[发明专利]一种基于知识库的电子化学习方法

摘要

本发明公开了一种基于知识库的电子化学习方法，包括以下步骤：使用树状信息的结构表示法表示个性化学习问题；进行结构化问题的逻辑化表示；进行个性化学习问题有序求解。由于本发明使用树状信息的结构表示法来描述个性化学习问题，将各种领域和形式的个性化学习问题使用学生要素、学习内容要素和其他要素这三个基本要素表示，将个性化学习问题分为基本要素、基本信息和子信息三个层次，所以可以使大部分领域信息系统的个性化学习问题结构化，进而可以由此设定个性化学习的推荐规则；本发明采用加权搜索所有解的方法，与学生需要学习的知识相关的推理结果权值最大，因此推荐出新的学生对象感兴趣的知识。

主权项

1.一种基于知识库的电子化学习方法，其特征在于：包括以下步骤：A、使用树状信息的结构表示法表示个性化服务问题A1、将个性化服务问题分成基本要素、基本信息和子信息三个层次，每个基本要素包括若干个基本信息，每个基本信息包括若干个子信息；所述的基本要素包括服务内容要素、服务对象要素和其他要素共三个基本要素；所述的服务内容要素包括网站中产品的基本信息，所述的服务对象要素包括服务对象的个人的基本信息，所述的其他要素是除服务内容要素和服务对象要素以外的其他基本信息；所述的网站中产品的基本信息是电子商务网站中的商品信息或新闻门户网站中的新闻信息；所述的商品信息包括商品品牌、商品类别和商品产地信息单元；所述的新闻信息包括新闻类别、新闻关键字、新闻发布时间；所述的个人的基本信息包括性别、年龄、学历和收入；所述的其他基本信息包括季节和上线时间；A2、使用树状信息的结构表示法来描述具有层次化结构特征的实际个性化服务问题，把个性化服务问题的基本要素、基本信息和子信息分别描述为树的信息侧面、信息单元和子句；子句是树的叶子节点，是基本单元，包含个性化服务问题的数据信息，而除了叶子节点以外的节点则是个性化服务问题的结构信息；A3、将服务内容和服务对象的数据保存在数据库中，使树的结构与该数据库的表结构一致，即：服务对象信息侧面对应数据库中的服务对象表或视图，该侧面中的每个信息单元与服务对象表或视图中的列名相对应，而子句的数据信息对应列中的记录值；同样，服务内容信息侧面的信息单元和子句分别也对应着相应表或视图中的列名和具体值；其他信息侧面可以不与数据库中信息对应；B、结构化问题的逻辑化表示将电子化学习问题使用树状信息结构表示法表示后，则电子化学习问题就可以用一组规则和事实进行逻辑化表示；B1、将学生资源侧面的事实表示为：student(“信息单元名”，“子句”，“学生”).B2、将学习资源信息侧面的事实表示为：know（“信息单元名”，“子句”，“学生”），在学习资源侧面中，学习对象元模型有着树状层次结构；其最上层是一个根节点，根节点包含很多子元素；子元素还可以包含子元素；除根节点以外包含子元素的元素称为中间节点，或集合数据元素，不包含子元素的元素称为叶节点或简单数据元素；B3、由于其他信息侧面和子句中的信息各种各样，因此对它的描述内容要视具体情况而定，将其他信息侧面描述为：study（“信息单元名”，“子句”，“学生”）B4、将学生对象的行为都使用上述三种事实的组合来描述：(∩i=0nstudent(ai,bi,X))∩(∩j=0mknow(cj,dj,X))]]>其中X代表学生对象变量，n表示其他信息侧面描述的总数，a和b分别表示该信息侧面描述的具体的信息单元名和子句，i则表示多个信息侧面描述中的第i个描述；m表示学生对象信息侧面描述的总数，c和d分别表示该信息侧面描述的具体的信息单元名和子句，j则表示多个信息侧面描述中的第j个描述；B5、一个推荐规则的知识本质上是IF-THEN语句，具有以下形式：if(<前提1><前提2>…<前提n>)then(<结论1><结论2>…<结论n>)使用规则是要推知学生对象可能还需要学习什么知识，所以将学生对象可能发生的服务内容表示为study（“信息单元名”，“子句”，“服务对象”）显然，将要发生的学习内容始终是规则的结论部分；而学生对象信息、已经掌握的知识信息以及其他客观信息构成了规则的条件部分；因此，个性化服务问题的表达式为：(∩i=0nstudent(ai,bi,X))∩(∩j=0mknow(cj,dj,X))→study(y,z,X)]]>当想要了解学生对象a可能需要学习的知识时，只要询问“study(Y，Z,a)”，即可遍历得到所有可能的结果，式中Y和Z为变量；C、知识学习问题的有序求解基于规则的推荐可以满足学生对象的个性化偏好，还能预测学生对象的行为；但是规则本身没有先后次序，而对学生对象的服务内容是有严格次序的；因此，我们在服务内容信息侧面的事实描述中再加入一个学习顺序的参数，用来描述服务对象第n轮的学习内容：know（“信息单元名”，“子句”，“服务对象”，n）.用done（“信息单元名”，“子句”，“服务对象”，n）描述学生对象完成第n轮的学习知识后，可能需要学习的内容；而个性化推荐问题的表达式修改为：(∩i=0nstudent(ai,bi,X))∩(∩k=0ldone(ek,fk,X,nk))∩(Nismax(n0...nl)).→]]>study(y,z,X,N)]]>N的值表示该解是在服务对象完成第n轮的服务内容后得到的；显然，越靠近当前纪录相关的推理结果N值越大，当N与学生学习知识次数相同时，则该解就是学生对象下一步最可能想要的学习内容；当所有解的N都小于当前轮次数时，则表示没有与当前相关联的规则；这样从N的大小就可以判断学生对象最想要的学习内容。