【专家视角】解读知识图谱在教育智能化中的应用（下）

原文链接：https://mp.weixin.qq.com/s/TZbRnBxApKWyzv6rbDYfrQ

知识工场 

以下文章来源于知谱空间 ，作者石庭豪

解读知识图谱在教育智能化中的应用（下）

作者：石庭豪

导言：文章分为上、下两篇，本文是下篇，主要介绍知识图谱在智慧教育中的六大类应用场景。上篇主要介绍知识图谱的内涵、价值以及应用思路。

构建教育知识图谱需整合教育领域分散在各系统里的数据，通过一系列技术“萃取”获得领域知识（课程知识，教学知识，学科知识，百科知识等）并以一种友好的方式，沉淀到知识库，建立知识和教学资源间的关联关系。基于教育知识图谱，结合自然语言、机器学习、数据挖掘、图挖掘、图推理技术并提供语义搜索、精准推荐、用户画像、智能问答、行为预测、精准分析、决策支持等应用服务构成整个教育智脑，应用于不同的教学场景，赋能智慧教育，实现提升教学效率和教学质量，促进教育公平公正以及智能化个性化教育的目标。

下面介绍六大类应用场景以及落地的方法论。

一、学情诊断

教育图谱连接用户行为信息与资源对象，提取关键信息精准刻画用户画像。基于知识图谱的用户画像可积累数据，全面精准的刻画用户，诊断学情。

1．精准用户画像

用户画像技术大家应该已经比较熟悉，本质就是“打标签”，可以更好的刻画用户，理解用户。用户画像是否精准决定了对用户的理解能否准确。实际应用中，用户画像主要有2个问题待解决，第一是画像数据不完整，第二是画像数据不正确。

这些问题可利用知识图谱解决。知识图谱上的节点覆盖足够多的实体，足够多的概念是教育领域知识的抽象，可作为用户画像的标签来源，其精良的质量使打上的标签更加的准确。标签间具有联系，图谱中包含丰富的语义关系，这样可以帮助机器去理解这些标签的意义。友好的结构利于人们更好地理解、直观地发现标签间的关系。可以利用标签传播、跨领域推荐等算法去挖掘更多更精准的标签来描述用户，丰富用户标签，提升用户精准度。另外用户画像可以单独作为产品进行可视化呈现，利用图谱中的关系，生成个性化、动态变化的用户画像知识图谱。

2．精准学情分析

利用知识图谱可进行更加精准的学情分析。传统教育专家（老师经验）的学习诊断，主要依靠经验对学习者的知识与能力状态进行评估，缺乏教育测量学思想的融入，具有较大的偶然性和主观性。基于知识图谱，大数据分析等方法对学习者客观的学习过程进行挖掘，从多种维度去做分析，数据可以挖掘的维度众多，不限于测试成绩，错题本，学习记录等行为轨迹中挖掘的知识掌握情况，知识薄弱点等显性的特征，还可以挖掘一些深层次例如学习速度，学习偏好，认知水平等隐形特征，使分析结果更加的个性化、客观化。对于未能达成的学习目标，利用知识图谱分析原因，发现薄弱点和关联依赖的知识点，能有效地查漏补缺，诊断过程具备更好的自适应性和个性化。

二、智慧课堂

知识图谱在教学应用中，可辅助老师完成备课、教研、出题、试题分析的工作。系统可以推荐的方式为老师推荐同类相关的资料（教案，课程讲解规划，作业等）提升老师的教学效率，基于图谱的搜索也可以更精准的返回所需内容。

1．智能备课

利用学科知识图谱关联学科知识点与教材、讲义、习题等教研内容，依据老师的教学进度、教材版本，持续推送符合教学需求的备课资源，搭配搜索快速准确地得到老师所需资源，提升备课效率和质量。除了备课，在智能组卷、考试分析中也可以利用学科知识图谱来作为背景知识辅助完成相关任务，极大的提升了教研的效率。

2．智慧课堂

通过对学情的精准分析，系统推荐相关的巩固练习题，有针对性的制定教学策略，提升教学针对性,达到精准教学。

课前、课中、课后综合运用数据挖掘和智能化能力。课前，利用数据挖掘技术得到学生学情数据，制定教学策略，做到决策数据化。课中，依据制定的教学策略有针对性的教学，讲解知识点，分组讨论教学。利用知识图谱对知识内在的关联进行可视化呈现，帮助学生构建对知识的深层次认知。课后，推荐相关课后习题，根据学生学情状况、学习能力，定制化的推荐练习题、错题巩固等内容。提升课堂教学的质量和针对性，将动态数据分析、动态学情诊断贯穿教学全过程，实现因材施教，让教学决策数据化、智能化。

三、自适应学习

1．资源推送与路径规划

基于知识图谱，数据分析技术快速的检测定位学生的学习状况和薄弱点，基于对学生学情更加准确的判断，利用知识点之间关联关系、前后序关系，合理且有针对性的推荐相关内容以及学习策略，规划学习路径，完成精准检测、内容推送、路径规划等整个流程的动态闭环，稳步提升学生知识掌握程度。

精准检测 检测学习水平，找到薄弱知识点。通过对学生过程化动态学习数据的自动分析，检测学生学习水平，精确诊断学生学习情况，并分析学生薄弱知识点。

内容推送 基于知识图谱的推荐，融合基于内容和协同过滤等多种推荐技术，让推荐更精准。给学生推荐更具针对性的内容。为学生提供优质学习资源、个性化学习资源，实现错题举一反三和使学生摆脱题海战术，大幅减少学生重复练习的时间和课业负担。基于知识图谱的推荐还可以从概念、前后序、属性等维度给予推荐结果解释。

精准的学习资源搜索 基于知识图谱可以对教学资源进行标签化，理解学习资源所涉及的知识点、关联考点、考题。深度理解用户输入的搜索内容，可以很好的实现语义搜索，精准的搜索到所需资源。另外，利用知识图谱可以在用户进行相关实体搜索时，同时展示跟该实体相关的图谱子图，让用户能发现更多与该知识相关的知识，帮助用户进行知识的关联和发散学习。

学习路径规划 路径规划服务指基于知识点间的关系和学生的学习偏好、学习能力等多个维度，为学生量身定制个性化学习方案，使学生从原来表层知识学习，逐步深入到深层学习。

四、深度阅读

基于知识图谱的深度阅读，主要目标是实现对知识间的关联智能化，可以全面的认识知识。利用实体链接技术对电子出版物进行实体识别与连接，通过知识卡片的形式展示当前知识信息。也可关联到其他与之相关知识，进行相关知识的推荐，帮助用户把知识串联起来，极大促进用户对知识的全面理解。深度阅读不仅可以运用于教育领域，也可以很好的应用于知识管理以及出版行业。

五、答疑机器人

教育机器人已经成为教育领域的一个重要应用。依靠以问答系统为核心的教育机器人，可以实现课程答疑、知识检索推荐、教学管理等一系列教学工作。既减轻了老师的负担和压力，又能解决学生的实际问题。一个优秀全面的教学机器人，可集成任务型问答、Chatbot、知识型问答，搜索推荐系统等多个系统模块的综合体，同时具备多轮问答能力。知识图谱在问句query理解、，知识引导的语言生成中起着重要作用，也是KBQA的核心。

六、学科知识服务

教育的目的还是为了给社会发展建设提供有用人才。教育知识图谱同样可以服务于人才的选择招聘等教育的下游应用。例如就业市场利用教育知识图谱可以很好地赋能智能招聘。借助学科知识图谱应用于人岗匹配、岗位智能推荐等招聘场景，提升企业招聘的效率和精准度，还可有效提升招聘者的工作效率和满意度。

七、落地方法论

知识图谱逐渐承担起助力行业智能化的使命。探索基于知识图谱的行业智能化演进路径愈发变得十分关键。经过多年实践，这一路径日渐清晰，逐步呈现出知识资源建设与知识应用迭代式发展模式。知识图谱技术落地的基本原则可归纳为：整体规划、应用引领、以用促建。知识资源建设与知识应用迭代式发展路径。

（一）应用引领，以用促建

教育行业智能化落地，要遵循通用行业的落地方案，以应用为导向。教育应用场景众多，要整体规划、逐步落地，根据当前高校的业务发展需要和数据技术基础，选择合适应用场景，在具体应用中建设图谱能力，并直接产生业务价值。不能盲目的为了图谱而图谱，没有具体业务出口做支撑，只是作为技术能力储备，否则很难在高校内部得到足够支持。只有产生具体业务价值，才有足够动力推动以图谱为核心的智能化转型项目的长期稳步发展。

（二）迭代发展

知识图谱在教育行业（垂直行业也一样）的智能化落地中，相较于知识应用，知识的获取与知识资源的建设则是更大瓶颈。知识资源建设任重道远，很难一蹴而就，常采取由点及面的迭代式螺旋发展模式扎扎实实推进积累知识库，没有捷径。

每一轮迭代周期，把握好适度原则，优先选择预期效果较好的应用场景，合理把控知识的边界与体量，建设以知识图谱为核心的知识资源，从而开展相应的知识应用。再根据来自内外部用户的反馈，完善相应的应用与知识资源建设。当特定应用初现成效后，再从有限应用逐步拓展到更多应用场景，建设更多知识资源。整个过程持续迭代下去，直至完成全面的智能化。

作者介绍：

石庭豪  复旦大学知识工场实验室，硕士研究生，科大讯飞图谱星球AI应用架构师，认知图谱产业研究员

（本文系作者石庭豪结合复旦大学知识工场实验室实际项目经验以及肖仰华教授《认知智能与教育智能化》报告等整合形成）