摘 要：結(jié)合知識圖譜和個性化資源推薦算法，實現(xiàn)傷寒論課程學(xué)習(xí)資源的個性化推薦，幫助學(xué)習(xí)者更有效地學(xué)習(xí)。利用前期研究的知識圖譜，融合課程本體知識，構(gòu)建傷寒論課程知識圖譜。在此基礎(chǔ)上，結(jié)合協(xié)同過濾和基于路徑的推薦算法，設(shè)計混合推薦算法，按相似度排序推薦學(xué)習(xí)資源給用戶。提供形式化的知識表示方法和組織模型，滿足個性化學(xué)習(xí)需求，為學(xué)習(xí)者提供符合其學(xué)習(xí)路線的資源，實現(xiàn)精準(zhǔn)推送。該模型能夠有效地解決傷寒論課程教學(xué)中存在的“晦澀難讀懂、枯燥難專注、教學(xué)難互動”的問題，有助于學(xué)習(xí)者更好地學(xué)習(xí)傷寒論課程。

關(guān)鍵詞：課程知識圖譜；傷寒論；資源推薦算法；個性化學(xué)習(xí)

中圖分類號：TP391.3 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2024）16-0182-07

Learning Resource Recommendation Model of Treatise on Febrile Diseases Course Based on Knowledge Graph

Abstract： Combined with the knowledge graph and personalized resource recommendation algorithm， the personalized recommendation of the course learning resources of Treatise on Febrile Diseases is realized to help learners learn more effectively. The knowledge graph in the early research is used to integrate the knowledge of the course ontology to construct the course knowledge graph of Treatise on Febrile Diseases. On this basis， combined with collaborative filtering and path-based recommendation algorithms， a hybrid recommendation algorithm is designed to recommend learning resources to users according to similarity ranking. It provides formal knowledge representation methods and organizational models to meet personalized learning needs， provides learners with resources that are in line with their learning paths， and achieves accurate push. This model can effectively solve the problems of “obscure and difficult to read， boring and difficult to focus， and difficult to interact in teaching” in the course teaching of Treatise on Febrile Diseases， which is helpful for learners to better learn the course of Treatise on Febrile Diseases.

Keywords： course knowledge graph; Treatise on Febrile Diseases; resource recommendation algorithm; personalized learning

0 引 言

《傷寒論》作為一部重要的中醫(yī)經(jīng)典，被譽為“啟萬世之法程，誠醫(yī)門之圣書”[1]，是中醫(yī)藥院校中醫(yī)類專業(yè)的核心課程。當(dāng)前，成果導(dǎo)向教育（Outcomes-Based Education， OBE）理念已成為高校教學(xué)改革的熱點[2]，與傳統(tǒng)的高等教育理念相比，OBE理念更加重視學(xué)生的學(xué)習(xí)目標(biāo)和學(xué)習(xí)成果。然而，在傷寒論課程的實際教學(xué)中，普遍存在“晦澀難讀懂、枯燥難專注、教學(xué)難互動”的問題，不利于學(xué)生掌握傷寒論課程知識，阻礙了學(xué)習(xí)目標(biāo)的達(dá)成。

本文在前期研究的傷寒論知識圖譜[3]基礎(chǔ)上，融合課程本體知識來構(gòu)建傷寒論課程知識圖譜，在此基礎(chǔ)上制定符合學(xué)習(xí)者學(xué)習(xí)目標(biāo)和學(xué)習(xí)習(xí)慣的學(xué)習(xí)路徑，設(shè)計基于內(nèi)容和協(xié)同過濾的混合推薦算法，從而構(gòu)建面向傷寒論課程的個性化學(xué)習(xí)資源推薦模型，以此來向?qū)W習(xí)者推薦符合其學(xué)習(xí)偏好、知識聯(lián)系緊密且形式多樣的學(xué)習(xí)資源，幫助學(xué)習(xí)者更好的學(xué)習(xí)傷寒論課程。

1 相關(guān)研究

知識圖譜（Knowledge Graph， KG）是一種描述現(xiàn)實世界中客觀存在的實體及其相互關(guān)系的知識網(wǎng)絡(luò)[4]，實體特性采用“屬性-值”對（Attribute-Value Pair， AVP）的形式來表示，實體之間關(guān)系采用網(wǎng)絡(luò)中的邊來表示。它能夠形成對領(lǐng)域知識的共同理解，實現(xiàn)知識的表示、共享與重用。知識圖譜概念自2012年由Google正式提出并發(fā)布知識圖譜項目[5]以來，已在智能搜索、深度問答、決策支持等方面得到廣泛應(yīng)用。

課程知識圖譜旨在構(gòu)建面向特定課程的知識圖譜，提供形式化的課程知識表示和知識組織模型。相關(guān)文獻(xiàn)[6-10]強調(diào)了課程知識圖譜的重要性以及具體構(gòu)建過程，并深入探討了課程知識圖譜在教學(xué)中的應(yīng)用。Gao等人[6]指出在傳統(tǒng)的教學(xué)環(huán)境中，部分學(xué)生的知識結(jié)構(gòu)呈碎片化，缺乏內(nèi)在的聯(lián)系，因此無法對知識進(jìn)行系統(tǒng)性理解，而課程知識圖譜的優(yōu)勢在于以語義網(wǎng)絡(luò)的形式展現(xiàn)知識點的結(jié)構(gòu)關(guān)系和分布情況。郎亞坤等人[7]和張春霞等人[8]對課程知識本體和課程知識圖譜構(gòu)建方法進(jìn)行了詳細(xì)研究。Lang等人[9]和黃煥等人[10]分別基于課程知識圖譜開發(fā)了個性化知識點推薦系統(tǒng)和適應(yīng)性學(xué)習(xí)系統(tǒng)。

推薦算法主要包括基于內(nèi)容的方法[11]和基于協(xié)同過濾的方法[12]。然而，這些算法存在用戶冷啟動、數(shù)據(jù)稀疏、推薦結(jié)果缺乏解釋性和新穎性等問題。近年來，研究者開始借助知識圖譜改進(jìn)推薦系統(tǒng)，以實現(xiàn)更加精準(zhǔn)的個性化推薦。與傳統(tǒng)方法相比，基于知識圖譜的推薦方法具有更強的解釋性，并能有效解決新用戶冷啟動和數(shù)據(jù)稀疏的問題。根據(jù)知識圖譜與推薦方法結(jié)合方式的不同，可以得到不同的分類結(jié)果。常亮等人[13]將基于知識圖譜的推薦方法分為基于本體的推薦生成方法、基于開放鏈接數(shù)據(jù)的推薦生成方法和圖嵌入的推薦生成方法；秦川等人[14]將之分為基于嵌入的知識圖譜信息挖掘方法和基于路徑的知識圖譜信息挖掘方法；朱冬亮等人[15]將之分為基于鏈接的推薦方法、基于嵌入的推薦方法和基于混合的推薦方法。

本文將知識圖譜與資源推薦算法相結(jié)合，以實現(xiàn)對傷寒論課程學(xué)習(xí)資源的個性化推薦。通過優(yōu)化推薦結(jié)果和學(xué)習(xí)路徑，能夠幫助學(xué)習(xí)者更精準(zhǔn)地獲取所需的課程內(nèi)容。

2 傷寒論課程知識圖譜

本文以傷寒論課程為研究對象，采用自頂向下方式來構(gòu)建傷寒論課程知識圖譜，首先通過構(gòu)建傷寒論課程本體來實現(xiàn)傷寒論課程知識圖譜模式層的構(gòu)建，然后將實體加入知識庫，完成數(shù)據(jù)層的構(gòu)建。傷寒論課程本體包括《傷寒論》原文內(nèi)容本體和課程內(nèi)容本體。

《傷寒論》原文內(nèi)容本體在前期研究的傷寒論知識圖譜[3]基礎(chǔ)上進(jìn)行擴展，定義了疾病、證候、癥狀、方劑、治法、中藥六種語義類型，形成十四種語義關(guān)系及其約束關(guān)系。傷寒論課程內(nèi)容本體則以全國中醫(yī)藥行業(yè)高等教育“十四五”規(guī)劃教材《傷寒論選讀（新世紀(jì)第5b589a9bcb69f4c56d19c9b1fb8c58f1840a83c7e3909f371ec801be6a8a164e9版）》[16]為主要數(shù)據(jù)源，將傷寒論課程內(nèi)容劃分為課程、章、節(jié)、知識點四類知識單元，從中抽取并歸納了傷寒論課程內(nèi)容中的各種概念及概念間的關(guān)系。這些知識單元被視作概念，并通過上下位關(guān)系、順序關(guān)系和關(guān)聯(lián)關(guān)系來描述概念之間的橫縱向關(guān)系。上下位關(guān)系代表著概念間的層次結(jié)構(gòu)，例如一章包含多節(jié)，一節(jié)有多個知識點；“章—章”“節(jié)—節(jié)”和“知識點—知識點”則存在著順序關(guān)系，意味著學(xué)習(xí)需要按照一定順序進(jìn)行，從而確保學(xué)習(xí)過程的有序性；關(guān)聯(lián)關(guān)系則表示某些知識點在內(nèi)容或主題上的相關(guān)性，因此可以一同學(xué)習(xí)。通過《傷寒論》原文內(nèi)容本體和傷寒論課程內(nèi)容本體的構(gòu)建，本文完成了傷寒論課程本體的構(gòu)建。

為了構(gòu)建傷寒論課程知識圖譜數(shù)據(jù)層，本文基于傷寒論課程知識圖譜模式層所確立的語義類型和語義關(guān)系，在中醫(yī)經(jīng)方專家指導(dǎo)下采用人工模式從教材中抽取實體，并構(gòu)建概念與實體之間的鏈接。例如，首先抽取實體“表郁輕證+桂枝二麻黃一湯證”，然后利用語義關(guān)系“rdf：type”將之與概念“表郁輕證”相連；進(jìn)一步抽取“藥物療法”“桂枝二麻黃一湯”“寒熱往來”“周身瘙癢”“汗出”“太陽病”等實體，并通過“治療”“現(xiàn)象表達(dá)”“同時發(fā)生”等語義關(guān)系來建立鏈接，如圖1所示。

3 個性化資源推薦算法

3.1 算法構(gòu)建

為了實現(xiàn)《傷寒論》學(xué)習(xí)資源的個性化推薦，本文將資源推薦算法與知識圖譜結(jié)合起來，以便根據(jù)學(xué)習(xí)者的興趣、水平和學(xué)習(xí)風(fēng)格來推薦學(xué)習(xí)資源。在學(xué)習(xí)課程期間，學(xué)生需要依據(jù)知識之間的關(guān)聯(lián)按照特定的順序進(jìn)行學(xué)習(xí)，因此推薦算法需要依據(jù)教學(xué)大綱和學(xué)生需求進(jìn)行知識點和學(xué)習(xí)資源的推薦。當(dāng)學(xué)生尚未完全掌握當(dāng)前知識點時，推薦算法應(yīng)為其提供相應(yīng)的學(xué)習(xí)資源；否則，推薦算法應(yīng)依據(jù)傷寒論課程知識圖譜為其推薦下一個知識點及其相應(yīng)學(xué)習(xí)資源。

為實現(xiàn)這一目標(biāo)，本文將傳統(tǒng)的協(xié)同過濾算法與基于路徑的推薦算法進(jìn)行級聯(lián)混合，設(shè)計了一種基于傷寒論課程知識圖譜的混合推薦算法，具體思路如下：

首先，提取學(xué)生當(dāng)前所學(xué)內(nèi)容的實體，作為基于路徑的推薦算法的輸入，利用知識圖譜中實體之間的關(guān)系，運用基于路徑的推薦算法計算最短路徑，推薦與學(xué)生當(dāng)前所學(xué)知識內(nèi)容相關(guān)的一系列實體；其次，按照特定順序?qū)ν扑]結(jié)果進(jìn)行排列形成推薦實體列表，將順序關(guān)系指向的實體（下一個知識點）放在列表最后一位；再次，判斷當(dāng)前實體是否為推薦實體列表最后一項，若是，表明學(xué)生已掌握當(dāng)前知識點，此時將該實體輸入到基于路徑的推薦算法中，生成下一個知識點的推薦實體列表，反之則進(jìn)行協(xié)同過濾推薦，這種方式有助于學(xué)生有條理地學(xué)習(xí)相關(guān)知識；最后，通過協(xié)同過濾算法計算目標(biāo)項與其他項之間的余弦相似度，根據(jù)相似度從高到低對推薦結(jié)果排序，然后在數(shù)據(jù)庫中找出與推薦實體相關(guān)的學(xué)習(xí)資源。該過程能夠確保學(xué)生獲取與其學(xué)習(xí)需求相匹配的資源，從而提升學(xué)習(xí)效果。

經(jīng)過以上步驟，得到一個推薦結(jié)果集。下面給出基于知識圖譜的混合推薦算法描述：

3.2 有效性分析

3.2.1 數(shù)據(jù)收集

《傷寒論》學(xué)習(xí)資源數(shù)據(jù)集包含2 817份數(shù)據(jù)，其中圖片類數(shù)據(jù)1 123份，文本類數(shù)據(jù)983份，視頻類數(shù)據(jù)511份。采集文本、圖片和視頻形式的傷寒論學(xué)習(xí)資源。文本資源包括傷寒論原文、解讀等文字內(nèi)容；圖片資源包括病案圖片、經(jīng)絡(luò)圖等圖像資料；視頻資源涵蓋專家講解、實際案例演示等多媒體內(nèi)容。數(shù)據(jù)源來自嗶哩嗶哩、知乎、豆瓣平臺的用戶公開數(shù)據(jù)，嚴(yán)格按照平臺的robot.txt協(xié)議進(jìn)行爬取，并未涉及任何個人隱私。統(tǒng)計數(shù)據(jù)集前24個高頻詞的分布，結(jié)果如表1所示。

3.2.2 實驗過程

實驗過程如下：

1）數(shù)據(jù)預(yù)處理。在完成數(shù)據(jù)收集后，將對其進(jìn)行簡單預(yù)處理，包括標(biāo)準(zhǔn)化文本格式、調(diào)整圖片大小和質(zhì)量，以及確保視頻文件格式的統(tǒng)一性。

2）特征提取。通過分析文件名稱，提取關(guān)鍵詞作為輸入，用于推薦算法。這些關(guān)鍵詞可反映文件的內(nèi)容，例如“桂枝”“麻黃”等詞匯，以便更準(zhǔn)確地推斷文件的特征和用途。

3）結(jié)合課程知識圖譜。通過Python的py2neo框架連接nei4j圖數(shù)據(jù)庫，從而可以編寫Python代碼來執(zhí)行各種圖數(shù)據(jù)庫操作，讀取傷寒論課程知識圖譜實體標(biāo)簽、名稱以及語義關(guān)系等重要信息，為基于路徑的推薦算法提供輸入。

4）模擬推薦。模擬用戶進(jìn)行學(xué)習(xí)資源推薦的過程，通過比較基于內(nèi)容的推薦算法、基于協(xié)同過濾的推薦算法以及本文設(shè)計的基于課程知識圖譜的混合推薦算法的推薦結(jié)果，對其進(jìn)行對比評估。驗證本文設(shè)計的混合推薦算法在推薦學(xué)習(xí)資源方面的適用性和有效性。

3.2.3 算法評估

采用召回率、準(zhǔn)確率等評估指標(biāo)，對基于內(nèi)容的推薦算法、基于協(xié)同過濾的推薦算法以及本文設(shè)計的混合推薦算法進(jìn)行全面的對比分析。通過這些評估指標(biāo)的綜合考量，能夠客觀地評估各個算法在推薦學(xué)習(xí)資源時的性能表現(xiàn)，評估結(jié)果如圖2所示。

3.2.4 實例驗證

本文通過對比基于內(nèi)容的推薦算法、基于協(xié)同過濾的推薦算法以及基于知識圖譜的混合推薦算法，對傷寒論學(xué)習(xí)資源數(shù)據(jù)集進(jìn)行了實例驗證。例如，當(dāng)前學(xué)習(xí)內(nèi)容為“桂枝二麻黃一湯證”，分別采用上述三種推薦算法后所得到的圖片類、文本類和視頻類資源集如表2所示。

從表2中可以看出，三種推薦算法的推薦結(jié)果均包含相關(guān)知識點“桂枝麻黃各半湯證”和“桂枝二麻黃一湯證”，但傳統(tǒng)推薦算法（基于內(nèi)容的推薦算法和協(xié)同過濾算法）的推薦結(jié)果還包含當(dāng)前不需要學(xué)習(xí)的太陽蓄血證和不相關(guān)的五苓散方、茯苓甘草湯等知識點。與此同時，基于知識圖譜的混合推薦算法的推薦結(jié)果則包含與當(dāng)前知識點相關(guān)的、來自不同醫(yī)家的方歌，以及更詳細(xì)的關(guān)聯(lián)湯證之間的鑒別。導(dǎo)致上述差別的原因在于，基于知識圖譜的混合推薦算法可以充分利用豐富的實體和語義規(guī)則信息，將多樣化的屬性和語義關(guān)系融入推薦過程，從而提供更準(zhǔn)確和多樣化的推薦結(jié)果，并具有更強的可解釋性。

4 個性化學(xué)習(xí)資源推薦模型

4.1 模型框架

本文所構(gòu)建的《傷寒論》學(xué)習(xí)資源推薦模型包含用戶界面模塊、基于知識圖譜的混合推薦算法模塊和數(shù)據(jù)庫模塊，如圖3所示。

用戶界面模塊負(fù)責(zé)接收學(xué)習(xí)者的學(xué)習(xí)需求，并將這些需求傳遞給推薦算法模塊，同時還負(fù)責(zé)本地緩存、數(shù)據(jù)存儲等任務(wù)；推薦算法模塊基于傷寒論課程知識圖譜提取學(xué)習(xí)內(nèi)容的實體并分析用戶行為，采用基于路徑的推薦算法從傷寒論課程知識圖譜中獲取推薦實體列表，然后結(jié)合學(xué)習(xí)資源庫，運用協(xié)同過濾算法生成推薦資源列表，并將結(jié)果集返回給用戶界面模塊；數(shù)據(jù)庫模塊包括圖數(shù)據(jù)庫和學(xué)習(xí)資源庫，為推薦算法模塊提供《傷寒論》內(nèi)容實體、學(xué)習(xí)資源數(shù)據(jù)等，同時為用戶界面模塊的學(xué)習(xí)資源可視化展示提供數(shù)據(jù)支撐。

4.2 模型實現(xiàn)

4.2.1 系統(tǒng)架構(gòu)

該推薦模型的系統(tǒng)實現(xiàn)采用前后端分離結(jié)構(gòu)，使用Java和Python編程語言進(jìn)行開發(fā)。系統(tǒng)架構(gòu)從上自下分為四層：用戶界面層（UI）、業(yè)務(wù)邏輯層（BL）、數(shù)據(jù)訪問層（DAL）和數(shù)據(jù)層（DL），系統(tǒng)架構(gòu)層次及其技術(shù)實現(xiàn)方案如表3所示。

4.2.2 系統(tǒng)功能

本系統(tǒng)包括五大主要功能模塊，分別為用戶管理模塊、資源管理模塊、交流互動模塊、個性化學(xué)習(xí)模塊和個人中心模塊，如圖4所示。

用戶管理模塊負(fù)責(zé)管理用戶的登錄、注冊以及權(quán)限分配等任務(wù)；資源管理模塊旨在有效管理不同類型和格式的學(xué)習(xí)資源。管理員擁有對數(shù)據(jù)庫中所有資源的管理權(quán)限，而普通用戶僅能管理自己所上傳的資源；交流互動模塊為學(xué)習(xí)者提供了交流平臺，他們可以發(fā)布文章、分享學(xué)習(xí)經(jīng)驗、提出問題，并與其他學(xué)習(xí)者展開交流和討論，從而促進(jìn)相互學(xué)習(xí)和協(xié)作，加強聯(lián)系和互動；個性化學(xué)習(xí)模塊利用用戶的學(xué)習(xí)需求、歷史記錄和學(xué)習(xí)進(jìn)度等信息，向用戶推薦符合其學(xué)習(xí)需求的視頻、文章、思維導(dǎo)圖、筆記等學(xué)習(xí)資源，其中視頻資源涵蓋了教學(xué)視頻、案例分析、名家講座等多種類型資源；個人中心模塊則為用戶提供修改個人賬戶信息、調(diào)整學(xué)習(xí)習(xí)慣、定義感興趣方向、更新賬戶密碼等功能。

借助于本系統(tǒng)，用戶能夠方便、快捷地獲取個性化的《傷寒論》學(xué)習(xí)資源，并促進(jìn)相互之間的交流與協(xié)作，提升學(xué)習(xí)效果。

4.2.3 系統(tǒng)界面

用戶可以通過系統(tǒng)界面獲取所需的《傷寒論》學(xué)習(xí)資源，與其他學(xué)習(xí)者進(jìn)行交流互動，在個人中心頁面修改個人相關(guān)信息，并能獲取體現(xiàn)知識之間關(guān)聯(lián)的可視化圖譜。

圖5展示了與“中風(fēng)表虛證”相關(guān)的章、節(jié)、知識點、疾病、證候、癥狀、治法、方劑和中藥的知識關(guān)聯(lián)。從圖5中可以看出，“中風(fēng)表虛證”屬于章“辨太陽病脈證并治”中的節(jié)“太陽病辨證綱要”中的知識點“太陽病分類”，其包含了桂枝湯證、桂枝加厚樸杏子湯證、桂枝去芍藥加附子湯證等多個湯證。從每個湯證出發(fā)，通過圖5可以發(fā)現(xiàn)相關(guān)聯(lián)的癥狀、方劑和組成方劑的中藥材。這種直觀、形象的知識可視化方式有助于用戶將相關(guān)邏輯路徑上的知識點串聯(lián)起來，更好地理解傷寒論課程知識。

圖6展示了本系統(tǒng)APP客戶端響應(yīng)用戶查詢“桂枝二麻黃一湯證”的圖片類、文本類和視頻類資源（部分）列表。該功能使學(xué)習(xí)者能夠快速獲取符合自身需求的各類學(xué)習(xí)資源，提升學(xué)習(xí)效率。

5 結(jié) 論

本文將知識圖譜與基于路徑和協(xié)同過濾的混合推薦算法相結(jié)合，提出基于傷寒論課程知識圖譜的個性化學(xué)習(xí)資源推薦算法，構(gòu)建了相應(yīng)的推薦模型，并對其進(jìn)行了編程實現(xiàn)。本文所提出的推薦模型能夠有效克服用戶冷啟動、數(shù)據(jù)稀疏、推薦結(jié)果缺乏解釋性等問題，為學(xué)習(xí)者提供了更具針對性和多樣性的傷寒論課程學(xué)習(xí)資源。在下一步的研究工作中，我們將研究傷寒論課程知識的自動抽取和融合，豐富和完善現(xiàn)有的傷寒論課程知識圖譜；考慮更多維度的用戶特征和行為，以推薦更準(zhǔn)確地個性化學(xué)習(xí)資源，進(jìn)一步改善用戶體驗。

參考文獻(xiàn)：

[1] 吳謙.醫(yī)宗金鑒 [M].太原：山西科學(xué)技術(shù)出版社，2011.

[2] 李紅，石素君，趙修臣，等.基于OBE理念的引線鍵合實驗教學(xué)改革 [J].實驗室研究與探索，2020，39（7）：211-213+222.

[3] LIU D B，WEI C F，XIA S S，et al. Construction and Application of Knowledge Graph of Treatise on Febrile Diseases [J].Digital Chinese Medicine，2022，5（4）：394-405.

[4] 楊玉基，許斌，胡家威，等.一種準(zhǔn)確而高效的領(lǐng)域知識圖譜構(gòu)建方法 [J].軟件學(xué)報，2018，29（10）：2931-2947.

[5] SINGHAL A. Introducing the Knowledge Graph： Things， Not Strings [EB/OL].（2012-05-16）.https：//blog.google/products/search/introducing-knowledge-graph-things-not/.

[6] GAO J，WANG L，XU F. Research on the Construction of Course Knowledge Graph of High School Information Technology [C]//2020 International Conference on Artificial Intelligence and Education（ICAIE）.Tianjin：IEEE，2020：211-215.

[7] 郎亞坤，蘇超，王國中，等.基于Neo4j的C++課程知識圖譜的構(gòu)建和推理 [J].智能計算機與應(yīng)用，2021，11（7）：144-150+155.

[8] 張春霞，彭成，羅妹秋，等.數(shù)學(xué)課程知識圖譜構(gòu)建及其推理 [J].計算機科學(xué)，2020，47（S2）：573-578.

[9] LANG Y K，WANG G Z. Personalized Knowledge Point Recommendation System Based on Course Knowledge Graph [J].Journal of Physics： Conference Series，2020，1634（1）：012073.

[10] 黃煥，元帥，何婷婷，等.面向適應(yīng)性學(xué)習(xí)系統(tǒng)的課程知識圖譜構(gòu)建研究——以“Java程序設(shè)計基礎(chǔ)”課程為例 [J].現(xiàn)代教育技術(shù)，2019，29（12）：89-95.

[11] LOPS P，JANNACH D，MUSTO C，et al. Trends in Content-based Recommendation [J].User Model User-adapt Interact，2019，29（2）：239-249.

[12] HE X N，LIAO L Z，ZHANG H W，et al. Neural Collaborative Filtering [J/OL].arXiv：1708.05031 [cs.IR].（2017-08-16）.https：//arxiv.org/abs/1708.05031v2.

[13] 常亮，張偉濤，古天龍，等.知識圖譜的推薦系統(tǒng)綜述 [J].智能系統(tǒng)學(xué)報，2019，14（2）：207-216.

[14] 秦川，祝恒書，莊福振，等.基于知識圖譜的推薦系統(tǒng)研究綜述 [J].中國科學(xué)：信息科學(xué)，2020，50（7）：937-956.

[15] 朱冬亮，文奕，萬子琛.基于知識圖譜的推薦系統(tǒng)研究綜述 [J].數(shù)據(jù)分析與知識發(fā)現(xiàn)，2021，5（12）：1-13.

[16] 王慶國，周春祥.傷寒論選讀：第5版 [M].北京：中國中醫(yī)藥出版社，2021.