本發(fā)明專利技術(shù)提供基于GLM?4的無(wú)標(biāo)注課程知識(shí)點(diǎn)圖譜構(gòu)建方法及系統(tǒng)，方法包括：生成知識(shí)點(diǎn)圖譜的第一層次結(jié)構(gòu)；根據(jù)第一層次結(jié)構(gòu)，對(duì)章節(jié)及下屬各級(jí)標(biāo)題進(jìn)行文檔分割操作，得到章節(jié)獨(dú)立單元、分級(jí)標(biāo)題獨(dú)立單元；進(jìn)行數(shù)據(jù)清洗操作，得到預(yù)處理章節(jié)獨(dú)立單元、預(yù)處理標(biāo)題獨(dú)立單元；進(jìn)行知識(shí)點(diǎn)獲取操作，調(diào)用GLM?4模型的應(yīng)用程序編程接口API，并給定prompt指令，據(jù)以利用GLM?4模型，從預(yù)處理章節(jié)獨(dú)立單元、預(yù)處理標(biāo)題獨(dú)立單元中，提取得到符合大綱知識(shí)點(diǎn)；利用GLM?4模型進(jìn)行噪聲去除操作，得到去噪數(shù)據(jù)；通過(guò)余弦相似度算法進(jìn)行比對(duì)；構(gòu)建知識(shí)圖譜。本發(fā)明專利技術(shù)解決了知識(shí)點(diǎn)圖譜在粒度上過(guò)于細(xì)化，導(dǎo)致知識(shí)難以理解的技術(shù)問(wèn)題。
本專利技術(shù)涉及知識(shí)圖譜構(gòu)建領(lǐng)域，具體涉及基于glm-4（generalized?linearmodel-4，廣義線性-4模型）的無(wú)標(biāo)注課程知識(shí)點(diǎn)圖譜構(gòu)建方法及系統(tǒng)。
1、在將知識(shí)圖譜技術(shù)與課程內(nèi)容融合的方案中，現(xiàn)存的知識(shí)點(diǎn)圖譜在粒度上過(guò)于細(xì)化。這種過(guò)于細(xì)化的粒度雖然能夠展現(xiàn)更多的知識(shí)點(diǎn)細(xì)節(jié)，但也可能導(dǎo)致學(xué)生在學(xué)習(xí)過(guò)程把重點(diǎn)放在繁瑣的知識(shí)點(diǎn)碎片上，難以形成對(duì)知識(shí)的理解。過(guò)多的細(xì)節(jié)容易分散學(xué)習(xí)者的注意力，使其難以抓住核心概念，進(jìn)而影響對(duì)知識(shí)的深層次理解和應(yīng)用能力。
2、公開(kāi)號(hào)為cn117668239a的現(xiàn)有專利技術(shù)專利申請(qǐng)文獻(xiàn)《一種基于知識(shí)圖譜的知識(shí)點(diǎn)動(dòng)態(tài)推薦與教學(xué)反饋系統(tǒng)及其實(shí)現(xiàn)方法》，該現(xiàn)有系統(tǒng)的知識(shí)點(diǎn)子圖模塊包含用戶與系統(tǒng)交互產(chǎn)生的數(shù)據(jù)，以及構(gòu)建的知識(shí)圖譜結(jié)合形成的子圖，用戶完成答題，與題目鏈接的知識(shí)點(diǎn)構(gòu)成知識(shí)點(diǎn)子圖，反映用戶當(dāng)前掌握知識(shí)點(diǎn)狀態(tài)。知識(shí)點(diǎn)推薦模塊根據(jù)用戶答題情況，將推薦分為鞏固推薦與拓展推薦。鞏固推薦從知識(shí)點(diǎn)子圖內(nèi)，根據(jù)知識(shí)點(diǎn)子圖模塊中記錄的推薦權(quán)重進(jìn)行知識(shí)點(diǎn)推薦，拓展推薦從外部鄰域內(nèi)，根據(jù)知識(shí)點(diǎn)推薦權(quán)重進(jìn)行知識(shí)點(diǎn)推薦，最終獲得推薦知識(shí)點(diǎn)。習(xí)題推薦與可視化模塊根據(jù)推薦知識(shí)點(diǎn)，從習(xí)題庫(kù)中進(jìn)行匹配抽取，將匹配到的習(xí)題與知識(shí)子圖可視化呈現(xiàn)給用戶，實(shí)現(xiàn)知識(shí)點(diǎn)推薦與可視化。然而，前述現(xiàn)有技術(shù)未利用大模型的理解能力，構(gòu)建知識(shí)圖譜的精確度及效率不高。同時(shí)，在知識(shí)圖譜構(gòu)建過(guò)程中，前述現(xiàn)有技術(shù)的知識(shí)圖譜獲取知識(shí)點(diǎn)作為實(shí)體，定義關(guān)系構(gòu)建圖譜，這樣構(gòu)建的知識(shí)圖譜缺少層級(jí)關(guān)系，且對(duì)知識(shí)點(diǎn)的定位不夠明確。
>3、公開(kāi)號(hào)為cn112287037a的現(xiàn)有專利技術(shù)專利申請(qǐng)文獻(xiàn)《一種多實(shí)體混合知識(shí)圖譜構(gòu)建方法、裝置及存儲(chǔ)介質(zhì)》，該現(xiàn)有方法包括：將知識(shí)點(diǎn)、學(xué)生、教學(xué)資源作為實(shí)體加入到知識(shí)圖譜中。通過(guò)ocr（optical?character?recognition，光學(xué)字符識(shí)別）算法、lstm（longshort-term?memory，長(zhǎng)短期記憶）算法、tfidf（term?frequency–inverse?documentfrequency，詞頻-逆文檔率）算法為教學(xué)資源匹配相應(yīng)的考察知識(shí)點(diǎn)，構(gòu)建教學(xué)資源與知識(shí)點(diǎn)間的關(guān)系，結(jié)合學(xué)生在不同教學(xué)資源上的學(xué)習(xí)行為，獲取學(xué)生對(duì)知識(shí)點(diǎn)的掌握程度，記錄學(xué)習(xí)資源的偏好程度。然而，前述現(xiàn)有方案采用人工方式構(gòu)建知識(shí)圖譜，這不僅耗時(shí)耗力，而且操作準(zhǔn)確度不高。4、現(xiàn)有公開(kāi)文獻(xiàn)《大語(yǔ)言模型在學(xué)科知識(shí)圖譜自動(dòng)化構(gòu)建上的應(yīng)用》，該現(xiàn)有文獻(xiàn)中，利用大語(yǔ)言模型進(jìn)行高校學(xué)科知識(shí)圖譜自動(dòng)化構(gòu)建。通過(guò)融合llm（large?languagemodel，大語(yǔ)言模型）的優(yōu)勢(shì)，設(shè)計(jì)一種優(yōu)化的自動(dòng)化構(gòu)建流程。以高校的學(xué)科為例，自動(dòng)提取基于教材、幻燈片、教學(xué)大綱的知識(shí)實(shí)體和知識(shí)關(guān)系，形成最終的學(xué)科知識(shí)體系，通過(guò)梳理學(xué)科知識(shí)框架，幫助學(xué)生了解各個(gè)專業(yè)課程之間的知識(shí)點(diǎn)關(guān)聯(lián)，快速掌握課程知識(shí)要點(diǎn)，并且能夠精準(zhǔn)回溯知識(shí)學(xué)習(xí)脈絡(luò)，查漏補(bǔ)缺。然而，前述現(xiàn)有文獻(xiàn)直接將教學(xué)大綱納入知識(shí)圖譜，該方式容易引入更多冗余信息。該現(xiàn)有技術(shù)簡(jiǎn)單地將教學(xué)大綱納入知識(shí)圖譜，難以篩選出與教學(xué)大綱緊密相關(guān)的知識(shí)點(diǎn)，難以避免冗余信息和無(wú)關(guān)內(nèi)容的干擾。該現(xiàn)有文獻(xiàn)未對(duì)文本數(shù)據(jù)進(jìn)行分片處理，這樣會(huì)導(dǎo)致提供給大語(yǔ)言模型的數(shù)據(jù)過(guò)多，易產(chǎn)生大量噪聲。
5、綜上，現(xiàn)有技術(shù)存在知識(shí)點(diǎn)圖譜在粒度上過(guò)于細(xì)化，導(dǎo)致知識(shí)難以理解的技術(shù)問(wèn)題。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)所要解決的技術(shù)問(wèn)題在于：如何解決現(xiàn)有技術(shù)中知識(shí)點(diǎn)圖譜在粒度上過(guò)于細(xì)化，導(dǎo)致知識(shí)難以理解的技術(shù)問(wèn)題。
2、本專利技術(shù)是采用以下技術(shù)方案解決上述技術(shù)問(wèn)題的：基于glm-4的無(wú)標(biāo)注課程知識(shí)點(diǎn)圖譜構(gòu)建方法包括：
3、s1、進(jìn)行框架生成操作，從文檔的目錄中提取課程內(nèi)容層次結(jié)構(gòu)，作為知識(shí)點(diǎn)圖譜的第一層次結(jié)構(gòu)；
4、s2、獲取文檔中的各個(gè)章節(jié)以及下屬各級(jí)標(biāo)題，根據(jù)第一層次結(jié)構(gòu)，對(duì)章節(jié)及下屬各級(jí)標(biāo)題進(jìn)行文檔分割操作，得到章節(jié)獨(dú)立單元、分級(jí)標(biāo)題獨(dú)立單元；
5、s3、對(duì)章節(jié)獨(dú)立單元、分級(jí)標(biāo)題獨(dú)立單元進(jìn)行數(shù)據(jù)清洗操作，得到預(yù)處理章節(jié)獨(dú)立單元、預(yù)處理標(biāo)題獨(dú)立單元；
6、s4、進(jìn)行知識(shí)點(diǎn)獲取操作，調(diào)用glm-4模型的應(yīng)用程序編程接口api（applicationprogramming?interface），并給定prompt指令，從預(yù)處理章節(jié)獨(dú)立單元、預(yù)處理標(biāo)題獨(dú)立單元中，提取得到符合大綱知識(shí)點(diǎn)；
7、s5、進(jìn)行噪聲去除操作，將符合大綱知識(shí)點(diǎn)，送入glm-4模型進(jìn)行處理，以去除噪聲、補(bǔ)充缺損數(shù)據(jù)，得到去噪數(shù)據(jù)；
8、s6、進(jìn)行數(shù)據(jù)核對(duì)操作，通過(guò)余弦相似度算法將去噪數(shù)據(jù)與大綱的內(nèi)容進(jìn)行比對(duì)，使大綱中的所有知識(shí)點(diǎn)被提取，得到核對(duì)后數(shù)據(jù)；
9、s7、進(jìn)行知識(shí)圖譜構(gòu)建，利用python工具批量處理核對(duì)后數(shù)據(jù)，并存儲(chǔ)至neo4j數(shù)據(jù)庫(kù)，以構(gòu)建得到知識(shí)點(diǎn)圖譜。
10、本專利技術(shù)所構(gòu)建的知識(shí)點(diǎn)圖譜中，每個(gè)實(shí)體均對(duì)應(yīng)一個(gè)完整的知識(shí)點(diǎn)，而非知識(shí)點(diǎn)的細(xì)分部分，這樣能夠使知識(shí)點(diǎn)圖譜的粒度更為適中，避免了過(guò)于細(xì)化產(chǎn)生的局限；知識(shí)點(diǎn)的提取過(guò)程完全依賴于glm-4模型，glm-4模型的理解及分析能力強(qiáng)，確保知識(shí)點(diǎn)的準(zhǔn)確性和提取操作的高效性；為了進(jìn)一步簡(jiǎn)化人工審核的流程，本專利技術(shù)采用glm-4模型對(duì)符合大綱知識(shí)點(diǎn)的數(shù)據(jù)進(jìn)行二次審核，有效去除數(shù)據(jù)噪聲，提升了數(shù)據(jù)純凈度；為了確保大綱中的知識(shí)點(diǎn)沒(méi)有遺漏，本專利技術(shù)利用glm-4模型進(jìn)行二次處理，并最終通過(guò)相似度比對(duì)技術(shù)，精確判斷大綱中的知識(shí)點(diǎn)是否均已提取，從而保障知識(shí)點(diǎn)圖譜的完整性。
11、在更具體的技術(shù)方案中，s1中，利用預(yù)置大模型對(duì)文檔的目錄進(jìn)行解析，并根據(jù)需求信息生成對(duì)應(yīng)cypher語(yǔ)言；
12、利用python工具，通過(guò)正則表達(dá)式從目錄中匹配對(duì)應(yīng)內(nèi)容，將對(duì)應(yīng)內(nèi)容存儲(chǔ)到neo4j數(shù)據(jù)庫(kù)，作為課程內(nèi)容層次結(jié)構(gòu)。
13、本專利技術(shù)確保了知識(shí)點(diǎn)圖譜在邏輯上的嚴(yán)密性和結(jié)構(gòu)上的清晰性，不僅提高了數(shù)據(jù)處理的效率，還減少了人工干預(yù)的需求，為整個(gè)知識(shí)管理系統(tǒng)的框架搭建提供堅(jiān)實(shí)基礎(chǔ)。
14、在更具體的技術(shù)方案中，s4中，利用prompt指令指示glm-4模型，在二級(jí)標(biāo)題層級(jí)下，根據(jù)大綱，捕捉顯著知識(shí)點(diǎn)，同步提取顯著知識(shí)點(diǎn)的定義、原文本內(nèi)容以及例題；
15、在二級(jí)標(biāo)題缺失的情況下，利用prompt指令指導(dǎo)glm-4模型在一級(jí)標(biāo)題層級(jí)進(jìn)行知識(shí)點(diǎn)的提取；
16、glm-4模型根據(jù)預(yù)設(shè)格式，返回結(jié)構(gòu)化知識(shí)點(diǎn)數(shù)據(jù)，據(jù)以處理得到符合大綱知識(shí)點(diǎn)。
17、在更具體的技術(shù)方案中，s5中，將符合大綱知識(shí)點(diǎn)，提交至glm-4模型，并提交符合大綱知識(shí)點(diǎn)對(duì)應(yīng)的prompt指令；
18、利用glm-4模型，識(shí)別并移除文檔中的冗余信息；
19、校驗(yàn)文檔中的知識(shí)點(diǎn)定義、原文表述及例題的準(zhǔn)確性。
20、本專利技術(shù)采用的prompt指令觸發(fā)glm-4模型對(duì)符合大綱知識(shí)點(diǎn)中的數(shù)據(jù)進(jìn)行審查，利用審查操作確保json（javascrip本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.基于GLM-4的無(wú)標(biāo)注課程知識(shí)點(diǎn)圖譜構(gòu)建方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的基于GLM-4的無(wú)標(biāo)注課程知識(shí)點(diǎn)圖譜構(gòu)建方法，其特征在于，所述S1包括：
3.根據(jù)權(quán)利要求1所述的基于GLM-4的無(wú)標(biāo)注課程知識(shí)點(diǎn)圖譜構(gòu)建方法，其特征在于，所述S4包括：
4.根據(jù)權(quán)利要求1所述的基于GLM-4的無(wú)標(biāo)注課程知識(shí)點(diǎn)圖譜構(gòu)建方法，其特征在于，所述S5包括：
5.根據(jù)權(quán)利要求1所述的基于GLM-4的無(wú)標(biāo)注課程知識(shí)點(diǎn)圖譜構(gòu)建方法，其特征在于，所述S6包括：
6.根據(jù)權(quán)利要求5所述的基于GLM-4的無(wú)標(biāo)注課程知識(shí)點(diǎn)圖譜構(gòu)建方法，其特征在于，所述S62中的所述遞歸神經(jīng)網(wǎng)絡(luò)RNN包括：嵌入層、GRU層以及softmax層；其中，所述嵌入層利用word2vec算法為每個(gè)單詞生成所述詞嵌入向量，在所述GRU層，對(duì)每個(gè)輸入詞，按照下述邏輯循環(huán)使用GRU單元：
7.根據(jù)權(quán)利要求5所述的基于GLM-4的無(wú)標(biāo)注課程知識(shí)點(diǎn)圖譜構(gòu)建方法，其特征在于，所述S64中，利用下述邏輯，表征所述上下文：
8.根據(jù)權(quán)利要求5所述的基于GLM-4的無(wú)標(biāo)注課程知識(shí)點(diǎn)圖譜構(gòu)建方法，其特征在于，所述S65中，對(duì)所述查詢矩陣、所述鍵矩陣以及所述值矩陣的投影的輸出進(jìn)行連接，完成所述多自注意頭聚合操作，求取自注意頭：
9.根據(jù)權(quán)利要求1所述的基于GLM-4的無(wú)標(biāo)注課程知識(shí)點(diǎn)圖譜構(gòu)建方法，其特征在于，所述S66中，利用下述邏輯，確定CRF解碼器的評(píng)分函數(shù)：
10.基于GLM-4的無(wú)標(biāo)注課程知識(shí)點(diǎn)圖譜構(gòu)建系統(tǒng)，其特征在于，所述系統(tǒng)包括：
...
【技術(shù)特征摘要】
1.基于glm-4的無(wú)標(biāo)注課程知識(shí)點(diǎn)圖譜構(gòu)建方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的基于glm-4的無(wú)標(biāo)注課程知識(shí)點(diǎn)圖譜構(gòu)建方法，其特征在于，所述s1包括：
3.根據(jù)權(quán)利要求1所述的基于glm-4的無(wú)標(biāo)注課程知識(shí)點(diǎn)圖譜構(gòu)建方法，其特征在于，所述s4包括：
4.根據(jù)權(quán)利要求1所述的基于glm-4的無(wú)標(biāo)注課程知識(shí)點(diǎn)圖譜構(gòu)建方法，其特征在于，所述s5包括：
5.根據(jù)權(quán)利要求1所述的基于glm-4的無(wú)標(biāo)注課程知識(shí)點(diǎn)圖譜構(gòu)建方法，其特征在于，所述s6包括：
6.根據(jù)權(quán)利要求5所述的基于glm-4的無(wú)標(biāo)注課程知識(shí)點(diǎn)圖譜構(gòu)建方法，其特征在于，所述s62中的所述遞歸神經(jīng)網(wǎng)絡(luò)rnn包括：嵌入層、gru層以及softmax層；其中，所述嵌入層利用...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：陳潔，張吳揚(yáng)，譚思雨，趙姝，張燕平，
申請(qǐng)(專利權(quán))人：安徽大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。