筆記整理 |?崔凌云，天津大學碩士

鏈接：https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=8362657

動機

基于知識圖的廣泛應用和在教育領域日益增長的需求，作者提出了一個名為KnowEdu的系統，以自動構建教育知識圖。通過利用教育領域的異構數據（如教學數據和學習評估數據），該系統首先提取科目或課程的概念，然后確定這些概念之間的教育關系。更具體地說，它在教學數據上使用神經序列標記算法來提取教學概念，并在學習評估數據上使用概率關聯規則挖掘來識別具有教育意義的關系。

亮點

MCCF的亮點主要包括：（1）提出了一個新的和實用的系統來自動構建教育知識圖，它利用異構數據，通常包括教學數據和學習評估數據，以提取教學概念和識別重要的教育關系；（2）考慮到教學概念的教育目的，作者建議將遞歸神經網絡模型應用于教學數據（如遞歸神經網絡模型）來完成教學概念提取任務。這是第一次將神經序列標記應用于教育領域的實體提取中的工作；（3）所期望的教育關系與可以從文本語料庫中正確識別的通用知識圖中的傳統關系有很大上的區別。在這項工作中，作者特別利用了基于概念的學生評估數據，在其上執行概率關聯規則挖掘來推斷所需的關系；

概念及模型

KnowEdu系統層次結構主要由教學概念提取模塊和教學關系識別模塊兩個模塊組成過擬合問題并加速優化。

模型整體框架如下：

教學概念提取模塊

本模塊的主要目標是提取給定主題或課程的教學概念。本模塊主要利用教學數據，通常包括課程標準、教科書和課程教程，這些數據通常是為了教學目的，并從教育領域收集。它們可能需要首先從打印的文檔轉換為機器可讀的文本格式。在數據選擇和格式轉換后，可以部署命名實體識別技術，特別是神經序列標記來提取教學概念，該模塊的關鍵輸出是所提取的概念，它們是所構建的知識圖的基石。

教育關系識別模塊

本模塊的主要目標是識別將教學概念互聯的教育關系，以直接幫助學習和教學過程。由于教育關系更隱更抽象，本模塊主要利用反映學習者認知和知識獲取過程的學習評估和活動數據，采用最新的數據挖掘技術，如概率關聯規則挖掘。最后，這些確定的關系將教學概念聯系起來，以形成教育所需的知識圖，可用于支持學習者和教師的各種應用和服務。

理論分析

實驗

數據集和預處理程序

教學概念提取的數據集通常來自教學和教育來源，如課程標準、教科書和課程手冊。這些材料通常被用作教學和教學實踐的官方指導。作者選擇了由中國教育部公布的國家中小學數學課程標準，作為主要的數據來源。

對于數據預處理步驟，系統首先使用Tika從課程標準的官方版本中提取文本，然后根據章節、段落和標點符號的特定符號進行句子分割，此外，非文本信息將自動刪除圖像和表的邊界。隨后，該系統利用一個中文分詞的開源庫進行分字。最后，從原始數據集中獲得了1847個句子和36697個單詞。

對概念提取的評價

為了獲得模型評估的基本真相，作者邀請了北京師范大學兩位參與起草國家課程標準的領域專家來標記所有的教學概念。共有4251個單詞標記為B-CP，969個單詞標記為I-CP。兩位專家的標簽與相應的kappa值為0.945。

如果先決條件關系存在從概念A到概念B，我們稱之為積極的關系，而如果沒有先決條件關系，我們稱之為負關系。只有當兩個專家都注釋它為正關系，并且kappa值為0.896時，才會確定正關系。

總結

我們介紹并實現了知識圖系統，它可以自動構建教育知識圖。它從異質數據源中提取教學概念和隱式教育關系，主要包括標準課程數據和學習評估數據。針對教學概念的提取，采用了神經網絡模型，并針對前提關系的識別，引入了概率關聯規則的挖掘。我們通過建立一個數學知識圖來證明了該系統的前景，當50%的訓練數據時，B-CP提取的F1分數超過0.75，AUC達到0.95。在更廣泛的畫布上，這個KnowEdu系統已經證明了為不同學科或課程自動構建專用知識圖的可行性和有效性。各種個性化的教學和學習服務，如學習障礙的在線診斷和學習資源的智能推薦，可以使用這些個性化的知識圖來開發，特別是針對下一代的MOOC平臺。

?

---

?

OpenKG

OpenKG（中文開放知識圖譜）旨在推動以中文為核心的知識圖譜數據的開放、互聯及眾包，并促進知識圖譜算法、工具及平臺的開源開放。

點擊閱讀原文，進入 OpenKG 網站。

總結

以上是生活随笔為你收集整理的论文浅尝 | KnowEdu: 一个自动构建教育知识图谱的系统的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。