基于知识图谱和大模型的小学语文个性化学习系统的制作方法

1.本发明涉及个性化学习技术领域，具体来说，涉及基于知识图谱和大模型的小学语文个性化学习系统。


背景技术：

2.小学语文教育一直都是教育领域的热门话题，如何有效提高学生的语文学习效果和兴趣，是一直需要完善的问题。在传统的教育模式下，小学语文教育大多采用一对多的方式，无法充分满足不同学生个性化学习的需求。同时，教师往往无法及时发现学生的学习难点和问题，导致教学效果难以提升。因此，如何提高语文教学的个性化和智能化程度成为了一个重要的研究方向。
3.知识图谱是一种基于语义的知识表示方法，由多个实体和关系组成的有向图，其中实体表示现实世界中的事物，关系表示实体之间的联系。知识图谱可以描述和表达知识领域的丰富语义信息，如实体的属性、类别、层级等。与传统的关系数据库相比，知识图谱可以更好地处理语义信息和复杂的关系，具有更强的表达和推理能力。
4.大模型是指由大量参数构成的神经网络模型，通过对大规模预料库进行无监督学习，从而具有强大的语言理解和生成能力。这些模型再自然语言处理、语言学习和其他语言相关任务中取得了非常好的效果。
5.而在小学语文学习方面，现有的在线学习平台和教学软件通常仅提供静态的学习内容和练习，无法根据学生的学习情况和反馈信息进行个性化的推荐和辅导，难以实现真正意义上的个性化学习。此外，现有的语言学习系统大多数只考虑了语言表层的语法和词汇知识，无法对语言深层次的语义和情感进行分析和理解，导致学习效果受限。
6.针对相关技术中的问题，目前尚未提出有效的解决方案。


技术实现要素：

7.针对相关技术中的问题，本发明提出基于知识图谱和大模型的小学语文个性化学习系统，以克服现有相关技术所存在的上述技术问题。
8.为此，本发明采用的具体技术方案如下：基于知识图谱和大模型的小学语文个性化学习系统，该学习系统包括语文知识图谱构建单元、学习方案制定单元及语文知识体系构建单元；其中，所述语文知识图谱构建单元，用于通过分析和研究语文文献资料，识别和归纳知识点形成知识体系，并使用图谱形式进行展示；所述学习方案制定单元，用于通过对学生的历史数据进行挖掘与分析确定学习需求，并根据学习需求对知识点进行匹配和推荐；所述语文知识体系构建单元，用于通过对大规模语料库进行无监督学习提取出语言知识，并将其融合至语文知识图谱中建立语文知识体系。
9.进一步的，所述语文知识图谱构建单元包括研究获取模块、归纳分类模块及验证
展示模块；其中，所述研究获取模块，用于对语文教材进行深入分析和研究，识别出教材中的核心知识点；所述归纳分类模块，用于利用语言学与本体论制定归纳分类原则，并根据归纳分类原则将知识点进行归纳和组织，形成清晰的知识体系；所述验证展示模块，用于通过专家讨论、文献研究及教师反馈的方式对知识体系进行验证和修正，并使用图谱的形式对知识体系进行展示。
10.进一步的，所述用于利用语言学与本体论制定归纳分类原则，并根据归纳分类原则将知识点进行归纳和组织，形成清晰的知识体系包括：通过本体论理清知识点的概念体系与分类关系；通过运用语言学的理论和方法，对知识点中的语言结构和语言规则进行分析，理清知识点之间的语法特点和语义关系；根据知识点的属性与特征，制定合适的归纳分类规则；根据归纳分类规则，将知识点进行归类和组织，形成清晰的知识体系。
11.进一步的，所述通过本体论理清知识点的概念体系与分类关系包括：根据语文学科的特点和相关文献资料确定构建知识体系所需的基础与概念；分析语文知识的层次结构与从属关系，利用概念之间的继承关系与分类关系，建立起概念的层次结构；为概念定义属性和关系，描述概念之间的特征和相互关系；基于本体中定义的属性与关系，利用逻辑和推理算法对语文知识进行推理，并基于推理结果定义推理分类规则；与语文教材、学科标准进行验证对比，确定本体中的概念体系与分类关系是否与实际语文关系相符合，并根据实际语文知识定期更新本体。
12.进一步的，所述学习方案制定单元包括数据挖掘模块、分析确定模块及匹配模块；其中，所述数据挖掘模块，用于对学生的学习历史数据、学习行为数据及兴趣偏好进行挖掘；所述分析确定模块，用于对上述挖掘的数据进行分析得到学生的学习需求分析及确定学生的个性化特点；所述匹配模块，用于基于学生的学习需求和个性化特点，从建立的语文知识图谱中选择和匹配适合学生的知识点。
13.进一步的，所述基于学生的学习需求和个性化特点，从建立的语文知识图谱中选择和匹配适合学生的知识点包括：基于学生的学习需求和个性化特点，通过深度模型根据学生的学习历史和行为进行知识点的推荐；根据学生的学习需求和个性化特点，从知识图谱中筛选和推荐匹配的学习资源，并通过推荐算法和自然语言处理技术对学生的学习特点和资源内容进行推荐。
14.进一步的，所述语文知识体系构建单元包括学习模块、表示模块及融合模块；其中，所述学习模块，用于对通过glm模型对大量数据进行无监督学习；所述表示融合模块，用于对语言模型进行提取及对知识图谱进行表示，并使用融
合技术将语言模型的表示和语文知识图谱的表示进行融合；所述推荐模块，用于对学生学习数据进行挖掘与分析，并根据学生的学习需求与兴趣与知识图谱中的知识点和学习资源进行匹配推荐。
15.进一步的，所述对通过glm模型对大量数据进行无监督学习包括：通过爬取互联网上的语言数据、语料库、教材文本及其它多种来源，获取丰富的语言数据作为训练数据集；利用文本处理技术对收集到的训练数据进行预处理；将处理完成的训练数据集输入至glm模型中进行基础训练，并提取语言知识的特征表示。
16.进一步的，所述对语言模型进行提取及对知识图谱进行表示，并使用融合技术将语言模型的表示和语文知识图谱的表示进行融合包括：通过利用训练好的glm模型，将语言数据中的文本数据使用模型的隐藏层输出、词向量及句向量及其它不同层次进行表示；采用图嵌入方法将语文知识图谱中的图结构转换为低向量表示，并捕捉图谱中节点的语义关系；将知识图谱的节点作为图的节点和大模型的特征表示作为节点的特征向量结合构建图结构；通过gcn在图结构上进行迭代传播和聚合，将节点的特征与相邻节点的特征进行融合和更新；在信息传播时通过gcn将知识图谱中的节点特征与大模型中的特征进行融合；经过多轮信息传播和特征融合，gcn将当前节点的特征与其邻居节点的特征进行聚合，并更新当前节点的特征，逐步迭代地更新节点的特征表示；将融合后的特征输入至学习方案制定单元中，利用融合后的特征进行知识点和学习资源的匹配和推荐，并根据匹配和推荐的结果，生成个性化的学习方案。
17.进一步的，所述对学生学习数据进行挖掘与分析，并根据学生的学习需求与兴趣与知识图谱中的知识点和学习资源进行匹配推荐包括：对收集到的学生学习数据进行清洗和转换，去除异常值与缺失值，并将数据转化为可供统计分析使用的格式，并应用统计学方法对数据进行学习特征之间的描述性分析；从统计分析的学习特征中，通过基尼系数选择对学生学习类型分类具有区分度的特征，并基于选择的特征，采用决策树算法构建学生学习类型的分类模型；将学生的学习数据转换为关联规则挖掘所需的事务型数据集，其中，事务型数据集表示学生的学习记录，学习记录表示学习资源的集合；通过apriori算法挖掘学习资源之间的频繁项集，并通过最小支持度阈值确定频繁项集；基于频繁项集生成关联规则，计算关联规则的置信度和支持度，并根据置信度与支持度对挖掘得到的关联规则进行排序；基于排序结果，向学生推荐置信度高的关联规则对应的学习资源。
18.本发明的有益效果为：本发明在语文学习领域具有较高的应用价值和技术优势，通过利用glm模型和知
识图谱的结合，并结合个性化学习方案和推荐系统的方法，可以为学生提供更好的语文学习体验和效果，利用知识图谱构建语文知识体系，可以将语文知识进行有机组织，使得课内外的知识点都可以清晰的串联起来，具体来说通过语文相关知识点进行抽象和归纳，建立一个全面、系统的语文知识图谱，从而支持学生进行有针对性的知识学习。
19.本发明支持根据学生的不同需求和兴趣，构建个性化的语文学习方案，具体来说，学生的学习需求和兴趣可以通过系统中的智能推荐算法进行分析和挖掘，然后将相关的知识点和学习资源进行匹配和推荐，同时，系统可以根据学生的学习表现和历史书局进行实时调整和优化，从而提高学习效果。
20.本发明通过对大规模语料库进行无监督学习，从而具有强大的语言理解和生成能力，利用大模型对语言知识进行抽象和归纳，构建起一个更为精细和高层次的语文知识体系，通过对大量语言数据进行训练和学习，提取出语言知识的本质特征和规律，从而实现语言知识的自动化表示和推理。
21.本发明通过将glm模型和知识图谱进行融合，并结合定制化学习方案，通过融合语言模型和知识图谱的优势，构建了更全面和精细的语文知识体系，语言模型可以从大量的语言数据中学习语言的本质特征和规律，具有强大的语言建模和表示能力，而知识图谱则提供了结构化的语文知识表达和关系，使得学习资源的组织和推荐更加准确和有效。
22.本发明通过对学生的学习历史、行为和兴趣进行数据分析和挖掘，实现了定制化的学习方案，学生可以根据自己的学习需求和兴趣，获取与之匹配的知识点和学习资源，这种个性化的学习方案可以更好地满足学生的学习需求，提高学习的效果和兴趣。
23.本发明在构建语文知识体系的过程中，利用了无监督学习的方法，通过对大量的语言数据进行训练，无监督学习可以自动发现语言知识的本质特征和规律，而无需人工标注的标签，这种方式可以充分利用大规模语言数据的信息，提高语文知识的表示能力和推理效果，并通过利用推荐系统的方法，将学生的学习需求和兴趣与语文知识图谱中的知识点和学习资源进行匹配和推荐，这种基于推荐系统的学习资源推荐可以根据学生的个性化需求和相似学生的行为，为学生提供更准确和个性化的学习资源推荐，提高学习的效果和满意度。
附图说明
24.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
25.图1是根据本发明实施例的基于知识图谱和大模型的小学语文个性化学习系统的原理框图。
26.图中：1、语文知识图谱构建单元；2、学习方案制定单元；3、语文知识体系构建单元。
实施方式
27.为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部
分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
28.根据本发明的实施例，提供了基于知识图谱和大模型的小学语文个性化学习系统。
29.现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于知识图谱和大模型的小学语文个性化学习系统，该学习系统包括语文知识图谱构建单元1、学习方案制定单元2及语文知识体系构建单元3；其中，所述语文知识图谱构建单元1，用于通过分析和研究语文文献资料，识别和归纳知识点形成知识体系，并使用图谱形式进行展示；建立语文知识图谱包括对语文知识点进行抽象和归纳，建立起一个全面、系统的语文知识图谱，具体来说，该步骤可以通过对语文教材、语文学科标准、教学大纲等文献资料进行分析和总结，从而建立起一个完整的语文知识体系。然后，通过对知识点进行归纳和分类，建立起一个基于知识图谱的语文知识架构。
30.在一个实施例中，所述语文知识图谱构建单元1包括研究获取模块、归纳分类模块及验证展示模块；其中，所述研究获取模块，用于对语文教材进行深入分析和研究，识别出教材中的核心知识点。
31.具体的，首先对语文教材、语文学科标准、教学大纲等文献资料进行深入分析和研究，以获取语文学科的核心知识点和教学要点。
32.基于这些文献资料，识别出语文学科的不同层次和组成部分，例如字词、句子、篇章等，以及相关的语法规则、修辞手法、作文技巧等。
33.所述归纳分类模块，用于利用语言学与本体论制定归纳分类原则，并根据归纳分类原则将知识点进行归纳和组织，形成清晰的知识体系。
34.其中，所述用于利用语言学与本体论制定归纳分类原则，并根据归纳分类原则将知识点进行归纳和组织，形成清晰的知识体系包括：通过本体论理清知识点的概念体系与分类关系；通过运用语言学的理论和方法，对知识点中的语言结构和语言规则进行分析，理清知识点之间的语法特点和语义关系；根据知识点的属性与特征，制定合适的归纳分类规则；根据归纳分类规则，将知识点进行归类和组织，形成清晰的知识体系。
35.在建立知识体系的过程中，我们将对每个知识点进行归纳和分类，以便系统能够更好地理解和应用这些知识。
36.归纳分类可以基于不同的原则，如语法特点、语言功能、篇章结构等。例如，可以将语法规则按照时态、语态、句型等进行分类；将修辞手法按照比喻、夸张、对比等进行分类。
37.在归纳分类的过程中，可以借鉴语言学和教育学的相关理论和方法。例如，可以使用范畴论来分析语法规则的归类方式，使用篇章分析理论来分析篇章结构的分类方法。
38.语法规则的归类方式：范畴论是一种用于语法分析的理论框架，它将语法规则归类为不同的范畴或类别，范畴论基于范畴的概念，其中范畴表示语法中的基本语义概念，通过将不同的语法规则映射到适当的范畴中，可以对语法规则进行分类和归纳，范畴论可以
帮助理解语言的结构和组成方式，从而建立起语法规则的知识体系。
39.篇章结构的分类方法：篇章分析理论提供了一种分析和理解篇章结构的方法，篇章可以根据其组织结构、信息流动和语义关系进行分类，常用的篇章结构分类方法包括线性结构、层次结构、因果关系结构、问题解决结构等，通过对篇章进行分析和分类，可以建立起篇章结构的知识体系，并将其与其他语文知识点进行关联。
40.语言风格和修辞手法的归纳分类：语言风格和修辞手法是语文中常见的表达方式和修辞手段，对于语言风格，可以根据表达的特点、用词的风格、句子的结构等进行分类，如形象、抽象、文雅、朴实等。对于修辞手法，可以根据表达的目的和效果进行分类，如比喻、拟人、夸张、反问等，通过对语言风格和修辞手法进行归纳分类，可以帮助学生理解和运用不同的表达方式。
41.文学作品的题材和文体分类：文学作品可以根据其题材和文体进行分类。题材分类指的是作品所涉及的主题和内容，如爱情、自然、社会等。文体分类指的是作品的表现形式和结构，如散文、诗歌、小说等。通过对文学作品的题材和文体进行归纳分类，可以建立起文学作品的知识体系，并帮助学生理解和鉴赏不同类型的文学作品。
42.在建立语文知识图谱和知识点归纳分类过程中，可以运用知识图谱、本体论、语言学以及机器学习和自然语言处理技术等相关理论和方法。
43.知识图谱作为一种图状结构，可以用于表示和组织知识点以及它们之间的关系。我们可以利用知识图谱的表示能力，构建一个具有层次结构和关联关系的语文知识体系。
44.本体论是一种研究概念和概念之间关系的方法，它可以帮助我们理清语文知识的概念体系和分类关系。通过本体论的分析，我们可以确定合适的概念分类和归类原则。
45.下面是一些步骤，可以用本体论来实现理清语文知识的概念体系和分类关系：具体的，所述通过本体论理清知识点的概念体系与分类关系包括：根据语文学科的特点和相关文献资料确定构建知识体系所需的基础与概念，例如，可以包括语言、文学、篇章、修辞等概念；分析语文知识的层次结构与从属关系，利用概念之间的继承关系与分类关系，建立起概念的层次结构；例如，可以将语文知识分为语言知识和文学知识两个大类，然后进一步细分为语法、修辞、文学题材等子类。
46.为概念定义属性和关系，描述概念之间的特征和相互关系，属性可以是概念的特征或描述，如语法概念的属性可以包括词性、句法功能等，关系可以是概念之间的关联或联系，如文学题材和文学作品之间的关系。
47.基于本体中定义的属性与关系，利用逻辑和推理算法对语文知识进行推理，并基于推理结果定义推理分类规则，对语文知识进行推理和推断，帮助学生理解和应用语文知识。
48.与语文教材、学科标准进行验证对比，确定本体中的概念体系与分类关系是否与实际语文关系相符合，并根据实际语文知识定期更新本体。
49.在建立本体的过程中，需要进行知识的验证和更新。通过与语文教材、学科标准等进行对比和验证，确保本体中的概念体系和分类关系与实际语文知识相符合。同时，随着语文领域的不断发展和变化，需要定期更新本体，保持其与最新知识的一致性语言学是研究语言结构和语言规则的学科，它提供了对语文知识进行分析和分类
的理论基础。例如，使用句法学的知识，我们可以对句子结构进行分析和分类；利用语义学的概念，我们可以研究词语之间的语义关系和语义特征。
50.在知识点归纳分类过程中，我们还可以运用机器学习和自然语言处理技术来辅助。例如，可以使用文本挖掘和自动标注技术从大量语料库中提取语言特征和规律，以支持知识点的归纳和分类。
51.总体来说，建立完整的语文知识体系需要综合考虑多个信息源，并经过验证和修正的过程，我们可以先对语文教材进行深入分析，识别出教材中的核心知识点和重要概念，同时，参考学科标准和教学大纲，以获取对应年级学生应该掌握的语文知识点和技能。
52.在分析和总结的过程中，我们可以运用概念分析、本体论和语言学等相关理论和方法，辅助理清语文知识的概念体系和分类关系。
53.所述验证展示模块，用于通过专家讨论、文献研究及教师反馈的方式对知识体系进行验证和修正，并使用图谱的形式对知识体系进行展示。
54.知识体系的建立需要经过专家讨论、文献研究和教师反馈等方式进行验证和修正，以确保知识体系的准确性和完整性。
55.在此基础上通过归纳和总结，将这些知识点组织成一个有机的知识体系，并使用概念图、树状结构或图谱的形式来表示和展示这个知识体系。
56.所述学习方案制定单元2，用于通过对学生的历史数据进行挖掘与分析确定学习需求，并根据学习需求对知识点进行匹配和推荐；该单元包括对学生的学习需求和兴趣进行分析和挖掘，然后根据学生的个性化需求，匹配和推荐相关的知识点和学习资源，具体来说，该步骤可以通过对学生的学习历史、学习行为和兴趣偏好等数据进行分析和挖掘，从而确定学生的学习特点和需求。然后，系统根据学生的学习需求和兴趣，匹配和推荐相关的知识点和学习资源。在支持定制化学习方案的步骤中，对学生的学习需求和兴趣进行分析和挖掘，并根据学生的个性化需求匹配和推荐相关的知识点和学习资源。
57.在一个实施例中，所述学习方案制定单元2包括数据挖掘模块、分析确定模块及匹配模块；其中，所述数据挖掘模块，用于对学生的学习历史数据、学习行为数据及兴趣偏好进行挖掘。
58.所述分析确定模块，用于对上述挖掘的数据进行分析得到学生的学习需求分析及确定学生的个性化特点；具体的，学习需求分析：综合学生的学习历史数据和学习行为数据，分析学生在不同知识点上的优势和劣势，识别出学生的学习需求和改进点。
59.个性化特点确定：根据学习历史数据、学习行为数据和兴趣偏好分析的结果，确定学生的个性化学习特点，如学习风格、兴趣偏好、知识点掌握情况等。
60.所述匹配模块，用于基于学生的学习需求和个性化特点，从建立的语文知识图谱中选择和匹配适合学生的知识点。
61.具体的，基于学生的学习需求和个性化特点，从建立的语文知识图谱中选择和匹配适合学生的知识点包括：基于学生的学习需求和个性化特点，通过深度模型根据学生的学习历史和行为进
行知识点的推荐；根据学生的学习需求和个性化特点，从知识图谱中筛选和推荐匹配的学习资源，并通过推荐算法和自然语言处理技术对学生的学习特点和资源内容进行推荐。
62.知识点匹配推荐：基于学生的学习需求和个性化特点，从建立的语文知识图谱中选择和匹配适合学生的知识点。可以使用推荐算法（如协同过滤、内容过滤、深度学习模型等）来根据学生的学习历史和行为进行知识点的推荐。
63.上述仅是一些常见的理论和算法示例，实际的实现过程还会根据具体的需求和技术选择进行调整。
64.学习资源推荐：根据学生的学习需求和个性化特点，从学习资源库中筛选和推荐适合学生的学习资源，如教材章节、习题、阅读材料、学习视频等。可以使用推荐算法和自然语言处理技术来根据学生的学习特点和资源内容进行推荐。
65.所述语文知识体系构建单元3，用于通过对大规模语料库进行无监督学习提取出语言知识，并将其融合至语文知识图谱中建立语文知识体系。
66.利用清华开源的glm（generative language model）模型语文知识体系：该步骤包括大量语言数据进行训练和学习，提取出语言知识的本质特征和规律，从而构建起一个更为精细和高层次的语文知识体系，具体来说，该步骤可以通过对大量文本数据进行无监督学习，从而实现对语言知识的自动化表示和推理。然后，通过将大模型的语言知识和语文知识图谱进行融合，建立一个更为全面和精细的语文知识体系。
67.为了构建一个更为精细和高层次的语文知识体系，该步骤利用清华大学开源的glm（generative language model）模型进行无监督学习，并将大模型的语言知识与语文知识图谱进行融合。
68.在一个实施例中，所述语文知识体系构建单元3包括学习模块、表示模块及融合模块；其中，所述学习模块，用于对通过glm模型对大量数据进行无监督学习；具体的，所述对通过glm模型对大量数据进行无监督学习包括：通过爬取互联网上的语言数据、语料库、教材文本及其它多种来源，获取丰富的语言数据作为训练数据集；利用文本处理技术对收集到的训练数据进行预处理；将处理完成的训练数据集输入至glm模型中进行基础训练，并提取语言知识的特征表示。
69.具体的，数据收集：通过爬取互联网上的语言数据、语料库、教材文本等多种来源，获取大量的语言数据作为训练数据集。
70.数据预处理：对收集到的数据进行预处理，包括分词、词性标注、去除停用词、处理未知词等。这些预处理步骤可以利用传统的文本处理技术，如分词工具、词性标注器等。
71.glm训练：选择清华大学开源的glm模型作为基础模型进行训练，glm模型通常基于transformer架构，具有较强的语言建模能力，通过迭代训练，模型可以学习到语言的概率分布和语言的特征表示。
72.所述表示融合模块，用于对语言模型进行提取及对知识图谱进行表示，并使用融合技术将语言模型的表示和语文知识图谱的表示进行融合；
具体的，所述对语言模型进行提取及对知识图谱进行表示，并使用融合技术将语言模型的表示和语文知识图谱的表示进行融合包括：通过利用训练好的glm模型，将语言数据中的文本数据使用模型的隐藏层输出、词向量及句向量及其它不同层次进行表示；采用图嵌入方法将语文知识图谱中的图结构转换为低向量表示，并捕捉图谱中节点的语义关系；将知识图谱的节点作为图的节点和大模型的特征表示作为节点的特征向量结合构建图结构；通过gcn在图结构上进行迭代传播和聚合，将节点的特征与相邻节点的特征进行融合和更新；在信息传播时通过gcn将知识图谱中的节点特征与大模型中的特征进行融合；经过多轮信息传播和特征融合，gcn将当前节点的特征与其邻居节点的特征进行聚合，并更新当前节点的特征，逐步迭代地更新节点的特征表示；将融合后的特征输入至学习方案制定单元中，利用融合后的特征进行知识点和学习资源的匹配和推荐，并根据匹配和推荐的结果，生成个性化的学习方案。
73.graph convolutional networks（图卷积网络，gcn）是一种用于处理图数据的深度学习模型。gcn是基于图神经网络（graph neural network）的一种变体，旨在利用节点之间的关系进行节点分类、图分类和图生成等任务，在gcn中，每个节点的表示是通过将其自身特征与邻居节点的特征进行聚合得到的。这种聚合操作类似于传统卷积神经网络中的卷积操作，但是在图结构中进行。通过在每个节点上进行聚合操作，gcn可以捕捉全局和局部的图结构信息，并将其用于节点的表示学习和任务求解。
74.gcn的核心操作是图卷积层，它基于节点的邻居关系和特征进行节点表示的更新。通过堆叠多个图卷积层，gcn能够逐层地聚合图结构信息，并产生逐渐丰富的节点表示。这些节点表示可以用于节点分类、链接预测、图生成等各种图分析任务。
75.下面是一个具体的融合过程示例，使用gcn来将知识图谱和大模型进行融合：语文知识图谱表示：将语文知识图谱中的节点和边转化为向量表示。可以采用图嵌入方法，如graphsage、node2vec等，将图结构转化为低维向量表示，捕捉节点之间的语义关系；使用融合技术将语言模型的表示和语文知识图谱的表示进行融合，可以使用图神经网络（graph neural networks）模型，如graph convolutional networks （gcn）、graph attention networks（gat）等，将语言模型和知识图谱的表示进行联合训练，从而融合两者的特征，这样可以在语言模型的基础上加入语文知识的先验知识，提高对语文知识的理解和表示能力。
76.构建知识图谱：首先，根据语文知识的概念体系和分类关系，构建知识图谱。知识图谱可以表示为一个有向图，其中节点表示语文知识的概念，边表示概念之间的关系，每个节点可以包含概念的属性信息，如名称、定义、示例等。
77.构建大模型：使用清华开源的glm模型或其他合适的大模型来对语言数据进行训练和学习，提取语言知识的特征表示，大模型可以将语言数据转化为低维的向量表示，捕捉语言的语义和语法特征。
78.构建图结构：将知识图谱的节点作为图的节点和大模型的特征表示作为节点的特征向量结合构建图结构；进行信息传播：通过gcn在图结构上进行迭代传播和聚合，将节点的特征与相邻节点的特征进行融合和更新，总的来说，利用gcn进行信息传播和特征融合。gcn通过在图上进行迭代传播和聚合，将节点的特征与相邻节点的特征进行融合和更新，在每一轮传播中，gcn会考虑节点的邻居节点的信息，并根据图结构进行信息聚合和传递；特征融合：在信息传播时通过gcn将知识图谱中的节点特征与大模型中的特征进行融合，在每轮的信息传播中，gcn将知识图谱中的节点特征与大模型中的特征进行融合，逐步将两者的信息融合到同一特征空间中。融合后的特征可以包含更全面、丰富的语文知识和语言特征。
79.迭代传播：经过多轮信息传播和特征融合，gcn将当前节点的特征与其邻居节点的特征进行聚合，并更新当前节点的特征，逐步迭代地更新节点的特征表示；特征应用：将融合后的特征输入至学习方案制定单元中，利用融合后的特征进行知识点和学习资源的匹配和推荐，并根据匹配和推荐的结果，生成个性化的学习方案。总的来说，融合后的特征可以应用于学生的个性化学习需求和推荐。通过对学生的学习历史、行为和兴趣进行分析，可以利用学生的个性化学习需求和推荐，将融合后的特征应用于定制化学习方案中，具体而言，可以使用融合后的特征来匹配和推荐相关的知识点和学习资源，以满足学生的学习需求和兴趣；匹配和推荐：基于学生的学习需求和兴趣，利用融合后的特征进行知识点和学习资源的匹配和推荐，可以通过计算学生与知识点或学习资源之间的相似度，选择与学生特征匹配度高的内容进行推荐，相似度计算可以使用各种度量方法，如余弦相似度、欧氏距离等。
80.个性化学习方案：根据匹配和推荐的结果，生成个性化的学习方案，包括推荐适合学生的知识点、学习材料和学习路径。个性化学习方案可以根据学生的学习进展和反馈进行动态调整和更新，以提供更符合学生需求的学习体验。
81.整个融合过程中，gcn起到了关键的作用，它将知识图谱和大模型的特征表示进行融合，并通过迭代传播和特征融合，将两者的信息逐步结合在一起。这样可以充分利用知识图谱中的语文知识结构和大模型中的语言特征，提供更全面、丰富的语文知识表示和个性化学习推荐，具体的融合步骤包括构建图结构、信息传播、特征融合、迭代传播和特征应用等。
82.在实现过程中，需要根据具体的需求和数据情况进行调整和优化，如选择合适的glm模型参数、融合算法的结构和超参数等。此外，需要注意对数据进行合理的采样和训练策略，以充分利用有限的计算资源和时间。
83.所述推荐模块，用于对学生学习数据进行挖掘与分析，并根据学生的学习需求与兴趣与知识图谱中的知识点和学习资源进行匹配推荐。
84.所述推荐模块，具体来说包括：数据分析和挖掘：对学生的学习历史、学习行为和兴趣偏好等数据进行分析和挖掘。可以使用数据挖掘和机器学习技术，如聚类、分类、关联规则挖掘等，从中发现学生的学习特点和需求。
85.学习需求匹配和推荐：根据学生的学习需求和兴趣，将其与语文知识图谱中的知识点和学习资源进行匹配和推荐。可以使用推荐系统的方法，如基于内容的推荐、协同过滤推荐等，结合学生的学习偏好和语文知识图谱的结构，为学生提供个性化的学习推荐。
86.具体的，所述对学生学习数据进行挖掘与分析，并根据学生的学习需求与兴趣与知识图谱中的知识点和学习资源进行匹配推荐包括：对收集到的学生学习数据进行清洗和转换，去除异常值与缺失值，并将数据转化为可供统计分析使用的格式，并应用统计学方法对数据进行学习特征之间的描述性分析，例如计算学生的平均学习时间、知识点的掌握情况的平均得分、学生对不同类型学习资源的点击次数等。
87.从统计分析的学习特征中，通过基尼系数选择对学生学习类型分类具有区分度的特征，例如学习时间与学生成绩的相关性，并基于选择的特征，采用决策树算法（如id3、c4.5等）构建学生学习类型的分类模型，决策树通过递归地选择最优特征进行节点划分，最终形成一棵树状结构，用于预测学生的学习类型；将学生的学习数据转换为关联规则挖掘所需的事务型数据集，其中，事务型数据集表示学生的学习记录，学习记录表示学习资源的集合；通过apriori算法挖掘学习资源之间的频繁项集，并通过最小支持度阈值确定频繁项集；基于频繁项集生成关联规则，计算关联规则的置信度和支持度，并根据置信度与支持度对挖掘得到的关联规则进行排序，以设置最小置信度阈值，筛选出具有一定关联性的规则；基于排序结果，向学生推荐置信度高的关联规则对应的学习资源，基于挖掘得到的关联规则，将与学生当前学习情况相关的学习资源推荐给学生。可以根据置信度、支持度等指标对关联规则进行排序，推荐置信度高的关联规则对应的学习资源。
88.对于数据分析和挖掘，可以使用统计分析、机器学习和深度学习等方法，如聚类算法（如k-means、层次聚类）、分类算法（如决策树、支持向量机）、关联规则挖掘（如apriori算法）等，以挖掘学生的学习特点和需求。
89.对于学习需求匹配和推荐，可以使用推荐系统的方法，如基于内容的推荐（content-based recommendation）、协同过滤推荐（collaborative filtering）等。基于内容的推荐可以根据学生的学习需求和兴趣，将其与语文知识图谱中的知识点和学习资源进行匹配，利用特征相似度或向量表示的相似度进行推荐。协同过滤推荐可以通过分析学生的行为数据和其他学生的行为数据，发现学习的共同模式和相似兴趣，为学生推荐相似学生的学习资源。
90.这些步骤的实现可以根据实际情况和需求进行调整和优化，如选择合适的数据分析和挖掘算法、推荐系统方法，以及调整推荐的策略和权重等。
91.综上所述，借助于本发明的上述技术方案，本发明在语文学习领域具有较高的应用价值和技术优势，通过利用glm模型和知识图谱的结合，并结合个性化学习方案和推荐系统的方法，可以为学生提供更好的语文学习体验和效果，利用知识图谱构建语文知识体系，可以将语文知识进行有机组织，使得课内外的知识点都可以清晰的串联起来，具体来说通过语文相关知识点进行抽象和归纳，建立一个全面、系统的语文知识图谱，从而支持学生进
行有针对性的知识学习。本发明支持根据学生的不同需求和兴趣，构建个性化的语文学习方案，具体来说，学生的学习需求和兴趣可以通过系统中的智能推荐算法进行分析和挖掘，然后将相关的知识点和学习资源进行匹配和推荐，同时，系统可以根据学生的学习表现和历史书局进行实时调整和优化，从而提高学习效果。本发明通过对大规模语料库进行无监督学习，从而具有强大的语言理解和生成能力，利用大模型对语言知识进行抽象和归纳，构建起一个更为精细和高层次的语文知识体系，通过对大量语言数据进行训练和学习，提取出语言知识的本质特征和规律，从而实现语言知识的自动化表示和推理。
92.本发明通过将glm模型和知识图谱进行融合，并结合定制化学习方案，通过融合语言模型和知识图谱的优势，构建了更全面和精细的语文知识体系，语言模型可以从大量的语言数据中学习语言的本质特征和规律，具有强大的语言建模和表示能力，而知识图谱则提供了结构化的语文知识表达和关系，使得学习资源的组织和推荐更加准确和有效。本发明通过对学生的学习历史、行为和兴趣进行数据分析和挖掘，实现了定制化的学习方案，学生可以根据自己的学习需求和兴趣，获取与之匹配的知识点和学习资源，这种个性化的学习方案可以更好地满足学生的学习需求，提高学习的效果和兴趣。本发明在构建语文知识体系的过程中，利用了无监督学习的方法，通过对大量的语言数据进行训练，无监督学习可以自动发现语言知识的本质特征和规律，而无需人工标注的标签，这种方式可以充分利用大规模语言数据的信息，提高语文知识的表示能力和推理效果，并通过利用推荐系统的方法，将学生的学习需求和兴趣与语文知识图谱中的知识点和学习资源进行匹配和推荐，这种基于推荐系统的学习资源推荐可以根据学生的个性化需求和相似学生的行为，为学生提供更准确和个性化的学习资源推荐，提高学习的效果和满意度。
93.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.基于知识图谱和大模型的小学语文个性化学习系统，其特征在于，该学习系统包括语文知识图谱构建单元、学习方案制定单元及语文知识体系构建单元；其中，所述语文知识图谱构建单元，用于通过分析和研究语文文献资料，识别和归纳知识点形成知识体系，并使用图谱形式进行展示；所述学习方案制定单元，用于通过对学生的历史数据进行挖掘与分析确定学习需求，并根据学习需求对知识点进行匹配和推荐；所述语文知识体系构建单元，用于通过对大规模语料库进行无监督学习提取出语言知识，并将其融合至语文知识图谱中建立语文知识体系。2.根据权利要求1所述的基于知识图谱和大模型的小学语文个性化学习系统，其特征在于，所述语文知识图谱构建单元包括研究获取模块、归纳分类模块及验证展示模块；其中，所述研究获取模块，用于对语文教材进行深入分析和研究，识别出教材中的核心知识点；所述归纳分类模块，用于利用语言学与本体论制定归纳分类原则，并根据归纳分类原则将知识点进行归纳和组织，形成清晰的知识体系；所述验证展示模块，用于通过专家讨论、文献研究及教师反馈的方式对知识体系进行验证和修正，并使用图谱的形式对知识体系进行展示。3.根据权利要求2所述的基于知识图谱和大模型的小学语文个性化学习系统，其特征在于，所述用于利用语言学与本体论制定归纳分类原则，并根据归纳分类原则将知识点进行归纳和组织，形成清晰的知识体系包括：通过本体论理清知识点的概念体系与分类关系；通过运用语言学的理论和方法，对知识点中的语言结构和语言规则进行分析，理清知识点之间的语法特点和语义关系；根据知识点的属性与特征，制定合适的归纳分类规则；根据归纳分类规则，将知识点进行归类和组织，形成清晰的知识体系。4.根据权利要求3所述的基于知识图谱和大模型的小学语文个性化学习系统，其特征在于，所述通过本体论理清知识点的概念体系与分类关系包括：根据语文学科的特点和相关文献资料确定构建知识体系所需的基础与概念；分析语文知识的层次结构与从属关系，利用概念之间的继承关系与分类关系，建立起概念的层次结构；为概念定义属性和关系，描述概念之间的特征和相互关系；基于本体中定义的属性与关系，利用逻辑和推理算法对语文知识进行推理，并基于推理结果定义推理分类规则；与语文教材、学科标准进行验证对比，确定本体中的概念体系与分类关系是否与实际语文关系相符合，并根据实际语文知识定期更新本体。5.根据权利要求1所述的基于知识图谱和大模型的小学语文个性化学习系统，其特征在于，所述学习方案制定单元包括数据挖掘模块、分析确定模块及匹配模块；其中，所述数据挖掘模块，用于对学生的学习历史数据、学习行为数据及兴趣偏好进行挖掘；所述分析确定模块，用于对上述挖掘的数据进行分析得到学生的学习需求分析及确定
学生的个性化特点；所述匹配模块，用于基于学生的学习需求和个性化特点，从建立的语文知识图谱中选择和匹配适合学生的知识点。6.根据权利要求5所述的基于知识图谱和大模型的小学语文个性化学习系统，其特征在于，所述基于学生的学习需求和个性化特点，从建立的语文知识图谱中选择和匹配适合学生的知识点包括：基于学生的学习需求和个性化特点，通过深度模型根据学生的学习历史和行为进行知识点的推荐；根据学生的学习需求和个性化特点，从知识图谱中筛选和推荐匹配的学习资源，并通过推荐算法和自然语言处理技术对学生的学习特点和资源内容进行推荐。7.根据权利要求1所述的基于知识图谱和大模型的小学语文个性化学习系统，其特征在于，所述语文知识体系构建单元包括学习模块、表示模块及融合模块；其中，所述学习模块，用于对通过glm模型对大量数据进行无监督学习；所述表示融合模块，用于对语言模型进行提取及对知识图谱进行表示，并使用融合技术将语言模型的表示和语文知识图谱的表示进行融合；所述推荐模块，用于对学生学习数据进行挖掘与分析，并根据学生的学习需求与兴趣与知识图谱中的知识点和学习资源进行匹配推荐。8.根据权利要求7所述的基于知识图谱和大模型的小学语文个性化学习系统，其特征在于，所述对通过glm模型对大量数据进行无监督学习包括：通过爬取互联网上的语言数据、语料库、教材文本及其它多种来源，获取丰富的语言数据作为训练数据集；利用文本处理技术对收集到的训练数据进行预处理；将处理完成的训练数据集输入至glm模型中进行基础训练，并提取语言知识的特征表示。9.根据权利要求8所述的基于知识图谱和大模型的小学语文个性化学习系统，其特征在于，所述对语言模型进行提取及对知识图谱进行表示，并使用融合技术将语言模型的表示和语文知识图谱的表示进行融合包括：通过利用训练好的glm模型，将语言数据中的文本数据使用模型的隐藏层输出、词向量及句向量及其它不同层次进行表示；采用图嵌入方法将语文知识图谱中的图结构转换为低向量表示，并捕捉图谱中节点的语义关系；将知识图谱的节点作为图的节点和大模型的特征表示作为节点的特征向量结合构建图结构；通过gcn在图结构上进行迭代传播和聚合，将节点的特征与相邻节点的特征进行融合和更新；在信息传播时通过gcn将知识图谱中的节点特征与大模型中的特征进行融合；经过多轮信息传播和特征融合，gcn将当前节点的特征与其邻居节点的特征进行聚合，并更新当前节点的特征，逐步迭代地更新节点的特征表示；将融合后的特征输入至学习方案制定单元中，利用融合后的特征进行知识点和学习资
源的匹配和推荐，并根据匹配和推荐的结果，生成个性化的学习方案。10.根据权利要求9所述的基于知识图谱和大模型的小学语文个性化学习系统，其特征在于，所述对学生学习数据进行挖掘与分析，并根据学生的学习需求与兴趣与知识图谱中的知识点和学习资源进行匹配推荐包括：对收集到的学生学习数据进行清洗和转换，去除异常值与缺失值，并将数据转化为可供统计分析使用的格式，并应用统计学方法对数据进行学习特征之间的描述性分析；从统计分析的学习特征中，通过基尼系数选择对学生学习类型分类具有区分度的特征，并基于选择的特征，采用决策树算法构建学生学习类型的分类模型；将学生的学习数据转换为关联规则挖掘所需的事务型数据集，其中，事务型数据集表示学生的学习记录，学习记录表示学习资源的集合；通过apriori算法挖掘学习资源之间的频繁项集，并通过最小支持度阈值确定频繁项集；基于频繁项集生成关联规则，计算关联规则的置信度和支持度，并根据置信度与支持度对挖掘得到的关联规则进行排序；基于排序结果，向学生推荐置信度高的关联规则对应的学习资源。

技术总结
本发明公开了基于知识图谱和大模型的小学语文个性化学习系统，该学习系统包括语文知识图谱构建单元、学习方案制定单元及语文知识体系构建单元；所述语文知识图谱构建单元，用于通过分析和研究语文文献资料，识别和归纳知识点形成知识体系，并使用图谱形式进行展示；所述学习方案制定单元，用于通过对学生的历史数据进行挖掘与分析确定学习需求，并根据学习需求对知识点进行匹配和推荐；所述语文知识体系构建单元，用于通过对大规模语料库进行无监督学习提取出语言知识，并将其融合至语文知识图谱中建立语文知识体系。本发明支持根据学生的不同需求和兴趣，构建个性化的语文学习方案。案。案。


技术研发人员：刘鹏 张真 张堃 周紫阳
受保护的技术使用者：南京云创大数据科技股份有限公司
技术研发日：2023.08.31
技术公布日：2023/10/11