[发明专利]一种基于知识图谱的组合错题推荐方法

说明书

本发明公开了一种基于知识图谱的组合错题推荐方法，通过该方法能够精准的给学习者推荐与其薄弱知识点相关的错题。该发明包括构建从大规模非结构化试题数据中抽取知识，构建知识图谱；对学习者的错题进行文本挖掘，分词，提取出错题关键字，进而确定该错题所包含的知识点；通过对试题的语义相识性进行分析，得到该知识点的语义近邻；通过错题知识点映射到知识图谱中，获得符合其知识点的试题实体。同时通过对试题库进行相识性权重计算，得到试卷的相识度矩阵，利用协同过滤技术得到错题的推荐试题。最后，利用加权、混合、层叠和元级别等方式对两种推荐结果进行进一步组合，给出最终推荐结果。

技术领域

本发明属于计算机软件技术领域，具体涉及一种基于知识图谱的组合错题推荐方法。

背景技术

随着互联网发展的突飞猛进，人们逐渐从一个信息匮乏的时代进入到了一个信息过载的时代。信息爆炸式的增长使得网络中信息泛滥的问题变得极其严重，对于用户来说从海量数据中寻找到对自己有价值的数据便变得困难重重，一些很少被关注的有用信息往往被淹没到信息的海洋中，成为孤岛信息。推荐系统便是解决此类问题的有效方法，其本质便是为用户找到符合其兴趣偏好的资源对象。

近年来，鉴于推荐技术在各个领域均有着巨大价值，各行各业的专家学者都投身于推荐技术的研究中去，由此而带来了推荐技术发展的新的高峰。目前主流的推荐技术，包括基于规则的推荐技术、基于内容的推荐技术和协同过滤技术。这些推荐技术在传统的推荐系统中得到广泛应用，并取得了一定的成功。基于内容的推荐对复杂属性的处理不够友好，同时对新用户不能产生较好的推荐。基于规则的推荐技术，过度依赖于专业领域的语言专家定义语法规则，需要耗费大量时间来提取规则，人工成本太高，同时迁移成本巨大。基于项目的协同过滤推荐算法在数据极度稀疏的情况下相似性度量不准、推荐质量低下的不足。同时，随着推荐算法的不断发展，人们也开始意识到现有推荐系统所存在的缺陷，如由于数据稀疏带来的冷启动问题、推荐精度以及Gray sheep。

错误是学习中所不可避免的，错题是学习者学习的难点与盲点的集中体现，能最大程度上展现学习者的学习现状，且具有很强的真实性。归纳总结这些错题对学习者能否掌握知识有着巨大的影响，错题知识点的推荐也就成为学习者学习进步过程中至为重要的关键环节。通过使用具有较高推荐准确率的方法，能够有效利用错题集给学习者提供精准的知识推荐，利用错题集强化学习者知识理解与记忆。错题的巩固练习作为学习中极其为重要的一部分，其主要目的就要是让学习者练习其所在领域掌握较为薄弱的知识点，根据学习者的需求向其推荐一定数目的习题，以巩固知识。

通过构建试题的知识图谱，将实体、关系以及路径都在低维的向量空间中表示，然后计算各个知识点的语义相识性，通过对错题分词，提取知识点，得到该知识点的语义近邻，然后在知识图谱中给出所有知识点语义近邻的试题推荐。同时计算错题与试题库的相似性权重，得到试题的相识性矩阵，根据协同过滤算法给出相应的推荐。结合两种推荐结果，利用加权、混合、层叠和元级别等方式，给出最终的推荐结果。

发明内容

本发明旨在提供一种精准度高的错题推荐方法。

本发明提供的错题推荐方法是基于试题知识图谱的。通过从大规模非结构化试题中，提取出知识点，构建试题的知识图谱。在此基础上，通过对错题的语义分析，抽取出该错题的知识点，进而在知识图谱中计算该知识点的语义近邻，与此同时通过协同过滤算法计算出该试题的最近邻，最后采取加权、混合和元级别等方式结合两种推荐技术，从而提高推荐的准确度。同时，由于拥有丰富的语义数据，也在一定程度上解决了推荐系统的冷启动问题。