朱曉悅 杜雨雯 王家若

【摘? ? 要】基礎(chǔ)教育知識(shí)圖譜能體現(xiàn)出知識(shí)之間的聯(lián)系，以可視化方式向教師與學(xué)生反饋結(jié)構(gòu)化知識(shí)，進(jìn)行教學(xué)支架服務(wù)，輔助學(xué)生進(jìn)行知識(shí)管理和教師教與學(xué)的設(shè)計(jì)。本文從基礎(chǔ)教育知識(shí)圖譜構(gòu)建的框架出發(fā)，分實(shí)體抽取和實(shí)體關(guān)系抽取兩個(gè)角度研究知識(shí)圖譜構(gòu)建的技術(shù)路徑，并生成高中數(shù)學(xué)必修二的知識(shí)圖譜。

【關(guān)鍵詞】知識(shí)圖譜? 實(shí)體抽取? 實(shí)體關(guān)系抽取? 基礎(chǔ)教育

中圖分類號(hào)：G4? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.3969/j.issn.1672-0407.2019.18.007

一、緒論

（一）研究背景與意義

在課堂教學(xué)過程中，教師通過圖像、視頻、互動(dòng)軟件等多媒體教學(xué)載體的應(yīng)用，教學(xué)知識(shí)的表達(dá)有了越來越多圖形化、生動(dòng)化的展現(xiàn)方式。隨著大數(shù)據(jù)與機(jī)器學(xué)習(xí)的深入發(fā)展，通過數(shù)據(jù)挖掘的方式能夠發(fā)現(xiàn)更深層次的知識(shí)聯(lián)系。知識(shí)圖譜就是其中一種表達(dá)方式，知識(shí)圖譜是結(jié)構(gòu)化的語義知識(shí)庫，用于以符號(hào)形式描述物理世界中的概念及其相互關(guān)系：實(shí)體間通過關(guān)系相互聯(lián)結(jié)，構(gòu)成網(wǎng)狀的知識(shí)結(jié)構(gòu)。

（二）國(guó)內(nèi)研究現(xiàn)狀

知識(shí)圖譜的應(yīng)用領(lǐng)域一般具有“新”或“熱”的特征，旨在通過對(duì)目標(biāo)領(lǐng)域的分析把握其發(fā)展態(tài)勢(shì)。因此，統(tǒng)計(jì)并梳理知識(shí)圖譜應(yīng)用領(lǐng)域的新關(guān)鍵詞，可以窺見我國(guó)各時(shí)間段的研究重點(diǎn)及整體趨勢(shì)。1.研究重點(diǎn)。從關(guān)鍵詞來看，我國(guó)知識(shí)圖譜應(yīng)用較多的是對(duì)某學(xué)科和某主題進(jìn)行知識(shí)圖譜分析。如學(xué)科知識(shí)圖譜：王琪等以1991-2009年間與“體育”相關(guān)的博士論文為數(shù)據(jù)，深入探討了科學(xué)知識(shí)圖譜在體育學(xué)科研究中的應(yīng)用前景。如主題知識(shí)圖譜：王晴用CitespaceⅢ分析2015年以前的“慕課”研究相關(guān)文獻(xiàn)，發(fā)現(xiàn)當(dāng)前我國(guó)“慕課”研究的熱點(diǎn)集中在技術(shù)支持、教學(xué)效果、教學(xué)活動(dòng)、教學(xué)模式等問題。2.整體趨勢(shì)。時(shí)代化。通過觀察知識(shí)圖譜應(yīng)用領(lǐng)域的相關(guān)關(guān)鍵詞發(fā)現(xiàn)，從“數(shù)據(jù)挖掘”到“云計(jì)算”再到“慕課”，知識(shí)圖譜的研究對(duì)象一直緊跟時(shí)代、與時(shí)俱進(jìn)。通過研讀論文發(fā)現(xiàn)，目前中國(guó)在學(xué)科知識(shí)圖譜方面的研究還是比較缺乏的，而本項(xiàng)目的研究?jī)?nèi)容就關(guān)注于基礎(chǔ)教育學(xué)科的知識(shí)數(shù)據(jù)庫的建立，并通過知識(shí)圖譜建立一個(gè)知識(shí)框架，以作為一個(gè)學(xué)科標(biāo)準(zhǔn)對(duì)照。

二、知識(shí)圖譜構(gòu)建技術(shù)框架

（一）實(shí)體抽取

實(shí)體抽取是圖譜構(gòu)建中最關(guān)鍵的步驟，它是決定了圖譜質(zhì)量的關(guān)鍵。簡(jiǎn)單來說實(shí)體抽取就是從文本中抽取關(guān)鍵詞，實(shí)體抽取流程大致如圖2-1所示，將文本切分成獨(dú)立的詞，并對(duì)詞進(jìn)行分析（本質(zhì)是聚類分析），常見方法有機(jī)器學(xué)習(xí)分析、統(tǒng)計(jì)分析與語義分析，由于技術(shù)水平等限制，我們采用了統(tǒng)計(jì)分析方式。

1.分詞。分詞是將連續(xù)字符串切分成詞的過程，為避免漏詞，本項(xiàng)目使用ansj分詞工具中的最小顆粒度分詞再進(jìn)行復(fù)合詞拼接，將文本中的內(nèi)容切分成獨(dú)立的詞，并進(jìn)行詞性標(biāo)注。同時(shí)在分詞結(jié)果中進(jìn)行詞性過濾，考慮到漢語語法，作為關(guān)鍵詞只保留動(dòng)詞相關(guān)、名詞相關(guān)等詞性。2.復(fù)合詞拼接。需要將分割后的詞拼接，以達(dá)到較高的召回率，本項(xiàng)目采用基于統(tǒng)計(jì)的規(guī)則進(jìn)行拼接，主要體現(xiàn)在兩點(diǎn)上：互信息與信息熵。這里簡(jiǎn)單介紹：互信息體現(xiàn)兩個(gè)變量的相互依賴程度，常用定義如下：

其中X、Y表示相鄰詞語，該公式為相鄰詞出現(xiàn)的概率與作為單獨(dú)詞出現(xiàn)的概率之比的對(duì)數(shù)，數(shù)值越大則說明二者作為一個(gè)詞的概率較大信息熵主要是用詞語的左邊界熵和右邊界熵，用來判斷兩個(gè)詞出現(xiàn)的順序可能性。3.關(guān)鍵詞抽取。在得到候選復(fù)合詞之后，需要進(jìn)行進(jìn)一步處理得到關(guān)鍵詞。關(guān)鍵詞作為一篇文章中重要的詞，其特點(diǎn)是出現(xiàn)頻率高并且與其他文章相關(guān)度不高，綜合考慮下，本項(xiàng)目使用簡(jiǎn)單的TF-IDF算法進(jìn)行關(guān)鍵詞抽取，TF-IDF算法用以評(píng)估某詞對(duì)文檔集的重要程度。計(jì)算公式如：TF-IDF=TF*IDF

（二）實(shí)體關(guān)系抽取

在提取完實(shí)體后，需要進(jìn)行實(shí)體間關(guān)系的抽取。本文中，分類關(guān)系和非分類關(guān)系是兩種主要的實(shí)體關(guān)系類型。分類關(guān)系中最典型的是上下位關(guān)系，它表明了上位詞和下位詞之間的層次關(guān)系，例如銳角與三角形。而非分類關(guān)系體現(xiàn)了實(shí)體之間的關(guān)聯(lián)性，實(shí)體間沒有層次之分，例如銳角與鈍角。在獲得實(shí)體間分類關(guān)系的過程中，我們利用字符串匹配法。即通過字符串匹配遍歷列表中的詞，提取概念之間的詞串包含關(guān)系，這種概念之間的分類關(guān)系是顯而易見的。在獲取實(shí)體間非分類關(guān)系的過程中，本項(xiàng)目采用了Apriori算法。通過計(jì)算支持度（support）、置信度（confidence）和提升度，找出數(shù)據(jù)中的頻繁項(xiàng)集，從而挖掘出數(shù)據(jù)間的關(guān)聯(lián)規(guī)則。

三、結(jié)果分析

按照上述流程，采用手動(dòng)+自動(dòng)結(jié)合的方式，以人教版高中數(shù)學(xué)必修一為例，提取教案、課本、教材等57個(gè)純文本文件作為語料，手動(dòng)設(shè)置閾值，將最終得到的實(shí)體與實(shí)體關(guān)系通過網(wǎng)頁D3.js展現(xiàn)出如下圖所示結(jié)果：

由于是人工評(píng)測(cè)（實(shí)際應(yīng)為由現(xiàn)有語料庫自動(dòng)評(píng)測(cè)，但限于項(xiàng)目人工調(diào)整閾值等因素，采用專家評(píng)估），單就實(shí)體抽取來說結(jié)果如下：抽取詞共37個(gè)，實(shí)際應(yīng)有實(shí)體98個(gè)，錯(cuò)誤1個(gè)

P=97.3%? R=36.7%? F=53.2%

總的來看：我們過于追求準(zhǔn)確而丟失了很多數(shù)據(jù)，導(dǎo)致F值有點(diǎn)低，且由于是人工調(diào)整閾值效率極低，需要改進(jìn)方法。

參考文獻(xiàn)

[1]劉嶠等：《知識(shí)圖譜構(gòu)建技術(shù)綜述》，《計(jì)算機(jī)研究與發(fā)展》2016年第三期.

[2]王琪，徐成立.知識(shí)圖譜視野下我國(guó)體育科學(xué)研究的發(fā)展路徑——基于1991～2009年體育學(xué)博士論文關(guān)鍵詞共詞網(wǎng)絡(luò)的可視化分析[J].體育學(xué)刊，2010，17（12）：118-125.