申请/专利权人：河南大学

申请日：2022-01-28

公开（公告）日：2024-06-28

公开（公告）号：CN114595337B

主分类号：G06F16/36

分类号：G06F16/36;G06F40/289;G06F40/216;G06F40/30

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.06.24#实质审查的生效;2022.06.07#公开

摘要：本发明公开一种基于GMM构建课程知识图谱的方法，包括：将试题按章节分组，对每章的试题进行预处理及中文分词，得到结构化试题数据，然后对有效试题字串进行jieba分词，生成试题的词频矩阵；基于处理后的试题的词频矩阵、使用GMM模型进行试题知识点聚类和特征提取，生成试题知识点模型；同时基于结构化试题数据对章节知识点进行特征识别和提取，生成章节知识点模型；基于生成的试题知识点模型和章节知识点模型，利用知识图谱技术将试题和章节两类知识点统合为课程知识图谱。本发明以海量的课程试题为研究对象，利用高斯混合聚类方法识别试题知识点及其关联，并结合现有章节知识点体系，利用知识图谱技术，实现课程知识体系重构。

主权项：1.一种基于GMM构建课程知识图谱的方法，其特征在于，包括：步骤A，将试题按章节分组，对每章的试题进行预处理及中文分词，包括对包含无效字符、图片内容的试题进行清洗，得到结构化试题数据，然后对有效试题字串进行jieba分词，生成试题的词频矩阵，并对试题的词频矩阵进行处理；步骤B，进行试题和章节两类知识点的特征识别和提取，包括基于处理后的试题的词频矩阵、使用GMM模型进行试题知识点聚类和特征提取，生成试题知识点模型；同时基于结构化试题数据对章节知识点进行特征识别和提取，生成章节知识点模型；步骤C，基于生成的试题知识点模型和章节知识点模型，利用知识图谱技术将试题和章节两类知识点统合为课程知识图谱；所述步骤B包括：步骤B1，对于试题库试题q的高斯混合模型GMM概率分布pq如公式1所示： 其中K表示试题中包含的知识点数；是第k个知识点的高斯分布密度函数；αk表示试题包含第k个知识点的概率，且满足μk表示均值；∑k表示协方差；采用EM算法对参数αk，μk和∑k进行估计：首先，计算试题qi包含知识点k的可能性γik，如公式2所示；然后，αk，μk和∑k的计算方法如公式3-5所示： 给定收敛阈值ε，迭代计算公式2-5，直至|α′k-α′k-1|≤ε为止，求得αk，μk，∑k；利用公式1，确定知识点在试题中的分布情况，构建试题与知识点间的多对多映射关系；设定聚类类别数，并用贝叶斯信息准则对聚类结果进行评价，选取最优聚类个数、即每章知识点个数；步骤B2，根据试题的聚类结果，令表示试题知识点全集，Ki表示第i个试题知识点；用隶属于该知识点的试题的最频繁共现词组来表达试题知识点特征：令表示试题知识点，q和w分别表示K的试题集和特征集，特征集w由对试题知识点覆盖度最高的若干词组组成，且特征集w对试题知识点的总体覆盖度为100％；步骤B3，进行章节知识点识别与特征提取：基于结构化的试题库中的每道试题的章节属性q.e，识别出课程的章节层次知识结构，并识别出每个章节知识点；使用高覆盖度词组集来表示章节知识点特征：令表示课程章节全集，表示章节知识点，q和w分别表示C的试题集和特征集，特征集w由对章节知识点覆盖度最高的若干词组组成，且特征集w对章节知识点的总体覆盖度为100％。

全文数据：

权利要求：

百度查询： 河南大学 一种基于GMM构建课程知识图谱的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD