CN119514696A 一种基于逆向演绎模拟的知识点混合推理优化方法 （湖南科技学院）

一种基于逆向演绎模拟的知识点混合推理本发明公开了一种基于逆向演绎模拟的知为知识网络的智能化推理与优化提供了强有力2S2.对目标知识点集合中的各知识点进行预处理，清洗冗余数据和标准化知识点表达S4.基于逆向演绎模拟策略从目标知识点出发，依次反向推导与其具有直接或间接因S5.对因果网络图进行因果路径验证，利用条件独立性检验方法验证因果路径的真实S6.根据优化后的因果网络图对知识点集合中的知识点及其因果关系进行分层处理，S7.基于权重动态更新的因果网络图应用混合推理策略，通过正向推理和逆向演绎的2.根据权利要求1所述的一种基于逆向演绎模拟的知识点混合推理优化方法，其特征知识点的已知逻辑关系L＝[lij]，其中lij＝1表示知识点ki与知识点kj存在逻辑关系，3.根据权利要求1所述的一种基于逆向演绎模拟的知识点混合推理优化方法，其特征3权重分布W'。4.根据权利要求1所述的一种基于逆向演绎模拟的知识点混合推理优化方法，其特征S31.收集标准化目标知识点集合K'的已知因果关系形成初始因果关系矩阵C＝[cij]，S32.利用潜在因果关系挖掘算法从相关性数据矩阵R'和逻辑关系矩阵L'中计算潜在ij表示知识点ki与知识点kj的潜在因果影响强表示知识点ki与知识点kj的综合因果关系强度；ij>τci和wj分别为知识点ki与知识点kj的权重，dij为知识点ki与知识点kj之间的拓扑ij5.根据权利要求1所述的一种基于逆向演绎模拟的知识点混合推理优化方法，其特征4S43.对上游知识点集合中的每个知识点kj递归查找其上游知识点集合，重复上述pp集合P/；6.根据权利要求1所述的一种基于逆向演绎模拟的知识点混合推理优化方法，其特征ij)表示知识点ki与知识点kj联合出现的概率，P(ki)和P(kj)分别表示知识7.根据权利要求1所述的一种基于逆向演绎模拟的知识点混合推理优化方法，其特征S61.基于优化后的因果网络图Gopt对所有知识点按其关联因果关系强度进行分层处i表示知识点ki的因果层级，(kj,ki)∈Eopt表示知识点kj对知识点ki存在因果关5；S63.对于每个知识点根据其在因果网络中的出度和入度计算知识点的动态关S65.根据动态调整后的权重和因果网络的层级排序对因果网络图Gopt中的边进行权8.根据权利要求1所述的一种基于逆向演绎模拟的知识点混合推理优化方法，其特征理集合P中移除；m表示推理结果中第m个知识点及其因果关系。6[0006]本发明的一个目的在于提出一种基于逆向演绎模拟的知本发明为知识网络的智能化推理与优化提供了强有力的技[0009]S2.对目标知识点集合中的各知识点[0011]S4.基于逆向演绎模拟策略从目[0012]S5.对因果网络图进行因果路径7[0013]S6.根据优化后的因果网络图对知识点集合中的知识点及其因果关系进行分层处[0014]S7.基于权重动态更新的因果网ij＝0表示不存在逻辑关系；权重值满足wi>0且[0025]S21.对目标知识点集合K进行冗余数据清洗，比较知识点间的相关性数据rij和L'和权重分布W'。[0031]S31.收集标准化目标知识点集合K'的已知因果关系形成初始因果关系矩阵C=[0032]S32.利用潜在因果关系挖掘算法从相关性数据矩阵R'和逻辑关系矩阵L'中计算8′pp′′9[0068]S61.基于优化后的因果网络图Gopt对所[0072]S63.对于每个知识点根据其在因果网络中的出度dt和入度d",计算知识点的动和c′[0076]S65.根据动态调整后的权重和因果网络的层级排序对因果网络图Gopt中的边进pp[0086]S75.对最优路径p*的每一步推理结果实时更新因果网络图中的节点权重和边权[0093](2)本发明通过混合推理策略的动态调整机制实现了正向推理与逆向演绎的有机[0094](3)本发明提出了基于动态调整的权重更新算法和路径优先级策略，使推理系统[0096]图1为本发明提出的一种基于逆向演绎模拟的知识点混合推理优化方法的流程[0100]S2.对目标知识点集合中的各知识点[0102]S4.基于逆向演绎模拟策略从目[0103]S5.对因果网络图进行因果路径[0104]S6.根据优化后的因果网络图对知识点集合中的知识点及其因果关系进行分层处[0105]S7.基于权重动态更新的因果网ij＝0表示不存在逻辑关系；权重值满足wi>0且1w4=1。[0116]S21.对目标知识点集合K进行冗余数据清洗，比较知识点间的相关性数据rij和L'和权重分布W'。[0122]S31.收集标准化目标知识点集合K'的已知因果关系形成初始因果关系矩阵C=[0123]S32.利用潜在因果关系挖掘算法从相关性数据矩阵R'和逻辑关系矩阵L'中计算′pp′′[0159]S61.基于优化后的因果网络图Gopt对所[0163]S63.对于每个知识点根据其在因果网络中的出度和入度d",计算知识点的动和c′[0167]S65.根据动态调整后的权重和因果网络的层级排序对因果网络图Gopt中的边进pp[0177]S75.对最优路径p*的每一步推理结果实时更新因果网络图中的节点权重和边权[0183]实施例1在2024年9月1某个重点中学的在线教育系统中，重点中学有5000名高三均配备了系统自动生成的高频错题解析和针对性练习题。学习路径通过在线教育平