初等数学问题知识图谱的半自动构建技术研究及实现

摘要

随着互联网进入一个高速发展期，人们的衣、食、住、行等各个方面都发生了日新月异的变化，教育行业也逐步从传统的机械化教育方式到现代的智能化教育方式转变。知识图谱是大数据时代的产物，不仅可以方便的查看学科知识点的结构关系，而且可以为自然语言理解提供可视化的概念——关系表示及深度语义推理。因此，构建初等数学知识图谱，引导学生自主学习、充分发挥主观能动性具有重要的理论意义和实际应用价值。 本文在研究分析初等数学学科知识特点的基础上，提出了一种基于核心概念和关系的初等数学知识图谱半自动构建方法，主要研究内容如下: 通过对通用领域自然语言处理和知识表示方法的分析和研究，提出了面向数学领域的自然语言处理模型和知识表示方法。按照数学知识使用场景的不同，把数学学科知识分为几何、代数、概率统计和文字题四大类，使用支持向量机实现初等数学问题的场景分类，降低了关系抽取任务的复杂度，便于知识点的模块化管理。使用模式匹配、句法分析和深度学习方法进行关系抽取，同时融合依存句法分析和TextRank算法，提出了一种基于关键词定位的初等数学文本关系自动抽取方法，实现了基于核心概念和关系的初等数学知识图谱构建。手工构建的初等数学核心概念和关系663个，通过本文的方法自动抽取出856个实体和22578个三元组关系，丰富和完善了初等数学知识图谱。 最后使用构建的数学知识图谱辅助进行初等数学题意理解，通过对题意理解结果的分析表明，建立的知识图谱可以提高数学题意理解的通过率，具有较好的使用价值。

目录

第一章 绪论

1.1 课题研究背景和意义

1.2 国内外研究现状

1.2.1 自然语言处理国内外研究现状

1.2.2 知识图谱国内外研究现状

1.3 论文内容和结构安排

第二章 相关理论与技术

2.1 自然语言处理

2.1.1 中文分词

2.1.2 词性标注

2.1.3 命名实体识别

2.1.4 指代消解

2.2 无向图模型和神经网络

2.2.1 条件随机场

2.2.2 循环神经网络

2.2.3 神经张量网络

2.3 词嵌入

2.3.1 One-Hot

2.3.2 Word2vec

2.3.3 Glove

2.4 相似度计算

2.4.1 句子相似度

2.4.2 实体相似度

2.5 知识表示

2.5.1 谓词逻辑表示

2.5.2 产生式表示

2.5.3 语义网络表示

2.6 知识图谱

2.6.1 知识图谱概述

2.6.2 知识图谱架构

2.6.3 知识图谱存储

2.7 推理引擎

2.8 初等数学学科知识特点

2.9 本章小结

第三章 领域知识图谱构建方法

3.1 领域数据源获取

3.1.1 结构化数据

3.1.2 半结构化数据

3.1.3 非结构化数据

3.2 信息抽取

3.3 知识融合

3.3.1 实体对齐

3.3.2 属性对齐

3.3.3 质量评估

3.4 知识推理和更新

3.4.1 知识推理

3.4.2 知识更新

3.5 本章小结

第四章 初等数学问题知识图谱构建方法研究

4.1 数学领域知识获取

4.2 数学领域自然语言处理

4.2.1 中文分词和词性标注

4.2.2 命名实体识别

4.2.3 指代消解

4.2.4 实体引入

4.3 数学知识表示和场景分类

4.3.1 知识表示

4.3.2 场景分类算法研究

4.4 信息抽取

4.4.1 基于模式匹配的关系抽取

4.4.2 基于依存句法分析的关系抽取

4.4.3 基于深度学习的关系抽取

4.4.4 基于关键词定位的关系抽取

4.5 本章小结

第五章 知识图谱构建系统的实现和应用

5.1系统架构

5.2 系统功能模块

5.2.1 爬虫

5.2.2 场景分类

5.2.3 预处理模块

5.2.4 信息抽取

5.2.5 知识融合

5.2.6 知识推理

5.3 知识图谱可视化

5.4 知识图谱应用

5.4.1 系统设计

5.4.2 系统实现

5.5本章小结

第六章 系统测试与分析

6.1 系统测试

6.1.1 测试环境

6.1.2 测试方法和数据

6.1.3 测试结果

6.2 系统分析

第七章 工作总结与展望

7.1 工作总结

7.2 研究的不足和未来工作展望

致谢

参考文献

攻读硕士期间取得的研究成果