CN119474348A 多课程融合知识图谱构建及真题解析方法及系统 （安徽大学）

多课程融合知识图谱构建及真题解析方法本发明提供多课程融合知识图谱构建及真2S1、通过知识点对齐算法，对跨课程的知识点进行u;表示所述知识点定义嵌入向量对应的正交语义分析矩阵的转置，softmax为激活f(I,)-llu1,+p-u,llb3所述实体子节点，f(n)表示谓词三元组元素函数，f(i,)表示任意选取的谓词三元组元cos(h,h2)表示所述待对齐实体与所述给定图谱中的实体之间的余弦相似度，argmax为f(1,)⃞h+p-tllT'=《h,p,t)Ihes}u(h,p,t)ltes}t表示随机选择的谓词4f(I,)-lh+p-f,(v)lls,I,=《h,p,v)eG,}示随机选取的所述属性三元组，f(,)表示属性三元组元素函数，f(i,)表示任意选取的式中，利用提及信息对应的提及函数TFIDF,(m)和知识点提及函数TFIDE(X)5聚合所述标签实体的基准实体以及所述标签实体leL的标签特征：对应的标记；节点ueN(v)，N(v)表示节点集合，根据所述节点v及所述实体子式中，I[yeu.L]e{+1,-1I}表示实体y被实体子节点u6KS'表示所述选取的所述已有教材知识的特征向量对应矩阵的转置。将所述规范化知识点转化为向量表示，以与所述题目的特征向知识点消歧模块，用以进行知识点消歧操作，分析所述知识点规范化模块，用以对所述整合知识点进行知识点7域本体知识的语义环境和资源文档结构两方面信息，利用领域本体所表达的语义环境信技术采用的模型难以实现精准的词义消歧。前述现有方案主要聚焦于知识点与视频的对8相应试题数据的推荐。前述现有技术中披露的智能导学系统主要依赖于命名实体识别技[0008]本发明所要解决的技术问题在于：如何解决现有技术中知识点抽取结果片面化、9u;表示知识点定义嵌入向量对应的正交语义分析矩阵的转置，x表示知识点定义嵌入[0016]f(I,)-llu1,+p-u,llbJf(n)表示谓词三元组元素函数，f(i,)表示任意选取的谓词三元组元素的函数；[0018]其中，hnep表示对齐结果，h,表示待对齐实体，hz表示给定图谱中的实体，cos(h,h2)表示待对齐实体与给定图谱中的实体之间的余弦相似度，argmax为最大值下[0020]f(1,)⃞lh+p-tllbf.)表示属性三元组元素函数，f(i,)表示任意选取的属性三元。聚合标签实体的基准实体以及标签实体匹配的提及特征，计算标签实体leL的化线性排序器h,(x,u)进行排名：S256、通过线性SVM学习模型权重WW、参数化线性排序器h,(X,U)，确定损失函KS'表示选取的已有教材知识的特征向量对应矩阵的转置。处理知识单个向量ksiea，将题目的特征向量Tae中的每个表示与知识单个向量知识点规范化模块，用以对整合知识点进行知识点规范化操作,对整合知识图谱[0055]图1为本发明实施例1的多课程融合知识图谱构建及真题解析方法基本步骤示意性嵌入学习统一实体嵌入空间，捕获来自属性三元组和关系三元组对应的两个知识图的实体之间的相似性。对于谓词相似度，使用基于注意力的函数来聚合不少于2种实体类[0063]f(I,)-llu1,+p-u,llb[0065]f(1,)⃞lh+p-tllb。签实体leL的标签特征：含其父节点的代表性实体的子集。平衡K_Means算法递归地将节点的代表性实体L划分为的叶节点leL和其他隐式收集具有相似语义的实体的非叶节点。化线性排序器h,(x,u)进行排名：[0083]S256、通过线性SVM学习模型权重W。[0090]在本实施例中，利用BERT（BidirectionalEncoderRepresentationsfrom所述图谱中所述知识点的特征向量的L1范式，lwl表示所述标准知识库中知识点的特征向[0094]在本实施例中，利用基于Transformer网络结构的模型对题目文本进行深度特征[0096]例如，利用注意力机制得到一道题目和对应外部已知知识的注意力权重分别为并利用自然语言处理技术解决同名不同义的问题。本发明进行知识点的规范化和标准化，致性校验。本发明基于Transformer网络结构对题目文本进行深度特征提取，利用多层