本文是一篇计算机论文，本研究围绕MOOC大规模开放在线课程平台的课程知识内容，开展了全面而深入的研究工作，涵盖了知识点抽取、知识图谱可视化以及知识追踪等多个关键技术领域，旨在为学习者提供更加精准且符合其需求的习题推荐服务。
第1章绪论
1.1研究背景及意义
1.1.1研究背景
随着信息技术领域的不断演进与革新，教育模式正在经历巨大变革。当前，传统的教学手段已难以满足现代学习者多元化的教育需求。随着大数据和人工智能技术的广泛应用与渗透，教育资源的丰富性与个性化程度得到了前所未有的提升，为学习者创造了广阔而多样的学习空间。学习者不再受限于地理位置和时间，可以随时随地进行学习，从而更新和补充内在知识结构。近年来，各种在线学习平台如MOOCs、Coursera和edX等迅速涌现，网络学习已成为当前学习的主流趋势。
个性化学习是一种教育策略，它根据每个学生的独特性差异来设计和提供定制化的学习内容、方法及评价机制。这一过程旨在确保学生能够依据自身的学习风格、能力和需求进行精准化学习，从而最大程度地提升学习效率[1]。2019年2月，中共中央、国务院印发《中国教育现代化2035》[2]，明确了我国要加快信息化教育变革，实现规模化教育与“个性化培养”的有机结合。在个性化教学实践中，习题推荐扮演了关键角色。作为教育资源的核心元素，习题不仅对于学生巩固和深化知识点理解至关重要，能有效提升其学习效率与质量，同时还是衡量学生学习成效的重要工具之一[3]。当前，大量在线试题平台的习题资源组织与筛选体系在结构和多样性方面存在局限性，难以充分适应各类不同的学习目标及学习方式。鉴于学生个体间对知识的掌握程度和内在知识架构差异显著，普遍化的习题推荐模式无法满足个性化教育诉求。此外，在教育应用情境中引入推荐技术时，必须充分考虑其特有的教育科学规律。然而，如何将学科详尽的知识体系、具体的学习任务以及学生个体的知识状态等因素整合到推荐策略之中，以实现更高精确度和针对性的习题推荐，仍然是一个有待深入探究与实践优化的重要课题。因此，聚焦个性化学习，推动每个学习者的独特性发展，是我国未来教育事业创新发展不可忽视的核心内容之一。
1.2国内外研究进展
1.2.1知识图谱在教育领域的研究现状
知识图谱技术作为一种结构化的信息组织机制，旨在对现实世界实体及其相互关系进行建模和整合。这一概念由谷歌公司率先实践并推广，其核心目标在于将互联网上海量的非结构化信息转化为便于机器解析与认知的形式。通过有效连接各类实体和抽象概念，知识图谱构建了一个庞大而复杂的互联网络结构，在此框架下，不仅增强了对各实体间内在关联性的揭示能力，也极大地促进了人们对于这些复杂关系更为深刻、系统的研究与探索。
知识图谱主要分为两类：一类是具有广泛覆盖范围的通用知识图谱，另一类则是专注于特定领域的深度挖掘知识图谱[4]。当前，国外一些具有广泛影响力和代表性的通用知识图谱项目有：DBpedia[5]、YAGO[6]、Freebase[7]、Probase[8]等。国内具有代表性的通用知识图谱主要有：搜狗知立方[9]、百度知心[10]、Zhishi.m[11]、CN-DBpedia[12]等。
知识图谱技术在教育领域的应用潜力巨大，能够为教学活动注入智能化与个性化元素。首先，借助于构建课程相关的知识图谱体系，可以将各个知识点及概念间的内在联系以结构化方式展现出来，形成一张逻辑严密的知识网络，这对于帮助学生直观理解、系统梳理和牢固掌握课程内容具有显著优势。此外，在智能辅助学习场景中，知识图谱可被应用于精准的错题定位分析以及知识点推荐策略，从而助力学生识别自身的知识漏洞和薄弱环节，并及时获得针对性的学习资料。另一方面，基于知识图谱的强大功能，教育领域可以通过分析学生个体的学习历程和需求特性，制定出契合个人能力发展轨迹的个性化学习路径。这种定制化的学习方案不仅包括了针对学生独特需求的学习资源推荐，而且还能通过动态调整和优化学习过程，促进学生更高效地吸收知识、提升学业成就，最终实现教育效果的最优化。
第2章相关技术与理论基础
2.1课程知识图谱构建技术
知识图谱可采用自动化或半自动化方式[34]进行构建，都是从数据源提取实体、实体间关系和实体属性。课程知识图谱采用“实体-关系-实体”这一核心构造模式，将学科知识点编织成一张网状的知识结构体系。其中，“实体”作为构建单元，代表了不同形态的知识元素；而“关系”则体现了这些知识点间的内在联系，这种独特的组织形式使得知识的脉络和关联特性得以直观、清晰展现。
课程知识图谱的总体构建流程大致可以划分为几个关键阶段：首先进行知识模型设计，然后通过合适的方法实现知识表示，接着开展知识信息抽取，紧接着对抽取到的知识进行有效融合，并最终确保知识数据的安全存储与管理。图2-1简单介绍了课程知识图谱的搭建基本流程。
2.2图数据库
图数据库是一种采用图形数据结构来持久化和管理信息的数据库系统，其基础构建单元包括节点（或称顶点）、关系（边）以及属性[54]，如图2-2所示。图数据库利用其图形化数据模型的优势，能够显著提升关系表达的直观性和深度，并配备了一套成熟的图查询语言。在知识图谱存储应用中，图数据库扮演了关键角色：它将知识图谱中的实体和属性映射为内在节点结构，并借助边来体现实体间的关联性，从而确保知识图谱中复杂的数据结构和关联得以高效、精准地表示和展现。这一特性使得图数据库在知识图谱存储领域的应用日益广泛且深入。
Neo4j作为一种广泛应用的图数据库系统，其优势体现在丰富的关系表达能力、卓越的性能表现以及对ACID事务完整而高效的支撑。该数据库底层架构基于图形模型存储节点及其关联关系，这一特性有效地构建了节点间的关联网络，便于深入揭示潜在的复杂联系。作为一款开源解决方案，Neo4j适用于任何可通过接口与其交互的软件应用。其数据在网络环境中持久化存储，确保便捷的数据增删查改操作，并能有效防止数据丢失。
本研究选择Neo4j存储课程知识数据，旨在为构建课程知识图谱提供强有力的数据支撑，并进一步服务于精准化习题推荐功能的实现。
第3章课程知识图谱构建.............................18
3.1 MOOC“数据结构”课程知识图谱构建方法概述.....................18
3.2 MOOC“数据结构”课程数据处理......................20
第4章融合序列特征与学习过程的知识追踪模型.......................................37
4.1问题描述和定义.........................37
4.2模型整体架构...................................38
第5章个性化习题推荐算法研究....................................51
5.1引言.............................................51
5.2习题推荐算法研究..................................52
第5章个性化习题推荐算法研究
5.1引言
当前，知识图谱与知识追踪技术在人工智能领域中备受瞩目。知识图谱实质上是一种语义网络架构，它能够将大量离散的知识点和概念整合为结构化的互联网络。而知识追踪技术则依据学习过程中的数据记录来动态追踪学生个体的知识掌握状况，进而深入剖析其学习轨迹及能力水平。将这两项技术进行有机结合，对于个性化习题推荐算法的精准度提升和推荐结果的可解释性增强具有重要意义。针对前一节所阐述的问题，本章节正是立足于先前构建的课程知识图谱（第三章所述）以及提出的知识追踪模型（第四章详述），对现有推荐算法进行了优化，提出了一种全新的个性化习题推荐方法。这一综合方法的整体架构如图5-1所示。
第6章总结与展望
6.1总结
随着人工智能科技的进步，教育领域正逐渐展现出前所未有的个性化和智能化潜力，从而改变传统教学的方式和效果。在线教育中，习题是重要的学习评估手段之一，用于检验学习者对所学内容的掌握程度。因此，习题推荐算法的准确性和个性化程度至关重要。本文通过利用知识图谱表征知识结构，并结合知识追踪模型来刻画学生的掌握程度，进而提出了一个结合这两种方法的个性化习题推荐算法。以下是对本文内容的总结概述：
（1）构建了MOOC“数据结构”课程知识图谱并进行可视化展示。首先，整合教材、视频及百科资源提炼课程内容。利用BERT模型微调及结合BiLSTM-CRF方法，精准抽取知识点实体。进而，利用BiLSTM-Attention模型来挖掘知识点之间的内在关联性，并对这些关系进行了细致分类，划分为三个不同的子类。最后，将所提取的关系数据整合并存入Neo4j图数据库系统中，为将来的学习活动提供参考。
（2）提出融合序列特征与学习过程的知识追踪模型SFLP-KT。SFLP-KT有效结合了学生近期学习状况与知识状态变化。通过在MOOCCube真实数据集上进行对比实验，证实SFLP-KT在ACC和AUC指标上优于传统方法，并可视化学生知识状态，通过消融实验验证其有效性。
（3）基于构建的知识图谱和改进的知识追踪模型，设计了一种个性化习题推荐算法。知识图谱强化了学科知识结构表达，而追踪模型实时更新学生知识点掌握状况。利用该模型筛选出与学生当前能力匹配的候选知识点，并结合习题难度、知识点间关联顺序，对习题库中的习题进行筛选，生成推荐的习题集合。
参考文献（略）