕捉所述第一词向量中的语义特征向量，推理得到所述学习目标中的学科和知识点，并确定所述学习目标的目标知识点，对所述目标知识点进行定位索引，确定所述目标知识点的关联关系。
S21、对所述第一词向量进行拼接得到语义词项向量，并使用流形学习挖掘所述语义词项向量的低维语义信息，将所述语义词项向量映射至低维向量，使用卷积神经网络捕捉所述低维向量中词性变化和词序关系的局部语义信息，并经过全连接层非线性变换处理提取得到语义特征向量。
其中，所使用的卷积神经网络为一维卷积神经网络层。
S22、将所述语义特征向量输入自编码语言模型，并输出得到隐含多层抽象和递进关系的紧凑型语义向量，将所述紧凑型语义向量进行随机遮罩和微调，推理得到所述学习目标中的学科和知识点的语义。在本实施例中，即为推断“化学”学科和“KMnO4制O2”知识点语义。
S23、确定所述学习目标的目标知识点。
具体的，使用浅层和深度学习策略构造如图3所示的布卢姆层次模型，匹配、获取记忆、理解、掌握、分析、创造和解释目标动词，依据语义推断得到学科和知识点，结合名词、形容词类别词项标注，使用“目标动词+目标知识点”模板提取“掌握+O2产生实验”学习目标。
S24、判断各知识点与学科知识图谱之间的关联关系，并将所述知识点***到所述学科知识图谱中。
具体的，按照词性划分语料中的词条，依据词条之间共现、相似性和语义特征，建立词条知识点之间的层级关系，如图4所示，分析语料文本的知识和概念，判断各知识点与学科知识图谱之间的联系，并作为新节点***到现有学科知识图谱中。
S25、根据所述知识图谱中节点的通道容量，使用最大流最小割法分割所述目标知识点所在的子图，并使用广度优先搜索遍历法递归所述子图，定位索引所述目标知识点，并获取所述目标知识点对应的学科和位置信息。
依据知识图谱中节点之间通道容量，使用最大流最小割算法搜索、分割目标知识点所在子图，运用广度优先搜索遍历算法递归子图，定位、索引该目标知识点，并获取该知识点学科和位置信息，实现目标知识点定位。
其中，最大流最小割算法搜索具体步骤为：
1.初始化知识图谱中所有节点的流量值为1/N，其中N为节点个数；
2.迭代更新每个节点的流量值：
；
式中，j表示与节点i连接的第j个节点，L（j）表示第j个节点的出度，d=0.85表示阻尼系数；
3.使用“化学实验”和“O2产生实验”知识点作为源点和汇点，并定义为s、t；
4.运用狄克斯特拉算法遍历s和t之间的所有路径，并将路径上节点流量值之和作为该路径的流量值；
5.排序每条路径的流量值，选择流量值最大的路径，并采用最小割算法分割知识图谱为T1和T2两个子图，其中，T1为包含s和与其相连的节点构成的子图，T2为包含t和与其相连的节点构成的子图；
6.确定T2为“O2产生实验”目标知识点所在的子图。
S26、根据所述目标知识点的位置信息，通过近邻法计算所述目标知识点与其邻接知识点的距离和相似度，并确定所述目标知识点的关联关系。
具体的，依据目标知识点位置信息，使用基于距离度量和相似度度量的近邻算法，计算词条所对应目标知识点与邻接知识点之间距离和相似度，设置知识点数量，获取邻接知识点，并采用无偏移回率模型随机游走，确定相邻、层次、交叉引用和主题关联关系。使用Z1、Z2、Z3和Z4表示与“O2产生实验”相关的“KMnO4”、“O2”、“氧化还原反应”和“反应速率”邻接知识点：
Z1：“KMnO4”，是一种无机化合物，常用于化学实验室和工业中作为氧化剂。它可以氧化其他物质，其中包括制备氧气的反应。
Z2：“O2”，是一种无色、无味、无臭的气体，在自然界中广泛存在。它是生物呼吸和许多燃烧过程的必需物质。
Z3：“氧化还原反应”，KMnO4在反应中起到氧化剂的作用，将其他物质氧化成较高的氧化态，同时自身还原成低价态的锰离子。
Z4：“反应速率”，KMnO4分解反应的速率受到多个因素的影响，包括温度、浓度、催化剂等。调节这些因素可以控制氧气的产生速度。
S3、基于所述学习目标匹配对应的教学场景，将匹配到的教学场景以及所述学习目标中的学科和所述知识点间的关联关系整合至教学模型。
S31、在教学场景库中搜索教学场景，判断是否存在与所述学习目标的相似度超过阈值的教学场景，若是，则选择相似度最高的教学场景，否则，调取所述学习目标对应的场景模型，运用尺度归一化算法，设置所述场景模型的尺寸和可视范围。
具体的，运用如图5所示的基于多头注意力胶囊网络的分类模型，图中，501表示注意力层，502表示卷积神经网络层，503表示初级胶囊层，504表示卷积胶囊层。输入学习目标所在学科和知识点语义，依次经过注意力层、卷积神经网络层、初级胶囊层和卷积胶囊层，捕捉语义中仪器设备、实验装置、植物、动物和地形地貌元素特征，输出实验室和自然环境场景类别，按照语义特征在该教学场景类别库中搜索与之属性相似的特征，若相似度超过一定的阈值，则选取相似度最高的教学场景。
若教学场景库中未能搜索到与学习目标匹配的场景，依据学科知识领域和知识结构，结合学习目标的邻接知识点，调取对应的场景模型，以坐标系原点为中心，运用尺度归一化算法计算教学场景的边界盒和中心点，设置如图6所示场景的目标尺寸和可视范围。
其中，尺度归一化算法计算边界盒和和中心点具体步骤：
1.获取教学场景中场景元素位置坐标（xi、yi、zi），其中，i为第i个场景元素，i =1,2,...,n；
2.计算场景元素在x,y,z轴上的最小值和最大值：
xmin,xmax=min(x1,x2,...,xn),max(x1,x2,...,xn)；
ymin,ymax=min(y1,y2,...,yn),max(y1,y2,...,yn)；
zmin,zmax=min(z1,z2,...,zn),max(z1,z2,...,zn)；
其中，min和max分别为最小值函数和最大值函数；
3.运用最小和最大坐标构建教学场景的边界盒，并将边界盒的八个顶点坐标表示为（xmin、ymin、zmin）、（xmin、ymin、zmax）、（xmin、ymax、zmin）、（xmin、ymax、zmax）、（xmax、ymin、zmin）、（xmax、ymin、zmax）、（xmax、ymax、zmin） 和 （xmax、ymax、zmax）；
4.计算教学场景的长度l、宽度w和高度h：
l=xmax－xmin；
w=ymax－ymin；
h=zmax－zmin；
5.计算教学场景的中心点坐标：
xc=(xmin＋xmax)/2；
yc=(ymin＋ymax)/2；
zc=(zmin＋zmax)/2；
S32、使用深度优先搜索遍历算法，获取与邻接知识点关联所有教学模型，依据教学场景尺度和观察者远近关系，确定教学模型呈现次序。
具体的，根据各个学科操作要求和流程，设定教学场景中观察者的位置、视线方向，依据光源位置、方向、强度和颜色，结合虚拟教学场景的尺度，设置3D教学模型的位置、姿态和缩放参数，并自动设定各教学模型的交互行为。
S33、将匹配到的教学场景以及所述学习目标中的学科和所述知识点间的关联关系整合至教学模型。
具体的，使用3D建模软件构建基础教育学段数学、物理、化学、科学学科知识点所涉及的教具、学具的3D模型，如图7所示；依据模型的用途，为每个3D模型标记学科、知识点、用途、名称和描述信息，关联60°玻璃导管、橡胶管、180°短玻璃导管、橡皮塞、棉花和KMnO4教学模型的几何、材质和属性信息。
按照“学科-知识点-名称-用途”层次，采用树结构组织3D教学模型，并将该教学模型的属性信息添加到节点中；如图8所示，801表示中试管，当相同的中试管3D教学模型，关联到不同知识点时，采用克隆逻辑地址形式，将3D教学模型的逻辑地址克隆到对应知识点的节点中。
如图9所示，根据教学场景所需的模型，使用深度优先遍历算法搜索，获取每个知识点关联的所有3D教学模型，依据虚拟教学场景的尺度以及教学模型与观察者的远近关系，确定3D教学模型的位置、姿态和缩放参数，以及各个教学模型的呈现次序。
S4、建立各个教学模型之间的交互关系。
具体的，依据学习目标所属的学科和知识点语义，提取不同教学模型之间的交互关系，通过脚本语言描述、绑定各模型的交互行为和事件，将场景中教学模型的交互关系进行分组，构建教学模型之间的交互网络。
在本实施例中，依据学习目标所属的学科和知识点语义，结合物理实验、化学反应、几何图形演变、小学科学教具和科学实验中各个3D模型的交互关系，使用图神经网络提取不同教学模型之间如图10所示的连接、分离、碰撞、吸引、排斥、嵌套和夹持式组合的交互关系。图10中，1001表示连接交互关系，1002表示分离交互关系，1003表示碰撞交互关系，1004表示吸引交互关系，1005表示排斥交互关系，1006表示嵌套交互关系，1007表示夹持交互关系。
使用模拟、交互和行为插件，依据教学场景中各3D教学模型的功能，如图11所示，其中，1101表示KMnO4装入交互行为，1102表示O2产生交互行为，将点击、拖拽、移动、缩放、探索、联动、物理模拟的交互行为，以及声音、振动和光效交互反馈效果添加到对应的3D模型上，使用脚本语言描述、绑定各模型的交互行为和事件。
根据教学内容的关联性和内在逻辑，使用社区发现算法实现场景中3D教学模型的交互关系分组，构建模型之间的交互网络，采用碰撞检测算法检测交互过程中教学模型之间的位置关系变化，并运用物理引擎模拟检测到的碰撞效果。
实施例二
请参照图2，一种教育元宇宙中学习目标的语义推理终端1，包括存储器2、处理器3以及存储在所述存储器2上并可在处理器3上运行的计算机程序，所述处理器3执行所述计算机程序时实现实施例一的一种教育元宇宙中学习目标的语义推理方法的各个步骤。
综上所述，本发明提供的一种教育元宇宙中学习目标的语义推理方法及终端，使用文本输入***侦测教师在学习目标编辑器中输入的学习目标基本描述文本；采用混合型分词算法将文本分割为词项序列，使用词性标注算法标记词性类别；使用“修饰术语+中心术语”模板识别、提取或分拆词条。使用正向最大匹配算法提取待分割词项，判断待分割词项是否为词条词项；采用TF-IDF算法计算词项的语义权重值，按照权重值排序词项序列，提取语义词项；构建转换器模型，映射语义词项为词向量，标准化处理词向量。运用一维卷积神经网络捕捉向量中局部语义信息，经过非线性变换处理，提取语义特征向量；使用深度玻尔慈曼机，输入紧凑型语义向量，推断学科和知识点语义；匹配目标动词，并将名词、形容词类别词项标注为目标知识，运用“目标动词+目标知识点”模板提取学习目标。依据词条之间共现、相似性和语义特征，建立词条知识点之间的层级关系；运用广度优先搜索遍历算法，定位、索引该目标知识点，获取该知识点学科和位置信息；使用近邻算法，获取邻接知识点，并采用无偏移回率模型随机游走，确定相邻、层次、交叉引用和主题关联关系。在教学场景库中搜索教学场景，选取与学习目标特征相似度超过阈值且最高的已有教学场景；若匹配失败，则调取对应的场景模型，运用尺度归一化算法计算其边界盒和中心点，设置场景的尺寸和可视范围；设置教学资源的位置、姿态和缩放参数，自动关联3D教学模型交互行为，布局教学场景。依据模型的学科类别和用途，为每个3D模型标记学科、知识点、用途、名称和描述信息；采用树结构组织教学模型，并将属性信息添加到叶子节点；使用深度优先搜索遍历算法，获取与邻接知识点关联所有教学模型，依据教学场景尺度和观察者远近关系，确定教学模型呈现次序。依据学科目标所属学科和知识点语义，提取不同教学模型之间的交互关系；使用脚本语言描述、绑定各模型的交互行为和事件；使用社区发现算法将不同3D教学模型的交互关系分组，构建各模型的交互网络。以此方式，提高学习目标语义提取的准确性，并根据提取到的学习目标自动关联教学资源。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种教育元宇宙中学习目标的语义推理方法，其特征在于，包括步骤：
接收输入的学习目标的描述文本，将所述描述文本分割为词项序列，从所述词项序列中提取词条，基于所述词条提取语义词项，将所述语义词项映射为第一词向量；
通过捕捉所述第一词向量中的语义特征向量，推理得到所述学习目标中的学科和知识点，并确定所述学习目标的目标知识点，对所述目标知识点进行定位索引，确定所述目标知识点的关联关系；
通过捕捉所述第一词向量中的语义特征向量，推理得到所述学习目标中的学科和知识点，包括：
对所述第一词向量进行拼接得到语义词项向量，并使用流形学习挖掘所述语义词项向量的低维语义信息，将所述语义词项向量映射至低维向量；
使用卷积神经网络捕捉所述低维向量中词性变化和词序关系的局部语义信息，并经过全连接层非线性变换处理提取得到语义特征向量；
将所述语义特征向量输入自编码语言模型，并输出得到隐含多层抽象和递进关系的紧凑型语义向量，将所述紧凑型语义向量进行随机遮罩和微调，推理得到所述学习目标中的学科和知识点的语义；
对所述目标知识点进行定位索引，确定所述目标知识点关联关系，包括：
判断各知识点与学科知识图谱之间的关联关系，并将所述知识点***到所述学科知识图谱中；
根据所述学科知识图谱中节点的通道容量，使用最大流最小割法分割所述目标知识点所在的子图，并使用广度优先搜索遍历法递归所述子图，定位索引所述目标知识点，并获取所述目标知识点对应的学科和位置信息；
根据所述目标知识点的位置信息，通过近邻法计算所述目标知识点与其邻接知识点的距离和相似度，并确定所述目标知识点的关联关系；
基于所述学习目标匹配对应的教学场景，将匹配到的教学场景以及所述学习目标中的学科和所述目标知识点的关联关系整合至教学模型；
建立各个教学模型之间的交互关系。
2.根据权利要求1所述的一种教育元宇宙中学习目标的语义推理方法，其特征在于，将所述描述文本分割为词项序列，包括：
采用混合型分词法将所述描述文本分割为词项序列，并标记所述词项序列中各词项的词性。
3.根据权利要求2所述的一种教育元宇宙中学习目标的语义推理方法，其特征在于，从所述词项序列中提取词条，包括：
识别并提取出所述词项序列中的独立术语和联合术语；
将所述独立术语作为所述学习目标的标题；
对所述联合术语进行拆分，根据所述标题所属的学科类别匹配对应的学科词条库，并基于所述联合术语的拆分结果提取与所述标题对应的词条。
4.根据权利要求3所述的一种教育元宇宙中学习目标的语义推理方法，其特征在于，基于所述词条提取语义词项，包括：
获取词条词项上下文的关系特征向量，使用正向最大匹配法提取所述词条中的待分割词项并映射为第二词向量，运用长短时记忆网络分类器判断所述第二词向量与所述关系特征向量的拼接结果是否为词条词项，若是，则计算词条词项的语义权重值，根据所述权重值对所述词条词项进行排序，并根据排序结果提取语义词项。
5.根据权利要求1所述的一种教育元宇宙中学习目标的语义推理方法，其特征在于，基于所述学习目标匹配对应的教学场景，包括：
在教学场景库中搜索教学场景，判断是否存在与所述学习目标的相似度超过阈值的教学场景，若是，则选择相似度最高的教学场景，否则，调取所述学习目标对应的场景模型，运用尺度归一化算法，设置所述场景模型的尺寸和可视范围。
6.根据权利要求5所述的一种教育元宇宙中学习目标的语义推理方法，其特征在于，所述将匹配到的教学场景以及所述学习目标中的学科和所述目标知识点的关联关系整合至教学模型，还包括：
使用深度优先搜索遍历算法，获取与邻接知识点关联所有教学模型，依据教学场景尺度和观察者远近关系，确定教学模型呈现次序。
7.根据权利要求1所述的一种教育元宇宙中学习目标的语义推理方法，其特征在于，所述建立各个教学模型之间的交互关系，包括：
依据学习目标所属的学科和知识点语义，提取不同教学模型之间的交互关系；
通过脚本语言描述、绑定各模型的交互行为和事件，将场景中教学模型的交互关系进行分组，构建教学模型之间的交互网络。
8.一种教育元宇宙中学习目标的语义推理终端，包括存储器、处理器以及存储在所述存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的一种教育元宇宙中学习目标的语义推理方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311451652.2A CN117196042B (zh) | 2023-11-03 | 2023-11-03 | 一种教育元宇宙中学习目标的语义推理方法及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311451652.2A CN117196042B (zh) | 2023-11-03 | 2023-11-03 | 一种教育元宇宙中学习目标的语义推理方法及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117196042A CN117196042A (zh) | 2023-12-08 |
| CN117196042B true CN117196042B (zh) | 2024-01-30 |
Family
ID=88989066
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311451652.2A Active CN117196042B (zh) | 2023-11-03 | 2023-11-03 | 一种教育元宇宙中学习目标的语义推理方法及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117196042B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648349B (zh) * | 2024-01-29 | 2024-04-09 | 河北省中医院 | 档案调用方法及平台 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08147307A (ja) * | 1994-11-22 | 1996-06-07 | Gijutsu Kenkyu Kumiai Shinjoho Shiyori Kaihatsu Kiko | 意味知識獲得装置 |
| CN109062939A (zh) * | 2018-06-20 | 2018-12-21 | 广东外语外贸大学 | 一种面向汉语国际教育的智能导学方法 |
| CN116229776A (zh) * | 2023-02-22 | 2023-06-06 | 上海杉达学院 | 一种基于教育元宇宙的教学互动方法及*** |
| CN116524791A (zh) * | 2023-04-07 | 2023-08-01 | 华中科技大学 | 一种基于元宇宙的唇语学习辅助训练***及其应用 |
| CN116561533A (zh) * | 2023-07-05 | 2023-08-08 | 福建天晴数码有限公司 | 一种教育元宇宙中虚拟化身的情感演化方法及终端 |
| CN116756574A (zh) * | 2023-08-16 | 2023-09-15 | 腾讯科技（深圳）有限公司 | 多模态预训练模型的训练方法、使用方法、装置和设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780292B (zh) * | 2021-08-31 | 2022-05-06 | 北京交通大学 | 一种基于证据推理的语义分割网络模型不确定性量化方法 |
-
2023
- 2023-11-03 CN CN202311451652.2A patent/CN117196042B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08147307A (ja) * | 1994-11-22 | 1996-06-07 | Gijutsu Kenkyu Kumiai Shinjoho Shiyori Kaihatsu Kiko | 意味知識獲得装置 |
| CN109062939A (zh) * | 2018-06-20 | 2018-12-21 | 广东外语外贸大学 | 一种面向汉语国际教育的智能导学方法 |
| CN116229776A (zh) * | 2023-02-22 | 2023-06-06 | 上海杉达学院 | 一种基于教育元宇宙的教学互动方法及*** |
| CN116524791A (zh) * | 2023-04-07 | 2023-08-01 | 华中科技大学 | 一种基于元宇宙的唇语学习辅助训练***及其应用 |
| CN116561533A (zh) * | 2023-07-05 | 2023-08-08 | 福建天晴数码有限公司 | 一种教育元宇宙中虚拟化身的情感演化方法及终端 |
| CN116756574A (zh) * | 2023-08-16 | 2023-09-15 | 腾讯科技（深圳）有限公司 | 多模态预训练模型的训练方法、使用方法、装置和设备 |
Non-Patent Citations (1)
| Title |
|---|
| 基于特征增强的中文STEM课程知识的关系抽取;韩萌;李蔚清;;计算机应用研究(第S1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117196042A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108121829B (zh) | 面向软件缺陷的领域知识图谱自动化构建方法 | |
| CN111680173A (zh) | 统一检索跨媒体信息的cmr模型 | |
| CN117196042B (zh) | 一种教育元宇宙中学习目标的语义推理方法及终端 | |
| CN111143569A (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
| CN108021703B (zh) | 一种谈话式智能教学*** | |
| CN112115252B (zh) | 智能辅助写作处理方法、装置、电子设备及存储介质 | |
| CN108710695A (zh) | 基于电子书的思维导图生成方法及电子设备 | |
| CN112328800A (zh) | 自动生成编程规范问题答案的***及方法 | |
| CN110968708A (zh) | 一种教育信息资源属性标注方法及*** | |
| Amnueypornsakul et al. | Machine-guided solution to mathematical word problems | |
| Ince | Automatic and intelligent content visualization system based on deep learning and genetic algorithm | |
| Do et al. | Some Techniques for Intelligent Searching on Ontology-based Knowledge Domain in e-Learning. | |
| Ng et al. | Understanding and supporting knowledge decomposition for machine teaching | |
| CN114840685A (zh) | 一种应急预案知识图谱构建方法 | |
| CN117454884B (zh) | 历史人物信息纠错方法、***、电子设备和存储介质 | |
| Haravu et al. | Text mining and data mining in knowledge organization and discovery: the making of knowledge-based products | |
| Stella et al. | Mental lexicon growth modelling reveals the multiplexity of the English language | |
| CN106599305A (zh) | 一种基于众包的异构媒体语义融合方法 | |
| Reddy et al. | A novel approach for similarity and indexing-based ontology for semantic web educational system | |
| Ternes et al. | Automated Assistance for Data Modelers combining Natural Language Processing and Data Modeling Heuristics: A Prototype Demonstration. | |
| Bruschke et al. | Towards querying multimodal annotations using graphs | |
| CN111898371A (zh) | 设计理性知识的本体构建方法、装置及计算机存储介质 | |
| Yannakoudakis et al. | Automating second language acquisition research: Integrating information visualisation and machine learning | |
| Dichev et al. | Using topic maps for e-learning | |
| Elkaimbillah et al. | Construction of an ontology-based document collection for the IT job offer in Morocco |
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 |