(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210633790.1 (22)申请日 2022.06.07 (71)申请人 安徽农业大 学 地址 230036 安徽省合肥市蜀山区长江西 路130号安徽农业大 学 (72)发明人 王超　朱家瑞　饶海笛　谷刘涛　 夏迎春　邹能锋　焦俊　辜丽川　 (74)专利代理 机构 北京保识知识产权代理事务 所(普通合伙) 11874 专利代理师 尹莹莹 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/36(2019.01) G06F 40/30(2020.01) G06Q 50/20(2012.01) (54)发明名称 一种基于知识图谱的网络学习资源分析及 个性化推荐方法 (57)摘要 本发明公开了一种基于知识图谱的网络学 习资源分析及个性化推荐 方法， 属于学习资源分 析推荐方法技术领域， 具体包 括以下步骤： S1、 构 建网络学习资源知识图谱； S2、 网络学习资源分 析； S3、 学习者画像分析； S4、 网络学习资源个性 化推荐； 本发明融合了学科知识、 学习资源、 学习 策略的个性化教育知识图谱模型及其构建技术， 基于知识图谱的学习资源概念链接、 分析与评价 技术以及知识 图谱与学习目标的学习者知识体 系评估模型和学习路径智能规划， 实现了以学习 者个性化兴趣和 需求驱动为中心的精准知识推 送和个性 化学习资源与学习策略推荐。 权利要求书3页 说明书7页 附图1页 CN 114861069 A 2022.08.05 CN 114861069 A 1.一种基于知识图谱的网络学习资源分析及个性化推荐方法， 其特征在于， 具体包括 以下步骤： S1、 构建网络学习资源知识图谱： 利用元数据抽取方法对非结构化学科知识进行研究， 解决教育领域由于语料不足， 标注语料匮乏的问题， 在已有的各领域教学资源的知识图谱 的基础上， 利用迁移学习方法实现网络学习资源知识图谱的构建； S2、 网络学习资源分析： 基于S1中所构建的网络学习资源知识图谱， 利用激活扩散理论 对网络学习资源知识图谱中各领域的教学资源进 行建模， 得到能够代表相应领域知识点的 向量模型， 同时通过层次化深度网络对其进行 特征选择； S3、 学习者画像分析： 采集学习者学习分析数据， 依据所采集的学习分析数据， 实现学 习者画像的构建及实时动态更新， 并通过对学习者画像的分析得出学习者的学习资源需 求； S4、 网络学习资源个性化推荐： 结合S2与S3中所得内容， 基于知识点中心度和动态异质 信息网络的学习路径推荐方法对 学习者进 行智能学习路径规划， 同时根据S 3中所得的学习 者画像实现网络学习资源的精准推送与个性 化推荐。 2.根据权利要求1所述一种基于知识图谱的网络学习资源分析及个性化推荐方法， 其 特征在于， 所述S1中提到的网络学习资源知识图谱选择复合型结构来表示， 所述网络学习 资源知识图谱构建过程具体包括以下步骤： A1、 利用元数据抽取方法， 结合已有的各领域教学资源的知识图谱， 将各领域知识图谱 内的学习内容分为单个知识点； A2、 基于A1中所得的知识点数据， 找出同领域知识点之间以及不同领域的知识点之间 的依赖关系， 确定学习的先后顺序； A3、 以A2中所得的知识点之间的依赖关系为导向， 基于迁移学习方法， 将知识点链接起 来， 构建出完整的网络学习资源知识图谱。 3.根据权利要求1所述一种基于知识图谱的网络学习资源分析及个性化推荐方法， 其 特征在于， 所述S 3中提到的学习者学习分析数据， 包括有显性数据和隐性数据， 所述显性数 据具体包括有学习者知能结构数据、 学习风格分析数据、 在线学习偏好分析数据和学习资 源需求分析 数据； 所述隐性数据包括有在线学习过程分析 数据和在线学习结果分析 数据。 4.根据权利要求1或3所述一种基于知识图谱的网络学习资源分析及个性化推荐方法， 其特征在于， 所述S4中提到的网络学习资源个性 化推荐， 具体包括以下步骤： B1、 根据所构建的网络学习资源知识图谱及知识点向量模型， 形成 “网络学习资源数据 库”； B2、 结合所述B1中所得的 “网络学习资源数据库 ”及所述S3中显性数据， 对学习者进行 学习分析， 具体包括学习风格分析、 在线学习偏好分析和学习资源需求分析； B3、 所述B2中学习分析完成后， 根据所得分析结果， 从 “网络学习资源数据库 ”确定和调 用个性化学习资源的内容， 具体包括选择资源类型、 确认推送内容、 确认推荐时间以及确认 推荐频次； B4、 根据所述B3中所确定的内容进行自动化推送， 学习者根据所推送的内容进行个性 化学习， 同时对在线学习过程自动进行记录、 储 存； B5、 对所述B4中所记录、 储存的在线学习数据进行分析， 具体包括在线学习过程分析和权　利　要　求　书 1/3 页 2 CN 114861069 A 2在线学习结果分析， 依据所 得分析数据对在线学习进行评价； B6、 基于B5中所 得的在线学习评价结果对所述B3中的推送内容进行实时更新和调整； B7、 调整完成后， 自动向学习者进行智能学习路径规划以及网络学习资源的精准推送 与个性化推荐。 5.根据权利要求1所述一种基于知识图谱的网络学习资源分析及个性化推荐方法， 其 特征在于， 所述S4中提到的基于知识点中心度的学习路径推荐方法， 所述知识点中心度可 动态调整， 在 对知识点的中心度进 行评估时， 同时考虑知识 点网络节点的度值和贡献值， 基 于知识点度值和贡献值， 提出一种知识点中心度计算模型， 其计算公式为： Ci＝AZiQ    (1) 式中， Ci表示节点的中心度； A为评估系数矩阵， 表示知 识点自身及各阶邻居节点对知 识 点i的重要性的贡献程度； Zi为知识点i的度值与贡献值评估指标矩阵， 包含知识点i及各阶 邻居节点的度值与贡献值； Q为指标权重矩阵， 对于度值与贡献值中心度计算方法， 保留根 据贡献值计算中心度中的同阶邻居节点对节点 i中心度贡献量的计算方法， 即： 式中， 为节点i的m阶邻居节点集对节点i的中心度总贡献量， 为节点i的 m阶邻居节点 集中节点j的值； 故式公式(1)中度值与贡献值评估指标矩阵Zi可表示为： 式中， 第一列元素为度值， 第二列元素为贡献值， 由于度值与贡献值的取值范围不同， 每个指标的意义与计量单位也不同， 会导致数据的量级不同， 对度值与贡献值评估指标矩 阵Zi做归一化处理； 对Zi中的度值与贡献值采用归一 化公式： 式中， 为归一化后的指标值， 由 计算出归一化度值与贡献值评估指标矩阵Zi′， 令 Ci＝AZiQ， 由此节点 i的中心度可表达为Ci＝AZi′Q， 即： 权　利　要　求　书 2/3 页 3 CN 114861069 A 3