(19)中华 人民共和国 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 202111292746.0 (22)申请日 2021.11.03 (71)申请人 北京航空航天大 学 地址 100191 北京市海淀区学院路37号 (72)发明人 杜博文　孙磊磊　孙培林　 (74)专利代理 机构 北京科迪生专利代理有限责 任公司 1 1251 代理人 张乾桢　邓治平 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/34(2019.01) G06Q 10/04(2012.01) G06Q 50/20(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06N 20/00(2019.01) (54)发明名称 一种基于课程知识图谱的智慧教育系统平 台设计方法 (57)摘要 本发明涉及一种基于课程知识图谱的智慧 教育系统平台设计方法， 包括如下步骤： 步骤一、 搭建学生端和教师端， 以及构建服务器端； 步骤 二、 在系统平台中通过大数据埋点获取学生历史 交互数据通过预定长度时间内系统收集到的数 据形成时序数据， 将学生历史交互数据存储在服 务器端的数据库中； 步骤三、 构建知 识图谱， 根据 课程的大纲要求、 PPT课件以及课本内容梳理课 程的知识图谱， 并根据学生对于课程知识单元的 掌握程度对知识图谱进行可视化， 将构建的知识 图谱存储在服务器端的数据库中； 步骤四、 构建 预测模块， 将预测模块部署在服务器端； 步骤五、 构建学习推荐模块， 通过知识图谱为学生用户提 供个性化推荐的学习路线， 并且智能生成不同难 度的试卷。 权利要求书3页 说明书6页 附图3页 CN 114020929 A 2022.02.08 CN 114020929 A 1.一种基于 课程知识图谱的智慧教育系统平台设计方法， 其特 征在于， 包括如下步骤： 步骤一、 搭建学生端和教师端， 以及构建服务器端， 学生端用于学生用户日常课程活 动， 包括在线作业模块、 在线练习模块， 教师端用于教师布置作业和公告、 对学生数据进行 分析； 学生端和教师端共用登录系统平台， 课程问答社区、 构建课程知识图谱； 系统服务器 端用于学生端和教师端的数据传输和处 理； 步骤二、 在系统平台中通过大数据埋点获取学生历史交互数据通过预定长度时间内系 统收集到的数据形成时序数据， 将学生历史 交互数据存 储在服务器端的数据库中； 步骤三、 构建知识图谱， 根据课程的大纲要求、 PPT课件以及课本内容梳理课程的知识 图谱， 并根据学生对于课程知识单元 的掌握程度对知识图谱进行可视化， 将构建的知识图 谱存储在服务器端的数据库中； 步骤四、 构建预测模块， 包括： 将学生历史交互数据与知识图谱相结合， 构建基于异质 图的知识追踪模型； 所述的知识追踪模型指的是使用循环神经网络各种变体学习学生历史 交互数据中的时序依赖 关系， 并通过利用知识图谱对每一个概念产生的空间特征信息和时 序依赖相结合， 从而实现对学生的知识掌握程度的预测， 将预测模块部署在服 务器端； 步骤五、 构建学习推荐模块， 其基于系统平台对学生对知识掌握程度的追踪模型产生 的结果， 通过知识图谱为学生用户提供个性化推荐的学习路线， 并且智能生成不同难度的 试卷， 分别用于巩固、 复习和提高不同要求的学习计划。 2.根据权利要求1所述的一种基于课程知识图谱的智慧教育系统平台设计方法， 其特 征在于， 所述步骤一， 采用web模块化模型设计， 采用B/S架构搭建学生端和教师端， 以及构 建服务器端， 其包括数据库层、 业 务逻辑层、 数据分析层和表现层。 3.根据权利要求1所述的一种基于课程知识图谱的智慧教育系统平台设计方法， 其特 征在于， 所述步骤一， 所述在线作业模块包括作业发布单元、 作业提交单元以及作业批改单 元， 所述的作业 发布单元支持在线 试卷类型以及在线PDF文件类型两种发布方式， 并将作业 通过推送的方式通知学生用户； 所述的作业提交单元提供学生端用于在线提交作业， 支持 提交状态保存； 所述的作业批改单元用于整理和批阅上交的作业， 能够对主观题进行自动 批阅， 具有帮助教师用户快速定位到没有批改的习题的功 能， 并且学生端能够看到系统平 台对错题的标注和统计。 4.根据权利要求1所述的一种基于课程知识图谱的智慧教育系统平台设计方法， 其特 征在于， 所述步骤二， 作业提交单元能够通过大数据埋点， 记录学生历史交互数据， 包括完 成时间、 习题频率、 做 题顺序， 习题耗时、 习题收藏标注、 答案是否申请优秀。 5.根据权利要求1所述的一种基于课程知识图谱的智慧教育平台设计， 其特征在于， 所 述步骤三， 所述构建知识图谱 包括以下步骤： 步骤3.1： 根据课程大纲、 课程PPT、 课程书籍内容梳理课程概念之间的依赖关系， 并且 每个课程概念都具有四种描述， 分别为自然语言定义、 数 学描述、 逻辑描述和计算描述； 步骤3.2： 将系统内容每一个相关课程资源对应的知识点进行标注得到资源 ‑概念之间 的三元关系； 所述的课程资源 包括课件、 视频以及题目； 步骤3.3： 根据概念 ‑概念、 资源 ‑概念之间的关系， 得到由课程知识点主导的课程异质 知识图谱； 步骤4.4： web端利用neo4j存储知识图谱所需图数据， 并结合D3.js进行web端可视化展权　利　要　求　书 1/3 页 2 CN 114020929 A 2示。 6.根据权利要求1所述的一种基于课程知识图谱的智慧教育平台设计， 其特征在于， 所 述步骤四， 所述基于异质图的知识追踪模型的实现步骤为： 步骤4.1： 从智慧教育系统平台导出一个阶段的学生历史交互数据Xt＝{x1,x2,…,xt}， 其中xt＝{et,pt}为练习表现对， et表示在t时刻学生用户的习题索引， pt表示在t时刻该习题 的布尔值结果； 步骤4.2： 知识图谱节点预处理， 对每一个图谱中的节点vi进行特征处理得到其空间特 征表示 对于概念节点， 其包括概念索引、 答案、 评论、 反馈等； 对于习题节点， 其包 括题目内容、 题目示意图、 题目索引； 涉及索引信息使用独热向量进行表示， 文本信息使用 Par2Vec处理为一维向量， 图片信息使用CNN模型进行处理为一维向量； 并且对于同一个节 点， 其具有多种特征种类， 在其中使用BI ‑LSTM以提高特征的表达能力， 最后使用平均池化 层输出该节点的空间特 征预处理向量； 步骤4.3： 将从教育系统平台收集的学生历史交互数据打乱后， 前80％的学生数据用作 训练集， 10％用作验证集去调整知识追踪模型的超参数； 最后10％的数据用于测试集去测 试知识追踪模型的预测性能； 步骤4.4： 使用训练集中的数据对知识追踪模型进行训练， 使用循环神经网络变体 (GRU)学习时间序列中的时序 依赖关系； 对于每个时间t， GRU模 型输出学生对 所有概念掌握 的时序隐藏层表示； 步骤4.5： 对于每个时间t， 结合异质知识图谱， 使用图神经网络学习当前学习的概念在 图中的空间特征表示， 并利用门控机制调整时序特征和空间特征的平衡关系输出下一时刻 的知识掌握隐状态向量； 将该知识掌握隐状态向量作为全连接神经网络的输入， 即可输出 下一时刻该 学生用于对所有概念的掌握程度的预测值； 步骤4.6： 使用损失函数计算训练集中的预测值和真实值之间的误差， 并使用梯度 下降 法来更新知识追踪模型的各个参数， 重复进 行训练并在 验证集上计算预测值和真实值之间 的误差， 直到参数收敛， 此时结束训练， 并保存 验证集上 预测值和真实值 误差中最小的值； 步骤4.7： 将本次保存的验证集上预测值和真实值误差中最小的值和之前的实验值进 行对比， 跳转到步骤4.2， 选择其他的超参数进行实验， 直到找出效果最好的超参数 组合， 并 将最终知识追踪模型的参数保存； 步骤4.8： 在测试集上测试知识追踪模型的表现， 验证预测方法有效性。 7.根据权利要求1所述的一种基于课程知识图谱的智慧教育平台设计， 其特征在于， 所 述步骤五， 所述系统个性 化推荐的学习路线的实现步骤为： 步骤5.1： 通过该学生的历史交互数据 得到其当前对所有概念的掌握程度， 系统将掌握 程度划分为四种等级， 学习路径规划分为两种路径规划， 分别为巩固规划和提高规划， 巩固 规划为学生用户提供用于巩固学生学习的推荐知识 点， 提高规划为学生用户提供用于提高 学生对于知识点的掌握能力的推荐知识点； 步骤5.2： 根据学生的历史交互数据得到其所涉及到的概念集合S， 巩固规划就是通过 选取概念集合S中掌握程度为一般等级的概念中选取， 提高规划就是通过选取概念集合S中 掌握程度为较差等级的概念中选取； 步骤5.3： 根据学校课程大纲的顺序和要求， 会通过比较当前概念集合S与预设课程要权　利　要　求　书 2/3 页 3 CN 114020929 A 3