摘" 要：針對目前學科知識圖譜缺乏學習者學習行為信息的問題，以操作系統(tǒng)課程為例，以教材和百度百科為主要數(shù)據(jù)源，設計操作系統(tǒng)課程本體庫，并依照設計的本體結構構建課程知識圖譜，同時將在線開放平臺上142名學生產(chǎn)生的學習數(shù)據(jù)作為學習反饋，對課程知識圖譜進行動態(tài)更新，使得知識圖譜能根據(jù)學生對知識點掌握程度，進行動態(tài)的學習路徑規(guī)劃和學習資源推薦，對構建動態(tài)環(huán)境中的自適應學科知識圖譜具有相應的參考價值。

關鍵詞：智慧教育；學習反饋；自適應；知識圖譜；操作系統(tǒng)

中圖分類號：TP391.1" " " 文獻標識碼：A 文章編號：2096-4706（2024）24-0182-08

Construction of Adaptive Knowledge Graph with Learning Feedback

—Taking the Operating System Course as an Example

WANG Quanrui

（School of Computer Science and Technology， Henan Institute of Science and Technology， Xinxiang" 453003， China）

Abstract： In view of the problem that current subject Knowledge Graph lacks learners' learning behavior information， this paper takes the operating system course as an example， designs the operating system course ontology library with textbooks and Baidu Baike as the main data sources， and constructs the course Knowledge Graph according to the designed ontology structure. Meanwhile， the learning data generated by 142 students on the online open platform is taken as learning feedback to dynamically update the course Knowledge Graph. In this way， the Knowledge Graph can conduct dynamic learning path planning and provide learning resource recommendation according to students' mastery degree of knowledge points. It has corresponding reference value for constructing an adaptive discipline Knowledge Graph in a dynamic environment.

Keywords： smart education; learning feedback; adaptability; Knowledge Graph; operating system

0" 引" 言

在人工智能、大數(shù)據(jù)技術的飛速發(fā)展的同時也為教育機構在學科教育方面提供了更智能化的數(shù)據(jù)存儲、分析、管理和決策支持，推動著學科教育朝著更智慧的方向發(fā)展。與此同時隨著網(wǎng)絡教育的興起，涌現(xiàn)了大量的在線學習平臺，如中國大學MOOC、學堂在線、超星、智慧樹網(wǎng)等，這些在線學習平臺打破了傳統(tǒng)教育的時空限制，使得教育資源更均衡化，在逐步擴大了教育的普及面的同時也加速了教育的高質量發(fā)展。在線學習平臺儼然已成為學習者學習的主要陣地，而線上學習也將成為學習者主要的學習方式。然而面對網(wǎng)絡中浩瀚的學習資源，如何使得學習者在數(shù)據(jù)迷航中找到正確的方向識別有用的信息，如何幫助學習者在信息過載的網(wǎng)絡中通過信息重組發(fā)現(xiàn)知識，是知識圖譜在自動構建、自適應更新方面亟待解決的關鍵問題。

在教育領域中，教育大數(shù)據(jù)主要包括教育管理數(shù)據(jù)、教育行為數(shù)據(jù)、教育情景和環(huán)境數(shù)據(jù)、教育其他數(shù)據(jù)，蘊含了豐富的用戶行為和偏好信息。目前在智慧教育發(fā)展初期，這些教育大數(shù)據(jù)多是以無序、分散、異構的形式出現(xiàn)且沒有被有效地組織與管理、利用與共享、搜索與理解[1-2]。通過知識圖譜，可以將教育領域海量異質數(shù)據(jù)整合為一個直觀可理解的語義知識網(wǎng)絡，由此很好的實現(xiàn)知識融合。因此教育領域中的知識圖譜構建任務不僅是知識導航視角下生成面向學習目標的個性化學習路徑推薦的基礎工作，也是學習認知視角下形成學習者的認知圖式的基礎，還是知識庫視角下以計算機可“理解”的方式存儲教育領域知識的結構化語義知識庫的關鍵性工作[3]。

1" 現(xiàn)狀分析

知識圖譜以揭示知識間的邏輯關系為表征，廣泛滲透到教育技術領域，衍生了教育知識圖譜和學科知識圖譜等概念[4]。學科知識圖譜作為認知智能技術，可有效將各類學科知識與資源建序優(yōu)化，并以動態(tài)語義圖式結構，映射學習者高階認知活動[5]。通過構建學科知識圖譜可以將割裂無序狀態(tài)的知識進行重組進而表示成具有語義關系的知識網(wǎng)絡，優(yōu)化學科知識表示并為學習者提供個性化服務，由此實現(xiàn)網(wǎng)絡資源從數(shù)據(jù)到信息再到知識的自動轉化，提高學習者的高階認知活動和深度學習能力。

美國早在2008年就開始將知識圖譜應用到教育學科領域，通過建立知識地圖來增強教學效果。國內在這一方面的應用研究稍晚于國外，2012年在谷歌正式提出知識圖譜概念之后，才在真正意義上出現(xiàn)了使用引文分析方法構建教育技術學科知識圖譜的研究，隨著智慧教育理念的提出和深度學習技術的發(fā)展，學科知識圖譜構建研究和應用而快速發(fā)展。目前學科知識圖譜主要應用于學情診斷、智慧課堂、自適應學習、深度閱讀等場景，并逐漸成為教育研究機構和學術研究者關注的重點。美國Knewton自適應學習平臺是當前最為成熟的自適應學習平臺之一[6]，它在知識圖譜的支持下通過不斷完善自適應反饋鏈路，為用戶提供自適應學習服務；北京師范大學智慧學習研究團隊構建的唐詩語義檢索與可視化平臺基于知識圖譜技術，對詩歌的主題、情感、風格，詩人的軌跡、社交關系等實現(xiàn)了全方位的抽取和可視化呈現(xiàn)[7]；北京師范大學未來教育高精尖創(chuàng)新中心設計和開發(fā)的“AI好老師”智能助理系統(tǒng)通過不同的育人數(shù)據(jù)定義育人知識模式，進行知識的獲取和融合，構建育人領域的知識圖譜[8]；學者陸星兒等人以學堂在線“心理學概論”課程為例，采用共詞分析法和社會網(wǎng)絡分析法建立基于課程知識點的知識圖譜，并將其作為優(yōu)化MOOC教學的一種可視化方式[9]；周東岱等人針對目前學科知識圖譜缺少教與學的動態(tài)行為信息，提出了學科教學圖譜的概念，并解析了其深層內涵，建構了學科知識、學科學習活動、學生學科認知發(fā)展三視圖融合的結構模型[10]。鄭志宏等人以學科知識圖譜構建過程為研究對象，分析并實施學科知識圖譜技術路線，提煉大單元特征提取與質量評估方法，構建出面向大單元設計的信息科技學科知識圖譜[11]。

不同學科領域的知識圖譜涉及知識的內容和形式往往差別很大，而要保證學科知識的準確性、完備性、系統(tǒng)性和科學性，就會使得構建學科知識圖譜很難借鑒其他領域知識圖譜構建的方法和流程。而目前學科知識圖譜大都是在靜態(tài)環(huán)境下構建的，導致知識圖譜很難反映學習者的學習狀態(tài)、學習能力、學習偏好等動態(tài)特征，嚴重降低了知識圖譜在個性化學習路徑規(guī)劃和推薦上的可解釋性。因此本文試圖將自適應學習引入到學科知識圖譜的構建過程中，將學習者的在線學習行為表征于知識圖譜中，使得知識圖譜能夠將學習者的學習行為數(shù)據(jù)作為反饋信息，自動學習并更新知識圖譜知識點之間的關聯(lián)關系和關聯(lián)強度，同時自動調整學習者學習路徑和學習資源，以提高路徑生成的精準性和資源推薦的適配性。

2" 課程知識圖譜概念模型

2.1" 課程概念體系

課程概念是對課程知識以一種以簡明扼要的形式進行歸納總結的載體，可以看作課程知識的模型。明確課程的概念有助于梳理課程知識脈絡，使課程知識體系更加條理化和清晰化，有助于學生更好地理解課程內容的本質和核心，同時也是課程知識圖譜構建工作的重要基石。鑒于操作系統(tǒng)課程的特點，即操作系統(tǒng)本身是一個十分復雜龐大的系統(tǒng)軟件，且課程與高級編程語言、數(shù)據(jù)結構與算法、計算機組成原理等多門課程相關，導致該課程的概念抽象且繁雜，容易混淆，學生在學習過程沒有輔助的情況下很可能會導致學生失去學習的興趣，使學生產(chǎn)生學科孤立感。因此構建清晰的課程概念體系，學生能夠逐步建立對操作系統(tǒng)關鍵概念的認知框架，形成有機的知識脈絡。這有助于減少概念混淆，使學生更容易掌握操作系統(tǒng)的核心原理和技術。

本文從基本概念和核心概念、上位概念和下位概念、實體概念和屬性概念等幾個維度出發(fā)，對操作系統(tǒng)課程相關概念進行分類，對概念進行多屬性標注，同時為了更清晰的顯示概念層級性，將操作系統(tǒng)概念分為三級。其中一級概念是依據(jù)操作系統(tǒng)的五大功能進行劃分的，分別是：進程管理、存儲器管理、設備管理、文件管理和用戶接口。

進程控制和管理部分的概念層級關系如圖1所示。該概念體系同時也體現(xiàn)了進程管理一部分內容中概念的上下位概念關系、基本概念和核心概念的關系。

課程概念體系能夠將學習目標、教學資源、學科領域等進行有機的融合，使得教師能夠更好地規(guī)劃和設計教學內容。構建完備的課程概念體系有助于為學習者提供清晰有序的學習路線圖，同時教師能夠精準地設計教學內容組織，及時調整授課進度，滿足學生的個性化需求，提升教學質量。此外，課程概念體系能夠為教師提供更為直觀的教學資源管理組織的工具，在確保教學過程與課程內容的適配性的同時也提升了教師的教學方式的創(chuàng)新性。

2.2" 課程本體和關系定義

構建高質量的課程知識本體是課程知識圖譜具有完備性的重要保障。通過對課程知識本體在概念層級上進行概念明確、關系約束和屬性規(guī)范，可以保證后期在構建知識圖譜過程中進行實體抽取、關系抽取的工作更具有指導性和更具有可靠性。操作系統(tǒng)課程本體分類和關系定義如下（定義1）。

定義1：操作系統(tǒng)課程本體分為概念concept、算法algorithm、準則guideline和目標target四類，分別對應于概念集合C = {ec1，ec2，…，ecn}、算法集合A = {ea1，ea2，…，eam}、準則集合G = {eg1，eg2，…，egk}、目標集合T = {et1，et2，…，etp}，本體集由概念集、算法集、準則集和目標集組成的，即E = C∪A∪G∪T。

對于操作系統(tǒng)課程中歸納出的概念有如進程、內存、輸入輸入系統(tǒng)之類共478個概念；算法有如先來先服務調度算法、銀行家算法、動態(tài)分區(qū)分配算法之類共28種；準則有如互斥、空閑讓進、付出代價最小之類共11個；目標有如吞吐量、可靠性之類共15個。

課程本體之間存在多種關系使得本體所承載的知識形成了特定的脈絡和體系。本體知識關系直接決定了知識圖譜的上層應用，如學習資源推薦、學習路徑查詢和學習路徑規(guī)劃、學習偏好分析等。為了使得實體間的關系更為簡潔清晰，可以將實體的屬性看作實體與屬性值之間的屬性關系，由此本文將操作系統(tǒng)課程本體之間的關系歸納為四種，定義如下（定義2）。

定義2：操作系統(tǒng)課程本體關系分為包含關系include、遞進關系progressive、相關關系correlation和屬性關系attribute。具體為：

1）Include = {eci includes ecj|eci，ecj∈C}，包含關系有兩種含義，一種是指實體與實體之間在概念范疇上具有包含和被包含的關系，如進程和父進程、子進程的關系；一種是指部分與整體的關系，如進程和程序段、相關的數(shù)據(jù)段和進程控制塊的組成關系。

2）Progressive = {eci is follow ecj|eci，ecj∈C}，遞進關系也有兩種含義，一種是指本體知識在學習過程中具有先后順序關系，如連續(xù)分配存儲管理和離散存儲管理的關系；一種是具有明顯的時間先后發(fā)展關系，如單道批處理系統(tǒng)、多道批處理系統(tǒng)、分時系統(tǒng)和實時系統(tǒng)。

3）Correlation = {eai is relation to egi/eti|eci，eai∈A，egi∈G，eti∈T}，相關關系是指本體知識之間具有一定的遵循關系、達到關系、對比分析關系等，如內存分配算法和最小物理塊數(shù)原則、處理機調度算法和公平性目標、共享段的內存分配方法和非共享段的內存分配方法等。

4）Attribute = {eci is a attribute of ecj|eci，ecj∈C}，為了便于統(tǒng)一表示三元組，本文將實體的屬性也看成是一種關系，即屬性關系，如操作系統(tǒng)的特征是操作系統(tǒng)的特征屬性關系，其值為并發(fā)、共享、虛擬和異步。

2.3" 課程本體庫構建

目前對于學科領域中雖然還沒有統(tǒng)一的本體構建方法，但許多學者提出了多種不同的本體構建標準，其中大家公認最具影響力的是Gruber[12]提出的本體構建的5個準則，即：明確性、一致性、可擴展性、最小編碼偏好、最小本體約定。本文參照該本體構建原則，以《操作系統(tǒng)》教學大綱和電子教案為主要的數(shù)據(jù)源，結合百度百科相關詞條，借助Protégé本體開發(fā)和管理工具，由多位領域專家參與共同完成課程知識本體的構建。

首先確定操作系統(tǒng)課程基本概念范疇和核心概念，參照課程大綱和教材目錄初步列出課程術語；其次根據(jù)概念之間的內在邏輯關系定義概念類和類的等級關系；最后通過填充實例確定課程的三個級別上的所有本體。使用Protégé工具構建的課程本體庫如圖2所示。

在課程概念體系的框架下，課程本體庫可以為知識圖譜提供一個共享的語義框架，有助于不同的教育參與者之間更準確、一致地理解學科領域的核心概念。本體庫作為知識圖譜的基礎，通過形式化定義領域中的概念、關系和屬性，為知識圖譜提供了結構化的語義信息。這種清晰的語義定義使得知識圖譜的數(shù)據(jù)更具一致性和規(guī)范性。同時，本體庫中的概念和關系為知識圖譜中的實體和連接賦予了特定的含義，提供了豐富的上下文信息。通過這一結構化的知識表示，知識圖譜的可解釋性得以增強，用戶能夠更容易理解和解釋知識圖譜中的關聯(lián)、推理和信息。

3" 自適應學科知識圖譜構建

為了能更好地保持知識圖譜中概念所表述知識點的一致性，構建知識圖譜采用自頂向下的方式構建，即從本體構建開始，由領域專家依據(jù)課程知識所呈現(xiàn)的特點，設計和抽象對應的本體，再將本體中的概念實例化，同時抽取實體間的關系，表示為三元組存儲到數(shù)據(jù)庫中，初步構建靜態(tài)環(huán)境下的知識圖譜，用于教師教學過程。針對學生，可以使用學生在線學習行為信息來定義知識點的影響因子，由此反映學生對知識點的內化程度就，同時可以借助學生學習偏好信息為學生在知識圖譜上進行學習路線規(guī)劃和學習資源推薦。

3.1" 知識圖譜構建框架

構建知識圖譜的第一步是獲取數(shù)據(jù)。數(shù)據(jù)主要依賴課程的電子教案和教學大綱資源，同時結合百度百科中有關操作系統(tǒng)的詞條作為輔助信息。第二步構建本體。使用Protégé工具對通過整理收集到的數(shù)據(jù)建立一個清晰的課程本體體系框架。第三步抽取知識，包括實體抽取和關系抽取。在實體抽取階段，首先要對文本進行分詞、去除停用詞等操作，之后構建一個關鍵詞字典，以便更準確地識別和分類實體。在關系抽取階段，為能實現(xiàn)半自動化的關系識別，需要事先將文本中顯式表示關系的詞如“分為/組成/包含”“雖然…但…”“與…不同/與…相似”等抽取出來定義為關系字典，然后利用該關系字典進行實體關系定義和分類。同時為進一步提高關系識別的精準度，采用遠程監(jiān)督技術，通過已知的關系信息來指導模型抽取新的關系。第四步是知識融合和更新，這是用于知識圖譜管理中的一項重要任務。首先將從不同來源獲得的知識整合到一個一致且完整的知識圖譜中，包括去重、解決同一實體不同表述的問題，以及合并來自不同數(shù)據(jù)源的信息，確保知識的一致性和完整性；其次將知識圖譜中的實體和關系表示為節(jié)點嵌入和邊嵌入訓練圖注意力網(wǎng)絡（Graph Attention Network， GAT）模型，并反復迭代優(yōu)化模型的預測和推理新關系的性能；然后是知識圖譜的自適應更新過程，通過引入學習反饋因子及時對知識圖譜中的實體關系關聯(lián)強度進行調整，以便能反映用戶的學習偏好變化；最后是定期評估知識圖譜的質量，確保用戶學習行為的影響因子對知識圖譜的改進是正面的。第五步是知識圖譜的終端應用，包括知識計算、推理決策、智能問答、資源推薦、路徑規(guī)劃等。基于學習反饋的自適應知識圖譜構建技術框架如圖3所示。

3.2" 數(shù)據(jù)獲取

3.2.1" 數(shù)據(jù)收集

本文從兩個方面收集所需數(shù)據(jù)，一方面是收集課程相關的數(shù)據(jù)，包括課程大綱、教學教案、電子教材以及后期從百度百科中爬取的詞條；一方面是收集學習者在線學習數(shù)據(jù)，包括學習時間數(shù)據(jù)、瀏覽行為數(shù)據(jù)、作業(yè)和測驗數(shù)據(jù)、互動數(shù)據(jù)、學習進度數(shù)據(jù)、在線反饋數(shù)據(jù)等。

3.2.2" 數(shù)據(jù)預處理

數(shù)據(jù)預處理的工作包括對以上兩種類型數(shù)據(jù)的處理。首先是對電子教材在轉換過程中出現(xiàn)的問題進行修正，由于課程大綱和教學教案本身就是本文類型的數(shù)據(jù)不需要轉換，而電子教案是PDF格式的，需要利用文本轉換工具將其轉換為文本數(shù)據(jù)，但是在轉換的過程中會出現(xiàn)一些字符識別錯誤的問題，需要人工排查和矯正以解決該問題，并形成課程文本語料，待以后從中提出實體、關系和屬性；其次是對收集的在線學習數(shù)據(jù)進行數(shù)據(jù)清洗、標準化和規(guī)范化處理，待以后將其表示為矩陣并嵌入知識圖譜中。

3.3" 知識抽取

知識抽取是一種從文本數(shù)據(jù)中自動提取有價值信息的技術，其核心問題就是從結構化數(shù)據(jù)、半結構化數(shù)據(jù)、非結構化數(shù)據(jù)等大量異構數(shù)據(jù)源中自動抽取候選知識要素[13]。知識抽取過程涉及從大量文本中識別、提取和組織實體、關系和事實，以建立更有結構和可查詢的知識庫或圖譜。知識抽取是構建學科知識圖譜的重要步驟，具體分為實體抽取、關系抽取和屬性抽取三個方面[14-15]。實體抽取是一種從經(jīng)過處理后的數(shù)據(jù)中提取與領域相關信息的技術，其期望獲取的知識包括領域相關的實體、實體涉及的屬性和展現(xiàn)實體脈絡的關系，是知識圖譜構建的基石，其抽取效率和準確率將直接影響知識圖譜的構建。

3.3.1" 實體識別

實體識別是指從特性形式的學科數(shù)據(jù)中識別出基本概念、術語、公式、定義、原理等具有可解釋性和帶有屬性的事物的過程。實體識別常采用三種方法：基于規(guī)則的方法、面向開放領域的方法和基于機器學習的方法?；谝?guī)則的實體識別需要人工制定識別規(guī)則，并且需要前期驗證規(guī)則的有效性和完備性；面向開放領域的實體識別需要從海量的原始數(shù)據(jù)中獲取，耗時耗力且抽取質量不高；基于機器學習的實體識別是對大規(guī)模數(shù)據(jù)集進行訓練，使模型能夠自動學習特定領域的實體特征。

由于學科領域知識是面向教育工作者和眾多學習者的，既要嚴格保證知識的嚴謹性和確切性，即保證概念和定義的規(guī)范性、公式的正確性、術語的唯一性以及原理的可解釋性，又要實現(xiàn)實體識別的高效性，因此在前期可采用基于機器學習的方法，后期可借助學科專家進行人工檢驗和更正的方法構建高質量的學科領域實體庫。

在學科領域中由于缺乏與課程相關的專業(yè)詞匯字典，導致在對課程文本資源進行分詞時精確度不高，如在引論部分出現(xiàn)的“計算機操作系統(tǒng)”概念借助jieba或是jiagu進行分詞時會將其分為“計算機”和“操作系統(tǒng)”，其實“計算機操作系統(tǒng)”在操作系統(tǒng)課程中表示一個整體概念；類似的在進程管理部分出現(xiàn)的“進程調度”概念也被分為了“進程”和“調度”兩個詞，但“進程調度”也是一個整體概念，再對其進行分詞沒有太大的意義。

本文采用增量式BiLSTM+CRF算法進行實體識別，在初始關鍵詞字典的基礎上通過逐步標注新文本語料和不斷更新關鍵字字典，從而獲取課程較為固定的實體。本文采用的課程實體識別算法如算法1所示。

算法1：Incremental-NER

輸入：課程文本語料、關鍵詞頻率閾值α、最大迭代次數(shù)max_iter、BiLSTM-CRF模型參數(shù)

輸出：課程字典course_dictionary、訓練好的BiLSTM-CRF模型

1. " " # 初始化課程字典

2. " " course_dictionary=[]

3. " " # 迭代訓練模型

4. " " for iter in range（max_iter）：

5. " " " " # Tokenize、分塊和標注

6. " " " " for text in course_corpus：

7. " " " " " " tokenized_and_labeled=tokenize_and_label（text， course_dictionary）

8. " " " " " " # 利用公式（1）計算相似性

9. " " " " " " similarity=calculate_similarity（tokenized_and_labeled）

10. " " " " " " # 根據(jù)閾值判斷是否建立關系

11. " " " " " " if 0 lt; similarity lt; alpha：

12. " " " " " " " " establish_relation（tokenized_and_labeled）

13. " " " " # 更新詞典，爬取百度百科獲取新實體

14. " " " " baidu_baike_entities=crawl_baidu_baike（course_dictionary）

15. " " " " course_dictionary=update_dictionary（baidu_baike_entities， course_dictionary）

16. " " # 訓練BiLSTM-CRF模型

17. " " X_train， y_train=prepare_training_data（course_corpus， course_dictionary）

18. " " bilstm_crf_model=train_bilstm_crf_model（X_train， y_train， bilstm_crf_params）

19. " " return course_dictionary， bilstm_crf_model

3.3.2" 實體關系計算

在對課程文本語料中的實體識別后，知識處于一種離散態(tài)和抽象態(tài)，只有賦予實體和實體特定關系時，知識才能以一種脈絡化體系結構呈現(xiàn)，最終形成帶有語義信息的知識網(wǎng)絡。因此實體關系計算和發(fā)現(xiàn)是將知識組織成圖譜的關鍵。目前，用于關系抽取的常用工具主要有NLTK、Deep-Dive、Stanford CoreNLP以及LTP-Cloud等[16]。但是由于學科課程中對知識點的描述常具有簡明扼要特性，導致相關文本語料中顯式的能標明實體與實體之間關系詞語比較特殊且數(shù)量較少，因此直接使用這些常用的關系抽取工具抽取學科實體關系的效果并不理想。本文采用基于模板、關聯(lián)規(guī)則和基于多特征注意機制實體共現(xiàn)的BiLSTM模型[17]三種方法聯(lián)合進行關系抽取。

首先對課程文本語料進行分詞和詞性標注，保留詞性為動詞的詞語，篩選出能明顯表明四種關系的詞語共41個，如表示包含關系的“組成”“分為”“包含”等，表示屬性關系的“特征”“定義”等，表示遞進關系的“首先”“其次”“進而”等，表示相關關系的“雖然”“盡管”等，同時定義關系匹配模板如式（1）所示：

Pattern=eci（？：分為|包含ecj1…ecjn） （1）

其中eci，ecj1，…，ecjn∈C，根據(jù)課程文本語料中四種關系定義的關系匹配模板共23個，由匹配模板抽取的實體三元組共352組。

其次借助關聯(lián)規(guī)則挖掘算法找出每小節(jié)和每章中所有滿足最小支持度閾值α的實體頻繁項集，再從頻繁項集中找出滿足最小置信度閾值β的關聯(lián)規(guī)則，從關聯(lián)規(guī)則中抽取實體對，為了確保抽取出的實體關系的準確性和可解釋性，需要人工進一步對實體之間的關系進行分析，并最終確認其所屬的關系，最后共得到719組實體三元組。

前兩步都是根據(jù)文本語料中實體和實體之間存在顯式關系進行抽取的，但是對于實體間的隱式關系利用模板和關聯(lián)規(guī)則則無法有效抽取，因此需要借助基于多特征注意機制和實體共現(xiàn)的BiLSTM模型進行關系抽取。

基于多特征注意機制和實體共現(xiàn)的BiLSTM模型抽取關系的過程：第一步利用多特征注意機制提取句子層次的語義特征，這包括將句子輸入到模型中進行數(shù)據(jù)清理，然后提取詞性標注、依賴分析、語義角色標注和相對位置四個特征；將特征映射到低維空間，并將上述四個特征向量進行拼接；采用邊界層嵌入技術實現(xiàn)高級特征；通過權重向量的乘積，將每次迭代中的詞匯層次特征合并為句子層次特征。第二步實體共現(xiàn)網(wǎng)絡提取全局語料庫級特征。第三步結合以上兩部分提取的特征，計算出“包含、屬性、遞進、相關”四種關系每種關系標簽的概率分布，再對實體對進行關系分類。最終該過程進行關系分類共得到176組實體三元組。

最后對操作系統(tǒng)課程獲得的895組三元組使用Neo4j存儲，有關進程部分的知識圖譜可視化圖，如圖4所示。

圖4" 操作系統(tǒng)課程有關進程部分的知識圖譜可視化圖

3.4" 知識融合與圖譜更新

知識融合與圖譜更新是指不斷將新的信息、數(shù)據(jù)或知識集成到已有的知識圖譜或數(shù)據(jù)庫中，并對其進行更新和完善的過程。這實際上是一個學習反饋和自適應的循環(huán)過程。首先從在線平臺上收集學習者的學習數(shù)據(jù)，然后將其融合到已有的知識圖譜中，并進行整合與消解，隨后更新與擴展圖譜，系統(tǒng)通過學習反饋不斷調整自身，包括改進推理能力和更新算法，最終對系統(tǒng)性能進行評估與優(yōu)化，以提高準確性、效率和可靠性。

3.4.1" 知識融合

知識融合包含指代消解、實體對齊和實體鏈接知識融合中最關鍵的三個過程，同時也是交叉關聯(lián)的過程，它們將來自不同數(shù)據(jù)源的實體關聯(lián)到知識圖譜中以構建一個更為準確和完整的知識圖譜，從而為知識發(fā)現(xiàn)和數(shù)據(jù)分析任務提供更好的支持。

本文將在線學習平臺上142名學習者一學年的學習數(shù)據(jù)融合到知識圖譜中，在后期隨著學習者學習數(shù)據(jù)的不斷更新，知識圖譜也會隨之不斷更新，從而實現(xiàn)動態(tài)知識圖譜。

學習者學習數(shù)據(jù)主要從學習者的四種在線學習行為中獲取，包括：

1）在線活躍程度。反映學習者在線學習的活躍程度，包括登錄頻率、訪問時長、學習時段等。

2）課程參與度。衡量學習者參與課程學習的程度，包括問題提問、回答、話題討論參與等。

3）課程學習程度。反映學習者對課程內容的深入學習程度，包括觀看課程視頻、課程大綱、課件、測試情況、完成實驗任務情況等。

4）遷移學習情況。反映學習者對課程的在線拓展資源閱讀情況，包括查閱課程的拓展資料、完成拓展實驗任務等。

首先，對學習數(shù)據(jù)進行預處理，包括去除停用詞、詞干化、標點符號去除等操作。將文本數(shù)據(jù)劃分為單詞或短語，并為每個實體和屬性賦予唯一的標識符。將預處理后的學習數(shù)據(jù)構建成語料庫，其中每個文檔或句子對應一個向量表示。設語料庫為D = {d1，d2，…，dn}，其中n表示學生數(shù)量。使用Word2Vec詞向量化技術，將語料庫中的每個詞w映射到一個d維向量空間，表示為w→vw∈Rd。由此每個文檔di可以表示為包含詞向量的平均值或加權平均值。采用實體嵌入學習技術將學習數(shù)據(jù)中的實體轉換為向量表示；根據(jù)相似度計算的結果，定義一組啟發(fā)式規(guī)則來判斷學習數(shù)據(jù)中的實體與知識圖譜中的實體是否匹配，再根據(jù)規(guī)則，生成學習數(shù)據(jù)中每個實體的匹配候選集。從候選集中選擇最佳的匹配實體進行實體對齊。將匹配好的學習數(shù)據(jù)中的實體與知識圖譜中的實體進行鏈接，形成實體對齊的結果。這些鏈接可以被表示為知識圖譜中的邊，連接對應的實體節(jié)點。

3.4.2" 圖譜更新

建立學習數(shù)據(jù)與知識點的關系模型，利用圖注意力網(wǎng)絡（GAT）及矩陣分解輸出學習者學習行為影響因子，根據(jù)影響因子動態(tài)調整學習者的知識圖譜。

使用GAT建模學習者學習數(shù)據(jù)和知識點之間的關系。將學習數(shù)據(jù)中的學習者、課程、問題等實體表示為圖的節(jié)點，將學習者與課程之間的學習行為、學習者與問題之間的交互等關系表示為圖的邊。形成學習數(shù)據(jù)的圖結構，其中節(jié)點表示實體，邊表示實體之間的關系。使用GAT對學習數(shù)據(jù)中的節(jié)點進行表示學習。通過聚合相鄰節(jié)點的信息，學習出每個節(jié)點在一個低維空間中的特征表示。同樣地，將知識點表示為圖中的節(jié)點，并使用GAT學習知識點的嵌入向量。通過聚合知識點周圍的信息，學習出每個知識點在一個低維空間中的特征表示。利用式（3）計算學習者學習行為的影響影子。即將學習者的學習行為信息表示為學習者-行為矩陣L，行列分別表示學習者和不同在線學習行為信息。使用矩陣分解將L分解為三個矩陣P、Q和R的成績，即：

（2）

其中，P表示學習者潛在特征矩陣，Q表示學習行為的潛在特征矩陣，R表示一個權重矩陣，表示學習者每種學習行為對影響因子的重要性。通過調整，可以使得P、QT·R盡可能接近原始的用戶行為矩陣。由此定義學習者學習行為的影響因子如下：

（3）

其中，U表示學習者，I表示知識點，R表示權重矩陣，表示學習者u對知識點i的行為權重。K表示調節(jié)因子數(shù)量。該方法可以通過最小化用戶行為矩陣和因子矩陣乘積之間的差異，來找到最適合描述用戶行為的因子矩陣。在實際應用中，通過梯度下降等方法對U和V進行優(yōu)化。

最后通過計算得到的學習行為影響因子，設置知識圖譜更新閾值，當影響因子達到閾值，則表示學習者對該知識點的掌握度較高以及具有一定的知識內化程度，因此可以對知識圖譜中實體的屬性關系和實體間的關聯(lián)度進行及時更新，使知識圖譜更加貼近學習者的實際需求和學習狀態(tài)，提供更加個性化、精準的知識服務和學習指導。

5" 應用分析

自適應知識圖譜可以幫助學習者進行個性化學習路徑規(guī)劃、精準學習資源推薦、學習進度與效果監(jiān)控以及課程知識圖譜后期的自適應更新與優(yōu)化。

5.1" 個性化學習路徑規(guī)劃

通過分析學習者的學習行為和成績，自適應知識圖譜能精準識別學習者的知識掌握情況和薄弱環(huán)節(jié)，動態(tài)的調整學習內容和難度。同時結合學習者的學習進度和反饋，圖譜系統(tǒng)能智能推薦下一步的學習路徑，確保學習者按適合自己的學習進度學習。這種個性化的學習方式不僅能提高學習者的學習效率，還能激發(fā)他們的學習興趣，使學習者有精力在學科課程的學習中涉獵更廣的知識面。

5.2" 精準學習資源推薦

通過持續(xù)跟蹤和分析學習者的學習行為、成績以及互動數(shù)據(jù)，構建出每個學習者的個性化課程知識圖譜。基于該個性化課程知識圖譜，能夠準確識別學習者的知識掌握程度和學習需求，為其推薦適合的學習資源，如視頻教程、習題集、實驗項目、拓展閱讀材料等，以滿足學習者不同的學習需求。

5.3" 學習進度與效果監(jiān)控

在操作系統(tǒng)課程的學習過程中，具有學習反饋的自適應知識圖譜可以作為學習者學習進度與效果監(jiān)控的有力工具。圖譜系統(tǒng)通過實時追蹤學習者的學習路徑，記錄他們在各個知識點上的學習時長、答題正確率等關鍵數(shù)據(jù)，從而為學生提供一個清晰的學習進度概覽。同時，通過深入分析這些數(shù)據(jù)，知識圖譜能夠準確評估學習者的學習效果，及時發(fā)現(xiàn)他們在理解或應用操作系統(tǒng)概念時存在的障礙，并為學習者提供個性化的學習建議，幫助他們調整學習策略，以更高效地掌握課程內容。由此學習者不僅能夠對自己的學習狀態(tài)有更為準確的認識，還能在系統(tǒng)的引導下，持續(xù)優(yōu)化學習過程，最終實現(xiàn)學習效果的顯著提升。

5.4" 知識圖譜的自適應更新與優(yōu)化

圖譜系統(tǒng)通過持續(xù)收集并分析學習者的學習行為、成績和反饋，動態(tài)調整知識圖譜中的節(jié)點和連線，以反映學習者當前的知識掌握情況和學習需求。同時根據(jù)領域專家的指導和最新研究成果，圖譜系統(tǒng)還能對知識圖譜中的實體和關系進行修正和完善，確保其準確性和完整性。

6" 結" 論

構建具有學習反饋的自適應知識圖譜通過整合學習者的學習行為數(shù)據(jù)和知識圖譜構建技術實現(xiàn)對知識圖譜的動態(tài)更新和個性化調整，不僅能夠為學習者提供更具針對性和有效性的學習資源推薦、學習路徑規(guī)劃以及學習進度跟蹤等服務，以提高學習者的學習成效和滿意度，實現(xiàn)個性化、智能化的教育教學目標，同時能夠為教育管理者和決策者提供重要的參考信息，幫助他們更好地理解學習者的學習狀態(tài)和需求，從而制定更加精準和有效的教育政策和措施，推動教育教學的持續(xù)發(fā)展和進步。

參考文獻：

[1] 王運武，彭梓涵，張堯，等.智慧教育的多維透視——兼論智慧教育的未來發(fā)展 [J].現(xiàn)代教育技術，2020，30（2）：21-27.

[2] 劉新業(yè).智慧教育趨向下學習環(huán)境與教學現(xiàn)狀的變化與改良——評《智慧教育下的教學變革》 [J].中國教育學刊，2020（9）：109.

[3] 李振.基于知識圖譜的自適應學習系統(tǒng)關鍵構建技術研究 [D].長春：東北師范大學，2019.

[4] 范佳榮，鐘紹春.學科知識圖譜研究：由知識學習走向思維發(fā)展 [J].電化教育研究，2022，43（1）：32-38.

[5] 林健，柯清超，黃正華，等.學科知識圖譜的動態(tài)生成及其在資源智能組織中的應用 [J].遠程教育雜志，2022，40（4）：23-34.

[6] 葉小敏.美國Knewton自適應學習平臺研究 [D].重慶：西南大學，2019.

[7] 互聯(lián)網(wǎng)教育智能技術及應用國家工程實驗室.唐詩別苑 [EB/OL].[2018-07-25].https：//cit.bnu.edu.cn/kxyj/kyzy/53588.html.

[8] 陳鵬鶴，彭燕，余勝泉.“AI好老師”智能育人助理系統(tǒng)關鍵技術 [J].開放教育研究，2019，25（2）：12-22.

[9] 陸星兒，曾嘉靈，章夢瑤，等.知識圖譜視角下的MOOC教學優(yōu)化研究 [J].中國遠程教育，2016（7）：5-9+79.

[10] 周東岱，董曉曉，顧恒年.教育領域知識圖譜研究新趨向：學科教學圖譜 [J].電化教育研究，2024，45（2）：91-97+120.

[11] 鄭志宏，馬濤，孔新梅，等.基于最近發(fā)展區(qū)的學科知識圖譜構建及大單元設計研究 [J].遠程教育雜志，2024，42（2）：56-64.

[12] GRUBER T R. Toward Principles for the Design of Ontologies Used for Knowledge Sharing？ [J].International Journal of Human-Computer Studies，1995，43（5-6）：907-928.

[13] 于瀏洋，郭志剛，陳剛，等.面向知識圖譜構建的知識抽取技術綜述 [J].信息工程大學學報，2020，21（2）：227-235.

[14] 李冬梅，張揚，李東遠，等.實體關系抽取方法研究綜述 [J].計算機研究與發(fā)展，2020，57（7）：1424-1448.

[15] 楊玉基，許斌，胡家威，等.一種準確而高效的領域知識圖譜構建方法 [J].軟件學報，2018，29（10）：2931-2947.

[16] 趙宇博，張麗萍，閆盛，等.個性化學習中學科知識圖譜構建與應用綜述 [J].計算機工程與應用，2023，59（10）：1-21.

[17] SONG M X，ZHAO J S，GAO X. Research on Entity Relation Extraction in Education Field Based on Multi-feature Deep Learning [C]//ICBDT'20： Proceedings of the 3rd International Conference on Big Data Technologies.Qingdao：Association for Computing Machinery，2020，10：102-106.

作者簡介：王全蕊（1981—），女，漢族，河南新鄉(xiāng)人，講師，碩士，研究方向：智慧教育、知識圖譜構建。