System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 基于图神经网络的知识结构预测方法、装置、设备及介质制造方法及图纸_技高网

基于图神经网络的知识结构预测方法、装置、设备及介质制造方法及图纸

技术编号:43003794 阅读:5 留言:0更新日期:2024-10-18 17:12
一种基于图神经网络的知识结构预测方法、装置、电子设备及计算机可读存储介质,其中,该方法,包括:获取用户的学习概念图;计算学习概念图中每个节点的文本分别与专家词典中各文本的文本相似度,获取最大的文本相似度作为每个节点的语义相似度;根据学习概念图中节点的语义相似度和学习概念图的节点结构特征进行图增强表示,得到学习概念图的节点增强表示;将学习概念图的节点增强表示和概念图的邻接矩阵进行串联得到的输入向量输入至基于图神经网络构建的知识结构预测模型,得到用户的知识结构预测结果。上述基于图神经网络的知识结构预测方法、装置、电子设备及计算机可读存储介质可以客观、准确、高效地对学习者的知识结构进行预测。

【技术实现步骤摘要】

本申请实施例涉及教育信息化,尤其涉及一种基于图神经网络的知识结构预测方法、装置、电子设备及计算机可读存储介质。


技术介绍

1、在教学中,通常会对学习者的知识结构进行评估。学习者知识结构的评估与分析能够帮助教师及时了解学习者的深层学习状态,对于有效教学反馈具有重要意义。现有技术中,常用的知识结构评估方式是主要依赖教学者的主观评价,效率不高,也比较主观,容易出错。


技术实现思路

1、本申请实施例提供一种基于图神经网络的知识结构预测方法、装置、电子设备及计算机可读存储介质,可实现客观、准确、高效地对学习者的知识结构进行预测的目的。

2、本申请实施例一方面提供了一种基于图神经网络的知识结构预测方法,包括:

3、获取用户的学习概念图,所述学习概念图包括存在连接关系的多个节点;

4、计算所述学习概念图中每个节点的文本分别与专家词典中各文本的文本相似度,获取最大的文本相似度作为每个所述节点的语义相似度;

5、提取所述学习概念图的节点结构特征;

6、根据所述学习概念图中节点的语义相似度和所述学习概念图的节点结构特征进行图增强表示,得到所述学习概念图的节点增强表示;

7、将所述学习概念图的节点增强表示和所述概念图的邻接矩阵进行串联,得到输入向量,将所述输入向量输入至基于图神经网络构建的知识结构预测模型,得到所述用户的知识结构预测结果。

8、可选的,所述提取所述学习概念图的节点结构特征,包括:

9、计算所述学习概念图中各节点的入度和出度之和;

10、计算所述学习概念图中各节点的noderank;

11、计算所述学习概念图中各节点的节点中介中心性;

12、确定所述学习概念图中各节点的入度和出度之和、所述学习概念图中各节点的noderank、所述学习概念图中各节点的节点中介中心性之中至少两项构成所述学习概念图的节点结构特征。

13、可选的,所述根据所述学习概念图中节点的语义相似度和所述学习概念图的节点结构特征进行图增强表示,得到所述学习概念图的节点增强表示,包括:

14、根据所述学习概念图中节点的语义相似度、所述学习概念图中各节点的入度和出度之和、所述学习概念图中各节点的noderank和所述学习概念图中各节点的节点中介中心性,构建所述学习概念图中每个节点的指标向量;

15、根据所述学习概念图中每个节点的指标向量,得到所述学习概念图的指标节点嵌入矩阵;

16、获取所述学习概念图的节点特征矩阵;

17、将所述学习概念图的节点特征矩阵与所述学习概念图的指标节点嵌入矩阵进行融合拼接,得到所述学习概念图的节点增强表示。

18、可选的,所述图神经网络包括gin消息聚合层和图池化层,其中,所述gin消息聚合层之后连接注意力单元。

19、可选的,所述得到所述用户的知识结构预测结果之后,所述方法还包括:

20、获取所述学习概念图对应的学习科目;

21、获取所述用户在所述学习科目的学习参与度,所述学习参与度为学习投入时间、课堂互动频率、小组讨论活跃度之中至少一项;

22、根据所述学习科目和所述用户在所述学习科目的学习参与度对所述用户的知识结构预测结果进行预测增强。

23、可选的,所述获取用户的学习概念图,包括:

24、获取所述用户在预设时间段内的多张概念图;

25、获取与多张所述概念图对应的学习行为数据;

26、根据所述学习行为数据对所述多张概念图进行删除或保留,得到至少两张概念图;

27、根据至少两张所述概念图的时间戳、至少两张所述概念图的复杂度、至少两张所述概念图的完整度从所述至少两张所述概念图中选取目标概念图,得到所述用户的学习概念图。

28、本申请实施例一方面还提供了一种基于图神经网络的知识结构预测装置,包括:

29、获取模块,用于获取用户的学习概念图,所述学习概念图包括存在连接关系的多个节点;

30、计算模块,用于计算所述学习概念图中每个节点的文本分别与专家词典中各文本的文本相似度,获取最大的文本相似度作为每个所述节点的语义相似度;

31、提取模块,用于提取所述学习概念图的节点结构特征;

32、增强模块,用于根据所述学习概念图中节点的语义相似度和所述学习概念图的节点结构特征进行图增强表示,得到所述学习概念图的节点增强表示;

33、预测模块,用于将所述学习概念图的节点增强表示和所述概念图的邻接矩阵进行串联,得到输入向量,将所述输入向量输入至基于图神经网络构建的知识结构预测模型,得到所述用户的知识结构预测结果。

34、可选的,所述提取模块具体用于:

35、计算所述学习概念图中各节点的入度和出度之和;

36、计算所述学习概念图中各节点的noderank;

37、计算所述学习概念图中各节点的节点中介中心性;

38、确定所述学习概念图中各节点的入度和出度之和、所述学习概念图中各节点的noderank、所述学习概念图中各节点的节点中介中心性之中至少两项构成所述学习概念图的节点结构特征。

39、本申请实施例一方面还提供了一种电子设备,包括:存储器和处理器;所述存储器存储有可执行程序代码;与所述存储器耦合的所述处理器,调用所述存储器中存储的所述可执行程序代码,执行如上述实施例提供的基于图神经网络的知识结构预测方法。

40、本申请实施例一方面还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上述实施例提供的基于图神经网络的知识结构预测方法。

41、从上述本申请各实施例可知,通过获取用户的学习概念图,所述学习概念图包括存在连接关系的多个节点;计算所述学习概念图中每个节点的文本分别与专家词典中各文本的文本相似度,获取最大的文本相似度作为每个所述节点的语义相似度;提取所述学习概念图的节点结构特征;根据所述学习概念图中节点的语义相似度和所述学习概念图的节点结构特征进行图增强表示,得到所述学习概念图的节点增强表示;将所述学习概念图的节点增强表示和所述概念图的邻接矩阵进行串联,得到输入向量,将所述输入向量输入至基于图神经网络构建的知识结构预测模型,得到所述用户的知识结构预测结果。本申请实施例无需依赖评价人员经验,直接基于用户的学习概念图通过基于图神经网络构建的知识结构预测模型,就能快速得预测用户的知识结果,实现了客观、准确、高效地对学习者的知识结构进行预测的目的。

本文档来自技高网...

【技术保护点】

1.一种基于图神经网络的知识结构预测方法,其特征在于,所述方法包括:

2.根据权利要求1所述的方法,其特征在于,所述提取所述学习概念图的节点结构特征,包括:

3.根据权利要求2所述的方法,其特征在于,所述根据所述学习概念图中节点的语义相似度和所述学习概念图的节点结构特征进行图增强表示,得到所述学习概念图的节点增强表示,包括:

4.根据权利要求1至3中任一项所述的方法,其特征在于,所述图神经网络包括GIN消息聚合层和图池化层,其中,所述GIN消息聚合层之后连接注意力单元。

5.根据权利要求1至3中任一项所述的方法,其特征在于,所述得到所述用户的知识结构预测结果之后,所述方法还包括:

6.根据权利要求1至3中任一项所述的方法,其特征在于,所述获取用户的学习概念图,包括:

7.一种基于图神经网络的知识结构预测装置,其特征在于,所述装置包括:

8.根据权利要求7所述的装置,其特征在于,所述提取模块具体用于:

9.一种电子设备,其特征在于,所述电子设备包括:

10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1至6中任一项所述的基于图神经网络的知识结构预测方法。

...

【技术特征摘要】

1.一种基于图神经网络的知识结构预测方法,其特征在于,所述方法包括:

2.根据权利要求1所述的方法,其特征在于,所述提取所述学习概念图的节点结构特征,包括:

3.根据权利要求2所述的方法,其特征在于,所述根据所述学习概念图中节点的语义相似度和所述学习概念图的节点结构特征进行图增强表示,得到所述学习概念图的节点增强表示,包括:

4.根据权利要求1至3中任一项所述的方法,其特征在于,所述图神经网络包括gin消息聚合层和图池化层,其中,所述gin消息聚合层之后连接注意力单元。

5.根据权利要求1至3中任一项所述的方法,...

【专利技术属性】
技术研发人员:方静秦振邦何秀玲李洋洋焦晓敏肖雄
申请(专利权)人:华中师范大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1