摘 要：為解決海量學(xué)習(xí)資源所帶來的“認(rèn)知過載”和“學(xué)習(xí)迷航”等問題，針對學(xué)習(xí)者的個(gè)體特征和學(xué)習(xí)需求，同時(shí)考慮知識點(diǎn)之間的邏輯關(guān)系，文章將學(xué)科知識圖譜融入學(xué)習(xí)路徑推薦模型。首先構(gòu)建了學(xué)科知識圖譜，然后結(jié)合學(xué)習(xí)者認(rèn)知特征進(jìn)行知識點(diǎn)路徑規(guī)劃，最后基于知識點(diǎn)序列和學(xué)習(xí)者模型對關(guān)聯(lián)資源進(jìn)行排序過濾，得到學(xué)習(xí)資源的序列集合。實(shí)驗(yàn)結(jié)果表明，相對于現(xiàn)有經(jīng)典模型，所提出的方法具有良好的推薦效用。文章的研究成果為學(xué)科教育領(lǐng)域個(gè)性化學(xué)習(xí)路徑推薦的理論研究和技術(shù)實(shí)現(xiàn)提供了重要參考。

關(guān)鍵詞：學(xué)科知識圖譜；資源推薦；學(xué)習(xí)路徑；個(gè)性化推薦

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2024）20-0117-06

Personalized Learning Path Recommendation Strategy Based on Subject Knowledge Graph

DONG Miao

（Shanghai Xingjian College， Shanghai 200072， China）

Abstract： In order to solve the problems of “cognitive overload” and “l(fā)earning trek” brought by mass learning resources， aiming at the learner's personalized features and learning needs and considering the logical relationship between knowledge points， this paper integrates the subject knowledge graph into the learning path recommendation model. Firstly， a subject knowledge graph is constructed， followed by knowledge point path planning based on learner cognitive characteristics. Finally， the related resources are sorted and filtered based on knowledge point sequences and learner models to obtain a sequence set of learning resources. The experimental results show that the proposed method has good recommendation effectiveness compared to existing classical models. The research results of this paper provide important references for the theoretical research and technical implementation of personalized learning path recommendation in the field of subject education.

Keywords： subject knowledge graph; resource recommendation; learning path; personalized recommendation

0 引 言

近年來隨著大數(shù)據(jù)、人工智能等技術(shù)的迅速發(fā)展，知識圖譜作為熱點(diǎn)技術(shù)逐漸被應(yīng)用到智能檢索、資源推薦、知識問答系統(tǒng)等各個(gè)領(lǐng)域。國務(wù)院在《新一代人工智能發(fā)展規(guī)劃》中明確指出：“要重點(diǎn)突破知識圖譜構(gòu)建與學(xué)習(xí)、知識演化與推理等技術(shù)，要實(shí)現(xiàn)智能教育，建立以學(xué)習(xí)者為中心的教育環(huán)境”[1-2]。以學(xué)習(xí)者為中心的個(gè)性化教育模式需要根據(jù)學(xué)習(xí)者的認(rèn)知狀態(tài)、學(xué)習(xí)目標(biāo)以及個(gè)體特征等提供最適合的學(xué)習(xí)資源和學(xué)習(xí)路徑，學(xué)科知識圖譜作為融合全面的知識技能點(diǎn)與教學(xué)資源的知識庫，可以根據(jù)學(xué)科知識體系和技能培養(yǎng)目標(biāo)對知識技能點(diǎn)進(jìn)行細(xì)化并建立之間的關(guān)聯(lián)關(guān)系，從而應(yīng)用于學(xué)科資源的智能組織、個(gè)性化教學(xué)的實(shí)施、教學(xué)設(shè)計(jì)與評價(jià)等，推動個(gè)性化教育環(huán)境的創(chuàng)新發(fā)展[3]。目前有研究注重于利用本體技術(shù)和知識圖譜來建模領(lǐng)域知識[4]，有學(xué)者利用深度學(xué)習(xí)檢索學(xué)科知識庫，構(gòu)建交互式智能問答模塊，精準(zhǔn)回答用戶問題[5]。本文在此基礎(chǔ)上研究將學(xué)科知識圖譜的構(gòu)建和路徑生成算法的設(shè)計(jì)結(jié)合起來，為學(xué)習(xí)者的在線學(xué)習(xí)提供指導(dǎo)。

1 學(xué)科知識圖譜的構(gòu)建

1.1 構(gòu)建思路

知識圖譜的構(gòu)建過程，可以理解為以資源描述框架（Resource Description Framework， RDF）三元組表征的關(guān)系數(shù)據(jù)的抽取和完善過程[6]。本文學(xué)科知識圖譜的構(gòu)建融合了人工與自動的方法，同時(shí)結(jié)合了自頂而下和自底而上的方式。如圖1所示，首先依據(jù)教育部設(shè)立的學(xué)科專業(yè)目錄、各教指委發(fā)布的專業(yè)教學(xué)標(biāo)準(zhǔn)等，針對不同的學(xué)科專業(yè)培養(yǎng)規(guī)格，提煉其核心工作領(lǐng)域?qū)?yīng)典型工作任務(wù)與職業(yè)能力要求，構(gòu)建基于工作過程的課程系統(tǒng)，明確專業(yè)核心課程主要教學(xué)內(nèi)容與要求，形成學(xué)科知識體系邏輯框架。在此基礎(chǔ)上定義專業(yè)核心課程知識圖譜的實(shí)體類、屬性類和關(guān)系類，自頂而下的完成本體結(jié)構(gòu)的構(gòu)建，這個(gè)過程需要學(xué)科領(lǐng)域?qū)＜覅⑴c。其次，運(yùn)用知識抽取、知識融合等技術(shù)，采用自底而上的方式將多源異構(gòu)數(shù)據(jù)變?yōu)榻Y(jié)構(gòu)化的知識三元組[7]，形成具體實(shí)例數(shù)據(jù)層。最后，將知識存儲在圖數(shù)據(jù)庫中實(shí)現(xiàn)學(xué)科知識圖譜的構(gòu)建。在后續(xù)使用過程中對知識圖譜的更新方面多為對數(shù)據(jù)層的更新，而本體結(jié)構(gòu)相對穩(wěn)定不會頻繁更新。

1.2 學(xué)科本體構(gòu)建

本體的主要作用是使用形式化的描述語言提供一個(gè)共享的、一致的語義模型用于定義和組織領(lǐng)域內(nèi)的概念、屬性和關(guān)系，作為后續(xù)知識抽取的指導(dǎo)[8]。構(gòu)建高質(zhì)量的學(xué)科知識本體是構(gòu)建完備、準(zhǔn)確的學(xué)科知識圖譜的先決條件，學(xué)科知識圖譜對數(shù)據(jù)質(zhì)量的要求極為嚴(yán)格，在構(gòu)建過程中注重一致性和標(biāo)準(zhǔn)化、可擴(kuò)展性和可更新性、知識質(zhì)量和可驗(yàn)證性[9]。本文采用手動構(gòu)建的方式，在學(xué)科領(lǐng)域?qū)＜业闹笇?dǎo)下定義實(shí)體類型、屬性和實(shí)體間關(guān)系的類型，其中部分實(shí)體類型如圖2所示。

1.3 學(xué)科知識抽取

知識圖譜數(shù)據(jù)來源包括教學(xué)文本、視頻、音頻等半結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)，分為實(shí)體抽取和關(guān)系抽取兩個(gè)環(huán)節(jié)。實(shí)體抽取是從學(xué)科數(shù)據(jù)中將與主題相關(guān)的知識點(diǎn)、技能點(diǎn)提取出來，然后對實(shí)體之間的關(guān)系進(jìn)行挖掘，形成“實(shí)體-關(guān)系-實(shí)體”的三元組表示形式的過程[10]。

專業(yè)教學(xué)計(jì)劃中包含若干課程，課程之間存在先修后繼的關(guān)系，課程中存在若干不同類型的教學(xué)資源，而教學(xué)資源是為了講解知識技能點(diǎn)，知識點(diǎn)之間存在包含、并列、同義、前驅(qū)后繼等關(guān)系，本文中根據(jù)實(shí)際需要定義了實(shí)體之間的關(guān)系類型，部分關(guān)系定義如表1所示。

1.4 學(xué)科知識融合與存儲

知識融合的總體任務(wù)是計(jì)算實(shí)體間的相似度，把相似度在一定閾值內(nèi)的實(shí)體劃定為同一實(shí)體。通過BERT模型進(jìn)行數(shù)據(jù)分類和清洗過濾，使用Word2Vec通過詞之間的距離來判斷它們之間的語義相似度，完成實(shí)體的對齊。最后使用Cypher語言將經(jīng)過信息抽取和知識融合獲得的三元組知識持久化存儲在非關(guān)系型圖數(shù)據(jù)庫Neo4j中，生成結(jié)構(gòu)化知識語義網(wǎng)絡(luò)，有助于后續(xù)各項(xiàng)功能的實(shí)現(xiàn)和性能的優(yōu)化。

本文以軟件工程專業(yè)培養(yǎng)方案、核心工作領(lǐng)域、專業(yè)課程標(biāo)準(zhǔn)為主要數(shù)據(jù)來源，網(wǎng)絡(luò)學(xué)習(xí)平臺資源作為補(bǔ)充輔助數(shù)據(jù)來源構(gòu)建學(xué)科知識圖譜。經(jīng)過本體構(gòu)建、知識抽取、知識融合后存儲在Neo4j圖數(shù)據(jù)庫中，如圖3所示。

2 個(gè)性化學(xué)習(xí)路徑推薦方法設(shè)計(jì)

學(xué)習(xí)路徑是學(xué)習(xí)者在學(xué)習(xí)過程中選擇或被選擇的一系列學(xué)習(xí)資源的序列集合[11-12]。學(xué)習(xí)路徑推薦的過程就是將學(xué)習(xí)者的認(rèn)知水平等特征映射到知識圖譜中作為路徑規(guī)劃的起點(diǎn)，將學(xué)習(xí)目標(biāo)作為路徑規(guī)劃的終點(diǎn)，結(jié)合知識圖譜中知識點(diǎn)之間的關(guān)系生成所有待排序的知識點(diǎn)集合；再通過路徑規(guī)劃得到最優(yōu)的知識點(diǎn)學(xué)習(xí)路徑；最后基于學(xué)習(xí)者模型對關(guān)聯(lián)資源進(jìn)行排序過濾，最終得到學(xué)習(xí)資源的序列集合，如圖4所示。

具體內(nèi)容如下：

1）學(xué)習(xí)者模型構(gòu)建階段。抽取系統(tǒng)中學(xué)習(xí)者的基本信息和學(xué)習(xí)行為數(shù)據(jù)，基于學(xué)習(xí)者的認(rèn)知水平構(gòu)建三維度的學(xué)習(xí)者模型。

2）生成待學(xué)習(xí)知識點(diǎn)集合。依據(jù)學(xué)習(xí)者的基本信息獲取所在專業(yè)的核心工作領(lǐng)域知識、技能要求，以及專業(yè)人才培養(yǎng)知識、技能目標(biāo)。基于學(xué)習(xí)者的目標(biāo)/需求和認(rèn)知水平得到待排序的知識技能點(diǎn)集合。

3）知識點(diǎn)路徑規(guī)劃階段。知識點(diǎn)學(xué)習(xí)路徑規(guī)劃問題可以看作是一個(gè)有向圖的遍歷問題，約束條件為學(xué)習(xí)路徑上各知識點(diǎn)次序的合理性，最終找到最優(yōu)路徑使學(xué)習(xí)者完成學(xué)習(xí)路徑上所有知識點(diǎn)的學(xué)習(xí)。

4）學(xué)習(xí)資源推薦階段。學(xué)習(xí)資源由一個(gè)或多個(gè)知識點(diǎn)組合而成，并且具有不同的表達(dá)方式屬性特征?；谏傻闹R點(diǎn)學(xué)習(xí)序列，按照重要度由高到低、難易度由易到難、學(xué)習(xí)者興趣度由大到小的原則進(jìn)行學(xué)習(xí)資源推薦。

3 學(xué)習(xí)者模型的構(gòu)建

學(xué)習(xí)者模型可以通過多種方式構(gòu)建，其目的在于真實(shí)的反映學(xué)習(xí)者特征，如知識與技能目標(biāo)、偏好與認(rèn)知水平等，并將其轉(zhuǎn)換為可以被計(jì)算機(jī)所理解的數(shù)據(jù)，以此為基礎(chǔ)服務(wù)于上層應(yīng)用實(shí)踐。本文從學(xué)習(xí)者的基本屬性、學(xué)習(xí)風(fēng)格和認(rèn)知水平三方面構(gòu)建學(xué)習(xí)者模型，如圖5所示。

定義學(xué)習(xí)者S，將學(xué)習(xí)者模型表示為：S =（B（S），P（S），C（S）），其中B（S）表示學(xué)習(xí)者的基本屬性，基本屬性是對于學(xué)習(xí)者姓名、所在專業(yè)、年級等一些基本性質(zhì)的描述，考慮學(xué)習(xí)者在學(xué)習(xí)過程中所帶有的群體傾向性，對這一階段的學(xué)習(xí)者進(jìn)行共性分析，用于形成基本學(xué)習(xí)路徑框架；提煉學(xué)習(xí)者學(xué)習(xí)過程大數(shù)據(jù)，分析學(xué)習(xí)者學(xué)習(xí)方式偏好和認(rèn)知特點(diǎn)等學(xué)習(xí)風(fēng)格特征。根據(jù)Kolb的學(xué)習(xí)風(fēng)格理論，學(xué)習(xí)風(fēng)格可以分為具體經(jīng)驗(yàn)型、反思觀察型、抽象概念型和積極實(shí)驗(yàn)型四種類型，同一個(gè)個(gè)體可能有多種學(xué)習(xí)風(fēng)格的傾向[13]。將學(xué)習(xí)者S的學(xué)習(xí)風(fēng)格表示為P（S）={CE，RO，AC，AE}，CE、RO、AC、AE分別表示學(xué)習(xí)者S屬于四種學(xué)習(xí)風(fēng)格的傾向程度；提取學(xué)習(xí)者學(xué)習(xí)結(jié)果大數(shù)據(jù)，精確分析學(xué)習(xí)者基礎(chǔ)知識的掌握程度，用于形成個(gè)性化的學(xué)習(xí)資源推薦。使用C（S）={ci|i∈[1，N]}對學(xué)習(xí)者S在學(xué)科領(lǐng)域內(nèi)N個(gè)知識技能點(diǎn)上的認(rèn)知水平進(jìn)行定量表示，其值在學(xué)習(xí)過程中依據(jù)學(xué)習(xí)者前測、學(xué)習(xí)行為數(shù)據(jù)等方面計(jì)算獲得，使用0到1的連續(xù)值區(qū)分不同水平的認(rèn)知。

4 知識點(diǎn)路徑的生成

本階段的目標(biāo)是對待排序知識點(diǎn)進(jìn)行序化，以確保學(xué)習(xí)者在學(xué)習(xí)某一知識點(diǎn)前以掌握其全部先驗(yàn)知識點(diǎn)，并將知識點(diǎn)按照重要度由高到低的原則排列，使整體學(xué)習(xí)成本最低。

4.1 知識點(diǎn)學(xué)習(xí)路徑規(guī)劃數(shù)學(xué)模型

將本問題的目標(biāo)函數(shù)定義為知識點(diǎn)路徑連接度（Knowledge Path Connectivity，KPC）。

（1）

其中，X表示知識點(diǎn)學(xué)習(xí)路徑選擇矩陣，并設(shè) ；DK表示知識點(diǎn)關(guān)系矩陣，矩陣元素dij表示知識點(diǎn)ki和kj之間的連接度，其值定義為：

（2）

知識點(diǎn)ki到kj的最短路徑距離ShortestPath（ki，kj），距離越短兩個(gè)知識點(diǎn)的連接越緊密。如果兩個(gè)知識點(diǎn)從屬于同一知識面，則認(rèn)為兩個(gè)知識點(diǎn)之間不存在先后順序[14]，將它們的最短路徑距離設(shè)置1；如果兩個(gè)知識點(diǎn)之間不存在路徑或兩個(gè)知識點(diǎn)是同義關(guān)系，則將其最短路徑賦值為懲罰參數(shù)。公式定義如下：

（3）

知識點(diǎn)的度Degree|ki|=in|ki|+out|ki|，其中in|ki|表示知識點(diǎn)ki的入度，out|ki|表示知識點(diǎn)ki的出度，度越高表示該知識點(diǎn)在圖譜中越重要。

4.2 知識點(diǎn)學(xué)習(xí)路徑規(guī)劃數(shù)學(xué)模型求解

知識點(diǎn)學(xué)習(xí)路徑的求解步驟如下：首先根據(jù)學(xué)習(xí)者模型中的認(rèn)知水平，在學(xué)科知識圖譜中標(biāo)記已掌握的知識點(diǎn)集合作為路徑起點(diǎn)，將目標(biāo)知識點(diǎn)作為路徑終點(diǎn)，將起點(diǎn)和終點(diǎn)集合間存在聯(lián)通路徑的知識點(diǎn)加入解空間，算法在解空間中搜索最優(yōu)路徑。

本文采用粒子群優(yōu)化算法（PSO）進(jìn)行最優(yōu)路徑的求解，微粒群的每個(gè)粒子代表一個(gè)n維的學(xué)習(xí)路徑。算法流程如下：

1）初始化種群中各微粒的速度和位置。

2）將知識點(diǎn)學(xué)習(xí)路徑規(guī)劃問題的目標(biāo)函數(shù)作為適應(yīng)度函數(shù)，根據(jù)當(dāng)前位置計(jì)算適應(yīng)度值fitness（各路徑的長度）。記錄每個(gè)微粒的最佳位置pbest和fitness，并從種群中選擇fitness最佳粒子位置作為種群的位置gbest。

3）更新微粒的速度和位置。

4）計(jì)算位置更新后每個(gè)微粒的fitness，更新個(gè)體極值位置pbest。

5）根據(jù)各個(gè)粒子的fitness與之前gbest所對應(yīng)的fitness比較，找出全局極值位置gbest。

6）若達(dá)到迭代次數(shù)或出現(xiàn)退化行為，則停止迭代；否則返回3）。

7）輸出目前最優(yōu)解作為知識點(diǎn)學(xué)習(xí)序列pathk={kp1，kp2，…，kpm}。

5 學(xué)習(xí)資源的推薦

5.1 學(xué)習(xí)資源的序化

本階段的目標(biāo)是對學(xué)習(xí)資源進(jìn)行序化，利用已產(chǎn)生的知識點(diǎn)學(xué)習(xí)路徑、學(xué)習(xí)資源與知識點(diǎn)的包含關(guān)系、學(xué)習(xí)資源的屬性特征等，使學(xué)習(xí)資源以知識點(diǎn)序列為基礎(chǔ)，按照重要度由高到低、難易度由易到難、學(xué)習(xí)者興趣度由大到小的原則排列，使整體學(xué)習(xí)成本最低。

1）學(xué)習(xí)資源涵蓋知識點(diǎn)與學(xué)習(xí)者學(xué)習(xí)路徑上待學(xué)習(xí)知識點(diǎn)的差異：

（4）

其中，Ckq表示第k個(gè)學(xué)習(xí)者對第q個(gè)知識點(diǎn)的掌握度，此指標(biāo)由前測確定；RCnq表示第n個(gè)學(xué)習(xí)資源對第q個(gè)知識點(diǎn)的涵蓋度；IDq表示第q個(gè)知識點(diǎn)在知識點(diǎn)學(xué)習(xí)路徑序列中的位序，Xnk為決策變量。

2）學(xué)習(xí)者的學(xué)習(xí)風(fēng)格與學(xué)習(xí)資源類型的差異：

（5）

其中，STp表示第k個(gè)學(xué)習(xí)者與第p個(gè)學(xué)習(xí)風(fēng)格類型的匹配度，；RSnp表示第n個(gè)學(xué)習(xí)資源與第p個(gè)呈現(xiàn)方式類型的匹配度， 。

3）學(xué)習(xí)者能力水平與學(xué)習(xí)資源難度水平的差異：

（6）

其中，Tk表示第k個(gè)學(xué)習(xí)者的認(rèn)知水平，Dn表示第n個(gè)學(xué)習(xí)資源的難度水平。

5.2 推薦流程

對RKF、RTP、RDP進(jìn)行加權(quán)融合得到學(xué)習(xí)者與學(xué)習(xí)資源的連接度Conn（S，R）=wRKF·RKF+wRTP·RTP+wRDP·RDP，其中wRKF、wRTP、wRDP為權(quán)重指標(biāo)，wRKF+wRTP+wRDP=1。取連接度最高的N個(gè)學(xué)習(xí)資源推薦給用戶。

6 實(shí)驗(yàn)與分析

6.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集

本文實(shí)驗(yàn)環(huán)境為64位Windows11操作系統(tǒng)，使用Python實(shí)現(xiàn)所述算法。由于目前自建學(xué)科知識圖譜中未有學(xué)習(xí)者交互數(shù)據(jù)，為了觀測算法的有效性和可行性，本文選取與學(xué)科知識圖譜存在一致數(shù)據(jù)結(jié)構(gòu)的2021年發(fā)布的信息技術(shù)類專業(yè)大規(guī)模在線實(shí)踐教學(xué)平臺EduCoder的公開數(shù)據(jù)集MOOPer進(jìn)行實(shí)驗(yàn)，該數(shù)據(jù)集分為知識圖譜和交互數(shù)據(jù)兩部分，知識圖譜包含課程、知識點(diǎn)、實(shí)訓(xùn)等11類實(shí)體以及14類實(shí)體間關(guān)系；交互數(shù)據(jù)包含2 532 524條實(shí)踐練習(xí)數(shù)據(jù)、21 606 390條系統(tǒng)反饋數(shù)據(jù)及15 054條用戶討論數(shù)據(jù)。其知識圖譜結(jié)構(gòu)如圖6所示。

6.2 推薦效用的評價(jià)指標(biāo)

本文采用五折交叉驗(yàn)證，將五次實(shí)驗(yàn)結(jié)果的平均值作為推薦效用的評價(jià)指標(biāo)。針對Top-N推薦任務(wù)，為測試集中的學(xué)習(xí)者推薦前N個(gè)學(xué)習(xí)資源，選取查準(zhǔn)率（Precision）和召回率（Recall）作為評價(jià)指標(biāo)。計(jì)算公式如下：

（7）

其中，TP表示真正例，F(xiàn)N表示假反例，F(xiàn)P表示假正例，TN表示真反例。

6.3 實(shí)驗(yàn)過程與分析

為驗(yàn)證算法的有效性，對比協(xié)同過濾推薦算法（CFR）、RippleNet模型[15]與本文提出的基于知識圖譜的個(gè)性化學(xué)習(xí)路徑推薦算法（KGPR），在Top-N任務(wù)中從查準(zhǔn)率和召回率指標(biāo)角度衡量算法的有效性，實(shí)驗(yàn)結(jié)果如圖7所示。

通過對比分析實(shí)驗(yàn)數(shù)據(jù)可知，KGPR在查準(zhǔn)率和召回率評估指標(biāo)上均取得最好的性能。CFR利用學(xué)習(xí)者-資源交互信息學(xué)習(xí)不同學(xué)習(xí)者之間的相似性，并向目標(biāo)學(xué)習(xí)者推薦與其相似的學(xué)習(xí)者所喜歡的資源，但無法解決交互信息數(shù)據(jù)稀疏的問題；RippleNet模型從用戶端出發(fā)，在知識圖譜上使用嵌入傳播機(jī)制，通過傳播用戶的潛在偏好來增強(qiáng)用戶的表示，但RippleNet模型未考慮知識圖譜中實(shí)體權(quán)重，從而未將推薦重點(diǎn)放在重要程度較高的實(shí)體上；KGPR在生成知識點(diǎn)序列時(shí)考慮了其重要度，突出了推薦的重點(diǎn)，增加了推薦的準(zhǔn)確性，從而使得推薦系統(tǒng)的性能得到了提升。

7 結(jié) 論

學(xué)科知識圖譜是將大數(shù)據(jù)、人工智能等技術(shù)應(yīng)用于教學(xué)活動的重要體現(xiàn)，以學(xué)科知識為核心建立語義網(wǎng)絡(luò)，利用用戶畫像等技術(shù)實(shí)現(xiàn)對用戶精準(zhǔn)的學(xué)情研判，進(jìn)而進(jìn)行個(gè)性化、精準(zhǔn)化的學(xué)習(xí)路徑規(guī)劃和學(xué)習(xí)資源推薦。本文梳理了學(xué)科知識圖譜的構(gòu)建流程，包括學(xué)科本體構(gòu)建、學(xué)科知識抽取、學(xué)科知識融合與存儲，并提出了基于知識圖譜的個(gè)性化學(xué)習(xí)路徑推薦算法（KGPR），將學(xué)習(xí)者的認(rèn)知水平等特征映射到知識圖譜中作為路徑規(guī)劃的起點(diǎn)，將學(xué)習(xí)目標(biāo)作為路徑規(guī)劃的終點(diǎn)，通過路徑規(guī)劃得到最優(yōu)的知識點(diǎn)學(xué)習(xí)路徑；然后基于學(xué)習(xí)者模型對關(guān)聯(lián)資源進(jìn)行排序過濾，最終得到學(xué)習(xí)資源的序列集合。采用五折交叉驗(yàn)證，使用查準(zhǔn)率、召回率驗(yàn)證了算法的推薦效用。但是學(xué)科知識圖譜存在構(gòu)建的復(fù)雜性、知識的專業(yè)性和數(shù)據(jù)量的依賴性等問題，提供個(gè)性化服務(wù)時(shí)需要捕捉學(xué)習(xí)者自身知識體系的動態(tài)演進(jìn)并優(yōu)化大數(shù)據(jù)量處理效率。在后續(xù)工作中將進(jìn)一步完善學(xué)科知識圖譜的構(gòu)建，融入學(xué)習(xí)者行為等數(shù)據(jù)，優(yōu)化推薦算法以提升學(xué)習(xí)資源推薦性能。

參考文獻(xiàn)：

[1] 國務(wù)院.國務(wù)院關(guān)于印發(fā)新一代人工智能發(fā)展規(guī)劃的通知 [J].中華人民共和國國務(wù)院公報(bào)，2017（22）：7-21.

[2] 董曉曉，顧恒年，周東岱.知識圖譜新近研究進(jìn)展及其在教育領(lǐng)域的應(yīng)用挑戰(zhàn) [J].數(shù)字教育，2022，8（5）：10-17.

[3] 趙宇博，張麗萍，閆盛，等.個(gè)性化學(xué)習(xí)中學(xué)科知識圖譜構(gòu)建與應(yīng)用綜述 [J].計(jì)算機(jī)工程與應(yīng)用，2023，59（10）：1-21.

[4] 王志立，李鑫路，梅林常，等.基于NLP技術(shù)的知識圖譜關(guān)系型數(shù)據(jù)AI抽取方法 [J].信息技術(shù)，2023（11）：132-137.

[5] 曹莉，趙營穎，朱紅磊.基于深度學(xué)習(xí)的交互式在線教學(xué)資源管理平臺 [J].信息技術(shù)，2023，47（2）：24-29.

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

[7] 穆肅，譚梓淇，駱玨秀，等.面向精準(zhǔn)教研的立體知識圖譜構(gòu)建方法研究 [J].電化教育研究，2023，44（5）：74-81.

[8] 張栩翔，湯玉祺，趙文，等.基于知識圖譜和圖嵌入的個(gè)性化學(xué)習(xí)資源推薦 [J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2023，32（5）：180-187.

[9] 孫雨生，彭夢媛，劉濤.學(xué)科知識圖譜及其構(gòu)建機(jī)理 [J].科技管理研究，2022，42（20）：157-162.

[10] 李春英，武毓琦，湯志康，等.融合知識圖譜的學(xué)習(xí)者個(gè)性化學(xué)習(xí)資源推薦 [J].小型微型計(jì)算機(jī)系統(tǒng)，2024，45（2）：285-292.

[11] 高嘉騏，劉千慧，黃文彬.基于知識圖譜的學(xué)習(xí)路徑自動生成研究 [J].現(xiàn)代教育技術(shù)，2021，31（7）：88-96.

[12] 鐘卓.人工智能支持下的智慧學(xué)習(xí)模型構(gòu)建及應(yīng)用研究 [D].長春：東北師范大學(xué)，2023.

[13] 李浩君，楊琳，張鵬威.基于多目標(biāo)優(yōu)化策略的在線學(xué)習(xí)資源推薦方法 [J].模式識別與人工智能，2019，32（4）：306-316.

[14] 張迪.基于知識圖譜的教學(xué)資源推薦方法研究 [D].武漢：華中師范大學(xué)，2019.

[15] WANG H W，ZHANG F Z，WANG J L，et al. RippleNet： Propagating User Preferences on the Knowledge Graph for Recommender Systems [C]//Proceedings of the 27th ACM International Conference on Information and Knowledge Management.New York：ACM，2018：417-426.

作者簡介：東苗（1985—），女，漢族，河南平頂山人，副教授，碩士，研究方向：模式識別、智能系統(tǒng)。