[发明专利]一种构建学习资源多标签标注模型的方法

摘要

本发明公开了一种构建学习资源多标签标注模型的方法，包括以下步骤S1首先在资源入库时抽取资源信息构建学习资源库；然后根据学科标准构建标签库；最后对于学习资源库中的某一资源；S2在S1的基础上设计基于增量AHP的学习资源多标签标注；S3利用关联程度值增量AHP更新方法对关联程度值进行增量更新；该发明首先根据教育资源的特点构建了由资源、标签、关联度构成的三元组用于描述教育资源的多标签标注模型；然后，利用层次分析法定性与定量分析相结合的特点进行关联程度值处理，选取出与教育资源相关程度最大的若干个标签作为标注标签，从而提高教育资源标引的准确程度。

主权项

一种构建学习资源多标签标注模型的方法，其特征在于：包括以下步骤：S1：首先在资源入库时抽取资源信息构建学习资源库；然后根据学科标准构建标签库；最后对于学习资源库中的某一资源，通过学习资源信息与关联标签形成映射构建标注信息，并将标注信息存储于标注信息库中；其中，R1、R2…Rn指不同学习资源库，包括视频、图片、文档等类型的学习资源；标签库指已构建的本体知识库；标注信息库是由三元组IA＝(R,L,β)来表示的；其中，R代表学习资源，实际上是资源的抽取信息；L代表标注标签，是由领域本体抽取出的元知识点；β代表标签L与该资源R的关联程度；S2：在S1的基础上设计基于增量AHP的学习资源多标签标注，其中设计基于增量AHP的学习资源多标签标注的方法包括以下步骤：①由多位领域专家完成初始关联关系的确定；多位领域专家对学习资源进行分析后分别根据判断矩阵指标评分标准，标示出与资源相对应的知识点，然后综合领域专家的初始标注，获得与资源相对关联程度最大的若干个知识点作为资源的标注标签，并依照相对关联程度进行排序，进而可以获得资源初始关联知识点；②利用层次分析法来处理关联程度值，构造出层次结构模型；具体步骤为：对资源Rk，构建出O‑C判断矩阵和C‑P判断矩阵。以资源Rk的C‑P判断矩阵为例，利用层次分析法计算权重，此处采用拟合方法来计算关联程度；minβki(i=1,2,...,n)Σi=1nΣj=1n(Eij-βkiβkj)2---(1)]]>根据提出的层次分析法权向量计算方法式，以C‑P判断矩阵求出资源与知识点的关联程度为：βk(2)=(βk1(2),βk2(2),...,βkn(2))---(2)]]>由O‑C判断矩阵求出第三层对第二层的权向量，即各位领域专家对资源与知识点关联程度判断的权重为：βk(3)=(βk1(3),βk2(3),...,βkn(3))---(3)]]>综合考虑阶梯层次结构模型，计算出资源与关联知识点的关联程度值为：βk=βk(2)*βk(3)---(4)]]>S3：利用关联程度值增量AHP更新方法对关联程度值进行增量更新，更新模型如式(6)所示：minβki′(i=1,2,...,n)Σi=1nΣj=1n(Eij′-βki′βkj′)2+α*|βki′-βkj|2---(5)]]>其中，α∈(0,1)，由此可获得经过系统更新后的权向量β′k＝(β′k1,β′k2,...,β′kn)，由层次结构模型以及式可获得资源Rk标注更新后的关联程度值.βk＝(βk1,βk2,…,βkn)   (6)。