基于知識(shí)圖譜構(gòu)建初中語文教材課文知識(shí)庫

李嘉哲　王貝倫　陳月瑤

隨著計(jì)算機(jī)及人工智能技術(shù)的飛速發(fā)展，現(xiàn)代信息技術(shù)給中小學(xué)教育帶來了顯著的變化。2017年，國務(wù)院印發(fā)了《新一代人工智能發(fā)展規(guī)劃》，提出要推進(jìn)“智能教育”，“推動(dòng)人工智能在教學(xué)、管理、資源建設(shè)等全流程應(yīng)用”，同時(shí)指出構(gòu)建知識(shí)圖譜、提升知識(shí)服務(wù)技術(shù)的重要性。知識(shí)圖譜是谷歌（Google）于2012年提出來的，用于增強(qiáng)其搜索引擎功能^[1][2]，隨著智能技術(shù)和服務(wù)應(yīng)用的不斷發(fā)展，在數(shù)據(jù)互聯(lián)的Web 2.0時(shí)代向知識(shí)互聯(lián)的Web 3.0時(shí)代邁進(jìn)的背景下，它已被廣泛應(yīng)用于智能搜索、智能問答、個(gè)性化推薦等領(lǐng)域，成為教育領(lǐng)域添薪續(xù)力、革故鼎新的重要手段。

目前，統(tǒng)編初中語文教材課文涵蓋詩歌、小說、散文、戲劇等多種體裁，類型多樣，篇目繁多，信息量大，課文與課文之間以人文主題和語文素養(yǎng)雙線組元^[3]。聽課調(diào)研中，我們發(fā)現(xiàn)一線師生在使用統(tǒng)編初中語文教材時(shí)常常會(huì)提出這樣幾個(gè)問題：（1）教材整體結(jié)構(gòu)不夠明晰;（2）不同單元課文之間的內(nèi)在聯(lián)系不明晰;（3）對所有課文進(jìn)行跨年級(jí)形象化全局概覽的技術(shù)手段比較缺乏。針對上述問題，我們開始研究如何利用自然語言處理技術(shù)繪制統(tǒng)編初中語文教材課文知識(shí)圖譜，并基于知識(shí)圖譜構(gòu)建統(tǒng)編初中語文教材課文知識(shí)庫，開展具體運(yùn)用實(shí)踐。

一、知識(shí)圖譜在構(gòu)建統(tǒng)編初中語文教材知識(shí)庫中的作用

（一）知識(shí)圖譜有助于展現(xiàn)系統(tǒng)化的課文結(jié)構(gòu)體系

知識(shí)圖譜利用可視化技術(shù)，將課文之間的關(guān)聯(lián)以圖形數(shù)據(jù)庫的形式展現(xiàn)出來，闡明了課文與課文之間的內(nèi)在關(guān)聯(lián)，深刻揭示了語文教材課文組織結(jié)構(gòu)。這有利于使用者更為清晰地了解課文系統(tǒng)化的結(jié)構(gòu)體系，準(zhǔn)確解析課文內(nèi)核，精確剖析不同課文之間的關(guān)聯(lián)，進(jìn)行智能化聯(lián)想搜索。

（二）借助圖形數(shù)據(jù)庫方便進(jìn)行課文概覽

知識(shí)圖譜依靠其圖像化屬性，能夠?qū)⒔y(tǒng)編初中語文教材收錄的數(shù)百篇課文繪制成一幅清晰直觀的電子圖譜，并為每篇課文提供一目了然、直觀清晰的內(nèi)容概覽。加之統(tǒng)編初中語文教材知識(shí)庫的內(nèi)容具有公共屬性，面向全社會(huì)公開，這一技術(shù)的運(yùn)用方便知識(shí)圖譜系統(tǒng)的管理員對數(shù)據(jù)庫內(nèi)容進(jìn)行個(gè)性化的增刪與查改。

（三）可視化技術(shù)提供多元、豐富的功能

知識(shí)圖譜系統(tǒng)充分利用CSS、HTML、JavaScript等語言工具實(shí)現(xiàn)了課文知識(shí)圖譜網(wǎng)頁端的可視化，其功能多元、豐富，精益求精，擁有課文關(guān)系圖界面及課文檢索界面可視化及相互跳轉(zhuǎn)、知識(shí)圖譜放大縮小、節(jié)點(diǎn)拖曳以及課文檢索等功能。對于使用者而言，不僅學(xué)習(xí)成本低廉，而且上手快，操作簡易，使用方便。此外，相較于傳統(tǒng)的文字目錄，形象化、可視化的知識(shí)圖譜更加貼近師生的教學(xué)活動(dòng)，直觀便捷，可以更好地激發(fā)學(xué)生學(xué)習(xí)的積極性，提高教學(xué)效果。

二、統(tǒng)編初中語文教材課文知識(shí)庫中知識(shí)圖譜的內(nèi)容

基于自然語言處理技術(shù)，結(jié)合統(tǒng)編初中語文教材課文全文，我們構(gòu)建了統(tǒng)編初中語文教材課文知識(shí)圖譜，涉及不同的計(jì)算機(jī)技術(shù)（如圖1）。概言之，統(tǒng)編初中語文教材課文知識(shí)圖譜主要包括四部分：（1）場景分析及圖譜設(shè)計(jì);（2）標(biāo)簽自動(dòng)生成;（3）數(shù)據(jù)處理及圖譜搭建;（4）可視化。下面，我們將依次對上述四個(gè)部分進(jìn)行介紹。

（一）場景分析及圖譜設(shè)計(jì)，明確實(shí)體、關(guān)系和屬性內(nèi)涵

場景分析是科學(xué)建模過程中最基礎(chǔ)也最關(guān)鍵的一步，對于知識(shí)圖譜來說也不例外。只有合理、全面、深刻地分析應(yīng)用場景，才能設(shè)計(jì)出符合需求、邏輯分明、實(shí)用性強(qiáng)的知識(shí)圖譜。

在進(jìn)行場景分析及圖譜設(shè)計(jì)時(shí)，我們需要明確知識(shí)圖譜的實(shí)體、關(guān)系和屬性，它們是知識(shí)圖譜必不可缺的基本元素。

1.實(shí)體：表征知識(shí)圖譜中的節(jié)點(diǎn)。在本知識(shí)圖譜中，每篇課文和每個(gè)標(biāo)簽都是一個(gè)實(shí)體，如課文《皇帝的新裝》及其標(biāo)簽“聰明”都是實(shí)體。

2.關(guān)系：表征知識(shí)圖譜中的邊。在本知識(shí)圖譜中，用課文實(shí)體和標(biāo)簽實(shí)體之間的邊表示該課文主題包含該標(biāo)簽。若一篇課文含有某個(gè)標(biāo)簽，它們之間就存在關(guān)系，即課文內(nèi)含包括該標(biāo)簽指示的內(nèi)容。例如，課文實(shí)體《春》和標(biāo)簽實(shí)體“大自然”之間存在關(guān)系“HasLabel”，表明該課文的標(biāo)簽包含“大自然”，即“大自然”揭示了課文《春》的主要內(nèi)容，可作為課文《春》的一個(gè)子主題。若不同課文含有相同標(biāo)簽，則因?yàn)檫@兩篇課文都有邊與該標(biāo)簽節(jié)點(diǎn)相連，從而使兩篇課文也相連，由此實(shí)現(xiàn)含有共同主題的課文彼此相連以及主題聚類的效果。這些標(biāo)簽的主題不僅包含課文所在單元蘊(yùn)含的人文主題，也包含課文蘊(yùn)含的人文精神，因此一篇課文可以有多個(gè)主題標(biāo)簽。

3.屬性：表征知識(shí)圖譜中實(shí)體（節(jié)點(diǎn)）及關(guān)系（邊）包含的具體內(nèi)容。在本知識(shí)圖譜中，課文實(shí)體的屬性包括作者、課文位置、課文文本內(nèi)容。例如，對于課文《皇帝的新裝》，其“作者”屬性為“安徒生”，“課文位置”屬性為“七年級(jí)上冊第六單元第19課”。

（二）標(biāo)簽自動(dòng)生成，精準(zhǔn)掌握文本關(guān)鍵詞

標(biāo)簽主要用于區(qū)分課文的關(guān)鍵詞。例如，對于課文《皇帝的新裝》，其標(biāo)簽可以為皇帝、衣服、聰明、愚蠢、虛榮等。針對知識(shí)圖譜中的每一篇課文，我們都會(huì)對其生成不同的標(biāo)簽。課文內(nèi)容不同，標(biāo)簽個(gè)數(shù)也會(huì)不同。具體而言，若課文較長，主題較為多元化，標(biāo)簽個(gè)數(shù)就會(huì)多。比如，朱自清的《春》相較于劉湛秋的《雨的四季》，標(biāo)簽數(shù)較少一些，因?yàn)椤队甑乃募尽氛n文篇幅更長，且提到了四個(gè)季節(jié)，內(nèi)容更為多元。

標(biāo)簽自動(dòng)生成的方法有兩種：（1）根據(jù)詞向量的詞義特性找聚類中心作為主題詞，聚類中心個(gè)數(shù)根據(jù)聚類結(jié)果權(quán)衡;（2）刪去常用詞后進(jìn)行詞頻排序，選擇排名前幾位的詞作為關(guān)鍵詞標(biāo)簽。兩種方法涉及的技術(shù)如下。

1.分詞：按照詞性詞義對語句進(jìn)行分詞處理

分詞，是自然語言處理技術(shù)中處理文本的一種技術(shù)，指按照詞性或詞義將句子中的詞語分隔開的技術(shù)，如小草//偷偷地//從土里//鉆出來。分詞標(biāo)準(zhǔn)在不同的情況下不盡相同，有時(shí)也可不分詞而直接對語句進(jìn)行處理，它對于文本挖掘有著重要作用。

在本知識(shí)圖譜中，我們使用正則化匹配和jieba庫進(jìn)行分詞處理。具體而言，首先，運(yùn)用一些標(biāo)準(zhǔn)化方法消除特殊符號(hào)，讓文本內(nèi)容更為規(guī)范化，易于處理。然后，通過正則化匹配特定的標(biāo)點(diǎn)符號(hào)進(jìn)行分句，對分句結(jié)果進(jìn)一步進(jìn)行規(guī)范化處理，再運(yùn)用jieba庫進(jìn)行分詞。

2.詞向量轉(zhuǎn)化：將中文詞語轉(zhuǎn)化為數(shù)值詞向量

詞向量轉(zhuǎn)化，是將中文詞語轉(zhuǎn)換成數(shù)值向量的技術(shù)。在自然語言處理過程中，計(jì)算機(jī)無法“理解”人類語言，因此需要將輸入計(jì)算機(jī)的詞語轉(zhuǎn)化成計(jì)算機(jī)可以“理解”和處理的詞向量。詞向量是針對詞語的向量化表示，是將詞語轉(zhuǎn)化（或嵌入）數(shù)學(xué)空間的數(shù)值結(jié)果。

在本知識(shí)圖譜中，我們使用中文數(shù)據(jù)集上訓(xùn)練的BERT模型^[4]進(jìn)行詞向量轉(zhuǎn)化，具體而言，是將分詞結(jié)果逐個(gè)輸入BERT模型，然后利用該模型輸出該詞的詞向量結(jié)果。

3.聚類：將相似相近的詞向量進(jìn)行聚類

聚類，是將相近或相似的詞向量歸為一類的技術(shù)。處理課文過程中，教師可以將其理解為把同義詞或近義詞歸為一類，如將“春天”和“春季”進(jìn)行聚類。

在本知識(shí)圖譜中，我們使用K最近鄰算法聚類。具體而言，首先運(yùn)用PCA算法將詞向量降維，然后對降維后的詞向量使用K最近鄰算法，將詞向量分為K個(gè)類別。由于不確定課文主題有多少，故對2～6之間的K值分別進(jìn)行結(jié)果測試，從中選取聚類效果最好的K值。最后，對每個(gè)聚類選取與聚類中心最接近的詞向量，作為該聚類的中心詞。

4.詞頻統(tǒng)計(jì)：統(tǒng)計(jì)課文中非常用詞的頻率

詞頻統(tǒng)計(jì)，是統(tǒng)計(jì)每篇課文中標(biāo)簽出現(xiàn)頻率的過程。對于每篇課文，經(jīng)過分詞后，我們首先刪除停用詞，即利用一個(gè)大約包含2500個(gè)常用詞的停用詞列表，刪除常用詞（如人稱代詞“你”“我”“他”等）。然后，對余下的非常用詞進(jìn)行統(tǒng)計(jì)，得出所有詞語在課文出現(xiàn)的次數(shù)。例如，對于課文《皇帝的新裝》，詞頻統(tǒng)計(jì)結(jié)果為：[（“衣服”，24）、（“皇帝”，21）、（“騙子”，13）、（“織布機(jī)”， 11）、（“穿”，8）、（“美麗”，8）]。其中，“（‘衣服，24）”表示“衣服”一詞在《皇帝的新裝》中出現(xiàn)了24次，其余結(jié)果同理。

（三）數(shù)據(jù)處理及圖譜搭建，厘清本體之間的關(guān)系

經(jīng)過場景分析、標(biāo)簽生成，我們便可以處理數(shù)據(jù)并搭建課文知識(shí)圖譜了。本知識(shí)圖譜搭建過程中，涉及的技術(shù)如下。

1.數(shù)據(jù)處理：數(shù)據(jù)獲取、格式化及數(shù)據(jù)存儲(chǔ)

數(shù)據(jù)獲取是指獲取中學(xué)語文課文及相關(guān)信息，如作者、課文內(nèi)容、課程位置等，它是在標(biāo)簽生成之前完成的。格式化是指將數(shù)據(jù)存儲(chǔ)為json格式文件，以便進(jìn)行數(shù)據(jù)解析，它在數(shù)據(jù)獲取后即可完成。圖譜數(shù)據(jù)提取和格式化保存，是指從格式化文件中提取出課文標(biāo)題、對應(yīng)作者和文本內(nèi)容等信息，與課文標(biāo)簽一同進(jìn)行格式化存儲(chǔ)。

2.實(shí)體消歧：合并相似性高的標(biāo)簽實(shí)體

實(shí)體消歧是用于解決同名實(shí)體歧義問題的技術(shù)。在本知識(shí)圖譜中，我們根據(jù)各篇課文生成的標(biāo)簽，對其進(jìn)行詞向量相似性度量，以決定是否能夠合并為同一個(gè)標(biāo)簽。例如，“春”和“春天”可合并為標(biāo)簽“春天”，“思鄉(xiāng)”和“懷鄉(xiāng)”可合并為標(biāo)簽“懷鄉(xiāng)”。

3.本體建模：構(gòu)筑知識(shí)圖譜的結(jié)構(gòu)輪廓

本體建模是一個(gè)通過分析、確定本體及本體間關(guān)系，描摹知識(shí)圖譜大致輪廓的過程。其中，本體指的是某個(gè)領(lǐng)域?qū)嶓w或概念通過關(guān)系組成的結(jié)構(gòu)。本體可以是實(shí)體的抽象，也可以是本體的實(shí)例。例如，《從百草園到三味書屋》是一個(gè)課文實(shí)體，那么“課文”就是它所對應(yīng)的本體。本體建模即分析并總結(jié)知識(shí)圖譜包含的本體，并厘清本體之間關(guān)系的過程。本體建模在數(shù)據(jù)獲取之前就可完成。

（四）可視化技術(shù)，直觀展現(xiàn)事物之間的聯(lián)系

可視化技術(shù)指的是利用計(jì)算機(jī)圖形學(xué)和圖像處理技術(shù)，將數(shù)據(jù)轉(zhuǎn)換成圖形或圖像在屏幕上顯示出來，并進(jìn)行交互處理的理論、方法和技術(shù)^[5][6]。目前，可視化技術(shù)已經(jīng)逐步滲透到生物醫(yī)學(xué)、航空航天、交通管理、教育學(xué)等多個(gè)領(lǐng)域，知識(shí)圖譜便是一種利用可視化技術(shù)記錄、描述、展現(xiàn)事物之間聯(lián)系的圖形數(shù)據(jù)庫。

如圖2所示，我們利用CSS、HTML、JavaScript等語言工具對課文知識(shí)圖譜進(jìn)行了網(wǎng)頁上的可視化，即使用HTML編寫網(wǎng)頁結(jié)構(gòu)，使用CSS設(shè)置網(wǎng)頁樣式，使用JavaScript實(shí)現(xiàn)一系列用戶交互效果（如點(diǎn)擊發(fā)生事件等）。其實(shí)現(xiàn)的一系列功能包括：課文關(guān)系圖界面及課文檢索界面可視化及相互跳轉(zhuǎn);知識(shí)圖譜放大、縮小及頁面移動(dòng);節(jié)點(diǎn)拖曳，以亮暗區(qū)分是否被選中;可選用兩種節(jié)點(diǎn)/文字圖譜查看方式;課文概要可視化。

三、統(tǒng)編初中語文教材課文知識(shí)庫的應(yīng)用實(shí)踐

（一）全局概覽

知識(shí)庫能夠?yàn)槠渌w的課文提供全局概覽。在圖2中，用鼠標(biāo)滾輪可以控制圖譜的放大和縮小，按住空白處進(jìn)行拖動(dòng)。如圖3所示，將鼠標(biāo)移到某個(gè)節(jié)點(diǎn)上拖動(dòng)時(shí)，該節(jié)點(diǎn)的不相鄰節(jié)點(diǎn)會(huì)變暗。

（二）課文檢索

知識(shí)庫支持課文檢索功能。其利用圖像化手段，濃縮概括每篇課文的主要內(nèi)容，并將體裁不同但內(nèi)核相近的課文聯(lián)系起來，為使用者瀏覽、查閱、學(xué)習(xí)提供便利。知識(shí)圖譜中的每個(gè)節(jié)點(diǎn)均對應(yīng)一篇課文，通過在課文檢索界面搜索文本，可以展示每篇課文的詳細(xì)信息（包括作者、課程位置、標(biāo)簽和課文原文），以及與之相關(guān)的其他課文。由此，使用者通過瀏覽課文標(biāo)簽，可以輕松掌握整篇課文的內(nèi)容內(nèi)核。

如圖4所示，通過在課文檢索界面檢索課文《皇帝的新裝》，使用者可以一目了然地看到文本的標(biāo)簽包含“皇帝”“衣服”“聰明”“愚蠢”等，進(jìn)而在未閱讀原文的情況下就能快速了解了這篇課文的主要內(nèi)容。

對于每篇課文，使用者都能通過課程位置信息和圖譜，定位到與其相關(guān)聯(lián)的其他課文上。搜索一篇課文，查詢結(jié)果只會(huì)展示該課文和與該課文相關(guān)聯(lián)的其他課文，清晰明了，一目了然。如圖5所示，搜索茨威格的《偉大的悲劇》一文，我們可以在圖譜中看到與文本主題相關(guān)或相近的其他課文，包括《土地的誓言》《鄧稼先》等。

對于擁有相同標(biāo)簽的不同課文，通過用戶界面，使用者能夠直觀便捷地搜索到相關(guān)信息。這意味著使用者能夠在不同課文之間輕松跳轉(zhuǎn)，旁征博引，舉一反三。對于家長和學(xué)生群體來說，在知識(shí)圖譜上搜索課文，能夠極大地降低時(shí)間成本，檢索方便，學(xué)習(xí)便利。對于教師群體來說，由于知識(shí)圖譜能將不同學(xué)期的課文串聯(lián)起來，故而方便教師授課時(shí)進(jìn)行聯(lián)想教學(xué)。

（三）標(biāo)簽生成

該系統(tǒng)也支持標(biāo)簽的自動(dòng)生成，使用者可以將需要進(jìn)行標(biāo)簽生成的文件命名為“new_lesson.txt”，然后運(yùn)行“l(fā)abel_generation.py”，便能得到程序自動(dòng)生成的標(biāo)簽結(jié)果。

目前，我們構(gòu)建的統(tǒng)編初中語文教材課文知識(shí)庫擁有全局概覽、課文檢索和標(biāo)簽生成三大功能，未來計(jì)劃囊括統(tǒng)編小學(xué)語文、統(tǒng)編高中語文教材，進(jìn)行綜合分析，及時(shí)更新數(shù)據(jù)，以適應(yīng)不同學(xué)段人群的需要。

知識(shí)圖譜作為人工智能發(fā)展的重要成果，已經(jīng)在許多領(lǐng)域生根發(fā)芽，如信息檢索、個(gè)性化推薦、生物醫(yī)療等領(lǐng)域^[7]。而在教育領(lǐng)域，各學(xué)科知識(shí)圖譜的構(gòu)建，作為跨學(xué)科學(xué)習(xí)的重要基礎(chǔ)，也必將進(jìn)一步發(fā)揮圖形數(shù)據(jù)庫的優(yōu)勢，在國家《新一代人工智能發(fā)展規(guī)劃》“三步走”戰(zhàn)略的指導(dǎo)下大步前進(jìn)，煥發(fā)出嶄新的活力，為立德樹人提供創(chuàng)造性助力。

注：本文系國家語委“十四五”科研規(guī)劃2021年度省部級(jí)重點(diǎn)項(xiàng)目“中華優(yōu)秀傳統(tǒng)文化數(shù)字化課程資源的開發(fā)與應(yīng)用研究——以統(tǒng)編義務(wù)教育語文教材為中心”（項(xiàng)目批準(zhǔn)號(hào)：WT145-3）的階段性研究成果。

參考文獻(xiàn)

[1] BERNERS-LEE T， HENDLER J， LASSILA O. The Semantic Web[J]. Scientific American Magazine，2008，23（1）：1-4.

[2] AMIT S.Introducing the Knowledge Graph[R]. America： Official Blog of Google，2012.

[3] 溫儒敏.“部編本”語文教材的編寫理念、特色與使用建議[J].課程·教材·教法，2016（11）：3-11.

[4] Devlin J， Chang M W， Lee K， et al. Bert： Pre-training of Deep Bidirectional Transformers for Language Understanding[J]. arXiv preprint arXiv：1810.04805，2018.

[5] 劉勘，周曉崢，周洞汝.數(shù)據(jù)可視化的研究與發(fā)展[J].計(jì)算機(jī)工程，2002（8）：1-2，63.

[6] 何海生.“互聯(lián)網(wǎng)+教育”視角下可視化技術(shù)的創(chuàng)新應(yīng)用[J].信息記錄材料，2017（9）：142-143.

[7] 徐增林，盛泳潘，賀麗榮，等.知識(shí)圖譜技術(shù)綜述[J].電子科技大學(xué)學(xué)報(bào)，2016（4）：589-606.

責(zé)任編輯：孫建輝