面向维基百科的概念依赖关系挖掘方法

在互联网技术高度发达的时代,网络上的学习资源呈现出指数型增长态势,面对各种学习对象、概念之间存在的多样化和无序性,如果能识别出之间的依赖关系,将有可能对计算机教育产生重要影响。针对该问题,提出一种面向维基百科的概念依赖关系识别方法,利用概念在维基百科中的特点,设计出一套识别概念依赖关系模型,在公共数据集上采用基于机器学习的分类算法进行测试。实验结果表明,该模型具有较高准确率和召回率,能够有效发现概念之间的依赖关系。

课程概念依赖关系挖掘方法研究

在一个专业的课程体系中,课程与课程之间通常有着固定的学习顺序,前导课程中总是包含了一些后续课程所需要的背景知识,这种现象是由不同课程的知识概念间依赖关系引起的.本文提出一种课程概念依赖关系挖掘方法,同时利用课程属性与维基百科属性设计特征,识别课程概念间的依赖关系.为了验证提出方法的有效性,在公开数据集上进行实验,本文方法在各度量指标上表现均优于其它基准方法.在此基础上,利用课程概念依赖关系建立了概念图,通过对比不同大学相同专业的概念图来分析它们的课程体系的差异.

利用维基百科点击流的概念依赖关系识别方法

学习资源中的知识概念间的依赖关系决定了每个资源在整个课程中学习顺序.当前主流的概念依赖关系挖掘方法是利用概念自身的特征进行依赖关系的识别.而用户在学习资源中的点击操作日志同样能够预示概念间依赖关系的存在.本文以维基百科为例,提出一种基于点击流的概念依赖关系识别方法,利用维基百科中用户与词条页面的交互信息,设计相关概念集合特征来预测概念间的依赖关系,在实验过程中,为了使分类器能够充分学习不同类别数据,使用过采样方法使训练集类别平衡,观察各度量指标在不同机器学习分类器上的表现,选取最佳的分类器进行后续实验.实验结果表明,本文的方法与当前研究方法相比,既保证了维基百科原始数据具有较高的概念对覆盖率,也能够有效的预测概念间的依赖关系.