随着教育信息化、个性化学习、教育知识图谱等观念的提出，传统教育正不断地向教育信息化转变，网络上不受时间、地点、环境的约束的学习方式被广泛的青睐，并且网络学习已经成为学生获取知识、技能必不可少的一种途径。本文主要基于知识图谱的相关原理、应用优势以及知识图谱如何构建等方面内容，将知识图谱与相关算法、个性化学习相结合，通过描述基于知识图谱的推荐系统、基于知识图谱的个性化学习系统，最终总结出一个基于知识图谱的个性化学习系统。同时探寻该系统其他领域的应用，比如，基于知识图谱的个性化新闻推荐系统，能够向大众个性化的推荐新闻。

   基于知识图谱的个性化学习推荐系统，可以有效地解决网络上学习资源过于庞大，学生无法高效、快速的找到自己想要学习的内容。并且可以使学生避免在学习的过程中极度缺乏自主性，不知道什么需要去学、自己的哪方面内容不够扎实等一系列问题。

   知识图谱；推荐；个性化学习；个性化学习系统

  “互联网+教育”已经慢慢普及，当前的学习新常态已经成为大规模的在线学习，个性化学习作为解决大规模人格教育问题的关键措施备受关注，人工智能技术的发展和应用为大规模个性化学习的实现提供了可能。《2035年中国教育现代化》将“利用现代技术加快人才培养模式改革，实现大规模教育与个性化培养的有机结合”作为重要战略任务。个性化学习应以培养掌握学习技能、胜任未来的人为目标，在技术支持下充分发挥学习者对自身需求的感知能力和对自身知识和能力水平的判断能力，帮助学习者实现个性发展。知识图作为一种新的人工智能技术，可以增强知识表示，为个性化学习研究带来新的机遇。在知识图的支持下构建面向学习者的个性化学习模型，探索如何为学习者提供更合适的个性化学习，探索在智能教育新生态环境下培养学习者“学而学”的综合素质，促进人工智能“育人”本质的发挥^[1]。

   知识图谱起源于20世纪70年代知识工程与专家系统的研究，其本质是基于知识图式理论表征事物语义关系网络的图数据结构。随着谷歌将知识图谱应用于大规模语义网络搜索引擎，知识图谱在各行业的应用日渐广泛，并在不同学科的研究中，衍生出概念图谱、认知图谱、事理图谱、认知事理图谱等相近概念的表述。

   知识图谱是一种特殊的图像数据，由<实体，关系，实体>或者<实体，属性，属性的值>三元组构成。本质上，知识图谱旨在描述真实世界中存在的各种实体或概念及其关系，其构成一张巨大的语义网络图，节点表示实体或概念，边则由属性或关系构成。实体：指的是具有可区别性且独立存在的某种事物，如某一个人、某一个城市、某一种植物等、某一种商品等等。如图1的“中国”、“美国”、“日本”等。实体是知识图谱中的最基本元素，不同的实体间存在不同的关系。语义类（概念）：具有同种特性的实体构成的集合，如国家、民族、书籍、电脑等。概念主要指集合、类别、对象类型、事物的种类，例如人物、地理等。内容:通常作为实体和语义类的名字、描述、解释等，可以由文本、图像、音视频等来表达。属性（值）：从一个实体指向它的属性值。不同的属性类型对应于不同类型属性的边。属性值主要指对象指定属性的值。如图1所示的“面积”、“人口”、“首都”是几种不同的属性。属性值主要指对象指定属性的值，例如960万平方公里等。

图1知识图谱举例

   如今，互联网承载着各种信息资源，其数据量呈指数级增长。面对海量的互联网资源，用户很难在方便获取信息的同时快速准确地选择自己感兴趣的内容。推荐系统作为解决“信息过载”问题的有效方法^[4]，引起了大量研究人员的关注和研究，并在各个领域得到了广泛应用，取得了众多相关成果。例如，电影推荐^[5]、新闻推荐^[6]和商品推荐^[7]。

   作为推荐系统的核心，推荐算法旨在通过学习用户信息和行为来建模用户的兴趣和偏好^[8]。它可以分为三种类型，即基于内容的推荐方法、基于协同过滤的推荐方法和混合推荐方法。其中，基于内容的推荐是选择与用户的首选项目具有相似特征的项目。协作过滤使用相似用户之间的相似兴趣和偏好的特征来查找用户对项目的潜在偏好。优点是不需要对项目进行复杂的特征提取^[9][10]。协作过滤简单有效，因为它只需要使用用户的历史评级数据。然而，也存在数据稀疏和冷启动问题^[10]。此外，推荐算法捕获用户兴趣变化的要求已经超过了传统推荐算法的能力。

   近年来，将知识图作为辅助信息引入推荐算法已成为研究热点。知识图包含用户和项目的信息和相关性，可以更好地捕捉用户偏好。在图2所示的推荐示例中，向用户推荐了电影《尖峰时刻》和《功夫》。这是因为这两部电影的类型和明星与用户喜欢的电影相同。通过该知识图谱，项目和用户可以与不同的潜在关系相关联，这有助于提高建议的准确性，同时为建议提供更多的可解释性。目前，学术界和工业界的研究人员已经构建了各种结构化的知识图谱，如YAGO^[14]和谷歌的KG^[15]。这使得推荐算法更容易连接知识图中的实体和关系。

图2推荐示例

   该推荐系统可以解决在“信息过载”的情况下如何高效地获取感兴趣项目的信息的问题。电影、新闻、商品、兴趣点、试题、音乐、应用程序等等。推荐系统主要分为数据部分和模型部分。作为推荐系统的核心，推荐算法主要解决如何学习用户和项目的表示和评分功能的问题，即如何训练和预测模型算法以获得更好的推荐效果。

推荐算法要处理的问题可以正式定义为：给定特定上下文中(context)所有用户的集合和所有项目(item)的集合。构建评分函数以预测用户对特定候选人的偏好程度，即：

再根据偏好程度对候选项目进行排序，生成推荐列表。根据推荐问题的定义，可以得到抽象的推荐系统逻辑框架，如图3所示，在此基础上，对个模块进行细化和扩展，才产生了推荐系统的整个技术体系。^[16]

图3推荐系统逻辑框架

   个性化学习思想，可追溯到我国著名教育家孔子提出的“因材施教”，对不同的学习者采取不同的途径、措施和方法进行个别教学^[3]。

4.1基于知识图谱的个性化学习模型

   从面向学习者的个性化学习角度出发，探讨了基于知识图的个性化学习模型的构建，使学习者在学习过程中有意识地选择或主动探索自己的学习，从而有效地进行个性化学习。

   构建了基于知识图的个性化学习模型，如图4所示。该模型反映了知识图谱作为学习支持工具与学习者个性化学习过程的深度融合。在记录和跟踪学习者的基本信息、认知水平、能力水平、情绪态度等人格特征的基础上，将学习者的人格特征与知识图谱中的实体属性相关联。在学习过程中，知识图一方面通过关系推理从路径推荐、资源推荐、同伴推荐、试题推荐和系统引导等方面提供个性化支持；另一方面，它充分发挥自己的图形优势，为学习者动态显示个人图形的结构。在知识图的支持下，学习者在目标设定、路径选择、资源选择、知识构建、监控和评估、反馈和调整等学习过程中发挥个人感知、决策判断和纠正的主要作用，并积极领导和完成学习活动。在这个过程中，基于个人图的构建，学习者将结合自己的学习计划（如时间和学习需求（新知识学习或旧知识复习））设定目标，结合个人知识状态选择路径，结合个人偏好选择资源，并基于他们对个人学习状态的感知进行监测和评估。从而满足自己的个性发展需要。基于知识图的个性化学习可以充分调动个体学习者的脑力和体力参与学习，并促进其自身的动机、认知、技能和情绪水平发生变化，进而增强自身的思维能力，展示了个性化学习的主要作用。

图4基于知识图谱的个性化学习模型

4.2基于知识图谱的个性化学习系统

         KG-LDPLS（Knowledge Graph-learner Dominated personalized learning system，知识图谱-学习者主导个性化学习系统）是在学习者许可的指导下，基于知识图谱、自主理论和自我调节理论的个性化学习系统，独立决策、独立监测和反馈以及自我调节。具体如图5所示。KG-LDPLS主要通过基于外部知识图的个性化支持和基于内在自主的个性化调节之间的交互来促进个性化学习。一方面，知识地图通过地图构建层、学习推荐层和个人地图层为学习者提供显性或隐性的个性化学习支持。另一方面，学习者在基于个人需求的个性化学习过程中，通过个人表现促进个人发展目标的实现。^[1]

   知识图的个性化支持基于知识图构建层。其中，实体是知识图构建中最基本的元素。提取内容、资源、活动和评价等属性并与实体关联，形成知识元素，然后提取并建立知识元素之间的关联关系，形成通用知识图。学习推荐层主要基于一般知识图结合学习者的个人需求进行关系推理，然后为学习者提供路径、合作伙伴、资源、试题等方面的系统推荐。在自主和自我调节的影响下，学习者通过独立做出个人决定、帮助同伴、资源和试题来进行个性化学习。该系统从学习者个人学习表现的四个方面对个性化学习进行实时监测和评估。同时，学习者根据反馈结果积极调整个性化学习环节，从而提高学习成绩，寻求更合适的个性化学习体验。个人图表层基于对学习者个人表现的实时跟踪，动态显示学习者个人知识构建的总体情况。个人图是一般知识图的一个子图，旨在帮助学习者准确把握自身知识的构建，激发和保持学习动机，从而更有效地促进学习者个性的发展。^[1]

图5 KG-LDPLS原型结构

5.1个性化学习推荐系统

   在一些智能学习系统中，学习者使用各种学习资源参与教学活动，包括课件、多媒体和模拟场景、练习和测验，甚至是温和而生动的讨论主题。由于这些学习资源的内在关系，这些学习资源可能结合起来形成一个复杂的结构[17]。

   对于个性化学习推荐系统，首要问题是解决用户和推荐对象的建模。所谓用户或推荐对象的建模，就是通过对用户和推荐对象的显式特征的转换或潜在特征的提取，形成一种能够反映其唯一性或相似性的表示。在学习推荐系统中，用户是学习者，其特征包括学习偏好、学习风格、知识掌握水平和知识背景[18]。学习者表示模块是通过算法有效地表示学习者在学习过程中体现的个性化参数值，并试图使其包含更丰富的个性化语义。学习推荐对象表示模块的功能是提取推荐对象的特征并进一步转换推荐对象模型。推荐算法模块通过处理学习者和推荐对象模型来实现推荐。然而，与其他个性化推荐系统不同，学习推荐对象可以是单一的学习资源，如课件、多媒体和练习，或由若干相关学习资源组合组成的学习路径[19]。这是因为在完整的课程学习过程中，单一学习资源的推荐可能会导致一些问题。首先，它忽略了学习者对不同学习资源的偏好，仅推荐一种学习资源可能会影响不喜欢这种资源的学习者的积极性[20]；其次，它忽视了学习者在学习过程中的进步和变化。因此，学习建议失去了指导作用[21]。由此可见，在考虑学习资源与学习者个性化特征匹配的基础上，个性化学习的推荐还应考虑其对学习者学习效果的影响[22]。

5.2基于知识图谱的个性化学习推荐系统

   基于知识图的个性化学习推荐系统是在分析个性化学习、知识图谱、推荐系统等相关原理的基础上，对系统进行总体设计，包括学生数据采集模块、教学资源管理模块、试题推荐模块。该系统收集系统中的学生回答问题、考试结果和其他信息。建立学生用户数据库。基于对学生用户数据库中知识点的掌握情况的分析，结合课程的知识图谱，确定了推荐试题的范围。最后，使用推荐算法为学生生成推荐试题。基于知识图的个性化学习推荐系统的框架设计如图6所示

图6基于知识图谱的个性化学习推荐系统

   个性化学习推荐系统可以为学生提供合适的课程。学生数据采集模块主要由信息输入模块和学生学习模块组成。在系统中收集学生学习兴趣的数据，以便向学生推荐相关课程。教学资源管理模块包括课程管理模块和在线考试模块。丰富课程的知识图谱，帮助评估学生的薄弱知识点。个性化学习推荐模块是系统中最重要的环节之一，与推荐算法相结合，帮助学生在大量课程中找到他们真正的兴趣，真正有用，避免不知道学习什么，如何学习问题。基于知识图的个性化学习推荐系统的功能结构图如图7所示。^[2]

图7基于知识图谱个性化学习推荐系统的功能结构图

   将推荐算法、个性化学习与知识图谱相结合现已成为学术热点，前景十分好。然而现有的一些方法仍有一定局限性，还留给我们有充分的研究、拓展空间。

   第一，现有这些模型都是属于统计学习的模型，即挖掘网络中的统计学信息并以此进行推断，现有的一个比较有难度但更有质量和研究前景的方向是在网络中进行推理。

   第二，潜在的一个研究方向是如何设计出性能更加好并且效率高的运行的算法。现有这些模型是并不涉及计算引擎层面、系统层面甚至硬件层面的思考的，怎样将上层的算法和底层的架构之间进行联合化设计和优化，是现实应用中的一个待研究解决的问题。

   最后，静态是现有的模型网络的结构特点，但是真实的场景中，知识图谱本身是具有一定的时效性的。所以，关于时间演变的网络的刻画，在推荐时充分考虑时序信息，也是需要我们未来去不断研究的内容。

[1]刘凤娟,赵蔚,姜强,王磊.基于知识图谱的个性化学习模型与支持机制研究[J].中国电化教育,2022(05):75-81+90.

[2]孙嘉奇.基于知识图谱个性化学习推荐系统的研究与实现[D].辽宁大学,2020.

[3]汪琼,李文超.人工智能助力因材施教：实践误区与对策[J].现代远程教育研究,2021,33(03):12-17+43.

[4]Adomavicius, Gediminas, Tuzhilin, et al. Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions.[J]. IEEE Transactions on Knowledge & Data Engineering, 2005.

[5] Cheng Y H ,  Liu N ,  Lu Y , et al. Recurrent Knowledge Attention Network For Movie Recommendation[C]// 2020 3rd International Conference on Electron Device and Mechanical Engineering (ICEDME). 2020.

[6] Wang H ,  Zhang F ,  Xing X , et al. DKN: Deep Knowledge-Aware Network for News Recommendation:, 10.1145/3178876.3186175[P]. 2018.

[7]W Ma†,  Min Z ,  Yue C , et al. Jointly Learning Explainable Rules for Recommendation with Knowledge Graph[J].  2019.

[8] Mooney R J . Content-based book recommending using learning for text categorization[C]// Proc Acm Conference on Digital Libraries. ACM Press, 2000.

[9] Parhi P ,  Pal A ,  Aggarwal M . A survey of methods of collaborative filtering techniques[C]// 2017 International Conference on Inventive Systems and Control (ICISC). 2017.

[10] Zhu S A ,  Qg A ,  Jie Y B , et al. Research commentary on recommendations with side information: A survey and research directions:, 10.1016/j.elerap.2019.100879[P].

[11] Fan W ,  Yao M ,  Li Q , et al. Graph Neural Networks for Social Recommendation:, 10.1145/3308558.3313488[P]. 2019.

[12] Guo Z ,  Wang H . A Deep Graph Neural Network-Based Mechanism for Social Recommendations[J]. IEEE Transactions on Industrial Informatics, 2020, PP(99):1-1.

[13] Wu L ,  Yang Y ,  Zhang K , et al. Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach:, 10.1145/3397271.3401144[P]. 2020.

[14]Suchanek,  Fabian M , Kasneci, et al. Yago: a core of semantic knowledge[C]// Proceedings of the 16th International Conference on World Wide Web, WWW 2007, Banff, Alberta, Canada, May 8-12, 2007. OAI, 2007.

[15] Singhal A . Official Google Blog: Introducing the Knowledge Graph: things, not strings.  2012.

[16]罗承天,叶霞.基于知识图谱的推荐算法研究综述[J].计算机工程与应用:1-13.

[17] Klanja-Milievi A ,  Ivanovi M ,  Nanopoulos A . Recommender systems in e-learning environments: a survey of the state-of-the-art and possible extensions[J]. Artificial Intelligence Review, 2015, 44(4):571-604.

[18] George G ,  Lal A M . Review of ontology-based recommender systems in e-learning[J]. Computers & education, 2019, 142(Dec.):103642.1-103642.18.

[19] Nabizadeh A H ,  Leal J P ,  Rafsanjani H N , et al. Learning Path Personalization and Recommendation Methods: A Survey of the State-Of-The-Art[J]. Expert Systems with Applications, 2020, 159:113596.

[20] Klasnja-Milicevic A ,  Vesin B ,  Ivanovic M , et al. E-Learning personalization based on hybrid recommendation strategy and learning style identification[J]. Computers & Education, 2011, 56(3):885-899.

[21] Karampiperis P ,  Sampson D G . Evaluating the Performance of Adaptive Learning Objects Selection and Sequencing in Adaptive Educational Hypermedia Systems[C]// The 9th IEEE International Conference on Advanced Learning Technologies, ICALT 2009, July 15-17, 2009, Riga, Latvia. IEEE, 2009.

[22] Deng Y ,  Huang D ,  Chung C J . ThoTh Lab: A Personalized Learning Framework for CS Hands-on Projects (Abstract Only)[C]// the 2017 ACM SIGCSE Technical Symposium. ACM, 2017.