羅 明

(北京工業(yè)大學(xué) 信息學(xué)部,北京 100124)

1 引言

教育測(cè)評(píng)包括兩部分,教育測(cè)量和教育評(píng)價(jià).教育測(cè)量是指針對(duì)學(xué)校教育影響下學(xué)生各方面的發(fā)展,側(cè)重從量的規(guī)定上予以確定和描述的過(guò)程,關(guān)注點(diǎn)在于學(xué)校的教學(xué)效果,反饋關(guān)于課堂教與學(xué)兩方面的信息；教學(xué)評(píng)價(jià)是指按照一定的價(jià)值標(biāo)準(zhǔn)和教育目標(biāo),側(cè)重對(duì)學(xué)生行為的定性描述,利用測(cè)量和非測(cè)量的種種方法系統(tǒng)地收集資料信息,對(duì)學(xué)生的發(fā)展變化及其影響學(xué)生發(fā)展變化的各種要素進(jìn)行價(jià)值分析和價(jià)值判斷,并為教育決策提供依據(jù)的過(guò)程[1].縱觀現(xiàn)有教育測(cè)評(píng)模式,中學(xué)教學(xué)大多通過(guò)組織大規(guī)模的考試活動(dòng),如多校聯(lián)考,地區(qū)統(tǒng)考、月考、周考等,將學(xué)生組織在一塊進(jìn)行考試,頻繁的考試活動(dòng)耗費(fèi)師生大部分時(shí)間精力；卷面測(cè)評(píng)覆蓋內(nèi)容有限和涉及知識(shí)點(diǎn)零散不連貫的固有弊端導(dǎo)致學(xué)生缺乏對(duì)知識(shí)系統(tǒng)性的認(rèn)知[2]；傳統(tǒng)集中式的卷面測(cè)評(píng)很難適合各階段學(xué)習(xí)情況的學(xué)生,教學(xué)針對(duì)性很差；為此,各種測(cè)評(píng)系統(tǒng)不斷涌現(xiàn),如全通教學(xué)質(zhì)量監(jiān)測(cè)平臺(tái)[3]、教研測(cè)[4]等,但是它們大多采用數(shù)學(xué)統(tǒng)計(jì)的方法整理分析考試結(jié)果并制作數(shù)據(jù)報(bào)表,統(tǒng)計(jì)結(jié)果往往局限于學(xué)生直觀的考試分?jǐn)?shù)和排名,無(wú)法對(duì)知識(shí)進(jìn)行系統(tǒng)性地建模以幫助學(xué)生了解自己在整個(gè)知識(shí)結(jié)構(gòu)上的掌握情況；統(tǒng)計(jì)結(jié)果相對(duì)離散,數(shù)據(jù)間的關(guān)聯(lián)關(guān)系無(wú)法得到有效刻畫(huà),在當(dāng)今知識(shí)付費(fèi)的大數(shù)據(jù)時(shí)代背景下,無(wú)疑是對(duì)教育領(lǐng)域信息資源的浪費(fèi).

大數(shù)據(jù)時(shí)代的發(fā)展,涌現(xiàn)了很多新技術(shù),其中知識(shí)圖譜自谷歌公司于2012年提出“Google Knowledge Graph”以來(lái)受到學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注,其技術(shù)特征在于描述現(xiàn)實(shí)世界中存在的實(shí)體以及實(shí)體之間的關(guān)系.由于其強(qiáng)大的實(shí)體間關(guān)聯(lián)關(guān)系刻畫(huà)能力,知識(shí)圖譜被很多研究學(xué)者引入了教育領(lǐng)域,并得到了應(yīng)用實(shí)踐,如基于知識(shí)圖譜的教育應(yīng)用領(lǐng)域熱點(diǎn)問(wèn)題和前沿探索[5,6]、學(xué)科教學(xué)研究圖譜分析[7]、領(lǐng)域信息可視化和知識(shí)挖掘等[8].本文將知識(shí)圖譜引入教育領(lǐng)域,提出構(gòu)建教育測(cè)評(píng)知識(shí)圖譜(Educational Assessment Knowledge Graph,EAKG),與其他領(lǐng)域知識(shí)圖譜構(gòu)建方法相比,我們構(gòu)建方法主要分為兩層:基于Ontology[9]的知識(shí)圖譜模式層構(gòu)建和依托于模式層結(jié)構(gòu)的知識(shí)圖譜數(shù)據(jù)層構(gòu)建.

知識(shí)圖譜的表示方法,是知識(shí)圖譜構(gòu)建與應(yīng)用的基礎(chǔ),表示方式的好壞直接影響著在知識(shí)圖譜上的計(jì)算效率,進(jìn)而影響著知識(shí)圖譜在具體應(yīng)用上的表現(xiàn)效果或性能.目前主流的關(guān)于知識(shí)圖譜表示方法有兩種:基于符號(hào)表示和基于分布式向量表示.其中基于符號(hào)表示的知識(shí)圖譜通常借助于邏輯規(guī)則、產(chǎn)生式等進(jìn)行知識(shí)刻畫(huà),其特有的強(qiáng)邏輯關(guān)聯(lián)與規(guī)則推理能力,在常識(shí)性知識(shí)圖譜領(lǐng)域具有廣泛應(yīng)用,如語(yǔ)義信息檢索、智能問(wèn)答等；基于分布式向量表示的知識(shí)圖譜彌補(bǔ)了符號(hào)表示面臨的數(shù)據(jù)稀疏、圖算法復(fù)雜、難以適應(yīng)大規(guī)模計(jì)算等困境,通過(guò)將知識(shí)圖譜中的實(shí)體和關(guān)系的語(yǔ)義信息嵌入到連續(xù)稠密低維向量空間中,在簡(jiǎn)化操作與計(jì)算的同時(shí)最大程度保留了原始的網(wǎng)絡(luò)結(jié)構(gòu),知識(shí)的向量表示為基于連續(xù)數(shù)值空間上計(jì)算的知識(shí)應(yīng)用提供了應(yīng)用基礎(chǔ).

本文工作主要貢獻(xiàn)概括為以下兩點(diǎn):首先,將知識(shí)圖譜技術(shù)引入教育測(cè)評(píng)領(lǐng)域,基于真實(shí)高中模考數(shù)據(jù),構(gòu)建了一個(gè)面向高中的教育測(cè)評(píng)知識(shí)圖譜,其中包括基于Ontology 的知識(shí)圖譜模式層構(gòu)建和依托于模式層結(jié)構(gòu)定義的知識(shí)圖譜數(shù)據(jù)層構(gòu)建；其次,結(jié)合主流的嵌入式表示翻譯模型對(duì)構(gòu)建的EAKG 進(jìn)行嵌入式表示學(xué)習(xí),將符號(hào)表示的知識(shí)嵌入到連續(xù)稠密低維向量空間中；實(shí)驗(yàn)表明:加入模式層信息的EAKG 在數(shù)值向量空間上計(jì)算的知識(shí)應(yīng)用如實(shí)體鏈接預(yù)測(cè)、三元組分類(lèi)任務(wù)上的性能要優(yōu)于沒(méi)有模式層結(jié)構(gòu)信息的EAKG 在該類(lèi)任務(wù)上的表現(xiàn).

在本文的剩余部分,我們首先回顧相關(guān)工作研究,在第3 節(jié)中簡(jiǎn)要介紹知識(shí)圖譜整體構(gòu)建流程以及EAKG 模式層本體構(gòu)建；第4 節(jié)介紹EAKG 數(shù)據(jù)層構(gòu)建；第5 節(jié)主要闡述EAKG 的嵌入式表示學(xué)習(xí)以及實(shí)驗(yàn)結(jié)果；最后部分關(guān)于工作總結(jié)以及未來(lái)工作展望.

2 相關(guān)工作

Ontology 在計(jì)算機(jī)科學(xué)領(lǐng)域的核心意思是一種知識(shí)表示模型,用于描述由對(duì)象類(lèi)型、屬性以及關(guān)系類(lèi)型所構(gòu)成的領(lǐng)域知識(shí)庫(kù).斯坦福大學(xué)計(jì)算機(jī)科學(xué)家Tom Gruber 對(duì)于計(jì)算機(jī)科學(xué)術(shù)語(yǔ)“Ontology”給出了審慎的定義:一種對(duì)于某一概念體系(概念表達(dá)或概念化過(guò)程)的明確表述[9].本體是對(duì)領(lǐng)域知識(shí)的提煉總結(jié),利用公理、規(guī)則和約束條件來(lái)規(guī)范實(shí)體、關(guān)系以及實(shí)體的類(lèi)型和屬性等對(duì)象之間的關(guān)系,并逐步成為知識(shí)圖譜模式構(gòu)建核心[10].

知識(shí)圖譜,是結(jié)構(gòu)化的知識(shí)庫(kù),目的在于描述真實(shí)世界中存在的各種實(shí)體或概念以及之間的聯(lián)系[10].其中,每個(gè)實(shí)體或概念用一個(gè)全局唯一確定的ID 來(lái)標(biāo)識(shí),稱(chēng)為它們的標(biāo)識(shí)符(identifier)；關(guān)系(relation)用來(lái)連接兩個(gè)實(shí)體,刻畫(huà)它們之間的關(guān)聯(lián),而屬性—值對(duì)(attributevaluepair,又稱(chēng)AVP)則用來(lái)刻畫(huà)實(shí)體的內(nèi)在特性.知識(shí)圖譜技術(shù)的興起讓海量數(shù)據(jù)信息已更好的組織形式得到管理,實(shí)現(xiàn)領(lǐng)域知識(shí)共享；其強(qiáng)大的知識(shí)推理能力讓智能語(yǔ)義搜索、深度問(wèn)答、社交網(wǎng)絡(luò)以及垂直領(lǐng)域內(nèi)的信息挖掘成為可能.常見(jiàn)的知識(shí)圖譜如由專(zhuān)家人工創(chuàng)建的WordNet、Cycorp,由大眾協(xié)作編輯創(chuàng)建的Freebase、WikiData,基于信息抽取自動(dòng)創(chuàng)建的Nell、YAGO、ProBase,以及垂直領(lǐng)域內(nèi)的谷歌大腦知識(shí)圖譜、百度搜索知識(shí)圖譜、阿里電商知識(shí)圖譜等.

隨著知識(shí)圖譜研究熱潮的興起和教育智能化的發(fā)展,人們逐漸把目光轉(zhuǎn)向了兩者的有機(jī)結(jié)合上.Xie[11]等人從知識(shí)表示,知識(shí)獲取和知識(shí)推理三個(gè)維度對(duì)文本和多媒體領(lǐng)域的知識(shí)進(jìn)行闡述；Sun[12]等人通過(guò)利用自然語(yǔ)言處理技術(shù)提取實(shí)體和實(shí)體關(guān)系構(gòu)建教育知識(shí)圖譜,利用基于事件網(wǎng)絡(luò)和時(shí)間軸的拓?fù)浣Y(jié)構(gòu),構(gòu)建視覺(jué)分析可視化平臺(tái)EduVis 來(lái)清晰地呈現(xiàn)知識(shí)圖譜的內(nèi)部結(jié)構(gòu),從而發(fā)掘出隱藏在知識(shí)圖譜中的關(guān)于教育輿論和文本語(yǔ)料中的主題信息；London[13,14]等人提出了四種不同的適合于公共教育的學(xué)生,教師和學(xué)科的網(wǎng)絡(luò)圖譜表示,并提出了一些圖挖掘技術(shù)來(lái)獲得關(guān)于它們的詳細(xì)信息,如文章中定義了一個(gè)有向加權(quán)學(xué)生網(wǎng)絡(luò),并結(jié)合圖挖掘方法獲得有別于傳統(tǒng)簡(jiǎn)單的統(tǒng)計(jì)分析得來(lái)的更為詳細(xì)的學(xué)生成績(jī)和排名信息；假定兩個(gè)學(xué)生在分?jǐn)?shù)上的相近來(lái)刻畫(huà)學(xué)生間的相似性,通過(guò)定義一個(gè)無(wú)向加權(quán)圖,結(jié)合社區(qū)檢測(cè)算法將學(xué)生進(jìn)行分組,從而從所得的學(xué)生分組中發(fā)掘出組內(nèi)學(xué)生共有的重要信息；Nieto-Isidro[15]在文章中指出評(píng)估是對(duì)教學(xué)過(guò)程的質(zhì)量貢獻(xiàn)最大的教育因素之一,不僅僅在于衡量,而且也需要一個(gè)連續(xù)的決策過(guò)程,它必須符合客觀性、有效性、可靠性和靈活性的標(biāo)準(zhǔn),這些標(biāo)準(zhǔn)的應(yīng)用可以確保評(píng)估過(guò)程既衡量教育質(zhì)量,又促進(jìn)教育質(zhì)量,從而成為教育系統(tǒng)各個(gè)層面的關(guān)鍵要素；蔣彥[16]等人基于本體構(gòu)建的數(shù)學(xué)知識(shí)庫(kù)一定程度上實(shí)現(xiàn)了教學(xué)領(lǐng)域數(shù)學(xué)學(xué)科知識(shí)的共享和基于符號(hào)規(guī)則推理的知識(shí)應(yīng)用,但是并沒(méi)有對(duì)學(xué)科領(lǐng)域知識(shí)層次結(jié)構(gòu)進(jìn)行刻畫(huà),無(wú)法讓學(xué)生對(duì)自己知識(shí)掌握情況有系統(tǒng)性地認(rèn)知,同時(shí)符號(hào)表示的知識(shí)圖譜上的應(yīng)用有限,無(wú)法實(shí)現(xiàn)連續(xù)數(shù)值向量空間上計(jì)算的知識(shí)應(yīng)用.

結(jié)合日趨完善的知識(shí)圖譜技術(shù)以及當(dāng)下提倡的精準(zhǔn)化、智能化教育測(cè)評(píng)的時(shí)代背景,本文提出構(gòu)建面向高中教育測(cè)評(píng)知識(shí)圖譜,旨在建立領(lǐng)域中各種測(cè)評(píng)指標(biāo)、數(shù)據(jù)以及諸如學(xué)校、學(xué)生、試卷、試題、知識(shí)點(diǎn)等概念對(duì)象、實(shí)體、屬性等之間的關(guān)聯(lián)關(guān)系,實(shí)現(xiàn)教育領(lǐng)域知識(shí)共享與互聯(lián)的同時(shí)為智能教育測(cè)評(píng)提供更為廣泛的知識(shí)應(yīng)用；與其他工作不同在于,本文將知識(shí)圖譜技術(shù)應(yīng)用于教育測(cè)評(píng)領(lǐng)域,學(xué)科知識(shí)點(diǎn)層次結(jié)構(gòu)的關(guān)系建模讓學(xué)生對(duì)知識(shí)有了更系統(tǒng)性的認(rèn)知,細(xì)致全面的學(xué)生學(xué)習(xí)能力的刻畫(huà)讓教學(xué)更具有針對(duì)性和指導(dǎo)性,知識(shí)圖譜的表示學(xué)習(xí)則為教育測(cè)評(píng)的智能化提供更廣泛的實(shí)現(xiàn)基礎(chǔ).

3 EAKG 模式層構(gòu)建

3.1 EAKG 構(gòu)建的整體框架與流程

EAKG 的構(gòu)建首先從外源數(shù)據(jù)中進(jìn)行信息抽取,包括從結(jié)構(gòu)化和半結(jié)構(gòu)化以及非結(jié)構(gòu)化數(shù)據(jù)中提取諸如學(xué)生、知識(shí)點(diǎn)、測(cè)評(píng)指標(biāo)等概念、屬性、關(guān)系等信息；其次,構(gòu)建EAKG 模式層本體結(jié)構(gòu),即對(duì)抽取的概念、屬性、關(guān)系等進(jìn)行明確和形式化表達(dá),其中包括概念的定義,屬性的定義以及多元關(guān)系的定義,該過(guò)程是對(duì)教育測(cè)評(píng)領(lǐng)域知識(shí)的提煉總結(jié),是EAKG 的模板和核心；然后,構(gòu)建EAKG 數(shù)據(jù)層,數(shù)據(jù)層的構(gòu)建是依托于模式層的結(jié)構(gòu)定義完成概念實(shí)例對(duì)的生成和實(shí)例屬性值的生成,本文采用Jean 框架通過(guò)調(diào)用OWL API 實(shí)現(xiàn)數(shù)據(jù)層的半自動(dòng)化構(gòu)建,其中,實(shí)例、屬性值是從真實(shí)?？紨?shù)據(jù)中經(jīng)過(guò)數(shù)據(jù)清洗、轉(zhuǎn)換獲得,數(shù)據(jù)清洗轉(zhuǎn)換操作主要是針對(duì)抽取的實(shí)例、屬性值進(jìn)行冗余控制、格式轉(zhuǎn)換解析、同步更新、規(guī)范化等操作；接著進(jìn)行知識(shí)存儲(chǔ),知識(shí)存儲(chǔ)是知識(shí)圖譜構(gòu)建與應(yīng)用的重要基礎(chǔ),目前主流的知識(shí)圖譜存儲(chǔ)方式有基于文檔數(shù)據(jù)庫(kù)、圖數(shù)據(jù)庫(kù)、關(guān)系數(shù)據(jù)庫(kù)和分布式存儲(chǔ)這幾類(lèi),本文對(duì)構(gòu)建的EAKG 采用基于文檔數(shù)據(jù)庫(kù)和分布式存儲(chǔ)兩種方式進(jìn)行存儲(chǔ),其中基于文檔數(shù)據(jù)庫(kù)存儲(chǔ)形式是為了便于符號(hào)表示的知識(shí)推理,而分布式存儲(chǔ)形式則是為了便于在數(shù)值向量空間上的顯式推理；最后基于構(gòu)建的EAKG 進(jìn)行知識(shí)推理,知識(shí)推理是指從已有數(shù)據(jù)出發(fā),通過(guò)計(jì)算發(fā)掘隱含在已有知識(shí)中的新知識(shí),建立實(shí)體間的新關(guān)聯(lián),豐富與完善知識(shí)圖譜的過(guò)程,如對(duì)EAKG 中以符號(hào)表示的知識(shí)通過(guò)調(diào)用推理機(jī)針對(duì)對(duì)象屬性進(jìn)行的屬性推理或以分布式向量表示的知識(shí)通過(guò)數(shù)值計(jì)算得到的諸如實(shí)體相似度計(jì)算、鏈接預(yù)測(cè)等的顯式推理；對(duì)推理結(jié)果進(jìn)行人工檢查與校驗(yàn),去除冗余、矛盾、準(zhǔn)確性不高的知識(shí),調(diào)整數(shù)據(jù)之間的層次、邏輯等結(jié)構(gòu)后最終得到完整的教育測(cè)評(píng)知識(shí)圖譜.EAKG 構(gòu)建整體流程如圖1所示.

圖1 EAKG 構(gòu)建整體流程

3.2 EAKG 模式層本體構(gòu)建

知識(shí)圖譜模式層位于數(shù)據(jù)層之上,是知識(shí)圖譜的核心,通常采用本體庫(kù)來(lái)管理知識(shí)圖譜的模式層[10].本體是結(jié)構(gòu)化知識(shí)庫(kù)的概念模板,通過(guò)本體庫(kù)而形成的知識(shí)庫(kù)不僅層次結(jié)構(gòu)較強(qiáng),并且冗余程度較小.本體的構(gòu)建尚沒(méi)有一個(gè)完全統(tǒng)一或通用的規(guī)范標(biāo)準(zhǔn),面向領(lǐng)域的知識(shí)圖譜構(gòu)建往往需要領(lǐng)域?qū)＜业膮f(xié)作或指導(dǎo),目前業(yè)內(nèi)主流的構(gòu)建方法有骨架法、評(píng)估法、四步法、七步法等方法[10,17-19].

本文中,利用本體可視化工具Protégé[20]來(lái)構(gòu)建教育測(cè)評(píng)領(lǐng)域的知識(shí)本體,對(duì)該領(lǐng)域中涉及到的基本概念、關(guān)系、函數(shù)、公理等進(jìn)行明確和形式化地表達(dá).EAKG 模式層本體構(gòu)建使用的真實(shí)數(shù)據(jù)從全通教學(xué)質(zhì)量監(jiān)測(cè)平臺(tái)獲得,該平臺(tái)是在江蘇省地區(qū)部分中學(xué)被實(shí)際應(yīng)用于教學(xué)工作活動(dòng)中,主要用于對(duì)日常教育測(cè)評(píng)活動(dòng)產(chǎn)生的數(shù)據(jù)進(jìn)行分析統(tǒng)計(jì),其中包括對(duì)學(xué)生、學(xué)校、測(cè)評(píng)試卷、試題、知識(shí)點(diǎn)、各種測(cè)評(píng)指標(biāo)的分析,本文中所有概念、屬性、關(guān)系等元素的抽象、定義均受實(shí)際教育測(cè)評(píng)活動(dòng)的啟發(fā)并在此基礎(chǔ)上經(jīng)過(guò)進(jìn)一步整理加工而來(lái),以盡可能的貼近實(shí)際情形并服務(wù)于實(shí)際教育測(cè)評(píng)活動(dòng).EAKG 模式層本體的構(gòu)建主要包括3 部分:概念分類(lèi)結(jié)構(gòu)、屬性定義和多元關(guān)系定義.

3.2.1 EAKG 概念分類(lèi)結(jié)構(gòu)

概念類(lèi)(Class)在本體中被定義為對(duì)該領(lǐng)域概念的描述,是對(duì)象實(shí)例的集合,包括概念的名稱(chēng)、與其它概念間關(guān)系的集合以及用自然語(yǔ)言對(duì)概念的描述.本文中,抽象概括的類(lèi)有:Student(學(xué)生類(lèi))、Subject(科目類(lèi))、ExamPaper(試卷類(lèi))、Question(試題類(lèi))、KnowledgePoint(知識(shí)點(diǎn)類(lèi))、School(學(xué)校類(lèi))、DifficultyDegree(難度等級(jí)類(lèi))、PaperRelation(試卷關(guān)聯(lián)類(lèi))、QuestionRelation(實(shí)體關(guān)聯(lián)類(lèi))、KPRelation(知識(shí)點(diǎn)關(guān)聯(lián)類(lèi))等總共585 個(gè)概念類(lèi)以及Ontology 內(nèi)置的一些類(lèi),如表示數(shù)值類(lèi)型的類(lèi):Integer(整形類(lèi))、Float(浮點(diǎn)類(lèi)),表示文本類(lèi)型的String(字符串類(lèi))等；其中大部分概念類(lèi)具有父子類(lèi)層次關(guān)系,如ExamPaper 下又分為MathExamPaper(數(shù)學(xué)試卷類(lèi))、ChineseExamPaper(語(yǔ)文試卷類(lèi))等九門(mén)學(xué)科試卷類(lèi),其部分概念類(lèi)分類(lèi)結(jié)構(gòu)如圖2(a)所示.

圖2 EAKG 模式層本體結(jié)構(gòu)

3.2.2 EAKG 屬性定義

屬性定義包括對(duì)象屬性和數(shù)據(jù)屬性的定義.對(duì)象屬性用于描述概念類(lèi)間關(guān)聯(lián)關(guān)系,本文中定義了如刻畫(huà)試卷與試題間的包含與從屬關(guān)系hasQuestion 及其逆反關(guān)系isQuestionOf、試題與知識(shí)點(diǎn)間的包含從屬關(guān)系hasKnowledge 及其逆反關(guān)系isKnowledgeOf、學(xué)校與學(xué)生間的包含與從屬關(guān)系hasStudents 及其逆反關(guān)系isBelongTo、知識(shí)點(diǎn)間整體與部分關(guān)系hasPart 和isPartOf、知識(shí)點(diǎn)間前后置依賴(lài)關(guān)系dependsOn 等25 種對(duì)象屬性關(guān)系并進(jìn)行額外的控制約束,如限制值域定義域等,部分對(duì)象屬性關(guān)系示意圖如圖2(b)所示.教育教學(xué)過(guò)程中,學(xué)科知識(shí)點(diǎn)并不是孤立存在的,而是在整個(gè)教與學(xué)過(guò)程中都遵循從部分到整體以及一定的先后依賴(lài)順序.知識(shí)點(diǎn)整體部分關(guān)系主要用于刻畫(huà)某個(gè)大的知識(shí)點(diǎn)包含若干小知識(shí)點(diǎn),反之,某些小知識(shí)點(diǎn)包含于某個(gè)大知識(shí)點(diǎn)這種包含與被包含關(guān)系；以高中數(shù)學(xué)學(xué)科為例,知識(shí)點(diǎn)在教學(xué)大綱中以章、節(jié)、小節(jié)組織形式編排,總共有535 個(gè)知識(shí)點(diǎn),具體包括33 大章、140 節(jié)、362 小節(jié)這樣的知識(shí)點(diǎn)整體部分結(jié)構(gòu)；如圖3所示,大知識(shí)點(diǎn)“集合”包含三個(gè)小知識(shí)點(diǎn),分別為“集合的含義”、“集合的關(guān)系”、“集合的運(yùn)算”,反之,這三個(gè)小知識(shí)點(diǎn)均包含于大知識(shí)點(diǎn)“集合”；知識(shí)點(diǎn)間的整體部分關(guān)系定義有助于更精準(zhǔn)化地測(cè)評(píng)學(xué)生在知識(shí)結(jié)構(gòu)上的具體掌握情況,因此,在教育測(cè)評(píng)過(guò)程中,衡量某個(gè)學(xué)生在知識(shí)點(diǎn)“集合”上的掌握情況可以從“集合的含義”、“集合的關(guān)系”、“集合的運(yùn)算”三個(gè)小知識(shí)點(diǎn)上的掌握情況來(lái)進(jìn)行測(cè)評(píng),幫助更精準(zhǔn)化教育測(cè)評(píng)的實(shí)施.

圖3 知識(shí)點(diǎn)“集合”整體部分關(guān)系示意圖

知識(shí)點(diǎn)間前后置依賴(lài)關(guān)系用于描述在整個(gè)知識(shí)體系教學(xué)過(guò)程中知識(shí)點(diǎn)的教授先后順序以及學(xué)生學(xué)習(xí)過(guò)程中知識(shí)點(diǎn)學(xué)習(xí)的先后順序.本文中,以數(shù)學(xué)學(xué)科為例,對(duì)學(xué)科中知識(shí)點(diǎn)間前后置依賴(lài)關(guān)系進(jìn)行建模,如圖4所示,“集合的表示法”這個(gè)知識(shí)點(diǎn)依賴(lài)于“集合的概念”,用三元組表示為(集合的表示法,dependsOn,集合的概念),其含義表示知識(shí)點(diǎn)“集合的概念”是知識(shí)點(diǎn)“集合的表示法”的前置知識(shí)點(diǎn),即在高中數(shù)學(xué)教學(xué)過(guò)程中教學(xué)工作者欲教授知識(shí)點(diǎn)“集合的表示法”,則需先教授知識(shí)點(diǎn)“集合的概念”；對(duì)于學(xué)生來(lái)說(shuō)則是若欲掌握知識(shí)點(diǎn)“集合的表示法”,則需提前完成知識(shí)點(diǎn)“集合的概念”的掌握學(xué)習(xí),換言之掌握知識(shí)點(diǎn)“集合的概念”是學(xué)好知識(shí)點(diǎn)“集合的表示法”的前提基礎(chǔ).知識(shí)點(diǎn)前后置依賴(lài)關(guān)系的定義主要用于幫助學(xué)生分析其經(jīng)常在某些知識(shí)點(diǎn)上失分而找不到具體原因的困境,從當(dāng)前知識(shí)點(diǎn)溯源找到前置知識(shí)點(diǎn),往往能從知識(shí)點(diǎn)結(jié)構(gòu)上幫助學(xué)生定位具體問(wèn)題所在,進(jìn)而幫助教研工作者對(duì)學(xué)生進(jìn)行具有針對(duì)性的輔導(dǎo)教學(xué).

數(shù)據(jù)屬性用于刻畫(huà)概念類(lèi)自身特性,本文中定義了如描述試卷類(lèi)的數(shù)據(jù)屬性hasPaperAnalysis、描述試題類(lèi)的數(shù)據(jù)屬性hasQuestionAnalysis、描述知識(shí)點(diǎn)類(lèi)的數(shù)據(jù)屬性hasKPAnalysis、描述學(xué)校類(lèi)的數(shù)據(jù)屬性hasSchoolIngredient 等總共35 個(gè)數(shù)據(jù)屬性；其中大部分?jǐn)?shù)據(jù)屬性具有父子屬性關(guān)系,如數(shù)據(jù)屬性hasPaperAnalysis 下包含試卷難度、區(qū)分度、可信度等子屬性,數(shù)據(jù)屬性hasKPAnalysis 下包含知識(shí)點(diǎn)難易程度、知識(shí)點(diǎn)掌握程度、得分情況等以及數(shù)據(jù)屬性hasSchoolIngredient 下的學(xué)校達(dá)標(biāo)率等；部分?jǐn)?shù)據(jù)屬性關(guān) 系示意圖如圖2(c)所示.

圖4 知識(shí)點(diǎn)前后置依賴(lài)關(guān)系結(jié)構(gòu)圖

3.2.3 EAKG 多元關(guān)系定義

語(yǔ)義Web 語(yǔ)言如RDF 或OWL 中,屬性是二元關(guān)系,只能用于兩個(gè)實(shí)體間的關(guān)聯(lián)或?qū)嶓w與屬性值間的關(guān)聯(lián)；然而,在某些情況下,人們?yōu)榱艘愿庇^自然的方式表達(dá)某個(gè)概念時(shí)往往會(huì)使用關(guān)系將概念實(shí)體連接到多個(gè)概念實(shí)體或?qū)傩灾?在W3C 官方文檔介紹中稱(chēng)這些關(guān)系為N 元關(guān)系(N-ary relations)[21],常見(jiàn)的如關(guān)系的屬性便是一種多元關(guān)系,實(shí)際工作中常常需要表達(dá)關(guān)系的確定性、關(guān)系的嚴(yán)重性、關(guān)系的強(qiáng)度、關(guān)系的相關(guān)性等.針對(duì)教育測(cè)評(píng)領(lǐng)域數(shù)據(jù)特點(diǎn),我們定義了多種多元關(guān)系,如學(xué)生與知識(shí)點(diǎn)的多元關(guān)系、學(xué)生與試卷的多元關(guān)系、學(xué)生與試題的多元關(guān)系；其中以學(xué)生與知識(shí)點(diǎn)間的多元關(guān)系為例,具體講解EAKG 構(gòu)建過(guò)程中對(duì)于多元關(guān)系的本體模式的構(gòu)建.為了實(shí)現(xiàn)對(duì)學(xué)生精準(zhǔn)測(cè)評(píng),需要刻畫(huà)學(xué)生在知識(shí)點(diǎn)上的掌握情況,如學(xué)生在某次?？贾性谀硞€(gè)知識(shí)點(diǎn)上的掌握程度、得分、排名等；然而由于三元組(h,r,t)只能用于刻畫(huà)兩個(gè)實(shí)體間的關(guān)聯(lián)關(guān)系,表示范疇局限于實(shí)體h和實(shí)體t間的二元關(guān)系r,為了表示學(xué)生與知識(shí)點(diǎn)間關(guān)系r 額外的屬性,如對(duì)知識(shí)點(diǎn)的掌握程度、得分、具體在哪次模考上等屬性,本文采用W3C 官方網(wǎng)站推薦的處理多元關(guān)系的本體模式,如圖5所示,其核心思想在于為了刻畫(huà)概念類(lèi)A 與概念類(lèi)B 之間關(guān)系R 的額外屬性(如圖5中C 所示),通過(guò)引入空白節(jié)點(diǎn)(blank node)將連接兩類(lèi)間的二元關(guān)系R 表示為類(lèi)而不是作為屬性來(lái)描述類(lèi)之間的多元關(guān)系,如圖5中下圖所示,將連接兩類(lèi)間的關(guān)系R 表示為形如xxRelation 這樣的中間類(lèi)起過(guò)渡作用來(lái)刻畫(huà)概念類(lèi)A 與概念類(lèi)B 之間關(guān)系R 的額外屬性C.

本文中,受圖5多元關(guān)系結(jié)構(gòu)模型啟發(fā),為了刻畫(huà)學(xué)生類(lèi)(Student)與知識(shí)點(diǎn)類(lèi)(knowledgePoint)間的多元關(guān)系,如學(xué)生具體在某次模擬考試中在某個(gè)知識(shí)點(diǎn)上的具體掌握程度、排名等額外屬性,本文將學(xué)生類(lèi)與知識(shí)點(diǎn)類(lèi)間的原有的二元關(guān)系表示為中間類(lèi)KPRelation,通過(guò)KPRelation 中間類(lèi)過(guò)渡將學(xué)生類(lèi)(Student) 關(guān)聯(lián)到模考類(lèi)(M o c k)、知識(shí)點(diǎn)類(lèi)(knowledgePoint)以及整數(shù)類(lèi)(Integer)從而實(shí)現(xiàn)學(xué)生在具體某次?？贾?在具體某個(gè)知識(shí)點(diǎn)上的具體情況(如掌握程度、排名等)的刻畫(huà),其結(jié)構(gòu)示意圖如圖6所示；同理,借助于圖5所示的多元關(guān)系本體表示結(jié)構(gòu),實(shí)現(xiàn)學(xué)生類(lèi)與試卷類(lèi)的多元關(guān)系以及學(xué)生類(lèi)與試題類(lèi)間 的多元關(guān)系的刻畫(huà).

圖5 多元關(guān)系(N-ary relations)結(jié)構(gòu)模型[21]

圖6 學(xué)生-知識(shí)點(diǎn)多元關(guān)系結(jié)構(gòu)圖

隨著概念類(lèi)、屬性、關(guān)系、公理等元素的不斷加入,知識(shí)圖譜模式層結(jié)構(gòu)得到不斷迭代更新和完善,本文構(gòu)建的EAKG 模式層結(jié)構(gòu)如圖7所示.

圖7 EAKG 模式層網(wǎng)絡(luò)結(jié)構(gòu)

4 EAKG 數(shù)據(jù)層構(gòu)建

EAKG 數(shù)據(jù)層構(gòu)建首先從外源數(shù)據(jù)(真實(shí)?？紨?shù)據(jù))中進(jìn)行信息抽取,提取出模式層概念類(lèi)所需要的實(shí)例數(shù)據(jù)和屬性值,如從結(jié)構(gòu)化數(shù)據(jù)中提取出學(xué)科知識(shí)點(diǎn),從半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)中提取出學(xué)生考試得分、排名、學(xué)校測(cè)評(píng)指標(biāo)等數(shù)據(jù)信息；經(jīng)過(guò)數(shù)據(jù)清洗、轉(zhuǎn)換,即針對(duì)抽取的實(shí)例、屬性值進(jìn)行冗余控制、對(duì)數(shù)值型數(shù)據(jù)如得分、排名、難度值等進(jìn)行格式轉(zhuǎn)換解析和規(guī)范化操作,使抽取得到的數(shù)據(jù)層數(shù)據(jù)符合模式層結(jié)構(gòu)定義；然后使用Jena 框架調(diào)用OWL API 實(shí)現(xiàn)概念實(shí)例對(duì)和實(shí)例屬性值對(duì)的自動(dòng)化生成,完成依托于模式層結(jié)構(gòu)定義的知識(shí)圖譜數(shù)據(jù)層構(gòu)建.其中,Jena 是一個(gè)免費(fèi)開(kāi)源的Java 框架,主要用于構(gòu)建語(yǔ)義網(wǎng)絡(luò)和鏈接數(shù)據(jù)相關(guān)應(yīng)用,其強(qiáng)大的數(shù)據(jù)處理能力為知識(shí)圖譜數(shù)據(jù)層面的構(gòu)建提供了良好的技術(shù)支持,在實(shí)體關(guān)系數(shù)達(dá)到百萬(wàn)級(jí)別情況下,其實(shí)時(shí)響應(yīng)速度仍然在秒級(jí)水平,為知識(shí)圖譜構(gòu)建的快速實(shí)現(xiàn)提供了很好的保障.完成數(shù)據(jù)層構(gòu)建的EAKG 本體度量信息如表1所示.

表1 EAKG 本體度量信息

基于符號(hào)表示的知識(shí)圖譜不僅解決了領(lǐng)域知識(shí)互聯(lián)與共享的難題,其強(qiáng)大的知識(shí)推理能力為知識(shí)圖譜的更新與完善提供了很好的支撐.知識(shí)推理是基于已有實(shí)體、關(guān)系等知識(shí)出發(fā),利用推理機(jī),建立實(shí)體間的新關(guān)聯(lián),發(fā)現(xiàn)新的知識(shí),豐富與完善知識(shí)圖譜.常見(jiàn)的知識(shí)推理如子屬性關(guān)系推理、等價(jià)類(lèi)、等價(jià)屬性推理、逆反屬性推理、屬性斷言推理等.本文對(duì)于構(gòu)建的EAKG 進(jìn)行知識(shí)推理,由于實(shí)體、關(guān)系數(shù)量較大,一次性吞吐所消耗的時(shí)間比較長(zhǎng),實(shí)時(shí)性較差,借鑒于深度學(xué)習(xí)過(guò)程中處理大數(shù)據(jù)集的做法,采用批量處理措施,對(duì)EAKG 進(jìn)行分批知識(shí)推理再去重整合,解決了大吞吐量帶來(lái)的高昂時(shí)間消耗問(wèn)題的同時(shí)其實(shí)時(shí)性達(dá)到了分鐘級(jí)別,其可行性在基于3000 多名高三學(xué)生真實(shí)數(shù)據(jù)的教育測(cè)評(píng)知識(shí)圖譜的構(gòu)建上得到了驗(yàn)證,并能夠滿(mǎn)足實(shí)際應(yīng)用工作需求.對(duì)于推理結(jié)果進(jìn)行人工檢查與校驗(yàn),由本體開(kāi)發(fā)人員和領(lǐng)域?qū)＜夜餐瑓f(xié)作完成,首先針對(duì)EAKG 模式層結(jié)構(gòu)的定義進(jìn)行核查,包括概念的定義、屬性定義及其諸如屬性的值域、定義域、函數(shù)、傳遞性等額外的約束性條件限制等；其次,借助于本體編輯可視化工具Protégé,打開(kāi)推理機(jī)先進(jìn)行一致性檢測(cè)(包括語(yǔ)法、語(yǔ)義的一致性檢測(cè)),可以直觀檢測(cè)出現(xiàn)有本體中存在的不一致性問(wèn)題,如名稱(chēng)ID 唯一性沖突、類(lèi)包含關(guān)系冗余、屬性定義域值域冗余、屬性值與類(lèi)型不匹配等,發(fā)現(xiàn)問(wèn)題并及時(shí)修改；最后,對(duì)推理結(jié)果如知識(shí)點(diǎn)間的依賴(lài)(dependsOn)關(guān)系、整體部分(hasPart-isPartOf)關(guān)系等推理結(jié)果進(jìn)行人工核查,參考領(lǐng)域?qū)＜乙庖?jiàn)并對(duì)不合理結(jié)果進(jìn)行回溯動(dòng)態(tài)調(diào)整修改.而對(duì)于結(jié)果的準(zhǔn)確性,則有兩方面進(jìn)行保證,一方面有嚴(yán)格的模式層結(jié)構(gòu)定義,在領(lǐng)域?qū)＜覅⑴c指導(dǎo)下對(duì)概念、屬性、關(guān)系以及約束性條件限制等進(jìn)行嚴(yán)格把關(guān),尤其在模式層知識(shí)點(diǎn)結(jié)構(gòu)定義部分,一定程度上保證了結(jié)構(gòu)的合理、準(zhǔn)確性,且模式層結(jié)構(gòu)具有一定的動(dòng)態(tài)調(diào)整修改的擴(kuò)展性,能根據(jù)領(lǐng)域?qū)＜覍?duì)推理結(jié)果準(zhǔn)確性的反饋?zhàn)鬟m當(dāng)調(diào)整；另一方面,本文采用基于描述邏輯的Pellet 推理機(jī)進(jìn)行知識(shí)推理,其中Pellet 是基于Java 使用Tableaux 算法設(shè)計(jì)實(shí)現(xiàn)的OWL-DL 推理機(jī),其對(duì)完備性、可判定性支持的特性從底層技術(shù)實(shí)現(xiàn)上確保了推理結(jié)果的準(zhǔn)確性.本文構(gòu)建的EAKG 經(jīng)過(guò)知識(shí)推理且進(jìn)行人工檢查與校驗(yàn),去除冗余、矛盾、準(zhǔn)確性不高的知識(shí)以及邏輯結(jié)構(gòu)后,整合得到完整的教育測(cè)評(píng)知識(shí)圖譜,記為EAKGwithSchema；另外,按照傳統(tǒng)網(wǎng)頁(yè)爬蟲(chóng)以及信息自動(dòng)抽取的方式構(gòu)建了沒(méi)有依托于模式層本體結(jié)構(gòu)定義,單純由數(shù)據(jù)構(gòu)成的教育測(cè)評(píng)知識(shí)圖譜,記為EAKGnoSchema.知識(shí)圖譜主要由一系列的事實(shí)組成,知識(shí)以事實(shí)為單位進(jìn)行存儲(chǔ),一般采用形如(實(shí)體1,關(guān)系,實(shí)體2)、(實(shí)體、屬性,屬性值)這樣的三元組來(lái)表達(dá).對(duì)于三元組的表示,主要有定義法、圖表示法和基于XML 表示法三種方式；其中基于圖表示法的開(kāi)源工具有Neo4j、Twitter 的FlockDB、Sones 的GraphDB 等；本文采用定義法對(duì)構(gòu)建的EAKG 以三元組形式進(jìn)行表示,兩種EAKG 詳細(xì)信息如表2所示.

表2 兩種EAKG 度量對(duì)比

從表2中可以看出,擁有模式層本體結(jié)構(gòu)信息并進(jìn)行知識(shí)推理后的教育測(cè)評(píng)知識(shí)圖譜E A K GwithSchema 無(wú)論在實(shí)體關(guān)系數(shù)還是在網(wǎng)絡(luò)復(fù)雜度上均要高于沒(méi)有模式層結(jié)構(gòu)支撐單純由數(shù)據(jù)事實(shí)構(gòu)成的教育測(cè)評(píng)知識(shí)圖譜EAKG-noSchema.

5 EAKG 的表示學(xué)習(xí)及應(yīng)用

知識(shí)的表示形式是知識(shí)圖譜應(yīng)用的基礎(chǔ),目前主流的表示形式有基于符號(hào)的知識(shí)表示和基于分布式的知識(shí)表示；其中基于符號(hào)的知識(shí)表示有如基于一階謂詞邏輯、基于語(yǔ)義網(wǎng)絡(luò)等方式,其特點(diǎn)在于知識(shí)推理具有可解釋性,屬于隱式推理,但難以適應(yīng)大規(guī)模知識(shí)圖譜且存在語(yǔ)義鴻溝,而基于分布式的知識(shí)表示有如基于張量分解、翻譯模型和神經(jīng)網(wǎng)絡(luò)三種表示方式,其特點(diǎn)在于知識(shí)推理具有可學(xué)習(xí)、可計(jì)算,適合大規(guī)模知識(shí)圖譜且屬于顯式推理.結(jié)合構(gòu)建的EAKG 規(guī)模比較大且具體知識(shí)應(yīng)用往往涉及在連續(xù)數(shù)值向量空間上的計(jì)算如學(xué)生試卷成績(jī)預(yù)測(cè)、學(xué)生在知識(shí)點(diǎn)上得分預(yù)測(cè)等的情況,本文采用基于翻譯模型的分布式表示方式對(duì)EAKG 進(jìn)行表示學(xué)習(xí).

基于翻譯模型的分布式表示學(xué)習(xí)核心思想是將知識(shí)圖譜中符號(hào)化知識(shí)嵌入到連續(xù)稠密低維向量空間的過(guò)程中,將關(guān)系解釋為對(duì)實(shí)體進(jìn)行操作的翻譯,在保留原始圖譜知識(shí)結(jié)構(gòu)的同時(shí)盡可能減少了語(yǔ)義的丟失并簡(jiǎn)化了操作,其代表算法便是由Bordes 等人首次提出的TransE[22]算法.由于其算法的簡(jiǎn)單有效,不少研究學(xué)者在此算法基礎(chǔ)上進(jìn)行改良優(yōu)化,提出了一系列的Trans 系列算法,如將關(guān)系解釋為超平面上的轉(zhuǎn)換操作以保持1-N/N-1/N-N 關(guān)系映射特性的TransH[23]、加入類(lèi)別信息進(jìn)行語(yǔ)義平滑操作的信SSE[24]以及處理多語(yǔ)義表達(dá)問(wèn)題的TransG[25]等.

基于最優(yōu)的嵌入式知識(shí)表示學(xué)習(xí)結(jié)果,指導(dǎo)在連續(xù)數(shù)值向量空間上計(jì)算的知識(shí)應(yīng)用.諸如可以通過(guò)實(shí)體鏈路預(yù)測(cè)任務(wù)來(lái)實(shí)現(xiàn)學(xué)生在知識(shí)點(diǎn)上的得分預(yù)測(cè),?？汲煽?jī)預(yù)測(cè),利用實(shí)體的向量化表示來(lái)完成實(shí)體相似性計(jì)算、知識(shí)補(bǔ)全、關(guān)系挖掘等知識(shí)應(yīng)用.

本文對(duì)比單純由數(shù)據(jù)沒(méi)有模式層結(jié)構(gòu)信息構(gòu)建的EAKG-noSchema 和依托于模式層結(jié)構(gòu)信息構(gòu)建并完成知識(shí)推理后的EAKG-withSchema 在多次重復(fù)實(shí)驗(yàn)當(dāng)TransE、TransH 模型訓(xùn)練結(jié)果達(dá)到最優(yōu)狀態(tài)下,在諸如學(xué)生模考成績(jī)預(yù)測(cè)、知識(shí)點(diǎn)分?jǐn)?shù)預(yù)測(cè)等實(shí)體鏈接預(yù)測(cè)[22]、三元組分類(lèi)[26]任務(wù)上的表現(xiàn),實(shí)驗(yàn)結(jié)果如下表3、4 所示,其中數(shù)據(jù)集如表5所示.

表3 實(shí)體鏈接預(yù)測(cè)結(jié)果

表4 三元組分類(lèi)結(jié)果

表5 實(shí)驗(yàn)數(shù)據(jù)集

其中,表3中,Hits@m[27]表示正確三元組排名位于top m 的數(shù)量占所有測(cè)試三元組數(shù)量的比例,值越高越好；Raw、Filter[23]表示統(tǒng)計(jì)Hits@m 采取的不同措施,其中Filter 表示統(tǒng)計(jì)排名前刪除出現(xiàn)在訓(xùn)練集、驗(yàn)證集或測(cè)試集中的所有其他三元組,Raw 則表示不進(jìn)行Filter 中的處理；表4中,Accuracy 指代在三元組分類(lèi)任務(wù)中(二分類(lèi)問(wèn)題),對(duì)于封閉世界假設(shè)中任意給定一個(gè)三元組(h,r,t),對(duì)其正確分類(lèi)的準(zhǔn)確率；表5中訓(xùn)練集、驗(yàn)證集、測(cè)試集比例為8:1:1,其數(shù)據(jù)相較于嵌入表示學(xué)習(xí)領(lǐng)域中公開(kāi)的數(shù)據(jù)集如W N 1 8、FB15K 等在量級(jí)上均是其好幾十倍,覆蓋面比較廣,因此實(shí)驗(yàn)結(jié)果具有一定的可信度.

從表3、表4實(shí)驗(yàn)結(jié)果可以看出,EAKG 的嵌入表示學(xué)習(xí)中,依托于模式層本體結(jié)構(gòu)定義構(gòu)建的EAKGwithSchema 在實(shí)體鏈接預(yù)測(cè)、三元組分類(lèi)任務(wù)上性能均要大幅優(yōu)于沒(méi)有模式層結(jié)構(gòu)信息支持單純由數(shù)據(jù)構(gòu)建的EAKG-noSchema 在上述任務(wù)中的表現(xiàn),實(shí)驗(yàn)表明:領(lǐng)域本體結(jié)構(gòu)信息的定義一定程度上提高了知識(shí)圖譜的嵌入表示學(xué)習(xí)性能,在基于連續(xù)數(shù)值向量空間上計(jì)算的知識(shí)應(yīng)用取得了更好的表現(xiàn),為進(jìn)一步的智能教育測(cè)評(píng)提供了更好的幫助.

6 結(jié)論與展望

本文介紹了教育測(cè)評(píng)知識(shí)圖譜構(gòu)建方法,邏輯上分為基于Ontology 的知識(shí)圖譜模式層構(gòu)建和依托于模式層結(jié)構(gòu)定義的知識(shí)圖譜數(shù)據(jù)層構(gòu)建；文中以高中數(shù)學(xué)學(xué)科為例講解了知識(shí)點(diǎn)間的層次關(guān)系、整體部分關(guān)系、前后置依賴(lài)關(guān)系的定義以及諸如學(xué)生與知識(shí)點(diǎn)間的多元關(guān)系的定義,構(gòu)建了層次結(jié)構(gòu)多元、實(shí)體對(duì)象類(lèi)型豐富的教育測(cè)評(píng)知識(shí)圖譜；另一方面,EAKG 的嵌入表示學(xué)習(xí),將傳統(tǒng)符號(hào)表示的知識(shí)嵌入到連續(xù)稠密低維向量空間去,實(shí)驗(yàn)結(jié)果表明:加入領(lǐng)域本體結(jié)構(gòu)信息構(gòu)建的知識(shí)圖譜的分布式表示學(xué)習(xí),在實(shí)體鏈接預(yù)測(cè)、三元組分類(lèi)任務(wù)上的性能要優(yōu)于沒(méi)有模式層信息支撐僅由數(shù)據(jù)事實(shí)構(gòu)建的知識(shí)圖譜在上述任務(wù)上的表現(xiàn),更好地支撐基于連續(xù)數(shù)值向量空間上計(jì)算的知識(shí)應(yīng)用.

本文構(gòu)建的EAKG 盡管擁有幾十萬(wàn)的節(jié)點(diǎn)和幾百萬(wàn)的邊,但依然存在關(guān)系不夠豐富、數(shù)據(jù)稀疏等問(wèn)題,以及隨著實(shí)體關(guān)系逐漸增多在知識(shí)推理、知識(shí)表示學(xué)習(xí)等在時(shí)間上的開(kāi)銷(xiāo)所帶來(lái)的性能問(wèn)題依然是未來(lái)亟待解決的問(wèn)題.