一、知识图谱简介

知识图谱就是一种大规模的语义网络，是一种对现实世界的一种语义化的表示形式。把实体表示成节点，实体的属性，实体间的关系表示成边，构成了一个网状的图结构。这种结构化的形式人类可识别，对机器也很友好，方便机器理解。图谱中大规模的概念，属性，实体之间关系，让其具有丰富的语义信息，丰富关联信息，天然具有图的各种特征，可以进行图的相关操作与应用。构建之后也可以作为背景知识直接供下游应用使用。只是图谱起先是由谷歌提出，主要用于改善搜索引擎的能力，提高搜索质量。由于知识图谱独特的特征，让他能在人工智能的多个方面发挥重要的价值。

二、教育领域学科知识图谱构建

知识图谱的构建是典型的应用为导向的，在构建图谱之前先要理清楚要解决哪些问题，解决这些问题需要哪些知识，然后去设计知识图谱的本体，来覆盖这些知识。首先介绍一下教育知识图谱的一些常见应用场景和逻辑，基于这些应用来设计教育图谱的本体，然后进一步构建知识图谱。

（一）教育知识图谱的应用逻辑

教育知识图谱，以学科知识为核心，建立各个学科的知识点概念建立层级关系，知识点与知识点之间的关联关系，不同知识点之间的前后序关系，构成学科知识图谱。利用这个图谱，可以把知识点间的关系，通过可视化的形式展示给学生，一目了然，可以很天然的用来帮助学生构建知识体系，查阅知识要点，发现知识点之间的关联，帮助学生做总结沉淀，消灭知识盲区。

学科知识图谱构建之后，可以跟教学资源（教材，试题，讲义，教学视频，试卷等）构建关联，进而通过用户信息和学习记录，建立知识点与用户之间的关联。通过知识图谱，更加精准的刻画学生知识掌握情况，更加准确的刻画资源。从而实现对用户精准的学情研判，学习路径规划，学习资源个性化推荐。

（二）以学科知识图谱为核心的教育知识资源建设

以知识图谱为核心的教育知识资源建设，利用知识图谱建立起领域知识间的关联，知识点与不同版本的教材，教辅，讲义，视频，试题等各种教育资源之间建立关联，构成一个整体的网络。利用这些关联网络支撑上层应用。

教育领域学科知识图谱中，知识之间的关系主要包括：上下位关系，主要是父子概念之间，概念与实体之间。概念图谱表达教育领域概念之间的关系。在教育领域概念性的内容会比较多，这些概念间关系就是整个知识的脉络。包含关系，知识点下几个具体的小考点，整体与部分的关系。先后序关系，可以用来做学习规划。在不同的学科还有一些特殊关系，比如互斥，因果等，这些是在实际做图谱资源建设的时候，需要领域专家与知识工程师一起去梳理细化的。

教育图谱中知识也有丰富的属性，比如共性的“考点”“难点”“易错点”“考纲要求”等共性属性。不同学科里有具体的细粒度属性，比如数学里面的“定义”“性质”“面积公式”“周长公式”等等。

三、知识图谱在智慧教育的应用

（一）基于教育知识图谱的精准画像

基于教育图谱的精准画像，通过对用户的行为信息，与各种资源对象的联系，提取关键信息，来刻画用户，基于知识图谱的用户画像可以增强用户画像数据，对用户的刻画更加全面精准。

1.精准用户画像

用户画像技术大家应该已经比较熟悉，是为了更好的刻画用户，用来做用户理解，其本质就是“打标签”。用户画像精准与否决定了对用户的理解是否准确。实际应用中，用户画像主要有2个问题需要去解决，第一个方面是画像数据不完整，第二个方面是画像数据不正确。

针对这些问题，可以利用知识图谱来解决。知识图谱本身上的节点是教育领域领域知识的抽象，覆盖足够多的实体，足够多的概念，可以作为用户画像的标签来源，精良的质量使得打上的标签更加的准确。这些标签间有具有联系，图谱中有丰富的语义关系，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去更好的理解，直观的发现标签间的关系。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。另外在做用户画像时，用户画像可以单独作为产品可视化的进行呈现，利用图谱中的关系，生成个性化的，动态变化的用户知识图谱。

2.精准学情分析

利用知识图谱可以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，薄弱知识这些显性的特征，同样可以挖掘一些深层次的学习速度，学习偏好，认知水平等隐形特征。让分析结果更加的个性化，客观化。

对于未能达成的学习目标，利用知识图谱可以做原因分析，发现薄弱点和关联依赖的知识点，能有效的查漏补缺。诊断过程具备更好的自适应性和个性化。

（二）提升教学质量与效率

知识图谱在辅助教学应用中，辅助老师去完成备课，教研，出题，试题分析的工作。系统为老师推荐同类相关的资料（教案，课程讲解规划，作业等）来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

利用学科知识图谱把 学科知识点，与教材，讲义，习题等关联，根据老师的教学进度，教材版本，持续推送符合教学需求的备课资源，搭配搜索快速准确的得到老师所需的资源，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，系统进行相关的巩固练习题推荐，针对性的制定教学策略，提升教学针对性,进行精准教学。 在课前，课中，课后综合运用数据挖掘和智能化能力。在课前，利用数据挖掘技术得到的学生学情数据，制定教学策略，做到决策数据化。课中，利用制定的教学策略针对性的教学，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，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，个性化的针对性的练习题推荐，错题巩固。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）深度阅读

基于知识图谱的深度阅读，主要的目标是实现对知识间的关联，智能化，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的识别与连接，可以通过知识卡片的形式展示当前知识信息。也可以关联到其他与之相关的知识，并进行相关知识的推荐，帮助用户把知识串联起来。这样可以极大的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，也可以很好的应用与知识管理，以及出版行业。深度阅读依赖的核心技术为实体链接技术，目前我们知识工场研发的实体理解服务使得机器可以理解文本中的实体，使得实体搜索、语义搜索成为可能，通用领域90%+准确率和召回率。

（四）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。利用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，又解决了学生的实际问题。

四、知识图谱为核心的教育智能化演进路径

知识图谱日益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因而十分关键。经过多年实践，这一路径日渐清晰，呈现出知识资源建设与知识应用迭代式发展模式。落地的基本原则：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，根据当前企业的业务发展需要和数据，技术基础，选择合适的应用场景，在具体的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，除非是头部企业的AiLab不追求短期变现，否则很难在企业内部得到足够的支持。只有产生了具体的业务价值，才能有足够的动力，推动图谱为核心的智能化转型项目的长期，稳步发展。

（二）迭代发展在知识图谱在教育行业的智能化落地中，相比较于知识应用，知识的获取与知识资源的建设是更大的瓶颈。知识资源建设任重道远，很难一蹴而就，只能扎扎实实推进知识资源建设，积累知识库，没有捷径。采取由点及面的迭代式螺旋发展模式。在每一轮迭代周期，把握好适度原则，优先选择预期效果较好的应用场景，合理把控好知识的边界与体量，建设以知识图谱为核心的知识资源，并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之后，再从有限的应用逐步拓展到更多的应用场景，建设更多的知识资源。整个过程持续迭代下去，直至完成全面的智能化。认知智能是高级人工智能的关键，认知智能的实现要依靠知识图谱。如今基于知识图谱的垂直行业智能化应用越来越多。在教育领域的很多应用场景都有不错的应用效果。但是目前认知智能及在教育领域应用总体还处于发展阶段，还有很多可以完善的地方。比如在图谱构建上，教育知识图谱对于多模态知识图谱的需求明显，教育领域的知识的复杂性，增加了对知识点的粒度的切分难度，另外知识点之间关系的丰富程度也是需要不断的优化。总体来讲知识图谱在教育智能化中的应用，作用巨大，前景光明。相信随着技术的进一步成熟，国家政策的支持，资本的持续投入，商业公司的不断创新，教育智能化，会在接下来的几年，取得让人瞩目的落地成果。

来源：河西学院