基于知识图谱的伤寒论课程学习资源推荐模型

摘 要：结合知识图谱和个性化资源推荐算法，实现伤寒论课程学习资源的个性化推荐，帮助学习者更有效地学习。利用前期研究的知识图谱，融合课程本体知识，构建伤寒论课程知识图谱。在此基础上，结合协同过滤和基于路径的推荐算法，设计混合推荐算法，按相似度排序推荐学习资源给用户。提供形式化的知识表示方法和组织模型，满足个性化学习需求，为学习者提供符合其学习路线的资源，实现精准推送。该模型能够有效地解决伤寒论课程教学中存在的“晦涩难读懂、枯燥难专注、教学难互动”的问题，有助于学习者更好地学习伤寒论课程。

关键词：课程知识图谱；伤寒论；资源推荐算法；个性化学习

中图分类号：TP391.3 文献标识码：A 文章编号：2096-4706（2024）16-0182-07

Learning Resource Recommendation Model of Treatise on Febrile Diseases Course Based on Knowledge Graph

Abstract： Combined with the knowledge graph and personalized resource recommendation algorithm， the personalized recommendation of the course learning resources of Treatise on Febrile Diseases is realized to help learners learn more effectively. The knowledge graph in the early research is used to integrate the knowledge of the course ontology to construct the course knowledge graph of Treatise on Febrile Diseases. On this basis， combined with collaborative filtering and path-based recommendation algorithms， a hybrid recommendation algorithm is designed to recommend learning resources to users according to similarity ranking. It provides formal knowledge representation methods and organizational models to meet personalized learning needs， provides learners with resources that are in line with their learning paths， and achieves accurate push. This model can effectively solve the problems of “obscure and difficult to read， boring and difficult to focus， and difficult to interact in teaching” in the course teaching of Treatise on Febrile Diseases， which is helpful for learners to better learn the course of Treatise on Febrile Diseases.

Keywords： course knowledge graph; Treatise on Febrile Diseases; resource recommendation algorithm; personalized learning

0 引 言

《伤寒论》作为一部重要的中医经典，被誉为“启万世之法程，诚医门之圣书”[1]，是中医药院校中医类专业的核心课程。当前，成果导向教育（Outcomes-Based Education， OBE）理念已成为高校教学改革的热点[2]，与传统的高等教育理念相比，OBE理念更加重视学生的学习目标和学习成果。然而，在伤寒论课程的实际教学中，普遍存在“晦涩难读懂、枯燥难专注、教学难互动”的问题，不利于学生掌握伤寒论课程知识，阻碍了学习目标的达成。

本文在前期研究的伤寒论知识图谱[3]基础上，融合课程本体知识来构建伤寒论课程知识图谱，在此基础上制定符合学习者学习目标和学习习惯的学习路径，设计基于内容和协同过滤的混合推荐算法，从而构建面向伤寒论课程的个性化学习资源推荐模型，以此来向学习者推荐符合其学习偏好、知识联系紧密且形式多样的学习资源，帮助学习者更好的学习伤寒论课程。

1 相关研究

知识图谱（Knowledge Graph， KG）是一种描述现实世界中客观存在的实体及其相互关系的知识网络[4]，实体特性采用“属性-值”对（Attribute-Value Pair， AVP）的形式来表示，实体之间关系采用网络中的边来表示。它能够形成对领域知识的共同理解，实现知识的表示、共享与重用。知识图谱概念自2012年由Google正式提出并发布知识图谱项目[5]以来，已在智能搜索、深度问答、决策支持等方面得到广泛应用。

课程知识图谱旨在构建面向特定课程的知识图谱，提供形式化的课程知识表示和知识组织模型。相关文献[6-10]强调了课程知识图谱的重要性以及具体构建过程，并深入探讨了课程知识图谱在教学中的应用。Gao等人[6]指出在传统的教学环境中，部分学生的知识结构呈碎片化，缺乏内在的联系，因此无法对知识进行系统性理解，而课程知识图谱的优势在于以语义网络的形式展现知识点的结构关系和分布情况。郎亚坤等人[7]和张春霞等人[8]对课程知识本体和课程知识图谱构建方法进行了详细研究。Lang等人[9]和黄焕等人[10]分别基于课程知识图谱开发了个性化知识点推荐系统和适应性学习系统。

推荐算法主要包括基于内容的方法[11]和基于协同过滤的方法[12]。然而，这些算法存在用户冷启动、数据稀疏、推荐结果缺乏解释性和新颖性等问题。近年来，研究者开始借助知识图谱改进推荐系统，以实现更加精准的个性化推荐。与传统方法相比，基于知识图谱的推荐方法具有更强的解释性，并能有效解决新用户冷启动和数据稀疏的问题。根据知识图谱与推荐方法结合方式的不同，可以得到不同的分类结果。常亮等人[13]将基于知识图谱的推荐方法分为基于本体的推荐生成方法、基于开放链接数据的推荐生成方法和图嵌入的推荐生成方法；秦川等人[14]将之分为基于嵌入的知识图谱信息挖掘方法和基于路径的知识图谱信息挖掘方法；朱冬亮等人[15]将之分为基于链接的推荐方法、基于嵌入的推荐方法和基于混合的推荐方法。

本文将知识图谱与资源推荐算法相结合，以实现对伤寒论课程学习资源的个性化推荐。通过优化推荐结果和学习路径，能够帮助学习者更精准地获取所需的课程内容。

2 伤寒论课程知识图谱

本文以伤寒论课程为研究对象，采用自顶向下方式来构建伤寒论课程知识图谱，首先通过构建伤寒论课程本体来实现伤寒论课程知识图谱模式层的构建，然后将实体加入知识库，完成数据层的构建。伤寒论课程本体包括《伤寒论》原文内容本体和课程内容本体。

《伤寒论》原文内容本体在前期研究的伤寒论知识图谱[3]基础上进行扩展，定义了疾病、证候、症状、方剂、治法、中药六种语义类型，形成十四种语义关系及其约束关系。伤寒论课程内容本体则以全国中医药行业高等教育“十四五”规划教材《伤寒论选读（新世纪第5b589a9bcb69f4c56d19c9b1fb8c58f1840a83c7e3909f371ec801be6a8a164e9版）》[16]为主要数据源，将伤寒论课程内容划分为课程、章、节、知识点四类知识单元，从中抽取并归纳了伤寒论课程内容中的各种概念及概念间的关系。这些知识单元被视作概念，并通过上下位关系、顺序关系和关联关系来描述概念之间的横纵向关系。上下位关系代表着概念间的层次结构，例如一章包含多节，一节有多个知识点；“章—章”“节—节”和“知识点—知识点”则存在着顺序关系，意味着学习需要按照一定顺序进行，从而确保学习过程的有序性；关联关系则表示某些知识点在内容或主题上的相关性，因此可以一同学习。通过《伤寒论》原文内容本体和伤寒论课程内容本体的构建，本文完成了伤寒论课程本体的构建。

为了构建伤寒论课程知识图谱数据层，本文基于伤寒论课程知识图谱模式层所确立的语义类型和语义关系，在中医经方专家指导下采用人工模式从教材中抽取实体，并构建概念与实体之间的链接。例如，首先抽取实体“表郁轻证+桂枝二麻黄一汤证”，然后利用语义关系“rdf：type”将之与概念“表郁轻证”相连；进一步抽取“药物疗法”“桂枝二麻黄一汤”“寒热往来”“周身瘙痒”“汗出”“太阳病”等实体，并通过“治疗”“现象表达”“同时发生”等语义关系来建立链接，如图1所示。

3 个性化资源推荐算法

3.1 算法构建

为了实现《伤寒论》学习资源的个性化推荐，本文将资源推荐算法与知识图谱结合起来，以便根据学习者的兴趣、水平和学习风格来推荐学习资源。在学习课程期间，学生需要依据知识之间的关联按照特定的顺序进行学习，因此推荐算法需要依据教学大纲和学生需求进行知识点和学习资源的推荐。当学生尚未完全掌握当前知识点时，推荐算法应为其提供相应的学习资源；否则，推荐算法应依据伤寒论课程知识图谱为其推荐下一个知识点及其相应学习资源。

为实现这一目标，本文将传统的协同过滤算法与基于路径的推荐算法进行级联混合，设计了一种基于伤寒论课程知识图谱的混合推荐算法，具体思路如下：

首先，提取学生当前所学内容的实体，作为基于路径的推荐算法的输入，利用知识图谱中实体之间的关系，运用基于路径的推荐算法计算最短路径，推荐与学生当前所学知识内容相关的一系列实体；其次，按照特定顺序对推荐结果进行排列形成推荐实体列表，将顺序关系指向的实体（下一个知识点）放在列表最后一位；再次，判断当前实体是否为推荐实体列表最后一项，若是，表明学生已掌握当前知识点，此时将该实体输入到基于路径的推荐算法中，生成下一个知识点的推荐实体列表，反之则进行协同过滤推荐，这种方式有助于学生有条理地学习相关知识；最后，通过协同过滤算法计算目标项与其他项之间的余弦相似度，根据相似度从高到低对推荐结果排序，然后在数据库中找出与推荐实体相关的学习资源。该过程能够确保学生获取与其学习需求相匹配的资源，从而提升学习效果。

经过以上步骤，得到一个推荐结果集。下面给出基于知识图谱的混合推荐算法描述：

3.2 有效性分析

3.2.1 数据收集

《伤寒论》学习资源数据集包含2 817份数据，其中图片类数据1 123份，文本类数据983份，视频类数据511份。采集文本、图片和视频形式的伤寒论学习资源。文本资源包括伤寒论原文、解读等文字内容；图片资源包括病案图片、经络图等图像资料；视频资源涵盖专家讲解、实际案例演示等多媒体内容。数据源来自哔哩哔哩、知乎、豆瓣平台的用户公开数据，严格按照平台的robot.txt协议进行爬取，并未涉及任何个人隐私。统计数据集前24个高频词的分布，结果如表1所示。

3.2.2 实验过程

实验过程如下：

1）数据预处理。在完成数据收集后，将对其进行简单预处理，包括标准化文本格式、调整图片大小和质量，以及确保视频文件格式的统一性。

2）特征提取。通过分析文件名称，提取关键词作为输入，用于推荐算法。这些关键词可反映文件的内容，例如“桂枝”“麻黄”等词汇，以便更准确地推断文件的特征和用途。

3）结合课程知识图谱。通过Python的py2neo框架连接nei4j图数据库，从而可以编写Python代码来执行各种图数据库操作，读取伤寒论课程知识图谱实体标签、名称以及语义关系等重要信息，为基于路径的推荐算法提供输入。

4）模拟推荐。模拟用户进行学习资源推荐的过程，通过比较基于内容的推荐算法、基于协同过滤的推荐算法以及本文设计的基于课程知识图谱的混合推荐算法的推荐结果，对其进行对比评估。验证本文设计的混合推荐算法在推荐学习资源方面的适用性和有效性。

3.2.3 算法评估

采用召回率、准确率等评估指标，对基于内容的推荐算法、基于协同过滤的推荐算法以及本文设计的混合推荐算法进行全面的对比分析。通过这些评估指标的综合考量，能够客观地评估各个算法在推荐学习资源时的性能表现，评估结果如图2所示。

3.2.4 实例验证

本文通过对比基于内容的推荐算法、基于协同过滤的推荐算法以及基于知识图谱的混合推荐算法，对伤寒论学习资源数据集进行了实例验证。例如，当前学习内容为“桂枝二麻黄一汤证”，分别采用上述三种推荐算法后所得到的图片类、文本类和视频类资源集如表2所示。

从表2中可以看出，三种推荐算法的推荐结果均包含相关知识点“桂枝麻黄各半汤证”和“桂枝二麻黄一汤证”，但传统推荐算法（基于内容的推荐算法和协同过滤算法）的推荐结果还包含当前不需要学习的太阳蓄血证和不相关的五苓散方、茯苓甘草汤等知识点。与此同时，基于知识图谱的混合推荐算法的推荐结果则包含与当前知识点相关的、来自不同医家的方歌，以及更详细的关联汤证之间的鉴别。导致上述差别的原因在于，基于知识图谱的混合推荐算法可以充分利用丰富的实体和语义规则信息，将多样化的属性和语义关系融入推荐过程，从而提供更准确和多样化的推荐结果，并具有更强的可解释性。

4 个性化学习资源推荐模型

4.1 模型框架

本文所构建的《伤寒论》学习资源推荐模型包含用户界面模块、基于知识图谱的混合推荐算法模块和数据库模块，如图3所示。

用户界面模块负责接收学习者的学习需求，并将这些需求传递给推荐算法模块，同时还负责本地缓存、数据存储等任务；推荐算法模块基于伤寒论课程知识图谱提取学习内容的实体并分析用户行为，采用基于路径的推荐算法从伤寒论课程知识图谱中获取推荐实体列表，然后结合学习资源库，运用协同过滤算法生成推荐资源列表，并将结果集返回给用户界面模块；数据库模块包括图数据库和学习资源库，为推荐算法模块提供《伤寒论》内容实体、学习资源数据等，同时为用户界面模块的学习资源可视化展示提供数据支撑。

4.2 模型实现

4.2.1 系统架构

该推荐模型的系统实现采用前后端分离结构，使用Java和Python编程语言进行开发。系统架构从上自下分为四层：用户界面层（UI）、业务逻辑层（BL）、数据访问层（DAL）和数据层（DL），系统架构层次及其技术实现方案如表3所示。

4.2.2 系统功能

本系统包括五大主要功能模块，分别为用户管理模块、资源管理模块、交流互动模块、个性化学习模块和个人中心模块，如图4所示。

用户管理模块负责管理用户的登录、注册以及权限分配等任务；资源管理模块旨在有效管理不同类型和格式的学习资源。管理员拥有对数据库中所有资源的管理权限，而普通用户仅能管理自己所上传的资源；交流互动模块为学习者提供了交流平台，他们可以发布文章、分享学习经验、提出问题，并与其他学习者展开交流和讨论，从而促进相互学习和协作，加强联系和互动；个性化学习模块利用用户的学习需求、历史记录和学习进度等信息，向用户推荐符合其学习需求的视频、文章、思维导图、笔记等学习资源，其中视频资源涵盖了教学视频、案例分析、名家讲座等多种类型资源；个人中心模块则为用户提供修改个人账户信息、调整学习习惯、定义感兴趣方向、更新账户密码等功能。

借助于本系统，用户能够方便、快捷地获取个性化的《伤寒论》学习资源，并促进相互之间的交流与协作，提升学习效果。

4.2.3 系统界面

用户可以通过系统界面获取所需的《伤寒论》学习资源，与其他学习者进行交流互动，在个人中心页面修改个人相关信息，并能获取体现知识之间关联的可视化图谱。

图5展示了与“中风表虚证”相关的章、节、知识点、疾病、证候、症状、治法、方剂和中药的知识关联。从图5中可以看出，“中风表虚证”属于章“辨太阳病脉证并治”中的节“太阳病辨证纲要”中的知识点“太阳病分类”，其包含了桂枝汤证、桂枝加厚朴杏子汤证、桂枝去芍药加附子汤证等多个汤证。从每个汤证出发，通过图5可以发现相关联的症状、方剂和组成方剂的中药材。这种直观、形象的知识可视化方式有助于用户将相关逻辑路径上的知识点串联起来，更好地理解伤寒论课程知识。

图6展示了本系统APP客户端响应用户查询“桂枝二麻黄一汤证”的图片类、文本类和视频类资源（部分）列表。该功能使学习者能够快速获取符合自身需求的各类学习资源，提升学习效率。

5 结 论

本文将知识图谱与基于路径和协同过滤的混合推荐算法相结合，提出基于伤寒论课程知识图谱的个性化学习资源推荐算法，构建了相应的推荐模型，并对其进行了编程实现。本文所提出的推荐模型能够有效克服用户冷启动、数据稀疏、推荐结果缺乏解释性等问题，为学习者提供了更具针对性和多样性的伤寒论课程学习资源。在下一步的研究工作中，我们将研究伤寒论课程知识的自动抽取和融合，丰富和完善现有的伤寒论课程知识图谱；考虑更多维度的用户特征和行为，以推荐更准确地个性化学习资源，进一步改善用户体验。

参考文献：

[1] 吴谦.医宗金鉴 [M].太原：山西科学技术出版社，2011.

[2] 李红，石素君，赵修臣，等.基于OBE理念的引线键合实验教学改革 [J].实验室研究与探索，2020，39（7）：211-213+222.

[3] LIU D B，WEI C F，XIA S S，et al. Construction and Application of Knowledge Graph of Treatise on Febrile Diseases [J].Digital Chinese Medicine，2022，5（4）：394-405.

[4] 杨玉基，许斌，胡家威，等.一种准确而高效的领域知识图谱构建方法 [J].软件学报，2018，29（10）：2931-2947.

[5] SINGHAL A. Introducing the Knowledge Graph： Things， Not Strings [EB/OL].（2012-05-16）.https：//blog.google/products/search/introducing-knowledge-graph-things-not/.

[6] GAO J，WANG L，XU F. Research on the Construction of Course Knowledge Graph of High School Information Technology [C]//2020 International Conference on Artificial Intelligence and Education（ICAIE）.Tianjin：IEEE，2020：211-215.

[7] 郎亚坤，苏超，王国中，等.基于Neo4j的C++课程知识图谱的构建和推理 [J].智能计算机与应用，2021，11（7）：144-150+155.

[8] 张春霞，彭成，罗妹秋，等.数学课程知识图谱构建及其推理 [J].计算机科学，2020，47（S2）：573-578.

[9] LANG Y K，WANG G Z. Personalized Knowledge Point Recommendation System Based on Course Knowledge Graph [J].Journal of Physics： Conference Series，2020，1634（1）：012073.

[10] 黄焕，元帅，何婷婷，等.面向适应性学习系统的课程知识图谱构建研究——以“Java程序设计基础”课程为例 [J].现代教育技术，2019，29（12）：89-95.

[11] LOPS P，JANNACH D，MUSTO C，et al. Trends in Content-based Recommendation [J].User Model User-adapt Interact，2019，29（2）：239-249.

[12] HE X N，LIAO L Z，ZHANG H W，et al. Neural Collaborative Filtering [J/OL].arXiv：1708.05031 [cs.IR].（2017-08-16）.https：//arxiv.org/abs/1708.05031v2.

[13] 常亮，张伟涛，古天龙，等.知识图谱的推荐系统综述 [J].智能系统学报，2019，14（2）：207-216.

[14] 秦川，祝恒书，庄福振，等.基于知识图谱的推荐系统研究综述 [J].中国科学：信息科学，2020，50（7）：937-956.

[15] 朱冬亮，文奕，万子琛.基于知识图谱的推荐系统研究综述 [J].数据分析与知识发现，2021，5（12）：1-13.

[16] 王庆国，周春祥.伤寒论选读：第5版 [M].北京：中国中医药出版社，2021.