关键词:
课程知识图谱
图注意力网络
学习路径推荐
《数据结构》课程
摘要:
随着“互联网+教育”模式的飞速发展,教育资源变得越来越丰富多样,但这也带来了一个挑战:在面对如此海量的学习资源时,学习者往往难以快速找到最适合自己的学习路径,这不仅增加了学习的难度,而且耗费了大量的时间。因此,精准高效地规划个性化学习路径的重要性凸显。在这样的背景下,学习路径推荐算法应运而生,它通过分析学习者的个人偏好信息和遵循教育学的基本规律,能够为学习者提供更加合理和个性化的学习路径。这一领域已经成为推荐算法研究的热点领域之一,极具发展潜力和应用价值。本论文旨在通过《数据结构》课程知识图谱的构建及可视化展示,探究知识结构及知识点间的关系,以及联合图注意力网络进行个性化学习路径推荐,提高学习者的学习效率。主要工作如下:
(1)提出了基于ALBERT-CAW-Bi LSTM-MA-CRF模型的实体抽取方法。该方法基于ALBERT预训练模型、结合多头注意力机制与字词融合思想,能更充分地获取文本的语义信息和语义特征。相较基准模型,本文提出的模型在公开数据集上精准率、召回率和F1值分别提升了6.49%、7.45%和4.94%,在自建的《数据结构》课程数据集上分别提升了8.61%、2.71%和4.59%,从而验证了该实体抽取模型的有效性。
(2)构建了《数据结构》课程知识图谱。首先,对实体进行数据模式定义,从书本教材、中文维基百科和百度百科网站上获取《数据结构》课程知识数据,并进行预处理,随后使用ALBERT-CAW-Bi LSTM-MA-CRF模型对知识点数据进行实体抽取。然后,通过依存句法分析抽取关系,并根据定义的九种关系类别,对转换所得的课程知识三元组进行分类。最后,将处理得到的三元组导入Neo4j图数据库,实现知识数据的可视化展示,从而为学习路径的推荐提供支持。
(3)提出基于知识图谱和图注意力网络的学习路径推荐模型。首先,采用Trans D嵌入方法获取向量表示,最大化挖掘课程知识图谱中的丰富信息,结合图注意力网络,通过权重系数实现对节点信息的动态传播和高效聚合,从而捕获节点间的关联和重要性,然后利用评分预测生成最终的推荐结果,最后设计实验检验模型的性能。实验结果表明,本文提出的学习路径推荐模型可以更好地进行学习路径的推荐任务。
(4)设计并实现了基于知识图谱的《数据结构》课程学习路径推荐平台。首先,对学习路径推荐平台进行需求分析,设计平台的总体架构,之后对功能模块和数据库进行设计,并进行开发实现。最终实现了课程知识图谱的可视化及查询,同时为学习者推荐个性化的学习路径。