基于知识图谱的自适应学习系统设计与实现

《基于知识图谱的自适应学习系统设计与实现》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：TP391单位代码：10183研究生学号：2015522031密级：公开吉林大学硕士学位论文（学术学位）基于知识图谱的自适应学习系统设计与实现DesignandImplementationofAdaptiveLearningSystemBasedonKnowledgeGraph作者姓名：朱艳茹专业：通信与信息系统研究方向：教育大数据指导教师：范亚芹培养单位：通信工程学院2018年6月—————————————————————基于知识图谱的自适应学习系统设计与实现—————————————————————DesignandImplementationofAdaptiv

2、eLearningSystemBasedonKnowledgeGraph作者姓名：朱艳茹专业名称：通信与信息系统指导教师：范亚芹副教授学位类别：工学硕士答辩日期：2018年6月2日未经本论文作者的书面授权，依法收存和保管本论文书面版本、电子版本的任何单位和个人，均不得对本论文的全部或部分内容进行任何形式的复制、修改、发行、出租、改编等有碍作者著作权的商业性使用（但纯学术性使用不在此限）。否则，应承担侵权的法律责任。吉林大学硕士学位论文原创性声明本人郑重声明：所呈交学位论文，是本人在指导教师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其

3、他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名：日期：年月日《中国优秀博硕士学位论文全文数据库》投稿声明研究生院：本人同意《中国优秀博硕士学位论文全文数据库》出版章程的内容，愿意将本人的学位论文委托研究生院向中国学术期刊（光盘版）电子杂志社的《中国优秀博硕士学位论文全文数据库》投稿，希望《中国优秀博硕士学位论文全文数据库》给予出版，并同意在《中国博硕士学位论文评价数据库》和CNKI系列数据库中使用，同意按章程规定享受相关权益。论文级别：■硕士□博士学科专业：通

4、信与信息系统论文题目：基于知识图谱的自适应学习系统设计与实现作者签名：指导教师签名：年月日作者联系地址（邮编）：吉林大学通信工程学院（130012）作者联系电话：0431-85095243摘要基于知识图谱的自适应学习系统设计与实现随着“互联网+”和大数据战略的正式启动，互联网创新技术与各领域的深度融合已成为人们关注的焦点，同时也推动着我国教育事业的变革和创新。2015年是我国教育大数据元年，大量在线教育产品应运而生，为人们带来了极大便利。然而面对平台上海量的学习资源，学习者经常会出现网络迷航、认知过载以及知识碎片化等问题。在这种背景下，自适应学习概念的提出，为在线教育未来发

5、展带来了新的契机。目前，对于自适应学习的研究多集中在理论层面，对于系统技术实现上的关注还远远不够。国内在线教育产品多为数据统计和测试题库类型。虽然个别产品应用了相对复杂的逻辑推导，但离真正意义上的自适应学习还相差甚远。本文从学习者角度出发、充分考虑领域知识的结构特征，重点实现自适应学习系统中一系列大数据关键技术，以期为自适应学习的研究和应用提供参考。本文的主要工作如下：（1）基于自适应学习系统的功能需求分析，对系统的整体框架、工作流程和各单元模型进行设计。（2）基于知识图谱的关联特点完成领域模型的知识表达，给出知识图谱构建方法和应用实例。在此基础上利用FP-Growth算法

6、对学习路径进行关联规则挖掘，实现领域模型的动态更新。（3）参照我国学生模型构建标准设计学生模型的构建方法、构建流程及存储结构，基于IRT测试模型实现学生认知水平的测试和测试题库的构建。（4）基于SVR预测回归模型实现自适应引擎中路径达成度的预测，并完成SVR预测模型的训练、参数调优和预测工作。实验结果表明，在领域模型中，知识图谱可以完成知识图谱的清晰表达，FP-Growth算法可以实现知识点间关联规则的挖掘功能，考虑系统的复杂度和精准度，折中选择最小支持度0.03；在学生模型中，IRT测试模型给出的参数估计值符合正I常的学习规律，具备实用性；在自适应引擎模块中，确定了SVR

7、预测模型四个参数的最优组合：不敏感系数为0.05、惩罚系数为8、核函数为rbf和核参数为0.08，此时SVR预测模型的预测效果最佳。本文的主要贡献和创新点如下：（1）从领域知识结构出发，利用知识图谱完成知识结构的有效表达，为领域模型的构建提出了新的研究工具。利用关联规则挖掘算法实现模型的动态更新，充分考虑学生因素对领域模型影响，提高了模型的实用性。（2）本文提出基于SVR的预测回归模型实现自适应引擎功能，将机器学习思想与教育领域相融合，是对自适应学习系统研究的一次探索和创新，为相关研究者和开发者提供了新的研究思路。