面向高校課程的知識圖譜聯(lián)合嵌入模型研究*

熊 余 張 宇 閻鳴鶴 蔡 婷

面向高校課程的知識圖譜聯(lián)合嵌入模型研究*

熊 余1張 宇2閻鳴鶴2蔡 婷1

（1．重慶郵電大學(xué) 教育信息化研發(fā)中心，重慶 400065；2．重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶 400065）

知識圖譜嵌入是構(gòu)建高效精準(zhǔn)知識圖譜的基礎(chǔ)，但目前大多數(shù)知識圖譜嵌入方法只注重結(jié)構(gòu)信息，而忽視或未能充分利用實體的背景信息，使得嵌入信息不夠準(zhǔn)確。為充分利用課程實體中豐富的信息以更好地將知識圖譜技術(shù)應(yīng)用于教育場景，文章設(shè)計了一種面向高校課程的知識圖譜聯(lián)合嵌入模型，包含結(jié)構(gòu)信息嵌入、目錄信息嵌入、語義約束計算、聯(lián)合嵌入四個模塊。之后，文章進行了鏈接預(yù)測實驗和實體分類實驗，來分別驗證該模型的有效性和準(zhǔn)確性，實驗結(jié)果顯示：該模型的性能良好；與現(xiàn)有模型相比，該模型嵌入的質(zhì)量和分類的效果均得到較大提升。最后，文章展望該模型可為面向課程的智能問答、路徑推薦、信息檢索和數(shù)據(jù)的可視化交互等下游教育應(yīng)用提供有力支撐，其研究將加快推動知識與數(shù)據(jù)驅(qū)動的智能化教育落地。

知識圖譜；聯(lián)合嵌入；高校課程；鏈接預(yù)測；實體分類

近年來，隨著數(shù)據(jù)資源快速增長，計算機算力不斷提高，深度學(xué)習(xí)技術(shù)也連續(xù)取得新突破，人工智能發(fā)展迎來了新的浪潮。知識圖譜作為推動人工智能從計算智能、感知智能到認知智能發(fā)展的核心驅(qū)動力，可為教育信息化2.0時代的教學(xué)改革賦能，并為智能教育信息系統(tǒng)的研發(fā)特別是個性化知識導(dǎo)航提供有效的知識信息管理[1]。教育知識圖譜以教育的相關(guān)學(xué)科知識為核心，可從知識組織、學(xué)習(xí)者認知、知識服務(wù)等不同視角進行構(gòu)建[2]。其中，面向高校課程的教育知識圖譜是從知識組織視角出發(fā)，通過圖結(jié)構(gòu)將培養(yǎng)方案中的課程組織起來，為下游任務(wù)做準(zhǔn)備。但高校課程繁多，課程的目錄信息、簡介信息、類別信息等背景信息豐富，因而課程知識圖譜規(guī)模較大，難以快速、準(zhǔn)確地捕獲課程之間的關(guān)系。而知識圖譜嵌入是將實體和關(guān)系映射到連續(xù)低維向量空間的技術(shù)，有助于提高知識圖譜構(gòu)建的效率，并可為下游任務(wù)提供語義支持。為推動課程的學(xué)習(xí)路徑導(dǎo)航、個性化課程資源推薦等應(yīng)用[3]，本研究嘗試設(shè)計能夠準(zhǔn)確計算教育知識圖譜中課程實體向量表示的知識圖譜聯(lián)合嵌入模型。該模型以課程為實體，通過定義課程實體之間的邏輯關(guān)系，形成三元組結(jié)構(gòu)信息并嵌入，再充分融合課程的目錄信息、簡介信息和類別信息，以使學(xué)習(xí)到的嵌入信息更加精準(zhǔn)，并使同類別下的課程在向量空間呈現(xiàn)出聚類效果。

一 知識圖譜聯(lián)合嵌入模型的相關(guān)研究

一般知識圖譜嵌入模型僅僅將體現(xiàn)網(wǎng)絡(luò)拓撲結(jié)構(gòu)的三元組數(shù)據(jù)映射為向量，以此計算實體和實體之間的關(guān)系。根據(jù)實現(xiàn)原理的不同，一般知識圖譜嵌入模型可以分為：①翻譯模型，是將實體之間的關(guān)系表示為嵌入在向量空間中的翻譯，即頭實體與關(guān)系作用后靠近尾實體，代表模型為TransE[4]。TransE具有簡單、高效的特點，但難以準(zhǔn)確建模知識圖譜中一對多、多對一、多對多的復(fù)雜關(guān)系。②語義匹配模型，是將實體建模為向量、關(guān)系建模為矩陣，在向量空間中匹配實體和關(guān)系的潛在語義來度量三元組的合理性，代表模型為RESCAL[5]。RESCAL含有矩陣乘法，雖比TransE的參數(shù)更多，但其對復(fù)雜關(guān)系的建模能力優(yōu)于TransE。③復(fù)平面模型，是將每個嵌入表示為實部與虛部的組合，通過評分函數(shù)度量三元組的合理性，代表模型為RotatE[6]。④幾何代數(shù)模型，是利用多級向量表示實體和關(guān)系，通過幾何乘積度量三元組的合理性，代表模型為GeomE[7]。RotatE和GemoE均適用于具有對稱/反對稱、逆和組合關(guān)系的數(shù)據(jù)，但在含有少量對稱關(guān)系或無對稱關(guān)系的數(shù)據(jù)集上的泛化能力較差。⑤神經(jīng)網(wǎng)絡(luò)模型，是將頭實體向量與關(guān)系向量拼接為二維向量，通過卷積神經(jīng)網(wǎng)絡(luò)和全連接網(wǎng)絡(luò)捕捉頭實體與關(guān)系之間的交互信息，代表模型為ConvE[8]。ConvE能更為有效、準(zhǔn)確地捕捉頭實體與關(guān)系之間的交互，但其參數(shù)較多，計算也更為復(fù)雜。

為提升嵌入的準(zhǔn)確性，在一般知識圖譜嵌入模型的基礎(chǔ)上聯(lián)合實體或關(guān)系的文本信息、類別信息等背景信息，便產(chǎn)生了知識圖譜聯(lián)合嵌入模型。例如，Xie等[9]提出集中描述知識表示學(xué)習(xí)（Description-embodied Knowledge Representation Learning，DKRL）聯(lián)合嵌入模型，該模型在TransE的基礎(chǔ)上將實體的文本描述信息聯(lián)合嵌入到實體的向量表示中，較好地提升了嵌入的準(zhǔn)確性；Xu等[10]提出適應(yīng)性長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）編碼器對文本信息編碼，捕捉文本的語義與上下文信息，在TransE的基礎(chǔ)上通過門控機制聯(lián)合文本信息與結(jié)構(gòu)信息；Yao等[11]首次提出教育知識圖譜聯(lián)合嵌入模型，通過基于變換器的雙向編碼器表征模型（Bidirectional Encoder Representation from Transformers，BERT）1BERT是將文字映射為向量表達的詞嵌入模型，能結(jié)合上下文語境來提高嵌入準(zhǔn)確度，具體請參考：https://github.com/google-research/bert。來編碼文本信息，從而實現(xiàn)更準(zhǔn)確的文本向量表示，并通過三個門控循環(huán)單元（Gate Recurrent Unit，GRU）聯(lián)合頭實體、關(guān)系、尾實體的結(jié)構(gòu)信息和文本信息，實現(xiàn)聯(lián)合嵌入。但多個GRU單元無法對一個實體進行統(tǒng)一的嵌入表示，即同一實體的頭尾嵌入可能不同，進而影響連接預(yù)測任務(wù)的性能。

由上可知，一般知識圖譜嵌入模型只考慮了結(jié)構(gòu)信息，無法實現(xiàn)精準(zhǔn)的實體向量表示。而現(xiàn)有的教育知識圖譜聯(lián)合嵌入模型未考慮課程實體特有的體現(xiàn)內(nèi)容的目錄信息、體現(xiàn)語義的簡介信息及其本身所屬的類別信息，故要實現(xiàn)對課程知識圖譜更精準(zhǔn)、高效的構(gòu)建，有必要結(jié)合課程知識圖譜中數(shù)據(jù)的結(jié)構(gòu)復(fù)雜且?guī)в忻鞔_類別特征等特點，設(shè)計新的知識圖譜聯(lián)合嵌入模型，以使背景信息實現(xiàn)更準(zhǔn)確的嵌入表示，提升實體分類任務(wù)的性能。

二 面向高校課程的知識圖譜聯(lián)合嵌入模型設(shè)計

為充分融入實體的背景信息特征，提升嵌入的表達能力，本研究針對現(xiàn)有模型的不足，設(shè)計了面向高校課程的知識圖譜聯(lián)合嵌入模型（Knowledge Graph Joint Embedding model towards University Curriculum，KGJE-UC）。KGJE-UC模型由結(jié)構(gòu)信息嵌入、目錄信息嵌入、語義約束計算、聯(lián)合嵌入四個模塊組成，如圖1所示。

1 符號定義

圖1 面向高校課程的知識圖譜聯(lián)合嵌入模型設(shè)計

2 模塊組成

（1）結(jié)構(gòu)信息嵌入模塊

結(jié)構(gòu)信息嵌入模塊用于對課程知識圖譜中體現(xiàn)結(jié)構(gòu)信息的三元組數(shù)據(jù)進行嵌入表示，是聯(lián)合嵌入的基礎(chǔ)。對于課程三元組結(jié)構(gòu)信息，本研究使用語義匹配模型RESCAL對其進行向量化表示，結(jié)構(gòu)信息嵌入的頭實體、關(guān)系、尾實體向量對應(yīng)的符號表示為h、M、t。結(jié)構(gòu)信息嵌入的評分函數(shù)定義如公式（1）所示。

f(h, t)=hMt公式（1）

（2）目錄信息嵌入模塊

h=LSTM(d,h)公式（3）

（3）語義約束計算模塊

語義約束計算模塊主要計算相同類別下兩兩課程簡介信息體現(xiàn)的語義差異，將其作為語義約束因子來約束實體在向量空間中的分布，可以提升實體分類任務(wù)的性能。對于課程簡介信息，本研究使用Sentence-BERT模型對其進行向量化表示[12]，課程頭實體、尾實體簡介向量對應(yīng)的符號表示為i、i，對其求相似度后取絕對值，得到課程簡介信息的語義相似度sim，如公式（4）所示。

為了使課程實體嵌入更加符合課程實體的分類屬性（即相同類別下課程實體向量相互靠近、達到聚類效果，同時又給予一定區(qū)分、使不同類別下課程實體向量互相疏遠），本研究在考慮課程簡介語義相似度的基礎(chǔ)上，引入語義約束矩陣WR×來約束頭實體和尾實體在向量空間中的分布。語義約束矩陣中的元素為w，表示頭實體和尾實體的語義約束因子，其計算如公式（5）所示。其中，c表示課程實體的類別，w=0表示兩門課程不屬于同一類別，即對兩門課程不做任何約束。

在最小化S的過程中，當(dāng)語義約束因子趨于1時，實體在向量空間中的距離會更加靠近，而當(dāng)語義約束因子趨于0時，其對實體在向量空間中的距離限制更小，從而使兩兩實體在互相靠近時不會過度接近。

（4）聯(lián)合嵌入模塊

聯(lián)合嵌入模塊主要是融合結(jié)構(gòu)信息嵌入、目錄信息嵌入和語義約束計算三個模塊的內(nèi)容，實現(xiàn)對課程知識圖譜結(jié)構(gòu)信息和背景信息的融合，從而達到聯(lián)合嵌入的目的。為了保證實體嵌入的一致性，本研究使用一個GRU單元對結(jié)構(gòu)信息和目錄信息向量進行融合，并通過語義約束S限制實體在向量空間中的分布，將頭尾實體分別存儲為、，關(guān)系存儲為M。以課程頭實體為例，GRU單元內(nèi)部隱藏狀態(tài)的計算如公式（7）所示。

h=GRU(h h)公式（7）

同理，要約束實體在向量空間中的分布，提升實體分類任務(wù)的準(zhǔn)確性，就需在結(jié)構(gòu)信息和目錄信息的基礎(chǔ)上融入語義約束。聯(lián)合嵌入的損失函數(shù)定義如公式（8）所示，其中n表示訓(xùn)練集中三元組的個數(shù)，L是聯(lián)合結(jié)構(gòu)信息和目錄信息，S則實現(xiàn)對課程實體向量空間的約束，使得同類別下的課程實體在向量空間互相靠近但又有所區(qū)分，超參數(shù)λ在L和S之間進行權(quán)衡。

綜上所述，本研究設(shè)計的KGJE-UC模型首先對三元組結(jié)構(gòu)信息(h,M,t)進行向量化表示，并計算課程目錄信息的向量(h,t)；然后在對課程簡介信息的向量(i,i)進行表示的基礎(chǔ)上根據(jù)課程類別信息(c,c)引入語義約束矩陣W，進而提出語義約束S；最后使用GRU單元融合課程三元組的結(jié)構(gòu)信息和目錄信息，同時聯(lián)合語義約束S訓(xùn)練模型，由此提升知識圖譜嵌入的準(zhǔn)確性和實體分類任務(wù)的性能。

三 面向高校課程的知識圖譜聯(lián)合嵌入模型的實驗分析

為驗證KGJE-UC模型的有效性和準(zhǔn)確性，本研究開展了兩個實驗：一是鏈接預(yù)測實驗，主要評價嵌入結(jié)果的有效性；二是實體分類實驗，主要評價嵌入結(jié)果中語義約束的準(zhǔn)確性。

1 數(shù)據(jù)集

本研究的實驗數(shù)據(jù)來自西南地區(qū)C大學(xué)的本科生培養(yǎng)方案，相關(guān)數(shù)據(jù)經(jīng)預(yù)處理后被存入本課題組前期建設(shè)的“課程基礎(chǔ)數(shù)據(jù)庫”[13]。從中，本研究選取計算機學(xué)院五個專業(yè)的121門課程作為研究對象。為使課程關(guān)系符合路徑導(dǎo)航任務(wù)的邏輯，根據(jù)本科生培養(yǎng)方案中課程的學(xué)期信息、類別信息以及不同課程的聯(lián)系，可將課程劃分為思政理論課、大學(xué)外語、大學(xué)體育、學(xué)科基礎(chǔ)課、專業(yè)基礎(chǔ)課、專業(yè)課六類，同時將課程關(guān)系歸納為遞進、互補、包含、平行四種。

本研究對課程知識圖譜不同數(shù)據(jù)類型的數(shù)量進行了統(tǒng)計，結(jié)果如表1所示，可以看出：課程簡介、課程目錄的數(shù)量均小于或等于課程實體的數(shù)量，這是因為實際數(shù)據(jù)中存在兩兩課程簡介相同或目錄相同的情況，也存在少部分課程目錄丟失的情況。為保證數(shù)據(jù)的一致性，實驗在進行數(shù)據(jù)處理時要求每門課程只對應(yīng)一個課程類別。

表1 課程知識圖譜不同數(shù)據(jù)類型數(shù)量的統(tǒng)計信息

2 鏈接預(yù)測實驗分析

鏈接預(yù)測是指對某個三元組給定頭實體、關(guān)系預(yù)測尾實體，或給定尾實體、關(guān)系預(yù)測頭實體，能直接反映模型對知識圖譜嵌入的質(zhì)量。為了比較不同模型的性能，本研究針對每個測試集中的三元組()，分別計算()和()，其中來源于實體集合E。

實驗一以平均排名（Mean Rank，MR）、平均倒數(shù)排名（Mean Reciprocal Rank，MRR）和前k命中率（Hits@k）作為評價指標(biāo)。一個測試集中的三元組()可能存在一個或多個()和()都為正三元組的情況，會嚴(yán)重影響評價結(jié)果，故本研究默認過濾掉()和()都為正三元組的情況，再統(tǒng)計所有指標(biāo)數(shù)據(jù)。MR越靠前，MRR就越靠后、Hits@k就越高。

為驗證KGJE-UC模型的有效性，本研究選取翻譯模型TransE、語義匹配模型RESCAL、復(fù)平面模型RotatE、神經(jīng)網(wǎng)絡(luò)模型ConvE、教育知識圖譜聯(lián)合嵌入模型五個模型為基線模型。實驗一對課程目錄信息嵌入時，統(tǒng)一設(shè)置課程章節(jié)數(shù)目為J=7，每個章節(jié)下詞的數(shù)量為K=5。不同模型的鏈接預(yù)測結(jié)果如表2所示，可以看出：KGJE-UC模型在各項指標(biāo)上的性能均優(yōu)于TransE和RESCAL模型，特別是在MR、Hits@10、Hits@3和Hits@1指標(biāo)上的性能最優(yōu)；RESCAL的各指標(biāo)性能均優(yōu)于TransE，這是由于數(shù)據(jù)集中存在大量的復(fù)雜關(guān)系，通過矩陣建模三元組中的關(guān)系，使得模型的泛化能力更強；RotatE在復(fù)平面通過旋轉(zhuǎn)的方式建模課程頭實體和課程尾實體之間的邏輯關(guān)系，其在各指標(biāo)的性能均優(yōu)于RESCAL；ConvE模擬頭實體與關(guān)系的交互，具有最優(yōu)的MRR指標(biāo)性能；教育知識圖譜聯(lián)合嵌入模型通過GRU單元擬合文本和結(jié)構(gòu)信息，在MR、Hits@10、Hits@3、Hits@1四個指標(biāo)上的性能均優(yōu)于除ConvE外的其他四個基線模型。

表2 不同模型的鏈接預(yù)測結(jié)果

3 實體分類實驗分析

實體分類是一種以預(yù)測實體類型為目標(biāo)的多標(biāo)簽分類。在數(shù)據(jù)集中，每一門課程實體都存在唯一對應(yīng)的實體類別。實驗二首先將實體的嵌入向量作為特征，輸入由Scikit-learn實現(xiàn)的支持向量機分類器[19]，然后將訓(xùn)練集和測試集的比例設(shè)置為5:5、6:4、7:3，最后使用5折交叉驗證的平均值作為最終的分類結(jié)果。

不同模型的實體分類結(jié)果如表3所示，可以看出：隨著訓(xùn)練集與測試集的比例上升，所有模型的準(zhǔn)確率都有不同程度的提升。TransE、RESCAL、RotatE、ConvE四個基線模型僅僅考慮了結(jié)構(gòu)化信息，而在實體分類實驗中的性能不突出。另外，五個基線模型均未單獨考慮實體的類別信息，但KGJE-UC通過語義約束將實體的類別屬性嵌入到向量表示中，調(diào)整了實體在向量空間中的分布，這使得此模型在實體分類實驗中的性能最優(yōu)。

表3 不同模型的實體分類結(jié)果

四 面向高校課程的知識圖譜聯(lián)合嵌入模型的教育應(yīng)用展望

上述實驗表明，KGJE-UC能夠提供更有效、更精準(zhǔn)的嵌入向量和分類特征。基于此，結(jié)合知識圖譜嵌入的降低數(shù)據(jù)稀疏性、提供語義支持、提高計算效率等優(yōu)勢，KGJE-UC可為面向課程的智能問答、路徑推薦、信息檢索和數(shù)據(jù)的可視化交互等下游教育應(yīng)用提供有力的支撐。

①面向課程的智能問答：在虛擬學(xué)習(xí)空間中，智能問答能夠輔助師生互動答疑，有利于推動教育元宇宙相關(guān)應(yīng)用的落地。而KGJE-UC能提升智能問答系統(tǒng)回答的精準(zhǔn)性和響應(yīng)的迅捷度，并可通過嵌入課程領(lǐng)域的背景知識，進一步豐富教育元宇宙的知識庫，推動人工智能技術(shù)與教育場景的融合，促進智慧教育應(yīng)用的普及。

②面向課程的路徑推薦：基于知識圖譜技術(shù)的課程學(xué)習(xí)路徑推薦使得推薦結(jié)果具有可解釋性，而KGJE-UC的應(yīng)用將使這種推薦更加精準(zhǔn)、高效。通過KGJE-UC推薦的課程學(xué)習(xí)路徑，學(xué)習(xí)者可獲得有針對性的指導(dǎo)和適合自己的學(xué)習(xí)資源，從而便于學(xué)習(xí)者開展自主學(xué)習(xí)。

③面向課程的信息檢索：信息檢索服務(wù)可以方便師生從海量的課程資源中檢索到自己所需的各種信息，而KGJE-UC可為師生提供高效的知識查詢工具。利用KGJE-UC，師生可以更快更準(zhǔn)確地檢索出課程的簡介、目錄、類別等信息，從而提高工作與學(xué)習(xí)的效率。

④課程數(shù)據(jù)的可視化交互：KGJE-UC的語義約束計算功能可為課程嵌入標(biāo)注類別特征，實現(xiàn)同類課程、相似課程的聚類，這有助于進行課程的可視化展示交互，使教學(xué)管理者可以直觀地掌握培養(yǎng)方案的課程建設(shè)情況，教師可以更好地規(guī)劃備課、授課的內(nèi)容，而學(xué)習(xí)者可以更好地決策選課、修課的路徑。

[1]李振,周東岱,王勇.“人工智能+”視域下的教育知識圖譜:內(nèi)涵、技術(shù)框架與應(yīng)用研究[J].遠程教育雜志,2019,(4):42-53.

[2]李振,周東岱.教育知識圖譜的概念模型與構(gòu)建方法研究[J].電化教育研究,2019,(8):78-86、113.

[3]高嘉騏,劉千慧,黃文彬.基于知識圖譜的學(xué)習(xí)路徑自動生成研究[J].現(xiàn)代教育技術(shù),2021,(7):88-96.

[4][14]Bordes A, Usunier N, Garcia-Duran A, et al. Translating embeddings for modeling multi-relational data[A]. Proceddings of 26th International Conference on Neural Information Processing System-Volume 2[C]. Neveda: ACM Press, 2013:2787-2795.

[5][15]Nickel M, Tresp V, Kriegel H P. A three-way model for collective learning on multi-relational data[A]. The International Conference on Machine Learning[C]. Bellevue, Washington: ICML Press, 2011:809-816.

[6][16]Sun Z, Deng Z, Nie J, et al. RotatE: Knowledge graph embedding by relational rotation in complex space[A]. International Conference on Learning Representations[C]. New Orleans: ICLR Press, 2019:1-18.

[7]Xu C, Nayyeri M, Chen Y Y, et al. Knowledge graph embeddings in geometric algebras[A]. Proceedings of the 28th International Conference on Computational Linguistics[C]. Barcelona: ACL Press, 2020:530-544.

[8][17]Dettmers T, Minervini P, Stenetorp P, et al. Convolutional 2D knowledge graph embeddings[A]. Proceedings of the 32nd AAAI Conference on Artificial Intelligence[C]. New Orleans, USA: AAAI Press, 2018:1811-1818.

[9]Xie R, Liu Z, Jia J, et al. Representation learning of knowledge graphs with entity descriptions[A]. Proceedings of the Thirtieth AAAI Conference on Artificial Intelligence[C]. Phoenix: AAAI Press, 2016:2659-2665.

[10]Xu J, Qiu X, Chen K, et al. Knowledge graph representation with jointly structural and textual encoding[A]. Proceedings of the 26th International Joint Conference on Artificial Intelligence[C]. Melbourne: AAAI Press, 2017:1318-1324.

[11][18]Yao S, Wang R, Sun S, et al. Joint embedding learning of educational knowledge graphs[A]. Artificial Intelligence Supported Educational Technologies[C]. Cham: Springer, 2020:209-224.

[12]Reimers N, Gurevych I. Sentence-BERT: Sentence embeddings using siamese BERT-Networks[A]. Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing[C]. Hong Kong: ACL Press, 2019:3982-3992.

[13]熊余,儲雯,蔡婷,等.高校教育大數(shù)據(jù)應(yīng)用支撐體系的設(shè)計與實踐[J].現(xiàn)代教育技術(shù),2020,(11):91-97.

[19]Bisong E. Introduction to scikit-learn[A]. Building Machine Learning and Deep Learning Models on Google Cloud Platform[C]. Berkeley: Apress, 2019:215-229.

Research on the Joint Embedding Model of Knowledge Graphs Oriented to University Curriculums

XIONG Yu1ZHANG Yu2YAN Ming-he2CAI Ting1

The embedment of knowledge graphs is the foundation for the construction of efficient and accurate knowledge graphs.However, most knowledge graph embedding methods only focus on structural information, but neglect or fail to make full use of entity background information, resulting in the inaccuracy of embedding information. In order to make full use of the abundant information in the curriculum entity and better apply the knowledge graph technology to the educational scene, the joint embedding model of knowledge graphs oriented to university curriculums was designed in this paper, which included four modules of structure information embedding, directory information embedding, semantic constraint calculation, and joint embedding. Then,the link prediction experiment and the entity classification experiment were conducted to verify the validity and accuracy of the model. Experimental results showed that the model had good performance, and the embedding quality and the classification effect of this model were greatly improved, as compared with the existing models. Finally, the strong support of the model for downstream education applications such as intelligent question answering, path recommendation, information retrieval and visual interaction of data oriented to curriculums was expected, and the research of this paper could accelerate the implementation of knowledge and data-driven intelligent education.

knowledge graph; joint embedding; university curriculums; link prediction; entity classification

G40-057

A

1009—8097（2022）11—0110—08

10.3969/j.issn.1009-8097.2022.11.013

本文受全國教育科學(xué)規(guī)劃國家一般項目“人工智能與教育深度融合的政策體系研究”（項目編號：BGA210055）、重慶市技術(shù)創(chuàng)新與應(yīng)用發(fā)展專項重點項目“智能化教育評價關(guān)鍵技術(shù)研發(fā)與應(yīng)用”（項目編號：cstc2021jscx-gksbX0059）資助。

熊余，研究員，博士，研究方向為人工智能與智慧教育，郵箱為xiongyu@cqupt.edu.cn。

2022年3月29日

編輯：小米