謝 榕，朱衛(wèi)平

（武漢大學(xué) 計(jì)算機(jī)學(xué)院，湖北 武漢 430072）

0 引言

人工智能是計(jì)算機(jī)科學(xué)的重要分支，現(xiàn)已成為當(dāng)今科學(xué)技術(shù)發(fā)展的重要前沿學(xué)科。2017 年國務(wù)院印發(fā)新一代人工智能發(fā)展規(guī)劃通知，指出人工智能是引領(lǐng)未來的戰(zhàn)略性技術(shù)［1］。人工智能基礎(chǔ)課程，如《人工智能引論》等，是學(xué)生學(xué)習(xí)人工智能知識的重要專業(yè)課程，主要講授人工智能的基本原理、方法與技術(shù)。該課程內(nèi)容特點(diǎn)是概念偏多、理論抽象、算法復(fù)雜、內(nèi)容難懂。在學(xué)習(xí)過程中，學(xué)生普遍反映學(xué)習(xí)該課程難度偏大，理解與掌握課程知識要點(diǎn)有一定困難，對該課程雖很有興趣卻望而生畏。當(dāng)前課本知識所呈現(xiàn)的知識體系描述相對抽象，知識要點(diǎn)之間只是一種單維上下位關(guān)系，缺乏多維邏輯關(guān)系的體現(xiàn)。如果主講教師僅采用傳統(tǒng)方法開展教學(xué)往往難以取得較好效果。因此，如何運(yùn)用科學(xué)先進(jìn)的教學(xué)理念、通俗易懂的教學(xué)方法，特別是運(yùn)用一些人工智能新技術(shù)作為輔助教學(xué)手段傳授課程內(nèi)容，對任課教師來說是一項(xiàng)極具挑戰(zhàn)性的任務(wù)。

2012 年美國Google 公司提出知識圖譜計(jì)劃，引起了學(xué)術(shù)界與工業(yè)界的高度關(guān)注［2］。利用信息處理、數(shù)據(jù)挖掘與圖形繪制等手段，知識圖譜把學(xué)科最復(fù)雜的知識內(nèi)容以可視化圖譜形式形象地展現(xiàn)出來，可很好地體現(xiàn)學(xué)科整體知識架構(gòu)、知識點(diǎn)以及相鄰知識關(guān)聯(lián)。因此，將知識圖譜引入課程教學(xué)，可有效地對課程知識脈絡(luò)進(jìn)行梳理，有助于學(xué)生充分理解學(xué)科知識，對優(yōu)化課程教學(xué)能夠起到很好的輔助作用。近年來，國內(nèi)一些高校也逐漸開始重視知識圖譜教學(xué)方法，并將知識圖譜技術(shù)應(yīng)用于智慧課堂［3］、MOOC教學(xué)［4］以及翻轉(zhuǎn)課堂［5］等，都取得了良好的教學(xué)效果。

然而，在開展人工智能課程教學(xué)調(diào)研時發(fā)現(xiàn)，目前國內(nèi)外尚沒有一套完整的人工智能課程知識圖譜，也較少運(yùn)用知識圖譜開展人工智能課程教學(xué)實(shí)踐。因此，本文旨在探索人工智能課程教學(xué)的創(chuàng)新方法，利用知識圖譜技術(shù)構(gòu)建一種面向人工智能課程教學(xué)的多媒態(tài)領(lǐng)域知識圖譜，并基于所建設(shè)的知識圖譜梳理專業(yè)知識，指導(dǎo)人工智能課程創(chuàng)新教學(xué)模式改革與實(shí)踐。具體地，以人工智能引論課程為研究對象，優(yōu)化教學(xué)內(nèi)容，形成集先進(jìn)性、前沿性與實(shí)用性為一體的人工智能知識體系、教學(xué)大綱和教學(xué)教案。在此基礎(chǔ)上收集、整理知識圖譜素材，利用分詞、文本挖掘、語義分析、可視化等技術(shù)手段構(gòu)建一個完整、多模態(tài)的人工智能教學(xué)領(lǐng)域知識圖譜，運(yùn)用所構(gòu)建的知識圖譜開展創(chuàng)新教學(xué)實(shí)踐，并提出該教學(xué)模式的具體實(shí)施細(xì)節(jié)。

1 人工智能課程教學(xué)內(nèi)容優(yōu)化

1.1 人工智能知識體系

在我國現(xiàn)行新成立的人工智能本科專業(yè)中，人工智能引論為一門基礎(chǔ)課程，一般只有32 學(xué)時。在教學(xué)時間十分有限的情況下，為了讓學(xué)生們能夠全方位地領(lǐng)略系統(tǒng)而完整的人工智能知識，盡快入門人工智能領(lǐng)域，并為進(jìn)一步學(xué)習(xí)人工智能其它相關(guān)課程打下牢固基礎(chǔ)，主講教師需要考慮以什么角度組織、優(yōu)化課程教學(xué)內(nèi)容，才能讓學(xué)生更容易接受、理解并掌握人工智能的原理、方法與技術(shù)。

人工智能是一門研究人類一切智能活動規(guī)律、模擬與擴(kuò)展人類智能行為的學(xué)科。其是一個龐大家族，涉及人工智能眾多基礎(chǔ)理論、重要方法與實(shí)現(xiàn)算法、學(xué)科分支及應(yīng)用領(lǐng)域等［6］。由于智能本身的復(fù)雜性，往往難以用單一理論與方法進(jìn)行描述，因此一般可建立如圖1 所示的人工智能學(xué)科知識體系，用基礎(chǔ)層、抽象層、邏輯層和應(yīng)用層等不同層次來描述智能本質(zhì)。從基礎(chǔ)層到抽象層和邏輯層，再到應(yīng)用層，4 個層次層層推進(jìn)，最終實(shí)現(xiàn)人工智能目標(biāo)。

Fig.1 Artificial intelligence knowledge architecture圖1 人工智能學(xué)科知識體系

（1）基礎(chǔ)層。該層是人工智能的最底層，用于描述基于腦系統(tǒng)與腦認(rèn)知的人工神經(jīng)網(wǎng)絡(luò)對現(xiàn)實(shí)世界的感知、認(rèn)知以及與現(xiàn)實(shí)世界的交互與映射，包括腦系統(tǒng)（結(jié)構(gòu)、機(jī)理、工作方式）、腦認(rèn)知（感知、記憶、意識、學(xué)習(xí)等理論）、人工神經(jīng)網(wǎng)絡(luò)（感知器、反向傳播神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)、時間序列神經(jīng)網(wǎng)絡(luò)等）等內(nèi)容。

（2）抽象層。該層是對人類知識的抽象與表達(dá)，圍繞著對求解應(yīng)用問題的理解，用于反映人類知識在人工智能中所扮演的角色，包括問題求解（狀態(tài)空間搜索、知情搜索、約束滿足問題等）、高級問題求解（自動推理、自然語言理解等）、知識及其表示（狀態(tài)空間、問題歸約、謂詞邏輯、語義網(wǎng)絡(luò)、框架、過程、產(chǎn)生式系統(tǒng)、本體等）、高級知識表示（知識圖譜）等內(nèi)容。

（3）邏輯層。該層是人工智能能力的集中體現(xiàn)，用于描述一切與人類智能活動有關(guān)的搜索、學(xué)習(xí)、規(guī)劃、推理、決策模型，包括搜索（盲目搜索、知情搜索）、高級搜索（博弈搜索、CSP 回溯搜索、受自然啟發(fā)的搜索等）、學(xué)習(xí)（觀察學(xué)習(xí)、歸納學(xué)習(xí)、統(tǒng)計(jì)學(xué)習(xí)、解釋學(xué)習(xí)等）、機(jī)器學(xué)習(xí)（決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、貝葉斯分類器、集成學(xué)習(xí)、聚類、降維與度量學(xué)習(xí)等）、高級機(jī)器學(xué)習(xí)（特征選擇與稀疏學(xué)習(xí)、計(jì)算學(xué)習(xí)理論、半監(jiān)督學(xué)習(xí)、概率圖模型、規(guī)則學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等）、深度學(xué)習(xí)、自動規(guī)劃（現(xiàn)實(shí)世界規(guī)劃與行動、任務(wù)規(guī)劃、運(yùn)動路徑規(guī)劃、軌跡規(guī)劃、條件規(guī)劃）、確定性推理（消解原理、規(guī)則演繹系統(tǒng)、自然演繹推理）、不確定性推理（概率推理、主觀Bayes 方法、可信度方法、證據(jù)理論、模糊推理）、知識發(fā)現(xiàn)、決策（簡單決策、復(fù)雜決策）以及智能計(jì)算（進(jìn)化算法、遺傳算法、群智能）等內(nèi)容。

（4）應(yīng)用層。該層涉及到智能化系統(tǒng)的開發(fā)及其應(yīng)用，用于讓計(jì)算機(jī)實(shí)現(xiàn)以往需要人的智力才能完成的各項(xiàng)工作，包括智能體（多智能體、智能體通信、智能體體系結(jié)構(gòu)）、自然語言處理（語義分析、語音識別、機(jī)器翻譯）、計(jì)算機(jī)視覺（模式識別、圖像理解）、知識問答系統(tǒng)、專家系統(tǒng)、智慧醫(yī)療、智能機(jī)器人、無人系統(tǒng)、人工智能游戲、人工生命、人工智能應(yīng)用框架（Tensorflow、PyTorch 等）、人工智能語言等。

人工智能學(xué)科知識體系為人工智能課程教學(xué)內(nèi)容確定、教案編寫以及課程知識圖譜建設(shè)提供了重要依據(jù)。

1.2 《人工智能引論》教學(xué)大綱

1.2.1 教學(xué)目標(biāo)

《人工智能引論》是人工智能、計(jì)算機(jī)科學(xué)與技術(shù)、軟件工程及其相關(guān)智能專業(yè)的必修課程，研究如何用計(jì)算機(jī)模擬、擴(kuò)展與實(shí)現(xiàn)人類智能行為及其規(guī)律。通過本課程的學(xué)習(xí)，使學(xué)生對人工智能發(fā)展概況、研究內(nèi)容、關(guān)鍵技術(shù)、應(yīng)用領(lǐng)域有初步了解，掌握人工智能基本概念、基本原理與實(shí)現(xiàn)算法，以及信息分析、決策支持等各類智能系統(tǒng)建立與應(yīng)用方法，熟悉當(dāng)今人工智能的主要前沿方向，培養(yǎng)學(xué)生運(yùn)用經(jīng)典人工智能方法與前沿技術(shù)解決實(shí)際智能應(yīng)用問題的能力。

1.2.2 課程特點(diǎn)

介紹人工智能學(xué)科知識體系中的重點(diǎn)內(nèi)容，覆蓋人工智能基礎(chǔ)層、抽象層、邏輯層及應(yīng)用層的不同層次；注重理論與實(shí)踐相結(jié)合，除基本原理、方法介紹外，還配有大量實(shí)例及應(yīng)用案例；把握國內(nèi)外人工智能研究領(lǐng)域最新進(jìn)展與前沿動態(tài)；注重綜合利用人工智能知識解決實(shí)際應(yīng)用問題。

1.2.3 教學(xué)內(nèi)容覆蓋面

圍繞“智能”本質(zhì)，并體現(xiàn)人工智能的技術(shù)特征，即知識、搜索、學(xué)習(xí)、推理與決策，本課程著重講解人工智能學(xué)科知識體系核心內(nèi)容，包括神經(jīng)網(wǎng)絡(luò)、知識表示、搜索求解、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、自動規(guī)劃、推理技術(shù)、遺傳算法、群智算法等基礎(chǔ)理論、方法與技術(shù)，以及智能體、自然語言處理、計(jì)算機(jī)視覺、知識問答系統(tǒng)、專家系統(tǒng)、智慧醫(yī)療、智能機(jī)器人、無人系統(tǒng)、人工智能游戲、人工生命、人工智能語言等前沿應(yīng)用與關(guān)鍵技術(shù)。具體課程教學(xué)內(nèi)容及其基本要求如表1 所示。

Table 1 Unit contents and basic requirements of the course of introduction of artificial intelligence表1 人工智能引論課程單元教學(xué)內(nèi)容及基本要求

1.3 教學(xué)教案

依據(jù)知識體系與教學(xué)大綱，對國內(nèi)外優(yōu)秀人工智能教材的最新內(nèi)容進(jìn)行梳理、整合［9-15］。同時，從研究設(shè)計(jì)方案、科研項(xiàng)目、人工智能技術(shù)網(wǎng)站、GitHub 開源代碼等多種渠道收集講課素材。教師對所講授的教學(xué)內(nèi)容進(jìn)行梳理，形成課程教案，教案內(nèi)容包括所屬教學(xué)模塊、教學(xué)內(nèi)容、教學(xué)目標(biāo)及要求、教學(xué)重難點(diǎn)、實(shí)例/應(yīng)用案例、復(fù)習(xí)題/課外作業(yè)、課外讀物等。以教學(xué)模塊“知識及其表示”中問題歸約法的教學(xué)為例，形成如表2 所示的教學(xué)教案，為進(jìn)一步構(gòu)建該教學(xué)內(nèi)容的知識圖譜作準(zhǔn)備。

Table 2 Teaching schedule of“problem reduction method”表2 “問題歸約法”教學(xué)教案

2 人工智能課程多模態(tài)領(lǐng)域知識圖譜建設(shè)

2.1 知識圖譜基本組成

知識圖譜是表示實(shí)體或概念，以及實(shí)體或概念之間各種復(fù)雜語義關(guān)系的一種大規(guī)模語義網(wǎng)絡(luò)，用來對現(xiàn)實(shí)世界的事物及其相互關(guān)聯(lián)進(jìn)行形式化地描述，一般分為通用知識圖譜和領(lǐng)域知識圖譜。通用知識圖譜較多，包括DBpedia、WordNet、谷歌Knowledge Graph、微軟Probase、百度知心等。人工智能課程知識圖譜屬于后者，即聚焦、限定于人工智能課程范疇的特定領(lǐng)域。本文以人工智能引論課程為例建設(shè)該課程的領(lǐng)域知識圖譜，由知識點(diǎn)、知識點(diǎn)屬性、知識點(diǎn)關(guān)聯(lián)組成知識圖譜的三元組［7］。根據(jù)圖1 所示的人工智能知識體系與表1 所示的單元教學(xué)內(nèi)容及基本要求，形成人工智能概論、人工神經(jīng)網(wǎng)絡(luò)、知識及其表示、搜索求解策略、機(jī)器學(xué)習(xí)方法、深度學(xué)習(xí)方法、確定推理、不確定性推理、遺傳進(jìn)化算法、群體智能算法10 個知識大類，構(gòu)建該課程領(lǐng)域知識圖譜的基本骨架。

2.2 領(lǐng)域知識圖譜建設(shè)一般流程

圖2 給出了人工智能課程領(lǐng)域知識圖譜建設(shè)的一般流程。首先，通過教學(xué)大綱、教材和網(wǎng)絡(luò)資源等信息來源形成教案，從教案中提取知識點(diǎn)，并對知識點(diǎn)進(jìn)行屬性設(shè)計(jì)；然后，進(jìn)行知識點(diǎn)關(guān)系關(guān)聯(lián)，通過知識融合形成一張錯綜復(fù)雜的語義網(wǎng)絡(luò)；最后，利用Neo4j 圖數(shù)據(jù)庫管理系統(tǒng)等可視化工具生成一個相對完整的多模態(tài)領(lǐng)域知識圖譜［8］。

Fig.2 Flow of knowledge graph construction of the course of artificial intelligence圖2 人工智能課程領(lǐng)域知識圖譜建設(shè)流程

（1）知識點(diǎn)提取。從教案中對各單元教學(xué)模塊的主要內(nèi)容進(jìn)行知識點(diǎn)識別，提取人工智能課程各個重要知識要點(diǎn)及內(nèi)容，包括人工智能基本概念/定義、基本原理/工作原理、解題步驟、計(jì)算公式、推導(dǎo)、流程圖、算法、源代碼與結(jié)論等。同時，還包括一些考題類資源，如思考題、復(fù)習(xí)題、課堂練習(xí)、課外作業(yè)、大作業(yè)、討論題等。對收集的各個知識要點(diǎn)和考題類資源進(jìn)行分類匯總，知識點(diǎn)類型包括結(jié)構(gòu)化（如關(guān)系數(shù)據(jù)庫等）、非結(jié)構(gòu)化（如圖片、音頻、視頻等）以及半結(jié)構(gòu)化（如XML、JSON、百科等）3 種。例如，在“人工智能概論”教學(xué)模塊中，教學(xué)目標(biāo)為了解從智能機(jī)器、學(xué)科、能力三方面對人工智能的定義；通過人類認(rèn)知過程、圖靈測試熟悉人工智能與人類智能之間的關(guān)系；了解人工智能學(xué)科知識體系、研究范圍及應(yīng)用領(lǐng)域；熟悉人工智能起源、簡史與發(fā)展趨勢；了解人工智能倫理。其中，講解圖靈測試時，涉及到圖靈測試定義、圖靈實(shí)驗(yàn)本質(zhì)、圖靈測試提問、圖靈測試的爭議與批評、新圖靈測試等知識要點(diǎn)。此外，還可將知識點(diǎn)延伸到阿蘭·圖靈的人物介紹、發(fā)表的論文，以及如何研制圖靈測試機(jī)器等內(nèi)容。

（2）知識點(diǎn)屬性設(shè)計(jì)。對各個知識點(diǎn)進(jìn)行屬性設(shè)計(jì)，標(biāo)識知識點(diǎn)基本特性，包括所屬教學(xué)模塊、知識點(diǎn)類型（即基本概念/定義、基本原理/工作原理、解題步驟、計(jì)算公式、推導(dǎo)、流程圖、算法、源代碼和結(jié)論）、教學(xué)目標(biāo)、教學(xué)要求（掌握、熟悉、了解）、重點(diǎn)程度、難易程度（難、一般、易）等。以圖靈測試為例，其知識點(diǎn)屬性設(shè)計(jì)具體內(nèi)容如表3 所示。

Table 3 Attribute design of knowledge key points of“Turing test”表3 “圖靈測試”教學(xué)內(nèi)容知識點(diǎn)屬性設(shè)計(jì)

（3）知識點(diǎn)關(guān)系關(guān)聯(lián)。學(xué)習(xí)是一個循序漸進(jìn)的過程，需要在不斷的學(xué)習(xí)過程中掌握知識點(diǎn)之間承前啟后的關(guān)系，這對于構(gòu)建知識圖譜來說至關(guān)重要。進(jìn)行知識點(diǎn)關(guān)系關(guān)聯(lián)時，需要確定各知識點(diǎn)之間在含義或語義上的相互聯(lián)系，定義關(guān)系名并確定語義關(guān)系類型。其中，語義關(guān)系類型包括隸屬關(guān)系、泛化關(guān)系、聚集關(guān)系、屬性關(guān)系、實(shí)例關(guān)系、時間關(guān)系及其它關(guān)系。隸屬關(guān)系表示知識點(diǎn)與其它知識點(diǎn)之間的內(nèi)在本質(zhì)聯(lián)系，如某知識點(diǎn)的定義、方法、實(shí)現(xiàn)步驟等；泛化關(guān)系表示類知識點(diǎn)與更高層次抽象類知識點(diǎn)之間的聯(lián)系，所有知識點(diǎn)可由此組織成層次網(wǎng)絡(luò)；聚集關(guān)系表示知識點(diǎn)與其組成成分之間的聯(lián)系；屬性關(guān)系表示知識點(diǎn)—屬性—屬性值之間的聯(lián)系；實(shí)例關(guān)系表示知識點(diǎn)與其實(shí)例之間的聯(lián)系；時間關(guān)系表示知識點(diǎn)時間前序與時間后序的關(guān)系；其它關(guān)系包括聚類聯(lián)系、易混淆關(guān)系等。對于一些相似的知識點(diǎn)，可將其聚類放在一起進(jìn)行學(xué)習(xí)，強(qiáng)化學(xué)生對其的認(rèn)識；對于一些易混淆的知識點(diǎn)，也可將其關(guān)聯(lián)起來，使學(xué)生在學(xué)習(xí)時注意其區(qū)別。例如，“機(jī)器學(xué)習(xí)方法”教學(xué)模塊中“示例學(xué)習(xí)”教學(xué)內(nèi)容的知識點(diǎn)關(guān)系如圖3 所示，包括隸屬關(guān)系（定義、方法）、泛化關(guān)系、聚集關(guān)系與實(shí)例關(guān)系。

Fig.3 The relationship of knowledge key points in the knowledge graph of“l(fā)earning by example”圖3 “示例學(xué)習(xí)”知識圖譜中的知識點(diǎn)關(guān)系

2.3 多模態(tài)領(lǐng)域知識圖譜可視化

在建設(shè)人工智能課程領(lǐng)域知識圖譜時，將知識點(diǎn)、屬性及其關(guān)系導(dǎo)入其中，完成知識圖譜的創(chuàng)建與可視化。在知識圖譜中，可用不同顏色表示知識圖譜的基本組成，如用紫色表示該教學(xué)模塊核心內(nèi)容，紅色表示重點(diǎn)知識點(diǎn)，藍(lán)色表示思考題、課堂作業(yè)、課外作業(yè)和大作業(yè)，黃色表示課外讀物、教學(xué)視頻、應(yīng)用案例等。圖4、圖5 分別為“人工智能概論”教學(xué)模塊中“圖靈測試”以及“知識及其表示”教學(xué)模塊中“問題歸約法”的多模態(tài)知識圖譜展示。使用如Neo4j 圖數(shù)據(jù)庫等工具，可進(jìn)行多模態(tài)領(lǐng)域知識圖譜的可視化。

Fig.4 Knowledge graph of the unit of“Turing test”圖4 “圖靈測試”教學(xué)知識圖譜

Fig.5 Knowledge graph of the unit of“problem reduction method”圖5 “問題歸約法”教學(xué)知識圖譜

3 領(lǐng)域知識圖譜驅(qū)動的人工智能課程教學(xué)實(shí)踐

基于所建設(shè)好的領(lǐng)域知識圖譜，可設(shè)計(jì)一些知識圖譜的課堂教學(xué)應(yīng)用，包括知識圖譜實(shí)踐教學(xué)、知識圖譜智能問答等，用于輔助教師授課并幫助學(xué)生實(shí)現(xiàn)真正的個性化學(xué)習(xí)。

3.1 知識圖譜實(shí)踐教學(xué)

針對書本知識點(diǎn)關(guān)系單一、缺乏知識之間的導(dǎo)航、傳統(tǒng)教學(xué)方法學(xué)習(xí)效果不佳等問題，開展人工智能知識圖譜實(shí)踐教學(xué)。圖6 展示了運(yùn)用知識圖譜開展人工智能課程教學(xué)的整個過程。

Fig.6 Teaching process of artificial intelligence course driven by domain knowledge graph圖6 領(lǐng)域知識圖譜驅(qū)動的人工智能課程教學(xué)過程

以“問題歸約法”教學(xué)為例，根據(jù)教學(xué)目標(biāo)與教學(xué)內(nèi)容，上課前首先向?qū)W生提出思考問題并展示該教學(xué)模塊的知識總圖譜（見圖5），讓學(xué)生把握該模塊的總體框架。然后，以該知識總圖譜為基礎(chǔ)，生成針對該教學(xué)模塊的一系列知識子圖譜，如問題歸約法所涉及到的全部基本概念匯總（見圖7（a））、知識要點(diǎn)及其關(guān)聯(lián)（見圖7（b））、所有要求重點(diǎn)掌握的內(nèi)容及難點(diǎn)內(nèi)容（見圖7（b）中的紅色標(biāo)識）、“梵塔難題”應(yīng)用實(shí)例（見圖7（c））、課外作業(yè)（見圖7（d））等。以知識子圖譜中涉及的知識點(diǎn)為重點(diǎn)講解內(nèi)容，并根據(jù)知識點(diǎn)之間的關(guān)系組織課堂教學(xué)，讓學(xué)生有序地學(xué)習(xí)相關(guān)基本原理、方法、技術(shù)及實(shí)現(xiàn)算法。在課堂教學(xué)中，針對具體問題設(shè)計(jì)教學(xué)知識圖譜，并在實(shí)際中加以應(yīng)用。

充分運(yùn)用多媒體知識圖譜教學(xué)手段展示與講解課程內(nèi)容，包括圖片、音頻及視頻等。圖譜可視化信息為多媒體教學(xué)提供了豐富的教學(xué)資源，這些資源依附于相應(yīng)知識點(diǎn)，使學(xué)生在進(jìn)行課堂學(xué)習(xí)和課后復(fù)習(xí)時能夠以知識圖譜為主體，充分利用相關(guān)教學(xué)資源。

3.2 知識圖譜智能問答

Neo4j 圖數(shù)據(jù)庫管理系統(tǒng)提供了一種簡單、方便、快捷的操作語言Cypher［8］。借助知識圖譜問答技術(shù)，其能夠在知識圖譜中進(jìn)行搜索查詢（Query），快速查詢知識圖譜中的知識信息，并直接回答有客觀答案的問題及一些匯總信息。例如，在復(fù)習(xí)“問題歸約法”教學(xué)模塊時，查詢“梵塔難題的解題步驟是什么？”知識圖譜可回答梵塔難題的3 個解題步驟（見圖8）。通過這種知識導(dǎo)航式的查詢方式，學(xué)生可以從局部到整體學(xué)習(xí)基礎(chǔ)知識與案例，也可以從整體到局部，先形成課程知識總體印象，再導(dǎo)航到具體知識要點(diǎn)。

4 實(shí)施效果

本文對知識圖譜應(yīng)用實(shí)踐效果進(jìn)行分析，分別選取20名2016 級、15 名2018 級學(xué)生作為研究對象，對教師課堂教學(xué)未采用知識圖譜（未用）、教師課堂教學(xué)采用知識圖譜（單用）、教師課堂教學(xué)采用知識圖譜且學(xué)生制作知識圖譜（雙用）3 種情況下學(xué)生課堂測驗(yàn)的學(xué)習(xí)成績進(jìn)行統(tǒng)計(jì)。如圖9 所示，未用情況下（教師給2016 級學(xué)生講課時尚沒有應(yīng)用知識圖譜），90 分以上的學(xué)生人數(shù)偏少，而60-70 分偏多；單用情況下（教師給2018 級學(xué)生講解第二章知識表示方法時，除介紹傳統(tǒng)狀態(tài)空間表示、問題歸約表示、謂詞邏輯表示等方法外，還講解了知識圖譜表示方法及構(gòu)建技術(shù)），90 分以上的學(xué)生人數(shù)相比未用情況有所增加，而60-70 分的人數(shù)有所下降；雙用情況下（教師要求2018 級學(xué)生在課堂練習(xí)前復(fù)習(xí)相關(guān)內(nèi)容并動手制作章節(jié)內(nèi)容知識圖譜），獲得高分的學(xué)生人數(shù)進(jìn)一步上升，而低分人數(shù)進(jìn)一步下降，說明知識圖譜有助于學(xué)生對所學(xué)知識的理解。

Fig.7 Knowledge sub map of“problem reduction method”圖7 “問題歸約法”知識子圖譜

Fig.8 Intelligent Q&A on the knowledge graph of the"Tower of Hanoi Problem”圖8 有關(guān)“梵塔難題”的知識圖譜智能問答

Fig.9 Evaluation of the effects of knowledge graph teaching圖9 知識圖譜實(shí)踐效果評估

從實(shí)踐效果來看：①教師層面。借助知識圖譜技術(shù)手段將人工智能課程教學(xué)內(nèi)容相關(guān)知識進(jìn)行抽取、融合，形成完整的知識網(wǎng)絡(luò)，有利于教師高效、合理地安排教學(xué)；②學(xué)生層面。通過多模態(tài)知識圖譜進(jìn)行直觀而具體的教學(xué)展示能有效幫助學(xué)生更深入、全面地理解人工智能課程知識體系，培養(yǎng)學(xué)生對人工智能學(xué)科的興趣，并輔助學(xué)生以關(guān)聯(lián)學(xué)習(xí)方法進(jìn)行高效學(xué)習(xí)；③教改層面。將知識圖譜教學(xué)法運(yùn)用于人工智能課程教學(xué)中，可將離散、碎片化的知識點(diǎn)串聯(lián)起來，并將知識點(diǎn)之間的關(guān)聯(lián)關(guān)系以多模態(tài)可視化的方式展示出來，從而有效優(yōu)化課堂教學(xué)，顯著提高教學(xué)效果。

5 結(jié)語

目前國內(nèi)外尚沒有一套完整的人工智能課程知識圖譜以及相關(guān)知識圖譜教學(xué)實(shí)踐方法。借助知識圖譜最新技術(shù)手段與工具，本文提出基于人工智能知識圖譜的創(chuàng)新教學(xué)方法，可有效梳理知識之間的關(guān)聯(lián)，獲得人工智能領(lǐng)域?qū)I(yè)知識的整體邏輯體系，生成緊密關(guān)聯(lián)的教學(xué)知識序列，從而較好地支撐教師對教學(xué)知識的講解，并顯著提高學(xué)生的學(xué)習(xí)興趣與學(xué)習(xí)效率，為傳統(tǒng)教學(xué)注入新的活力。