人工智能作为计算机科学的一个重要分支^[1]，涵盖了哲学、心理学、认知科学、计算机科学、数学等学科^[2]。该课程的教学目标是帮助学生全面了解人工智能的发展现状、基本原理和方法，促进其对相关应用领域的深入认知。同时，鼓励激发学生充分挖掘自身智慧和创造力，在掌握人工智能基础知识的基础上，使用新的思维方式和问题求解手段，积极探索并解决人工智能所涉及的实际问题，进一步提高学生的学术素养和创新精神。然而，人工智能课程理论枯燥、算法抽象复杂、涉及学科广^[3]、知识体系庞杂、知识更新快^[4]、相关学习资源堆砌，给学生学习带来一定的挑战。

基于人工智能课程知识图谱的个性化推荐，是通过将庞杂抽象的人工智能课程知识整合到一个结构化的图谱中，为学生提供全面且系统的学习框架，展示知识内容体系，使学生可以更加清晰地了解各知识点之间的关联关系，辅助学生梳理知识脉络、建立逻辑关联。在此基础上，根据学生的学习风格，设计与之匹配的学习资源，为其提供更精确、针对性的教学指导和优质精准的资源服务，帮助学生更好地掌握人工智能知识。

知识图谱是一种结构化的知识表示方式，用于描述实体、概念、关系和属性，由节点（实体或概念）和边（关系）组成，以图的形式展示它们之间的关联性。该概念自提出以后，被广泛应用于各个领域，近年来引起众多教育领域学者的重视。

课程知识图谱是知识图谱在教育领域中的某个学科或者课程的应用^[5]，作为一种在课程内容与学习资源之间建立连接的语义网络，最终以可视化技术展示知识，建立知识节点之间的关系，并构建整体框架^[6]。它能够更加整体直观地展示课程知识结构和分布情况^[7]。在课程知识图谱构建方面，研究者致力于从多个角度出发，收集、整合课程知识，构建知识图谱。文献 [ 5 ] 中为了满足教学需求，提出以“面向对象程序设计思想”为核心，构建面向本科生的 C+＋程序设计课程知识图谱。文献 [ 8 ] 中提出将实例知识点及关系、概念知识点层级结构相结合，构建生物医学专业课程知识图谱。文献 [  9 ] 中提出设计Java 课程知识图谱的方法，其中包含章、节、知识点 3 种知识单元以及包含、顺序、相关 3 种语义关系。学生利用建立的知识单元和语义关系，可以更好地理解和学习 Java 课程的知识。文献 [ 10 ] 中针对中学 Python 课程设计知识图谱，介绍如何进行知识检索和推理。文献 [ 11 ] 中提出根据课程之间的先后关系、课程内部各知识点间的联系以及授课教师与课程之间的关联关系，构建高效计算机课程体系知识图谱，辅助教师教学和学生学习。

依据关联主义等教育理论，采用自顶向下的方法确定知识图谱的层级结构，结合自动化技术和人工验证的半自动构建方式，从教材、相关网络资源等数据中抽取课程知识点、属性和知识点之间的关系，将其保存至 CSV 文件中，并导入到 Neo4j图数据库，构建人工智能课程的知识图谱。为后续实现个性化推荐提供相对完整的知识体系结构，构建过程如图 1 所示。

2.1 本体设计

参考现有的课程知识图谱及课程本体建设^[12]，根据人工智能专业教学大纲和标准，以教学目标、教学内容和学科素养等方面的要求为基础，结合人工智能课程内在逻辑关系，将本体设计为“课程—知识单元—知识点”的层次结构，以指导课程知识图谱的构建。该分层结构旨在促进知识之间的逻辑关联，从而更好地组织和呈现课程的知识体系。

2.2 知识获取与存储

借助上述设计的本体框架，在综合分析课程标准、教学目标和要求的基础上，遵循布鲁姆知识分类理论，对人工智能课程内容进行深入剖析。以知识点为单位，将实体类型划分为概念原理类、方法技术类和实例应用类 3 类。通过采用 BIO 标注方式，创建人工智能知识点实体集合。利用 BERT-BiLSTM-CRF 模型结合人工验证的方法进行实体抽取，经过专家和教师的检验和补充，最终获取到 303 个知识点。

完成实体抽取之后，可以进一步探索实体之间的关系，并进行属性抽取，以获得更全面深入的知识信息。对知识之间的关系和属性进行人工提取，定义 7 种关系：包含、属于、参考、相关、同一、平行和顺序，具体见表 1，共获得关系 1 205条。在属性方面，定义 7 个属性类别，包括知识点名称、内容描述、教学难度、教学目标、所属章节、实体类型和习题资源。最终，通过专家和教师验证确保抽取的关系和属性的准确性与全面性。

通过上述操作，成功获取课程知识点、属性关系信息。为确保知识的准确性和一致性，将多个指称对应的同一实体进行人工合并，消除同名实体可能引发的歧义问题，实现知识点间关系的融合。借助这一过程，生成相对完整的人工智能课程知识图谱，部分知识图谱展示如图2所示。

3.1 基于课程知识图谱的个性化资源推荐

由于大多数的高校为学生提供的学习资源没有充分考虑到个体间的差异性，尝试在前人^[13-14]的基础上，将知识图谱、学习资源风格、学生学习风格进行有机结合。通过对学习资源进行梳理整合，提取学生学习风格和学习资源风格^[13]特征，自定义二者间的风格匹配关联规则。结合已构建的人工智能课程知识图谱，设计并实现基于知识图谱的个性化学习资源推荐，为学生提供精准的知识检索和个性化的学习资源。

使用 Felder 学习风格模型，可构建学习者的特征，包含感知、输入、处理和理解 4 个维度，每个维度都有两种对立的风格类型与之相对应。学习者的学习风格可以通过系统设置或填写Felder-Silverman 学习风格量表获取。学习资源数据库提供个性化学习所需的数据信息，包括知识点名称、相关资源名称、资源类型、资源描述、评分等。知识图谱则提供知识点、知识点属性以及知识点间的关联关系，以帮助学习者更好地理解知识点之间的逻辑结构，提供有序、连贯的学习路径。

学生登录系统时，系统会根据 Felder-Silverman 学习风格量表对学习者风格特征进行赋值。学习资源风格由专家进行设定，将学习者风格和学习资源风格的值以四元组的形式分别存入学习者数据库和学习资源数据库。对于初学者，系统推荐一些易于理解和入门的学习资源，如简明扼要的教材、视频教程。帮助初学者探索人工智能的奥秘，引领他们初步了解、认识人工智能的基本概念和整体结构。①针对已经具备该课程相关基础知识的学生，在检索知识点时，系统首先会根据目标知识点展示相关的知识图谱，使学习者对该知识点与其他知识点之间的关联关系有更加全面深入的理解；②根据图谱中显示与目标知识点有关联关系的其他知识点，学习者可以选择与自己所学知识相匹配或感兴趣的知识点，并通过学习资源数据库查找相关的学习资源；③系统会根据学习者数据库和学习资源数据库中存储的风格四元组，使用自定义的关联规则进行风格匹配，将最大匹配程度的学习资源推送给学习者。例如，如果学习者的风格偏向直觉型、活跃型、视觉型和全局型，系统将这些特征与学习资源数据库中存储的学习资源参数进行关联匹配，从而为学习者推荐学习资源。具体如图 3 所示。

定义关联匹配规则如下。

1）学习者的学习风格（ SS ）。

学习者的学习风格依据 Felder 学习风格量表所得，可表示为一个四元组：

StuStyle =(<D₁, s₁>,<D₂, s₂>, <D₃, s₃>, <D₄, s₄>)

（1）

其中，<D_i , s_i > ( 1 ≤ i ≤4 )表示学习者在 Felder 学习风格中某个维度的取值，D_i 表示风格取值类型（D_i ∈{“直觉型—感知型”“视觉型—言语型”“活跃型—反思型”“全局型—序列型”}），ss_i为模糊取值(ss_i ∈[ 0 , 1 ] )，代表在学习风格 D_i 维度的取值。 

2）学习资源的风格（RS）。

假定学习资源在 Felder 学习风格的 4 个维度都存在值 rs_i ( 1 ≤ i ≤ 4 )，则学习资源的风格表示为一个四元组：

ResStyle = (<D₁, rs₁>,<D₂, rs₂>, <D₃, rs₃>, <D₄, rs₄>)

（2） 

其中，<D_i , rs_i> ( 1 ≤ i ≤ 4 )表示学习资源在 Felder 学习风格中某个维度的取值，D_i 表示风格类型（D_i∈{“直觉型—感知型”“视觉型—言语型”“活跃型—反思型”“全局型—序列型”}），rs_i的取值为-1 或 1 。rs_i 取值在课程资源创建时由教师予以设定。

 根据上述四元组的表达式分别构建学习者风格矩阵 SS 和学习资源风格矩阵 RS 。对于学习风格与学习资源风格的相似度计算如下：

其中，L 是两个矩阵的乘积，是一个四阶矩阵。该矩阵对角线上数值求和，值越大代表学习者和学习资源的风格匹配程度越高。该值可以表达式（4）得到：

LStyle =( SS , RS )

=( ss₁-C )×rs₁+( ss₂-C )×rs₂+( ss₃-C )×rs₃+( ss₄-C )×rs₄

（4）

其中，C 为常量，为 ss_i 取值范围( ss_i∈[0, 1] ) 的中间值0.5。

通过上述方式，将学习者风格和学习资源与知识图谱进行有机结合，可以实现更细粒度、个性化的学习资源推荐匹配。学习者可以根据自身的风格偏好，结合知识图谱中丰富的知识关联和属性信息，找到最适合自己的学习资源，获得更加针对性和个性化的学习支持，提高学习效果和学习体验。

3.2 个性化推荐系统在教学中的应用

考虑到学生的学习风格、兴趣爱好和知识水平各不相同，对学习资源和方法的需求也会有所差异。为此，将教学应用分为课前、课中和课后 3 个阶段，并借助基于知识图谱的个性化资源推荐系统来满足学生的个性化需求，如图 4 所示。

1）课前准备。

课前教师可以利用知识图谱中显示的教学目标和难度，以系统指导学生的学习任务。这种方法可避免以学生为中心的教学模式带来的问题，如忽视教师主导作用和偏离教学目标等^[15]。学生在接收到学习任务后，可以结合知识图谱中的相关信息进行检索。个性化推荐系统会根据学生的学习风格，向其推荐适合的学习资源，如在线教材、学习视频、练习题等。这些资源满足学生的学习兴趣，符合学习能力和目标，可以帮助学生在课前准备阶段有针对性地学习，提前获取所需的背景知识。

2）课中赋能。

在线下教学环境中，个性化推荐系统可以为教师提供学生的学情信息，辅助教师进行教学。通过个性化推荐系统提供的学生学习数据和反馈，教师能够更好地了解每位学生对特定概念的掌握程度、困难点以及任务完成情况。基于这些信息，教师可以针对性地进行辅导与提问，给予支持与指导，确保每个学生积极参与课堂并取得更好的学习效果。教师可以根据学生的学习情况，调整授课的难度和深度，提供更具挑战性或更加基础的教学内容，以满足不同学生的需求。同时，教师可以根据学生的学习风格和需求，结合知识图谱中的相关概念和知识点，动态调整课堂教学内容和方法，最大限度地发挥教师的主导作用，同时也促使学生在课堂中更加主动地参与学习，从而实现更好的教学效果。

3）课后巩固。

个性化推荐系统在课后阶段仍然起着重要的作用，它能为学生提供巩固学习和深入学习所需的资源，如练习题、课后作业和扩展阅读材料等。学生可利用这些资源巩固已学知识并进行拓展。教师则根据个性化推荐系统分析学生的学习效果和反馈，优化知识图谱结构和内容。同时，教师可基于知识图谱开展深入学术探索，将新发现和理论纳入其中，不断丰富和完善知识体系。

个性化推荐系统在教学中将学生风格、学习资源和知识图谱结合，为学生在课前、课中和课后提供个性化学习支持。基于知识图谱的个性化推荐系统促进深层次学习和主动探索，帮助学生更好地组织和理解学习内容，加强个性化学习和知识巩固。教师通过调整教学策略实现了人机共教、人机共育，提高教学效果。

以调卷问卷的方式评估将知识图谱个性化推荐系统应用到实际教学中的效果。根据问卷结果显示，在使用个性化推荐系统后，学生的学习兴趣显著提高。其中超过 70% 的学生表示更愿意使用该系统进行人工智能课程的学习。此外，学生展现出更多的自我学习能力和学习方法，学习积极性和主动性有了显著提升。基于知识图谱个性化推荐系统对教学产生了积极影响。在未来的教学中，需要更加注重教师针对性辅导，确保每个学生都能够获得适合自己的教学指导，进一步提高学生的学习效果和学习动力。

人工智能课程知识图谱的构建及应用，为学生提供更加精准、全面的个性化学习支持，加深其对人工智能的理解。教师可以通过反思、改进和创新不断扩展更新知识图谱，以满足学生和教师的需求。后续研究可采用自动化手段进行知识抽取、丰富数据资源和知识图谱的更新，进一步将其应用于课程答疑、学习路径推荐等方面。这对于推动人工智能教育的发展有重要意义。