8篇关于学科知识图谱的计算机毕业论文

今天分享的是关于学科知识图谱的8篇计算机毕业论文范文, 如果你的论文涉及到学科知识图谱等主题,本文能够帮助到你

面向探究式实验课程的知识图谱的研究与应用

这是一篇关于学科知识图谱,知识抽取,知识图谱补全,个性化推荐的论文, 主要内容为数字化学习因其便捷,便于共享,学习形式新颖等特点,已经广泛应用于国内外教育领域的教学过程中。面向中学STEM学科,虚拟实验作为一项典型的数字化学习模式,有助于解决传统学习模式下学生实验能力薄弱的问题。目前,虚拟实验缺乏与学科知识的紧密结合,而结合了人工智能领域的相关研究成果的知识图谱,可以辅助教师与学生更好地通过虚拟实验完成学科知识的教学与学习,且在学生自主式实验学习过程中发挥着重要作用。本文的主要研究内容如下:(1)在知识抽取方面,分别通过优化特征提取来提高实体抽取与关系抽取的效果。通过统计词频建立学科领域词典以及指示词、关键词特征,并将指示词、关键词按照实体类型分类来提高实体抽取的召回率;基于不同关系下实体与句中关键成分距离的统计结果,将实体位置也作为实体关系抽取的一项特征。实验表明,面向中学实验学科领域,本文提出的特征提取方法可提高模型知识抽取的精度与召回率。(2)在知识图谱补全方面,提出了改进的负例三元组构造方法,以提高传统的Trans H模型的知识表示学习效果。在众包的实验教学资源构建基础上,首先提出了基于伯努利抽样的候选实体采样方法,以计算实体不同替换范围的概率;然后评估负例三元组的质量,以缓解模型训练时的零损失问题。实验表明,面向学科知识图谱,本文提出的负样本构造方法在链接预测任务上效果优于其他知识表示学习模型。(3)在基于知识图谱的推荐方面,采用了基于知识图谱路径的推荐方法,并提出了路径提取方法以及路径权重的计算方法,分别在验证性与探究性实验场景中为学生推荐学科知识。根据实验关联知识点与学生实验评价来抽取路径,并将路径输入长短期记忆网络挖掘路径语义信息。在验证性实验场景中,采用Softmax函数计算学生对实验关联知识点的需求程度,作为路径的权重;在探究式实验中进行动态地知识推荐。实验结果表明,面向基于学科知识图谱的个性化知识推荐,本文提出的方法可以提高推荐模型的nDCG指标。

面向智能教育的学科知识自动问答系统研究与实现——以中学数学学科为例

这是一篇关于智能教育,学科知识图谱,自动问答,深度学习,关系抽取的论文, 主要内容为信息时代的教育正面临着从学习规模化向个性化的转变,我国教育生态变革和重构充满机遇和挑战。智能教育是以人工智能、大数据、物联网为代表的智能技术与教育深度结合,具有个性化、终身化等特征。为此,满足学习者的知识检索和个性化学习需求,同时支撑和服务于教师教学工作,贯彻“以学生者为中心”的育人思想和泛在学习理念,开展有关研究具有重要意义。本文以中学数学学习的个性化为切入点,探索面向智能教育的教学环境条件的构建,开展基于知识图谱的学科知识自动问答系统关键技术研究与实现,以期在一定程度上实现个性化学习服务,主要完成了以下工作:(1)构建学科知识图谱。采用自顶向下的方式,首先利用人工、爬虫和OCR技术相结合的方式,选取教材、考纲、百度百科、专题网站等数据源对知识数据采集,并进行数据清洗和存储,然后定义中学数学本体,使用BERT-Bi LSTM-CRF模型进行中学数学知识点命名实体识别。针对关系抽取任务中出现的数据噪声和分类模型中出现的梯度消失等问题,研究提出一种远程监督关系抽取模型。设计了知识存储方案,形成学科知识图谱。最后构建数学知识点实验数据集,设置关系抽取和命名实体识别相关实验,对结果进行详细分析。(2)设计基于学科知识图谱的自动问答方法和系统,完成了可行性分析、需求分析、功能需求等,进而设计了系统整体架构以及主要功能模块。对于自动问答方法,将其分为问题识别与预处理模块、答案检索与问题生成模块。问题识别与预处理模块的主要方法为问题分类、中文分词、词性标注以及语义依存分析等。在答案检索与生成模块中,通过构造查询模板进行答案检索,利用莱文斯坦算法对候选答案排序,最后设计答案嵌套模板完善对于用户的回答。(3)实现学科知识自动问答系统。主要采取B/S系统架构,在基于Django、Element UI、Tensor Flow深度学习框架等组成的开发环境上完成代码编写,并进行系统测试以及系统页面展示。

面向智能教育的学科知识自动问答系统研究与实现——以中学数学学科为例

视频学习资源知识图谱构建研究

这是一篇关于学科知识图谱,视频学习资源,Whisper模型,知识抽取,Neo4j的论文, 主要内容为随着人工智能技术的飞速发展,现代教育技术不断升级,学习资源类型从传统纸质资源逐渐向多媒体资源转变。近年来,教师的教学方式由线下面授发展为线上与线下相结合,知识传播的载体以视频学习资源为主,学习者可通过反复观看视频进行知识学习。学习者面对数量爆发式增长的视频学习资源,可能会在学习过程中遇到“知识迷航”的问题。根据联通主义理论,知识结构化有利于学习者对知识进行主动学习与迁移,知识结构化表示使用最广泛的方式是知识图谱。对视频学习资源进行学科知识图谱构建,需要解决如何描述视频学习资源、如何将视频学习资源转化为可处理的文本数据以及如何从文本中完成知识抽取等三个问题。本文的研究工作主要包括以下三个方面:1)为了解决对视频学习资源的描述问题,本文对现有学习资源模型进行分析,根据视频学习资源的特点,提出包含6个元素的资源描述模型,6个元素分别是:作者、评价、关键字、标题、时长、版本信息。使用层次分析法,对模型中的元素按照相对重要程度进行评分,将主观判断进行客观量化,根据量化结果对6个元素按照重要程度进行排序,排序结果可为个性化学习系统的构建提供参考。2)为了解决视频资源文本化的问题,本文选择Whisper模型对视频中语音数据进行语音识别。实验数据选择MOOC平台的8门C语言课程视频,使用不同参数量的Whisper模型进行语音识别,将识别结果与商用语音识别平台的结果进行对比。为了判断模型在多语言混合状态下的识别效果,提出2种新的评价标准,得到最佳识别模型为Whisper-Large模型。3)为了解决文本知识抽取的问题,本文选择融入时长因素的TW-Text Rank算法进行知识点抽取,与传统Text Rank算法相比F1值提高了4.2%;使用BERT-LSTM-Attention组合模型对知识点之间的关系进行抽取,F1值为0.77。对C语言课程进行知识抽取,获得176个知识点与560个关系,选择Neo4j图数据库进行存储与可视化展示。本文对视频学习资源构建学科知识图谱进行研究,探索了视频学习资源模型小而精的构建形式,采用更多的评价标准使得语音识别结果更具有说服力,对现有知识抽取方法进行优化,学科知识图谱可视化展示,有助于对知识进行科学化、系统化的学习。

面向计算机领域的多模态知识图谱构建方法研究

这是一篇关于学科知识图谱,多模态知识图谱,领域实体抽取,关系挖掘,多模态关系挖掘的论文, 主要内容为知识图谱以其强大的知识组织能力及推理能力对人工智能的发展有着重要作用,因此受到广泛关注。知识图谱根据内容的不同分为通用知识图谱和领域知识图谱,通用知识图谱是对全领域知识的组织,领域知识图谱则是面向特定领域信息的组织,随着智慧教育的发展,学科知识图谱的构建成为不可或缺的一部分工作,而多模态的学科知识图谱可以将知识以不同的形式表达,不仅可以丰富知识图谱的信息,还可以适应不同学习者的学习风格。因此,为了更好的促进智慧教育的发展,需要研究一种高效的多模态学科知识图谱构建方法。本文以构建计算机科学领域多模态知识图谱为例,提出构建领域实体集的方法,并基于已有的大型背景知识库、文本及图像的多模态信息进行领域实体间多种关系的挖掘,通过对图像信息的挖掘,实现图像实体与文本实体的对齐、图像的分类以及图像间关系的发现。本课题的主要研究工作如下:1)设计实现了一种基于图排序和最大信息增益的领域实体抽取方法。在领域文本资源中利用实体的结构相关度构建实体图,通过图排序算法抽取领域核心实体,然后在DBpedia中利用最大信息增益原理进行实体扩展,获得较为全面的领域实体。分别在数据结构领域数据集和CSEN、EcoEN公开数据集上进行实体抽取方法评估,在INEX公开数据集上进行实体扩展方法评估。实验结果表明,领域实体抽取方法能够有效构建较为全面、准确的领域实体集。2)设计了基于文本结构、实体属性和图像信息特征的先序关系抽取的方法,利用RF模型实现先序关系的二分类。首先通过实体聚类将相似度较高的实体形成簇,在簇内进行先序关系的判别以降低实验的计算量和时间复杂度,在相对常用的先序关系抽取特征的基础上,设计了利用图像信息挖掘先序关系的特征,将是否存在先序关系转化为分类问题,利用分类器进行先序关系判别,通过查全率、查准率和F1值对实验方法进行评价。为了丰富领域关系,对领域知识进行分析并设计了计算机科学领域的独特关系,最后通过对领域本体的丰富,实现了抽取知识和领域本体的链接。3)设计了基于多级信息源的多模态实体对齐算法以及基于神经网络模型和规则设计的多模态实体间关系抽取方法。利用OCR技术对图像内文本信息进行识别、对图像周围描述信息进行实体抽取以获得图像相关实体,将其与领域实体集通过基于字符串相似的算法实现多模态实体对齐。利用ResNet神经网络模型实现图像分类,从而获得文本实体与图像间的不同关系,并通过设计图像间关系挖掘规则在图像和图像间建立关系。最后通过对构建的多模态知识图谱进行规模统计与结果可视化展示。

纺纱学知识图谱构建与应用研究

这是一篇关于纺纱学,学科知识图谱,资源推荐,知识可视化的论文, 主要内容为在长期的生产、教学与实践环节中,纺纱学科积累了大量的学科资源,且数据规模庞大,多源异构现象明显。现有模式无法对学科资源进行有效管理与利用。知识图谱是一种基于图模型的知识管理、组织与表征技术,具备多模态复杂学科资源管理能力,且低成本、易维护,在纺织教学与产业培训方面潜力巨大。因此本文将知识图谱技术引入传统纺纱领域,构建纺纱学知识图谱,发挥出知识图谱在知识管理、知识表征等方面的优势,对学科内多源异构数据进行有效管理。同时为进一步探究纺纱学知识图谱的可应用性,进行二次开发,实现基于纺纱学知识图谱的学习系统。首先,研究分析了纺纱学的特点,提出了纺纱学知识图谱的初步规划:包含纺纱学科多样知识实体,清晰体现知识点层级结构与关联关系,同时以长文本对知识点进行描述,以链接形式对学科资源有效管理。依照此设想设计三阶段十流程的纺纱学知识图谱构建方法,并从数据规模、映射关系复杂度与资源结构化程度三个方面对知识图谱构建技术进行比选,确定纺纱学知识图谱构建的最优方法组合。其次,按照三阶段十流程方法,确定纺纱学领域核心概念、层级结构与知识间关系,完成知识图谱体系构建工作。核心概念确定为:原理、设备、工艺、质量、其他。学科知识点关系确定为:包含、继承、并行、前驱、后继、影响、对应与解释。借助Protégé完成纺纱学知识数据化,依次设置纺纱学知识实体、数据属性与对象属性,得到了含有纺纱学知识信息的RDF文件。运用Neo4j图数据库对RDF文件进行存储,可视化展示了学科知识点间的层级结构与关联关系,并结合实际应用需求,展示图谱的知识实体查询、关联关系查询、模糊匹配查询等功能。第三,为进一步探究纺纱学知识图谱的可应用性,以构建的图谱为基础进行二次开发,设计并实现纺纱学知识图谱学习系统。系统重点考虑纺纱知识的管理与学习需求,设计了用户服务、纺纱知识服务、学习路径推荐等模块。系统采用B/S架构开发,技术栈为Spring Boot+Vue+My SQL+Neo4j,实现了知识管理、知识查询、知识推荐与学习路径规划等功能。最后,以本科用户视角和高校老师视角为例,分别介绍了纺纱学知识学习和管理的界面展示与功能操作。该系统将纺纱学知识和学科资源有机地联系在一起,可作为纺织院校在线教学的有力辅助与补充,也可用作纺织产业培训的工具,帮助企业完善培训体系。

基于多源数据融合的新冠肺炎知识图谱构建及其在药物重定位领域的应用

这是一篇关于医学信息管理,学科知识图谱,COVID-19药物发现,链接预测的论文, 主要内容为目的:药物重定位是应对突发性流行疾病爆发的有效药物治疗手段,海量医学数据为药物知识发现提供了坚实的数据基础,而如何有效整合多源异构的医学数据以实现多角度知识挖掘是药物知识发现研究需要攻克的难关。为有效融合多源异构医学数据,本文提出多源数据融合的知识图谱构建框架(Knowledge Graph Construction Framework Based on Multi-source Data,KGCF-MD)。在此框架基础上,融合医学文献和生物知识库构建新冠肺炎知识图谱(COVID-19 Knowledge Graph,Cov KG),并进行COVID-19药物重定位研究,旨在为疾病的前期治疗药物筛选提供信息支持。方法:(1)新冠肺炎知识图谱构建:首先,获取Pub Med数据库医学文献,CTD数据库和Dis Ge Net数据库中化学物质、基因和疾病相关知识关联。其次,对医学文本和知识库结构化数据进行三元组抽取,并为三元组定义属性,即赋予实体类型标签、计算三元组文档频次等。针对已获取的三元组,从实体、关系及属性三方面进行知识过滤,如过滤关系类型、以Me SH词表为标准对呼吸道感染等COVID-19相关疾病实体进行过滤,以获取与COVID-19相关性更高的知识关联。然后,以权威医学词表为标准进行实体对齐,并利用UMLS语义关系规范三元组关系类型,同时融合三元组属性,实现多角度知识融合。最终,利用NEO4J图数据库和My SQL数据库存储融合后的三元组,构建新冠肺炎知识图谱Cov KG,并进行可视化展示。(2)COVID-19药物重定位研究:在Cov KG知识图谱基础上,抽取药物、基因、疾病相关知识关联构建训练数据集,利用Trans E模型、Compl Ex模型、Dist Mult模型和Rotat E模型进行预训练,并使用MRR、Hits@n指标评估模型性能。选取性能最佳的模型进行COVID-19的候选治疗药物预测。同时利用CN、AA、RA和PA四种链接预测算法进行COVID-19的候选治疗药物预测。最终取两种方法药物预测结果的交集作为COVID-19的潜在治疗药物。以Pub Med文献为依据,对COVID-19潜在治疗药物进行分析,挖掘各类药物与COVID-19间的潜在关联。结果:本文构建了包含118,036个医学实体、3,317,978条三元组的新冠肺炎知识图谱Cov KG,共涉及基因、疾病、药物、解剖等9类医学概念,治疗、导致、刺激等34类语义关系及实体标签、文档频次等6种属性。在Cov KG知识图谱基础上,利用图嵌入模型进行药物预测训练,结果显示,Rotat E模型的预测效果最佳(Hits@10=0.49),结合图链接预测算法进行药物预测,最终共发现29种与COVID-19相关的药物,根据药物的药理作用,将29种药物分为酶抑制剂、激素类药物、抗变态反应类药物、不同系统疾病药物和其他药物5类。结论:本文提出融合医学文本和结构化数据的多源数据知识图谱构建框架,旨在为多源异构数据融合提供技术参考。在框架的基础上,以医学词表为标准,对多源异构数据进行知识融合,构建新冠肺炎知识图谱Cov KG,为下游COVID-19相关应用研究打下坚实的数据基础。同时,本文利用Cov KG知识图谱,以COVID-19药物重定位为实证研究,结合图嵌入模型和图链接预测算法进行COVID-19潜在治疗药物预测。药物预测分析表明,利用本文方法进行药物重定位研究具有可行性,可为疾病临床前期药物筛选提供决策支持。

壮语文学科知识图谱构建及个性化学习资源推荐研究

这是一篇关于学科知识图谱,个性化学习,壮语文,资源推荐的论文, 主要内容为随着教育信息化的发展,教育大数据和人工智能技术为教育教学带来了重大变革,以开放共享教育资源为依托的在线智慧教育成为未来教育趋势。同时,设计开发具有智能推荐功能的在线学习系统,满足学习者个性化学习需求成为当前亟需重点解决的问题。壮语是壮族人民的母语,近年来传承和保护少数民族文化越来越受到各级政府部门的重视。尽管壮语文学科及壮汉双语课程建设日益完善,配套的教材也逐渐体系化,但数字教学资源和在线教学课程的开发仍有待加强。随着“教育信息化2.0”的快速发展,搭建壮语文在线学习平台成为促进教学资源开放和共享的迫切需求。学科知识图谱是知识图谱技术与教育领域融合的新方向。由于其较强的语义关系表达能力,构建并应用学科知识图谱在知识表示、数字教学资源建设和个性化精准推荐方面具有较大优势。本研究在分析壮语文教材和课程标准的基础上,基于本体构建壮语文学科知识图谱,设计开发了基于学科知识图谱的壮语文在线学习平台,并基于知识图谱实现了壮语文学习资源推荐,具体研究内容如下:(1)构建基于本体的壮语文学科知识图谱。通过文献分析研究知识图谱构建理论与技术,在领域知识图谱“四步法”思想基础上设计壮语文学科本体,利用本体可视化工具Protégé构建壮语文学科本体,使用Neo4j图数据库对其进行存储。(2)提出一种基于知识图谱的壮语文学习资源推荐方法。使用网络爬虫技术获取大量壮语文网络学习资源并对其进行统一格式处理和模型存储,结合壮语文学科知识图谱的语义关系、学习者感知学习风格和知识掌握水平,设计并实现了知识点对应习题和音视频资源的个性化推荐算法。(3)设计开发壮语文在线学习平台。平台有效组织和整合多模态壮语文学习资源,对壮语文学科知识图谱进行可视化展示,结合学习者感知学习风格实现了基于知识图谱的学习资源个性化推荐,提升了学习者个性化学习的体验和效果。本研究结合壮语文学科知识图谱和学习者感知学习风格,实现了壮语文在线学习资源的个性化推荐。通过对平台使用及资源推荐效果的调查结果进行分析,壮语文在线学习平台基本满足了学习者的个性化学习需求,同时兼顾了学习者的个性化学习体验和效果,资源推荐结果也达到了较高的精确度。

本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码工坊，原文地址：https://m.bishedaima.com/lunwen/47857.html