基于知識圖譜的神經網絡與深度學習課程教學改革

摘要：針對神經網絡與深度學習課程教學中存在的知識點關聯度不足、知識脈絡不清晰等問題，本文提出一種基于知識圖譜的教學方法。首先，構建了包含課程知識、教學內容等實體的課程知識圖譜。隨后，從教師備課、授課、評估以及學生預習、聽講、復習等方面，探討了知識圖譜在該課程教學中的應用。實踐表明，該方法有助于提高教師教學和學生學習質量，為相關課程教學改革提供有益借鑒。

關鍵詞：知識圖譜；課程教學；神經網絡；深度學習

中圖分類號：G642 文獻標識碼：A

文章編號：1009-3044（2025）04-0167-03 開放科學（資源服務） 標識碼（OSID） ：

0 引言

知識圖譜是一種數據建模技術，通過將大量數據表示為圖的形式，以便描述現實世界中各種實體及其之間的關系[1]，其中圖中節點表示實體，圖中邊表示實體之間的關系。可以發現，知識圖譜包含了豐富的知識。通過挖掘和利用這些知識，人們可以更加高效地獲取所需信息，實現更加智能的決策和應用。隨著人工智能技術的推動以及實際應用的需求，知識圖譜受到了工業和學術界的廣泛關注，并已成功應用于諸多領域[2-4]。

在教育領域應用的知識圖譜，稱為教育知識圖譜[5]。本質上，教育知識圖譜是一種語義網絡，其中，包含了大量多模態的教育資源、知識，以及它們之間的關系。從教師教學和學生學習角度出發，教育知識圖譜的優點主要有：1） 知識整合與呈現；2） 個性化教學支持；3） 教學資源關聯與創建；4） 學習路徑優化；5） 學習診斷與反饋；6） 學習興趣激發。通常，教育知識圖譜可細分為學科知識圖譜和課程知識圖譜，前者能夠揭示學科領域內的知識結構和體系，后者能夠展示某一課程的知識結構。

對于人工智能專業，神經網絡與深度學習課程是極其重要的，體現在數據驅動的決策、自動化和智能化、醫療健康、自動駕駛、個性化推薦領域。比如，在大數據時代，神經網絡和深度學習提供了一種強大的工具，能夠從海量數據中提取有價值的信息和模式，幫助企業和組織做出更加精準的決策。該課程不僅是學生掌握現代人工智能技術的基礎，而且是他們理解和應用人工智能前沿技術的關鍵。近年來，眾多學者從自身教學經驗出發，針對該課程教學做出了若干改革探索與實踐[6-7]。但是，該課程的現有教學方式仍存在諸多不足之處：1） 知識點關聯度不足，現有的教學方式往往按照章節進行知識傳授，忽略了知識點之間的內在聯系；2） 知識脈絡缺乏梳理，現有的教學方式普遍缺乏對知識脈絡的清晰梳理，導致學生難以把握學習的重點和難點，如在教授深度學習時，教師可能會直接跳入復雜的網絡架構，如循環神經網絡或長短時記憶網絡，而沒有先從基礎的神經網絡概念和原理講起；3） 實踐與理論脫節，現有的教學方式往往割裂它們，導致學生無法將理論有效應用于實際項目中，如學生可能在課堂上學習了理論知識，但在實際操作中，如何選擇合適的網絡架構、調參等實踐技能往往需要大量的經驗積累；4） 學生缺乏自主學習能力，現有的教學方式一般過于注重知識的傳授，忽視了培養學生的自主學習能力。

鑒于此，本文旨在構建神經網絡與深度學習課程知識圖譜，并將其應用于該課程教學實踐，以提高教學質量和學生學習效果。本文的主要貢獻為：1） 根據神經網絡與深度學習課程的特點，構建該課程知識圖譜，方便教師教學和學生學習；2） 探索了基于知識圖譜的該課程教學模式，展示該課程教學的成效。

1 相關研究

本節從兩個方面總結已有的研究工作：知識圖譜應用、課程教學改革。在此基礎上，引出本文的研究動機。

1.1 知識圖譜應用

知識圖譜的概念最早由Google公司于2012年提出，目的是利用知識庫提高搜索引擎的性能，為用戶提供更智能、更精準的搜索結果[5]。自提出以來，知識圖譜經歷了快速發展和廣泛應用。席運江等[2]基于尋醫問藥網糖尿病的問答文本和社區用戶的健康需求構建中文在線醫療社區問答內容知識圖譜，綜合利用了BERT、BiLSTM、CRF等多種知識圖譜前沿技術，挖掘其中醫療知識，從而推動社區知識發現和在線智能健康服務。陳明等[8]基于醫療知識圖譜設計智能問答系統，該系統融合了圖譜醫療知識的命名實體識別模型，提高了智能問答系統對用戶輸入自然語言問句的語義理解能力。Wang等[9]在新聞推薦中引入知識圖譜，通過注意力模塊捕捉用戶的動態偏好。宿愷等[3]基于多模態知識圖譜的結構特性，給出了多模態商品知識圖譜構建方法的流程。黎才茂等[10]基于知識圖譜構建多粒度社交網絡用戶畫像，以便精準定位每一多粒度社交用戶的屬性特征，提高算法的重建質量。

調查發現，知識圖譜是人工智能的關鍵技術，具有廣泛的應用前景。基于此，本文提出基于知識圖譜的神經網絡與深度學習課程教學，以便提高教師教學和學生學習的質量。

1.2 課程教學改革

課程教學涵蓋了教育過程中的多個方面，包括課程設計、教學方法、教學材料、評估方式等，其主體是教師和學生。一個成功的課程教學不僅需要教師具備豐富的專業知識和教學技能，還需要他們根據學生的需求和特點有針對性的教學。

目前，許多學者基于某一課程對課程教學方式進行了若干研究，主要分為傳統課程教學研究和基于知識圖譜的課程教學研究。對于傳統課程教學研究，鄒德旋等[11]研究了數字信號處理課程教學，其中，對于教師，從前期資料搜集、中期授課、后期答疑等方面高質量地完成該課程教學；對于學生，應認真學習課程內容，多做習題，并虛心向老師請教，提高該課程學習的成績。徐森等[12]探索了編譯原理的教學方法，主要從三個方面入手，分別是精心選擇教學內容、激發學生的學習興趣，以及加強實驗教學環節。

對于基于知識圖譜的課程教學研究，陳建輝等[5]構建了高級語言程序設計知識圖譜，并從教學內容和教學技術兩個方面，闡述了知識圖譜在教學實踐中的應用。楊文霞等[4]介紹了面向智慧教育的課程知識圖譜的建設與應用實踐，其中，以武漢理工大學線性代數課程為例，進行了兩期教學實踐，結果表明，基于知識圖譜的智慧教育，能夠為學生提供個性化的學習方案。伍宏玨[13]提出構建一個軟件工程課程知識圖譜可視化的課程教學方法，該方法能夠展示不同知識點之間的關系，使學生清晰地熟悉課程知識體系，從而激發學生的學習興趣。

可以發現，雖然課程教學改革的研究取得了一些進展，但是，該研究的相關成果并不全面。此外，基于知識圖譜的課程教學研究受到了很大青睞。但是，針對神經網絡與深度學習課程教學，到目前為止，缺少知識圖譜的應用研究。基于此，本文將研究基于知識圖譜的該課程教學。

2 神經網絡與深度學習課程知識圖譜的構建

2.1 總體框架

構建神經網絡與深度學習課程知識圖譜時，首先，進行充分的數據準備，包括非結構化和半結構化數據，為后續該課程知識圖譜的構建過程奠定基礎；然后，構建該課程的本體，以便確定該課程相關的核心概念及其關系；其次，基于構建的該課程本體，進行知識抽取；接著，進行知識加工，以便提高該課程知識圖譜數據庫的質量；最后，進行該課程知識圖譜的可視化展示，以便幫助學生更清晰地理解知識點之間的關系和結構。構建神經網絡與深度學習課程知識圖譜的框架如圖1所示。

2.2 數據準備

收集神經網絡與深度學習課程數據時，數據主要分為非結構化和半結構化數據。對于非結構化數據，主要來自權威教材，如邱錫鵬的《神經網絡與深度學習》[14]，教學大綱，課程思政案例，教學要求，課程文獻等。其中，對于紙質材料，通過文字識別軟件進行數字化轉換；對于在線資源，主要借助網頁爬蟲技術批量獲取。對于半結構化數據，主要來自中國大學MOOC相關課程、百度百科、搜狗百科等。

進一步，對上述數據進行預處理，包括數據清洗、去除停用詞、分詞和詞性標注，形成課程數據集。

2.3 本體構建

課程本體是指課程相關的核心概念及其關系，基于課程內容，可將課程核心概念劃分為以下類型。

1） 課程知識，主要指課程涉及的概念，如基本概念、語法、規則等。

2） 教學目標，明確學生完成課程后應達到的預期效果。

3） 教學內容，指課程涉及的具體知識、技能等。

4） 教學方式，用于傳授課程內容的教學策略或技巧。

5） 考核方式，用于衡量學生是否達到教學目標的標準。

6） 教學資源，課程所需的教學、學習資源相關概念，包括書籍、文獻、視頻、音頻、網站、應用程序等。

目前，廣泛采用開源軟件Protégé[15]來構建課程本體。

2.4 知識抽取

知識抽取包括知識實體識別及其關系挖掘，前者是自然語言處理中的一個重要任務，目的是從文本中準確識別出特定的實體。進一步，根據神經網絡與深度學習課程的特色，本文將知識實體之間的關系分為包含、要素和關聯三種。

對于兩個知識實體，包含關系是指兩個課程知識實體之間具有從屬關系。對于一個知識實體，該實體可能由多個構成要素組成。此外，知識實體關聯關系是指兩個課程知識實體之間存在相關性。

為了高效提取知識實體及其關系，本文采用基于深度學習的方法[5]。

2.5 知識加工

容易知道，知識圖譜構建過程中，非結構化的知識文本可能存在模糊和重復的數據，嚴重影響了知識圖譜數據庫的質量。基于此，本文對知識文本進行加工，主要涉及知識實體消歧和共指消解[4]，前者針對同名實體指代不同客觀事物的問題，后者則用于處理多種表達方式表示同一實體的問題。

2.6 知識圖譜可視化

知識圖譜可視化是將知識圖譜數據轉化為直觀易懂的圖，通過將知識實體及其關系組織在一起，形成一個圖形化的知識網絡，使學生能夠更直觀地理解知識的關聯性和結構。圖2展示了神經網絡與深度學習課程部分知識圖譜。

3 基于知識圖譜的神經網絡與深度學習課程教學

神經網絡與深度學習課程教學的目的是讓學生熟練掌握該課程的理論，并能夠運用這些理論知識到實際工程中。容易知道，該課程教學過程主要涉及教師和學生兩個主體。為了提高教師教學和學生學習質量，本文采用了基于知識圖譜的神經網絡與深度學習課程教學。下面，將從這兩方面進行基于知識圖譜的該課程教學實踐。

對于教師教學，將從教師備課、授課、評估三方面闡述基于知識圖譜的神經網絡與深度學習課程教學。

1） 教師備課，教師能夠利用知識圖譜構建系統的知識體系，確定教學重點。

2） 教師授課，教師在課堂上能夠以圖的方式清晰地展示知識點之間的關聯關系，并利用知識圖譜進行互動式教學，引導學生參與討論。

3） 教師評估，教師可以進行教學過程、學生學習行為、學生學習效果等全過程的實時跟蹤，建立多維教學質量評價指標。

對于學生學習，將從課前預習、課中聽講、課后復習三方面闡述基于知識圖譜的神經網絡與深度學習課程教學。

1） 學生課前預習，學生可以清晰地看到課程中的關鍵知識點和它們之間的關系，形成一個明確的學習路徑。

2） 學生課中聽講，學生可以在知識圖譜上標注自己的疑問或難點，與其他同學或老師進行討論和交流。

3） 學生課后復習，通過回顧知識圖譜中的知識點及其關系，有助于加深理解課程內容，提高學習效果。

4 結論

神經網絡與深度學習是人工智能領域的必修課程，創新課程教學方式，有助于提高教學質量，激發學生的學習興趣和熱情。鑒于此，本文采用基于知識圖譜的該課程教學。首先，構建神經網絡與深度學習課程知識圖譜，主要包括數據準備、本體構建、知識抽取、知識加工、知識圖譜可視化。然后，進行基于知識圖譜的該課程教學實踐，從教師教學和學生學習兩方面闡述知識圖譜在該課程教學中的應用。后續我們將不斷完善神經網絡與深度學習課程知識圖譜，并將其應用到其他課程教學。

參考文獻：

[1] 顏慧. 混合式教學中課程知識圖譜的構建與應用研究[J]. 電腦知識與技術， 2024，20（2）：175-177.

[2] 席運江， 李曼， 鄧雨珊， 等. 中文在線醫療社區問答內容知識圖譜構建研究[J]. 圖書情報工作，2024，68（4）：124-136.

[3] 宿愷， 潘晨輝. 電商領域多模態商品知識圖譜構建研究[J].現代電子技術，2023，46（20）：173-177.

[4] 楊文霞， 王衛華， 何朗， 等. 知識圖譜賦能智慧教育的研究與實踐：以武漢理工大學“線性代數”課程為例[J]. 高等工程教育研究，2023（6）：111-117.。

[5] 陳建輝， 栗覓《. 高級語言程序設計》課程知識圖譜構建及其在教學實踐中的應用[J]. 電子元器件與信息技術，2023，7（12）：205-208.

[6] 羅秀麗， 陳平. 產教融合背景下“神經網絡與深度學習”課程教學改革[J]. 工業和信息化教育，2022（11）：17-21.

[7] 李睿凡， 王小捷， 鐘義信. 探索神經網絡深度學習的教學[J].計算機教育，2014（19）：77-79.

[8] 陳明， 劉蓉， 熊回香. 基于醫療知識圖譜的智能問答系統研究[J]. 情報科學，2023，41（12）：118-126.

[9] WANG H， ZHANG F， XIE X， et al. DKN： Deep knowledgeawarenetwork for news recommendation[C]. Proceedings of the2018 World Wide Web Conference International World WideWeb Conferences Steering Committee，2019：1835-1844.

[10] 黎才茂， 陳少凡， 林成蓉， 等. 基于知識圖譜的多粒度社交網絡用戶畫像構建方法[J]. 吉林大學學報（工學版），2022，52（12）：2947-2953.

[11] 鄒德旋， 李洪美， 王曉燕.“ 數字信號處理”課程教學研究[J]. 電氣電子教學學報，2021，43（4）：89-93.

[12] 徐森， 徐靜， 曹瑞.“ 編譯原理”教學方法初探[J]. 科教文匯，2015（13）：79-80.

[13] 伍宏玨. 軟件工程知識圖譜的構建與應用研究[J]. 信息與電腦，2023（17）：247-249.

[14] 邱錫鵬. 神經網絡與深度學習[M]. 機械工業出版社，2020.

[15] Protégé. A free， open-source ontology editor and frameworkfor building intelligent systems[EB]. https：//protege.stanford.edu/.

【通聯編輯：王力】

基金項目：江蘇省高等教育教改研究項目（2023JSJG399） ；江蘇省學位與研究生教育教學改革項目（JGKT24_C088） ；江蘇高校品牌專業建設工程資助項目；江蘇省高校“高質量公共課教學改革研究”專項課題（2022JDKT110） ；教育部產學合作協同育人項目（230704422221100、220505384212000）