Please wait a minute...
Advanced Search
数据分析与知识发现  2020, Vol. 4 Issue (2/3): 182-191    DOI: 10.11925/infotech.2096-3467.2019.0620
  专辑 本期目录 | 过刊浏览 | 高级检索 |
基于语义关联规则的试题知识点标注及试题推荐*
魏伟1,2,郭崇慧2(),邢小宇2
1郑州大学能源-环境-经济研究中心 郑州 450001
2大连理工大学系统工程研究所 大连 116024
Annotating Knowledge Points & Recommending Questions Based on Semantic Association Rules
Wei Wei1,2,Guo Chonghui2(),Xing Xiaoyu2
1Center for Energy, Environment & Economy Research, Zhengzhou University, Zhengzhou 450001, China
2Institution of Systems Engineering, Dalian University of Technology, Dalian 116024, China
全文: PDF(1343 KB)   HTML ( 2
输出: BibTeX | EndNote (RIS)      
摘要 

【目的】 在线教育资源中存在大量未标注知识点的试题,探究对试题知识点进行自动标注。【方法】 通过引入文本语义概念,考虑待标注试题与学习规则之间的语义匹配程度,提出一种基于语义关联规则的试题知识点自动标注方法和基于知识点间关联特性的个性化试题推荐方法。【结果】 以部分初中数学和高中历史试题为实验语料,分别与朴素贝叶斯、K最近邻、随机森林以及支持向量机等经典分类方法进行实验对比,发现本文方法的标注准确度优于其他方法。【局限】 该方法对于试题的语义理解不够深入,使得整体的准确度仍然较低,与期望的标注准确度还有一定差距。【结论】 知识点自动标注方法和个性化试题推荐方法在现阶段以及未来的智能教学和自主学习方面具有一定的实际应用价值。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
魏伟
郭崇慧
邢小宇
关键词 知识点标注语义关联规则在线学习个性化推荐    
Abstract

[Objective] This paper proposes a method automatically annotating the knowledge points of test questions from online education resources.[Methods] First, we introduced the concept of text semantics to establish new association rules. Then, considering the semantic matching degrees between the target questions and the rules, we proposed an automatic method for knowledge point annotation. Finally, we presented a personalized question recommendation mechanism.[Results] We examined the proposed method with test questions from middle school mathematics and high school history courses. We also compared our model’s labeling accuracy with naive Bayes, K nearest neighbor, random forest and support vector machine, and yielded better results.[Limitations] The understanding of the semantics of test questions and the labeling accuracy could be further improved.[Conclusions] The knowledge point annotation and the personalized question recommendation methods could improve smart teaching and online learning.

Key wordsKnowledge    Point    Annotation    Semantic    Association    Rules    Online    LearningPersonalized    Recommendation
收稿日期: 2019-06-06     
中图分类号:  TP393 G254  
基金资助:*本文系国家自然科学基金项目“电子病历挖掘中的聚类模型与算法研究”(71771034);揭阳市科技计划项目“大数据驱动的中药材产业决策支持系统”的研究成果之一(2017xm041)
通讯作者: 郭崇慧     E-mail: dlutguo@dlut.edu.cn
引用本文:   
魏伟,郭崇慧,邢小宇. 基于语义关联规则的试题知识点标注及试题推荐*[J]. 数据分析与知识发现, 2020, 4(2/3): 182-191.
Wei Wei,Guo Chonghui,Xing Xiaoyu. Annotating Knowledge Points & Recommending Questions Based on Semantic Association Rules. Data Analysis and Knowledge Discovery, DOI:10.11925/infotech.2096-3467.2019.0620.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2019.0620
图1  有效规则生成流程
图2  文本预处理流程
图3  知识点标注流程
图4  基于语义关联规则的知识点标注方法与分类方法的准确度对比
实例 试题 标注结果 真实结果 评价
1 函数f(x)=mx2-6x+m+8的定义域为R,则m的取值范围是()
A.m≥1或m≤-9 B.m≥1 C.-9≤m≤1 D.0<m≤1
函数定义域;
函数值域
函数定义域 正确
2 已知函数f(x)=x3+ax2+b的图像在点P(1,0)处的切线与直线3x+y=0平行.
求函数f(x)在区间[-2,4]上的最小值和最大值.
函数值域 导数的概念;
导数的几何意义
错误
3 中国古代的专制主义之“体”,始终存在着监察、谏议和封驳制度,并通过“微服私访”、“采诗观风”、公开巡视,设置“谏鼓谤木”等机制进行民间政治信息的收集,这些制度和机制
A.有利于决策的科学性和民主性 B.避免了专制主义的危害和弊端 C.杜绝了决策的主观性和随意性 D.有效保证了官僚机构的廉洁和效率
古代中国政治制度的特点 古代中国政治制度的特点;中国古代的中央集权制度 正确
表1  试题标注实例
图5  基于知识点关联特性的个性化试题推荐流程
知识点 错题(集) 推荐题(集)
垂直;
四棱锥;
二面角
1,如图,在四棱锥P–ABCD中,PA⊥底面ABCD,DAB为直角,AB//CD,AD=CD=2AB,EF分别为PCCD的中点,
(I) 求证:CD⊥平面BEF;
(II)设PA=k·AB,且锐二面角EBDC的大小大于30°,求k的取值范围。
1,如图,在四棱锥PABCD中,PA⊥底面ABCD,ABCD是直角梯形,ABAD,CDAD,AB=2AD,EPB的中点,
(I) 求证:平面EAC⊥平面PBC;
(II)若二面角P-AC-E的余弦值为1/3,求直线PA与平面EAC所成的角的正弦值。
2,如图,在梯形中ABCD,AB//CD,AD=DC=CB=1,∠ABC=60°,四边形ACFE为矩形,平面ACFE⊥平面ABCD,CF=1,
(I) 求证:BC⊥平面ACFE;
(II) 点M在线段EF上运动,设平面MAB与平面FCB所成二面角的平面角为θ(θ≤90°),试求cosθ的取值范围。
导数的
概念;
导数的
几何意义
1,已知函数f(x)=0.3x3+x2+ax+1,且曲线y=f (x)在点(0,1)处的切线斜率为-3,
(I) 求f(x)单调区间;
(II) 求f(x)的极值。
2,已知函数f(x)=0.5x2+acosx,函数g(x)是函数y=f(x)的导函数,
(I) 若f(x)在(π/2,f(π/2))处的切线方程为y=(π+2)x/2-(π2+4π)/8,求a的值;
(II) 若a≥0,且f(x)在x=0时取得最小值,求实数a的取值范围;
(III) 在(1)的条件下,求证:当x>0时,(g(x)/2)1/2+0.375x2>e(x-1)/x
1,已知函数f(x)= 0.3x3+0.5ax2+bx+c(a,b,cR),且函数f(x)在区间(0,1)内取得极大值,在区间(1,2)内取得极小值,则Z=(a+3)2+b2的取值范围是()。
2,设曲线y=(ax-1)ex(其中e是自然对数的底数)在点A(x0,y1)处的切线为l1,曲线y=(1-x)e-x在点B(x0,y2)处的切线为l2,若存在x0∈(0,1)使得l1l2,则实数a的取值范围是多少?
3,已知函数f(x)= x3+ax2+b的图象在点P(1,0)处的切线与直线3x+y=0平行。
(I) 求函数f(x)的解析式;
(II)求函数f(x)在区间[-2,4]上的最小值和最大值。
4,已知函数f(x)=x2-2ax+2ex,
(I) 函数f(x)在x=0处的切线方程为2x+y+b,求ab的值;
(II) 当a>0时,若曲线y=f(x)上存在三条斜率为k的切线,求实数k的取值范围。
表2  基于知识点关联特性的相似试题推荐样例
[1] Roberts E, Engel G, Chang C , et al. Computing Curricula 2001: Computer Science[J]. IEEE Computer Society, 2001,34(1):4-23.
[2] 李卫东, 杨耐生, 申强华 , 等. 远程教育杂志[J]. 远程教育杂志, 2006(5):34-37.
( Li Weidong, Yang Naisheng, Shen Qianghua , et al. Development of a Distance-learning Tutoring System Based on Knowledge Points[J]. Distance Education Journal, 2006(5):34-37.)
[3] 陈智, 隋光远, 皮秀云 . 论知识点是人的认知单位[J]. 心理科学, 2002,25(3):369-370.
( Chen Zhi, Sui Guangyuan, Pi Xiuyun . Knowledge-Point is a Cognitive Unit[J]. Psychological Science, 2002,25(3):369-370.)
[4] Oren E, Delbru R, Möller K , et al. Annotation and Navigation in Semantic Wikis [C]// Proceedings of the 1st Workshop on Semantic Wikis: From Wiki to Semantics. 2006.
[5] 傅柱 . 图书馆学研究[J]. 图书馆学研究, 2016(4):10-17.
( Fu Zhu . A Review of Semantic Annotation[J]. Research on Library Science, 2016(4):10-17.)
[6] Song Z . Application of Cloud Desktop in Modern Chinese Multi-Category Words Part of Speech Tagging[J]. Procedia Engineering, 2017,174:1215-1220.
[7] Meguehout H, Bouhadada T, Laskri M T . Semantic Role Labeling for Arabic Language Using Case-Based Reasoning Approach[J]. International Journal of Speech Technology, 2017,20(2):363-372.
[8] 邓三鸿, 王昊, 秦嘉杭 , 等. 基于字角色标注的中文书目关键词标引研究[J]. 中国图书馆学报, 2012,38(2):38-49.
( Deng Sanhong, Wang Hao, Qin Jiahang , et al. Research on Keywords Indexing for Chinese Bibliography Based on Word Roles Annotation[J]. Journal of Library Science in China, 2012,38(2):38-49.)
[9] 陆伟, Stephen Robertson . 基于域加权词频法的XML文档级检索实现与评价[J]. 中国图书馆学报, 2006,32(6):57-60.
( Lu Wei, Stephen Robertson . Field-Weighted XML Document Level Retrieval and Evaluation[J]. Journal of Library Science in China, 2006,32(6):57-60.)
[10] 徐雷, 王晓光 . 叙事型图像语义标注模型研究[J]. 中国图书馆学报, 2017,43(5):70-83.
( Xu Lei, Wang Xiaoguang . Narrative Image Annotation Ontology for Semantic Web[J]. Journal of Library Science in China, 2017,43(5):70-83.)
[11] Zhao J, Glueck M, Breslav S , et al. Annotation Graphs: A Graph-Based Visualization for Meta-Analysis of Data Based on User-Authored Annotations[J]. IEEE Transactions on Visualization and Computer Graphics, 2016,23(1):261-270.
[12] 余春 . 中美大学图书馆应用社会标注的比较研究[J]. 大学图书馆学报, 2014,32(1):83-89.
( Yu Chun . Comparative Study on the Application of Social Tagging in American and Chinese Academic Libraries[J]. Journal of Academic Libraries, 2014,32(1):83-89.)
[13] 陈叶旺, 李文, 彭鑫 , 等. 基于本体的文档语义标注改进方法[J]. 东南大学学报:自然科学版, 2009,39(6):1109-1113.
( Chen Yewang, Li Wen, Peng Xin , et al. Improved Semantic Annotation Method for Documents Based on Ontology[J]. Journal of Southeast University: Natural Science Edition, 2009,39(6):1109-1113.)
[14] 李宏言, 范利春, 高鹏 , 等. 大数据语音语料库的社会标注技术[J]. 清华大学学报:自然科学版, 2013,53(6):908-912.
( Li Hongyan, Fan Lichun, Gao Peng , et al. Social Annotation Technology for Large Speech Corpora[J]. Journal of Tsinghua University: Science and Technology, 2013,53(6):908-912.)
[15] 吴雷, 刘贤友, 孙丙宇 . 基于增量AHP的学习资源多标签标注研究[J]. 电子技术, 2015,44(4):10-15.
( Wu Lei, Liu Xianyou, Sun Bingyu . Research on Multi-label Annotation of Learning Resources Based on Incremental AHP[J]. Electronic Technology, 2015,44(4):10-15.)
[16] 朱天宇, 黄振亚, 陈恩红 , 等. 基于认知诊断的个性化试题推荐方法[J]. 计算机学报, 2017,40(1):176-191.
( Zhu Tianyu, Huang Zhenya, Chen Enhong , et al. Cognitive Diagnosis Based Personalized Question Recommendation[J]. Chinese Journal of Computers, 2017,40(1):176-191.)
[17] Wu D, Lu J, Zhang G . A Fuzzy Tree Matching-Based Personalized E-Learning Recommender System[J]. IEEE Transactions on Fuzzy Systems, 2015,23(6):2412-2426.
[18] Eyharabide V, Amandi A . Ontology-Based User Profile Learning[J]. Applied Intelligence, 2012,36(4):857-869.
[19] Salehi M, Kamalabadi I N . Hybrid Recommendation Approach for Learning Material Based on Sequential Pattern of the Accessed Material and the Learner’s Preference Tree[J]. Knowledge-Based Systems, 2013,48:57-69.
[20] Verbert K, Manouselis N, Ochoa X , et al. Context-aware Recommender Systems for Learning: A Survey and Future Challenges[J]. IEEE Transactions on Learning Technologies, 2012,5(4):318-335.
[21] Liu Q, Zhang H P, Yu H , et al. Chinese Lexical Analysis Using Cascaded Hidden Markov Model[J]. Journal of Computer Research and Development, 2004,41(8):1421-1429.
[22] Wei W, Guo C H, Chen J F , et al. Textual Topic Evolution Analysis Based on Term Co-occurrence: A Case Study on the Government Work Report of the State Council(1954-2017) [C]//Proceedings of the 12th International Conference on Intelligent Systems and Knowledge Engineering(ISKE). 2017: 1-6.
[23] Agrawal R, Imielinski T, Swami A N . Mining Association Rules Between Sets of Items in Large Databases [C]//Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data. 1993: 207-216.
[24] 哈尔滨工业大学社会计算与信息检索研究中心. 同义词词林扩展版[OL].[2017-12-04]. https://www.ltp-cloud.com/download/.
( Center for Social Computing and Information Retrieval, Harbin Institute of Technology. Synonym Word Forest Expansion Version[OL].[2017-12-04]. https://www.ltp-cloud.com/download/.)
[25] Dwivedi P, Bharadwaj K K . E-Learning Recommender System for a Group of Learners Based on the Unified Learner Profile Approach[J]. Expert Systems, 2015,32(2):264-276.
[1] 张怡文,张臣坤,杨安桔,计成睿,岳丽华. 基于条件型游走的四部图推荐方法*[J]. 数据分析与知识发现, 2019, 3(4): 117-125.
[2] 叶佳鑫,熊回香. 基于标签的跨领域资源个性化推荐研究*[J]. 数据分析与知识发现, 2019, 3(2): 21-32.
[3] 聂卉. 结合词向量和词图算法的用户兴趣建模研究 *[J]. 数据分析与知识发现, 2019, 3(12): 30-40.
[4] 丁浩,李树青. 基于用户多类型兴趣波动趋势预测分析的个性化推荐方法 *[J]. 数据分析与知识发现, 2019, 3(11): 43-51.
[5] 李杰,杨芳,徐晨曦. 考虑时间动态性和序列模式的个性化推荐算法*[J]. 数据分析与知识发现, 2018, 2(7): 72-80.
[6] 侯银秀,李伟卿,王伟军,张婷婷. 基于用户偏好与商品属性情感匹配的图书个性化推荐研究*[J]. 数据分析与知识发现, 2017, 1(8): 9-17.
[7] 陈梅梅,薛康杰. 基于标签簇多构面信任关系的个性化推荐算法研究*[J]. 数据分析与知识发现, 2017, 1(5): 94-101.
[8] 陈梅梅, 薛康杰. 基于改进张量分解模型的个性化推荐算法研究*[J]. 数据分析与知识发现, 2017, 1(3): 38-45.
[9] 谭学清,张磊,黄翠翠,罗琳. 融合领域专家信任与相似度的协同过滤推荐算法研究*[J]. 现代图书情报技术, 2016, 32(7-8): 101-109.
[10] 谢琪,崔梦天. 基于相似性群体的混合型Web服务推荐*[J]. 现代图书情报技术, 2016, 32(6): 80-87.
[11] 马莉. 一种利用用户学习树改进的协同过滤推荐方法[J]. 现代图书情报技术, 2016, 32(4): 72-80.
[12] 祝婷, 秦春秀, 李祖海. 基于用户分类的协同过滤个性化推荐方法研究[J]. 现代图书情报技术, 2015, 31(6): 13-19.
[13] 高虎明, 赵凤跃. 一种融合协同过滤和内容过滤的混合推荐方法[J]. 现代图书情报技术, 2015, 31(6): 20-26.
[14] 宋梅青. 面向协同过滤推荐的多粒度用户偏好挖掘研究[J]. 现代图书情报技术, 2015, 31(12): 28-33.
[15] 王伟军, 宋梅青. 一种面向用户偏好定向挖掘的协同过滤个性化推荐算法[J]. 现代图书情报技术, 2014, 30(6): 25-32.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn