基于知识图谱的学习情况获取方法、装置及相关设备

摘要

本申请涉及数据处理技术，提供一种基于知识图谱的学习情况获取方法、装置、计算机设备与存储介质，包括：获取预设课程对应的课程知识图谱；采集用户的目标属性信息，并根据目标属性信息调用图神经网络与随机游走算法对每一知识节点进行向量化处理，得到目标课程向量；输入目标课程向量至掌握程度计算模型中，得到用户对每一知识节点的掌握程度；确定目标用户集以及目标用户集对应的目标掌握程度集，并根目标掌握程度集获取每一知识节点的整体难度；根据每一知识节点的整体难度以及用户对每一知识节点的掌握程度获取该用户对预设课程的掌握程度。本申请能够提高学习情况监控的准确性，促进智慧城市的快速发展。

说明书

技术领域

本申请涉及数据处理技术领域，尤其涉及一种基于知识图谱的学习情况获取方法、装置、计算机设备及介质。

背景技术

随着在线学习教育的发展，出现了越来越多的学习平台与系统帮助用户进行学习。为了能够更好地引导用户学习，学习系统需要对用户的学习情况进行监测。

在实现本申请的过程中，发明人发现现有技术存在如下技术问题：现有的普通学习系统采用固定的特征函数来监控用户的学习情况，然而，在实际实现中，因为课程的各个知识节点之间互相嵌套、节点之间通过关系分类互相链接的问题，通过固定的特征函数无法保证正确监控用户的学习情况，学习情况的监控效果较差。

因此，有必要提供一种基于知识图谱的学习情况获取方法，能够提高学习情况监控的准确性。

发明内容

鉴于以上内容，有必要提出一种基于知识图谱的学习情况获取方法、基于知识图谱的学习情况获取装置、计算机设备及介质，能够提高学习情况监控的准确性。

本申请实施例第一方面提供一种基于知识图谱的学习情况获取方法，所述基于知识图谱的学习情况获取方法包括：

获取预设课程对应的课程知识图谱，所述课程知识图谱中包含所述预设课程对应的知识节点以及每一所述知识节点对应的附属要素节点；

采集用户的目标属性信息，并根据所述目标属性信息调用图神经网络与随机游走算法对每一所述知识节点进行向量化处理，得到目标课程向量；

输入所述目标课程向量至预先训练好的掌握程度计算模型中，得到用户对每一所述知识节点的掌握程度；

选取若干用户作为目标用户集，确定所述目标用户集中每一目标用户对应的目标掌握程度，得到目标掌握程度集；

根据所述目标掌握程度集获取每一所述知识节点的整体难度；

根据每一所述知识节点的整体难度以及用户对每一所述知识节点的掌握程度获取该用户对所述预设课程的掌握程度。

进一步地，在本申请实施例提供的上述基于知识图谱的学习情况获取方法中，所述根据所述目标属性信息调用图神经网络与随机游走算法对每一所述知识节点进行向量化处理，得到目标课程向量包括：

根据所述目标属性信息获取包含所述知识节点的多路异构图，并基于所述多路异构图构建图神经网络模型；

调用随机游走算法在所述图神经网络模型中进行随机游走，得到节点序列，所述节点序列中包含头知识节点向量、尾知识节点向量以及头尾知识节点关系向量；

根据所述头知识节点向量、所述尾知识节点向量以及所述头尾知识节点关系向量建立目标函数，并在所述目标函数的取值最小时确定向量转移矩阵；

基于所述向量转移矩阵计算所述节点序列中每一所述知识节点对应的目标课程向量。

进一步地，在本申请实施例提供的上述基于知识图谱的学习情况获取方法中，所述输入所述目标课程向量至预先训练好的掌握程度计算模型中，得到用户对每一所述知识节点的掌握程度包括：

获取预设样本集，其中，所述预设样本集以目标课程向量为输入样本集、掌握程度为输出样本集；

拆分所述预设样本集为样本训练集与样本测试集；

将所述样本训练集输入至初始神经网络模型中进行训练，得到掌握程度计算模型；

将所述样本测试集输入至所述掌握程度计算模型中，计算模型的准确率，并在所述准确率超过预设准确率阈值时，确定所述掌握程度计算模型训练完成；

输入所述目标课程向量至预先训练好的掌握程度计算模型中，得到用户对每一所述知识节点的掌握程度。

进一步地，在本申请实施例提供的上述基于知识图谱的学习情况获取方法中，所述选取若干用户作为目标用户集，确定所述目标用户集中每一目标用户对应的目标掌握程度，得到目标掌握程度集包括：

获取初始用户集中每一初始用户的学习时间信息；

选取所述学习时间信息早于预设学习时间阈值的目标用户组成目标用户集；

根据所述学习时间信息确定所述目标用户集中每一目标用户的预设权值；

获取所述目标用户集中每一所述目标用户对每一所述知识节点的掌握程度，根据所述目标用户对应的预设权值与所述掌握程度计算目标掌握程度；

组合所述目标掌握程度，得到目标掌握程度集。

进一步地，在本申请实施例提供的上述基于知识图谱的学习情况获取方法中，所述根据所述目标掌握程度集获取每一所述知识节点的整体难度包括：

获取所述目标掌握程度集中每一目标掌握程度；

均值处理所述目标掌握程度，得到第一值；

调用预设数学模型处理所述第一值，得到每一所述知识节点的整体难度。

进一步地，在本申请实施例提供的上述基于知识图谱的学习情况获取方法中，所述根据每一所述知识节点的整体难度以及用户对每一所述知识节点的掌握程度监控该用户对所述预设课程的掌握程度包括：

获取第一知识节点的第一整体难度以及用户对于所述第一知识节点的第一掌握程度；

乘积处理所述第一整体难度与所述第一掌握难度，得到第一加权值；

确定每一所述知识节点对应的加权值，并求和处理所述加权值，得到用户对所述预设课程的掌握程度。

进一步地，在本申请实施例提供的上述基于知识图谱的学习情况获取方法中，在所述根据每一所述知识节点的整体难度以及用户对每一所述知识节点的掌握程度获取该用户对所述预设课程的掌握程度之后，所述方法还包括：

选取所述掌握程度低于预设掌握程度阈值的目标知识节点；

确定所述目标知识节点对应的预设内容；

优先推荐所述预设内容至该用户。

本申请实施例第二方面一种基于知识图谱的学习情况获取装置，所述基于知识图谱的学习情况获取装置包括：

图谱获取模块，用于获取预设课程对应的课程知识图谱，所述课程知识图谱中包含所述预设课程对应的知识节点以及每一所述知识节点对应的附属要素节点；

向量处理模块，用于采集用户的目标属性信息，并根据所述目标属性信息调用图神经网络与随机游走算法对每一所述知识节点进行向量化处理，得到目标课程向量；

模型计算模块，用于输入所述目标课程向量至预先训练好的掌握程度计算模型中，得到用户对每一所述知识节点的掌握程度；

用户选取模块，用于选取若干用户作为目标用户集，确定所述目标用户集中每一目标用户对应的目标掌握程度，得到目标掌握程度集；

难度获取模块，用于根据所述目标掌握程度集获取每一所述知识节点的整体难度；

程度获取模块，用于根据每一所述知识节点的整体难度以及用户对每一所述知识节点的掌握程度获取该用户对所述预设课程的掌握程度。

本申请实施例第三方面还提供一种计算机设备，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如上述任意一项所述基于知识图谱的学习情况获取方法。

本申请实施例第四方面还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述基于知识图谱的学习情况获取方法。

本申请实施例提供的上述基于知识图谱的学习情况获取方法、基于知识图谱的学习情况获取装置、计算机设备以及计算机可读存储介质，通过图神经网络与随机游走算法相结合的方式得到用户对某一知识节点的掌握程度，避免由于课程的各个知识节点之间互相嵌套、节点之间通过关系分类互相链接等情况导致的通过固定的特征函数无法保证正确监控用户学习情况的问题，能够提高学习情况的监控的准确性。本申请可应用于智慧政务、智慧交通等智慧城市的各个功能模块中，比如智慧政务的基于知识图谱的学习情况监控模块等，能够促进智慧城市的快速发展。

附图说明

图1是本申请实施例一提供的基于知识图谱的学习情况获取方法的流程图。

图2是本申请实施例二提供的基于知识图谱的学习情况获取装置的结构图。

图3是本申请实施例三提供的计算机设备的结构示意图。

如下具体实施方式将结合上述附图进一步说明本申请。

具体实施方式

为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本申请，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。

本发明实施例提供的基于知识图谱的学习情况获取方法由计算机设备执行，相应地，基于知识图谱的学习情况获取装置运行于计算机设备中。

图1是本申请第一实施方式的基于知识图谱的学习情况获取方法的流程图。如图1所示，所述基于知识图谱的学习情况获取方法可以包括如下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略：

S11，获取预设课程对应的课程知识图谱，所述课程知识图谱中包含所述预设课程对应的知识节点以及每一所述知识节点对应的附属要素节点。

在本申请的至少一实施例中，预设课程是指预先设置的供用户学习的课程，例如，所述预设课程可以为历史和政治经济学课程、数学课程与化学课程等，在此不做限制。对于每一个预设课程，构建对应的课程知识图谱，所述课程知识图谱中包含所述预设课程对应的知识节点以及每一所述知识节点对应的附属要素节点。所述知识节点的数量为多个，对于每一所述知识节点，存在对应的附属要素节点，所述附属要素节点可以为时间要素节点、人物要素节点、地点要素节点以及相关事件节点，在此不做限制。

其中，所述预设课程与所述课程知识图谱间存在映射关系，通过查询所述映射关系，能够得到所述预设课程对应的课程知识图谱。所述预设课程与所述课程知识图谱的映射关系可存储于预设数据库中，考虑到数据的隐私性与保密性，所述预设数据库可以为区块链中的目标节点。

S12，采集用户的目标属性信息，并根据所述目标属性信息调用图神经网络与随机游走算法对每一所述知识节点进行向量化处理，得到目标课程向量。

在本申请的至少一实施例中，用户的目标属性信息可以是指用户对所述预设课程的某一个或多个知识节点的学习数据，所述目标属性信息可以包括但不限于：用户是否访问过知识节点、用户访问知识节点的频次以及用户针对知识节点的相关问题的测试正确率。

可选地，所述采集用户的目标属性信息包括：

确定用户的编码信息；

根据所述编码信息获取用户的行为日志；

获取所述目标属性信息的关键词，并根据所述关键词遍历所述行为日志，得到与所述关键词对应的目标属性信息。

其中，用户的编码信息是指唯一标识用户身份的信息。所述预设数据库中存储用户的行为日志，所述行为日志可以是指用户在学习教育平台上的学习行为，所述行为日志是指包含用户是否访问过知识节点、用户访问知识节点的频次以及用户针对知识节点的相关问题的测试正确率等学习行为的日志。

可选地，所述根据所述目标属性信息调用图神经网络与随机游走算法对每一所述知识节点进行向量化处理，得到目标课程向量包括：

根据所述目标属性信息获取包含所述知识节点的多路异构图，并基于所述多路异构图构建图神经网络模型；

调用随机游走算法在所述图神经网络模型中进行随机游走，得到节点序列，所述节点序列中包含头知识节点向量、尾知识节点向量以及头尾知识节点关系向量；

根据所述头知识节点向量、所述尾知识节点向量以及所述头尾知识节点关系向量建立目标函数，并在所述目标函数的取值最小时确定向量转移矩阵；

基于所述向量转移矩阵计算所述节点序列中每一所述知识节点对应的目标课程向量。

其中，所述目标属性信息可以包括但不限于：用户是否访问过知识节点、用户访问知识节点的频次以及用户针对知识节点的相关问题的测试正确率，也即所述目标属性信息中包含用户与知识节点的关系以及知识节点与知识节点的关系。所述根据所述目标属性信息获取包含所述知识节点的多路异构图包括：根据用户与知识节点的关系以及知识节点与知识节点的关系获取多路异构图。所述多路异构图由若干个节点和若干条边构成，例如，所述多路异构图可以将用户与知识节点作为节点，将用户与知识节点的关系以及知识节点与知识节点的关系作为边。所述基于所述多路异构图构建图神经网络模型可以包括：获取所述多路异构图中各节点的特征嵌入向量和各节点的边嵌入向量；根据所述特征嵌入向量与所述边嵌入向量获取各个节点的聚合特征向量；对任意两个节点的聚合特征向量求内积，获得两个节点的相关性评分；获取所述相关性评分的损失值，并在所述相关性评分的损失值满足预设条件时，得到图神经网络模型。其中，所述特征嵌入向量与所述边嵌入向量可以通过预设数学公式计算所得，或者通过预先建立的向量计算模型处理所得，在此不做限制。在一实施例中，可通过对各个节点的所述特征嵌入向量与所述边嵌入向量进行加权求和得到各节点的聚合特征向量，权值可根据实际需求进行设置。

其中，所述目标函数中包含所述向量转移矩阵，通过最小化处理所述目标函数，能够得到所述目标函数的取值最小时的向量转移矩阵，并根据所述向量转移矩阵将所述知识节点转换为目标课程向量。

S13，输入所述目标课程向量至预先训练好的掌握程度计算模型中，得到用户对每一所述知识节点的掌握程度。

在本申请的至少一实施例中，所述掌握程度计算模型是指用于计算用户对某一知识节点的掌握程度的模型，所述掌握程度计算模型可以为双层的前馈神经网络模型，在此不做限制。

可选地，所述输入所述目标课程向量至预先训练好的掌握程度计算模型中，得到用户对每一所述知识节点的掌握程度包括：

获取预设样本集，其中，所述预设样本集以目标课程向量为输入样本集、以掌握程度为输出样本集；

拆分所述预设样本集为样本训练集与样本测试集；

将所述样本训练集输入至初始神经网络模型中进行训练，得到掌握程度计算模型；

将所述样本测试集输入至所述掌握程度计算模型中，计算模型的准确率，并在所述准确率超过预设准确率阈值时，确定所述掌握程度计算模型训练完成；

输入所述目标课程向量至预先训练好的掌握程度计算模型中，得到用户对每一所述知识节点的掌握程度。

其中，所述预设准确率阈值为预先设置的用于评估模型训练准确性的阈值，例如，所述预设准确率阈值可以为98％。所述掌握程度计算模型输出(0,1)区间的值，其中，当所述掌握程度计算模型的输出值越接近于0，表示用户对该知识节点的掌握程度越低；当所述掌握程度计算模型的输出值越接近于1，表示用户对该知识节点的掌握程度越高。

S14，选取若干用户作为目标用户集，确定所述目标用户集中每一目标用户对应的目标掌握程度，得到目标掌握程度集。

在本申请的至少一实施例中，所述目标用户集中的用户数量为多个，在此不做限制。所述目标用户集中的用户可以按照在线学习时间的远近分为新用户与旧用户，可以理解的是，对于在线学习时间较近的用户，确定其为新用户；对于在线学习时间较远的用户，确定其为旧用户。所述目标用户集是指从大量用户中选取在线学习时间靠前的用户作为目标用户，通过选取在线学习时间靠前的用户，能够获取当前用户对预设课程的每个知识节点的掌握情况，避免在线学习时间较远的用户的学习数据不准确导致的用户对预设课程的每个知识节点的掌握情况监控有误的问题。

可选地，所述选取若干用户作为目标用户集，确定所述目标用户集中每一目标用户对应的目标掌握程度，得到目标掌握程度集包括：

获取初始用户集中每一初始用户的学习时间信息；

选取所述学习时间信息早于预设学习时间阈值的目标用户组成目标用户集；

根据所述学习时间信息确定所述目标用户集中每一目标用户的预设权值；

获取所述目标用户集中每一所述目标用户对每一所述知识节点的掌握程度，根据所述目标用户对应的预设权值与所述掌握程度计算目标掌握程度；

组合所述目标掌握程度，得到目标掌握程度集。

其中，所述预设学习时间阈值是指预先设置的用于评估学习时间远近的时间阈值。对于所述目标用户集中每一目标用户，均存在对应的预设权值，所述预设权值的数量可以为1个，也可以为多个。例如，选取所述目标用户集中学习时间信息最近的5个用户的权重为1.5，选取所述目标用户集中学习时间信息中间的5个用户的权重为1，选取所述目标用户集中学习时间信息最远的5个用户的权重为0.5。所述目标掌握程度也即所述目标用户对应的预设权值与所述掌握程度的乘积。

S15，根据所述目标掌握程度集获取每一所述知识节点的整体难度。

在本申请的至少一实施例中，所述根据所述目标掌握程度集获取每一所述知识节点的整体难度包括：

获取所述目标掌握程度集中每一目标掌握程度；

均值处理所述目标掌握程度，得到第一值；

调用预设数学模型处理所述第一值，得到每一所述知识节点的整体难度。

其中，所述预设数学模型是指预先设置的标识所述第一值与所述知识节点的整体难度的模型，可以理解的是，所述第一值与所述知识节点的整体难度成反比，也即所述第一值越大，对应的所述知识节点的整体难度越小；所述第一值越小，对应的所述知识节点的整体难度越大。

S16，根据每一所述知识节点的整体难度以及用户对每一所述知识节点的掌握程度获取该用户对所述预设课程的掌握程度。

在本申请的至少一实施例中，将所述知识节点的整体难度作为权重，与用户对每一所述知识节点的掌握程度进行加权求和处理，能够获取用户对所述预设课程的掌握程度。

可选地，所述根据每一所述知识节点的整体难度以及用户对每一所述知识节点的掌握程度监控该用户对所述预设课程的掌握程度包括：

获取第一知识节点的第一整体难度以及用户对于所述第一知识节点的第一掌握程度；

乘积处理所述第一整体难度与所述第一掌握难度，得到第一加权值；

确定每一所述知识节点对应的加权值，并求和处理所述加权值，得到用户对所述预设课程的掌握程度。

可选地，在所述根据每一所述知识节点的整体难度以及用户对每一所述知识节点的掌握程度获取该用户对所述预设课程的掌握程度之后，所述方法还包括：

选取所述掌握程度低于预设掌握程度阈值的目标知识节点；

确定所述目标知识节点对应的预设内容；

优先推荐所述预设内容至该用户。

其中，所述预设内容可以为题目推荐、复习计划安排以及靠前知识节点巩固等，在此不做限制。所述预设掌握程度阈值为预先设置的用于评价用户对某一知识节点掌握程度的阈值。本申请通过对用户掌握程度低于预设掌握程度阈值的目标知识节点进行针对性辅导，能够提高用户的学习情况。

本申请实施例提供的上述基于知识图谱的学习情况获取方法，通过图神经网络与随机游走算法相结合的方式得到用户对某一知识节点的掌握程度，避免由于课程的各个知识节点之间互相嵌套、节点之间通过关系分类互相链接等情况导致的通过固定的特征函数无法保证正确监控用户学习情况的问题，能够提高学习情况的监控的准确性。本申请可应用于智慧政务、智慧交通等智慧城市的各个功能模块中，比如智慧政务的基于知识图谱的学习情况监控模块等，能够促进智慧城市的快速发展。

图2是本申请实施例二提供的基于知识图谱的学习情况获取装置的结构图。

在一些实施例中，所述基于知识图谱的学习情况获取装置20可以包括多个由计算机程序段所组成的功能模块。所述基于知识图谱的学习情况获取装置20中的各个程序段的计算机程序可以存储于计算机设备的存储器中，并由至少一个处理器所执行，以执行(详见图1描述)基于知识图谱的学习情况获取的功能。

本实施例中，所述基于知识图谱的学习情况获取装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：图谱获取模块201、向量处理模块202、模型计算模块203、用户选取模块204、难度获取模块205以及程度获取模块206。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。

所述图谱获取模块201用于获取预设课程对应的课程知识图谱，所述课程知识图谱中包含所述预设课程对应的知识节点以及每一所述知识节点对应的附属要素节点。

在本申请的至少一实施例中，预设课程是指预先设置的供用户学习的课程，例如，所述预设课程可以为历史和政治经济学课程、数学课程与化学课程等，在此不做限制。对于每一个预设课程，构建对应的课程知识图谱，所述课程知识图谱中包含所述预设课程对应的知识节点以及每一所述知识节点对应的附属要素节点。所述知识节点的数量为多个，对于每一所述知识节点，存在对应的附属要素节点，所述附属要素节点可以为时间要素节点、人物要素节点、地点要素节点以及相关事件节点，在此不做限制。

其中，所述预设课程与所述课程知识图谱间存在映射关系，通过查询所述映射关系，能够得到所述预设课程对应的课程知识图谱。所述预设课程与所述课程知识图谱的映射关系可存储于预设数据库中，考虑到数据的隐私性与保密性，所述预设数据库可以为区块链中的目标节点。

所述向量处理模块202用于采集用户的目标属性信息，并根据所述目标属性信息调用图神经网络与随机游走算法对每一所述知识节点进行向量化处理，得到目标课程向量。

在本申请的至少一实施例中，用户的目标属性信息可以是指用户对所述预设课程的某一个或多个知识节点的学习数据，所述目标属性信息可以包括但不限于：用户是否访问过知识节点、用户访问知识节点的频次以及用户针对知识节点的相关问题的测试正确率。

可选地，所述采集用户的目标属性信息包括：

确定用户的编码信息；

根据所述编码信息获取用户的行为日志；

获取所述目标属性信息的关键词，并根据所述关键词遍历所述行为日志，得到与所述关键词对应的目标属性信息。

其中，用户的编码信息是指唯一标识用户身份的信息。所述预设数据库中存储用户的行为日志，所述行为日志可以是指用户在学习教育平台上的学习行为，所述行为日志是指包含用户是否访问过知识节点、用户访问知识节点的频次以及用户针对知识节点的相关问题的测试正确率等学习行为的日志。

可选地，所述根据所述目标属性信息调用图神经网络与随机游走算法对每一所述知识节点进行向量化处理，得到目标课程向量包括：

根据所述目标属性信息获取包含所述知识节点的多路异构图，并基于所述多路异构图构建图神经网络模型；

调用随机游走算法在所述图神经网络模型中进行随机游走，得到节点序列，所述节点序列中包含头知识节点向量、尾知识节点向量以及头尾知识节点关系向量；

根据所述头知识节点向量、所述尾知识节点向量以及所述头尾知识节点关系向量建立目标函数，并在所述目标函数的取值最小时确定向量转移矩阵；

基于所述向量转移矩阵计算所述节点序列中每一所述知识节点对应的目标课程向量。其中，所述目标属性信息可以包括但不限于：用户是否访问过知识节点、用户访问知识节点的频次以及用户针对知识节点的相关问题的测试正确率，也即所述目标属性信息中包含用户与知识节点的关系以及知识节点与知识节点的关系。所述根据所述目标属性信息获取包含所述知识节点的多路异构图包括：根据用户与知识节点的关系以及知识节点与知识节点的关系获取多路异构图。所述多路异构图由若干个节点和若干条边构成，例如，所述多路异构图可以将用户与知识节点作为节点，将用户与知识节点的关系以及知识节点与知识节点的关系作为边。所述基于所述多路异构图构建图神经网络模型可以包括：获取所述多路异构图中各节点的特征嵌入向量和各节点的边嵌入向量；根据所述特征嵌入向量与所述边嵌入向量获取各个节点的聚合特征向量；对任意两个节点的聚合特征向量求内积，获得两个节点的相关性评分；获取所述相关性评分的损失值，并在所述相关性评分的损失值满足预设条件时，得到图神经网络模型。其中，所述特征嵌入向量与所述边嵌入向量可以通过预设数学公式计算所得，或者通过预先建立的向量计算模型处理所得，在此不做限制。在一实施例中，可通过对各个节点的所述特征嵌入向量与所述边嵌入向量进行加权求和得到各节点的聚合特征向量，权值可根据实际需求进行设置。

其中，所述目标函数中包含所述向量转移矩阵，通过最小化处理所述目标函数，能够得到所述目标函数的取值最小时的向量转移矩阵，并根据所述向量转移矩阵将所述知识节点转换为目标课程向量。

所述模型计算模块203用于输入所述目标课程向量至预先训练好的掌握程度计算模型中，得到用户对每一所述知识节点的掌握程度。

在本申请的至少一实施例中，所述掌握程度计算模型是指用于计算用户对某一知识节点的掌握程度的模型，所述掌握程度计算模型可以为双层的前馈神经网络模型，在此不做限制。

可选地，所述输入所述目标课程向量至预先训练好的掌握程度计算模型中，得到用户对每一所述知识节点的掌握程度包括：

获取预设样本集，其中，所述预设样本集以目标课程向量为输入样本集、以掌握程度为输出样本集；

拆分所述预设样本集为样本训练集与样本测试集；

将所述样本训练集输入至初始神经网络模型中进行训练，得到掌握程度计算模型；

将所述样本测试集输入至所述掌握程度计算模型中，计算模型的准确率，并在所述准确率超过预设准确率阈值时，确定所述掌握程度计算模型训练完成；

输入所述目标课程向量至预先训练好的掌握程度计算模型中，得到用户对每一所述知识节点的掌握程度。

其中，所述预设准确率阈值为预先设置的用于评估模型训练准确性的阈值，例如，所述预设准确率阈值可以为98％。所述掌握程度计算模型输出(0,1)区间的值，其中，当所述掌握程度计算模型的输出值越接近于0，表示用户对该知识节点的掌握程度越低；当所述掌握程度计算模型的输出值越接近于1，表示用户对该知识节点的掌握程度越高。

所述用户选取模块204可以用于选取若干用户作为目标用户集，确定所述目标用户集中每一目标用户对应的目标掌握程度，得到目标掌握程度集。

在本申请的至少一实施例中，所述目标用户集中的用户数量为多个，在此不做限制。所述目标用户集中的用户可以按照在线学习时间的远近分为新用户与旧用户，可以理解的是，对于在线学习时间较近的用户，确定其为新用户；对于在线学习时间较远的用户，确定其为旧用户。所述目标用户集是指从大量用户中选取在线学习时间靠前的用户作为目标用户，通过选取在线学习时间靠前的用户，能够获取当前用户对预设课程的每个知识节点的掌握情况，避免在线学习时间较远的用户的学习数据不准确导致的用户对预设课程的每个知识节点的掌握情况监控有误的问题。所述目标属性信息集是指所述目标用户集中每一目标用户对应的目标属性信息组成的集合。

可选地，所述选取若干用户作为目标用户集，确定所述目标用户集中每一目标用户对应的目标掌握程度，得到目标掌握程度集包括：

获取初始用户集中每一初始用户的学习时间信息；

选取所述学习时间信息早于预设学习时间阈值的目标用户组成目标用户集；

根据所述学习时间信息确定所述目标用户集中每一目标用户的预设权值；

获取所述目标用户集中每一所述目标用户对每一所述知识节点的掌握程度，根据所述目标用户对应的预设权值与所述掌握程度计算目标掌握程度；

组合所述目标掌握程度，得到目标掌握程度集。

其中，所述预设学习时间阈值是指预先设置的用于评估学习时间远近的时间阈值。对于所述目标用户集中每一目标用户，均存在对应的预设权值，所述预设权值的数量可以为1个，也可以为多个。例如，选取所述目标用户集中学习时间信息最近的5个用户的权重为1.5，选取所述目标用户集中学习时间信息中间的5个用户的权重为1，选取所述目标用户集中学习时间信息最远的5个用户的权重为0.5。所述目标掌握程度也即所述目标用户对应的预设权值与所述掌握程度的乘积。

所述难度获取模块205可以用于根据所述目标掌握程度集获取每一所述知识节点的整体难度。

可选地，所述根据所述目标掌握程度集获取每一所述知识节点的整体难度包括：

获取所述目标掌握程度集中每一目标掌握程度；

均值处理所述目标掌握程度，得到第一值；

调用预设数学模型处理所述第一值，得到每一所述知识节点的整体难度。

其中，所述预设数学模型是指预先设置的标识所述第一值与所述知识节点的整体难度的模型，可以理解的是，所述第一值与所述知识节点的整体难度成反比，也即所述第一值越大，对应的所述知识节点的整体难度越小；所述第一值越小，对应的所述知识节点的整体难度越大。

所述程度获取模块206用于根据每一所述知识节点的整体难度以及用户对每一所述知识节点的掌握程度获取该用户对所述预设课程的掌握程度。

在本申请的至少一实施例中，将所述知识节点的整体难度作为权重，与用户对每一所述知识节点的掌握程度进行加权求和处理，能够获取用户对所述预设课程的掌握程度。

可选地，所述根据每一所述知识节点的整体难度以及用户对每一所述知识节点的掌握程度监控该用户对所述预设课程的掌握程度包括：

获取第一知识节点的第一整体难度以及用户对于所述第一知识节点的第一掌握程度；

乘积处理所述第一整体难度与所述第一掌握难度，得到第一加权值；

确定每一所述知识节点对应的加权值，并求和处理所述加权值，得到用户对所述预设课程的掌握程度。

可选地，在所述根据每一所述知识节点的整体难度以及用户对每一所述知识节点的掌握程度获取该用户对所述预设课程的掌握程度之后，所述方法还包括：

选取所述掌握程度低于预设掌握程度阈值的目标知识节点；

确定所述目标知识节点对应的预设内容；

优先推荐所述预设内容至该用户。

其中，所述预设内容可以为题目推荐、复习计划安排以及靠前知识节点巩固等，在此不做限制。所述预设掌握程度阈值为预先设置的用于评价用户对某一知识节点掌握程度的阈值。本申请通过对用户掌握程度低于预设掌握程度阈值的目标知识节点进行针对性辅导，能够提高用户的学习情况。

参阅图3所示，为本申请实施例三提供的计算机设备的结构示意图。在本申请较佳实施例中，所述计算机设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。

本领域技术人员应该了解，图3示出的计算机设备的结构并不构成本申请实施例的限定，既可以是总线型结构，也可以是星形结构，所述计算机设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。

在一些实施例中，所述计算机设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述计算机设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。

需要说明的是，所述计算机设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。

在一些实施例中，所述存储器31中存储有计算机程序，所述计算机程序被所述至少一个处理器32执行时实现如所述的基于知识图谱的学习情况获取方法中的全部或者部分步骤。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

在一些实施例中，所述至少一个处理器32是所述计算机设备3的控制核心(Control Unit)，利用各种接口和线路连接整个计算机设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行计算机设备3的各种功能和处理数据。例如，所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本申请实施例中所述的基于知识图谱的学习情况获取方法的全部或者部分步骤；或者实现基于知识图谱的学习情况获取装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(CentralProcessing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。

在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。

尽管未示出，所述计算机设备3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，计算机设备，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。