一种基于跨模态嵌入的智能教学系统

本发明属于自然语言处理，涉及一种基于跨模态嵌入的智能教学系统和方法。

背景技术：

1、智能问答系统（qa系统）在现代教育中被广泛应用，旨在通过自然语言处理（nlp）技术来回答学生的问题。这些系统能够迅速响应学生的提问，但往往缺乏深度解析和个性化指导。目前，许多qa系统主要依赖于基于关键词匹配的技术，这种方法在处理简单问题时效果较好，但面对复杂问题时，其表现则显得力不从心。此外，这类系统在回答过程中通常无法提供详细的背景信息和相关知识点的关联，导致学生对知识的理解不够深入。

技术实现思路

1、本发明的目的在于针对现有技术存在的问题，提供一种基于跨模态嵌入与强化学习的智能教学装置。

2、为此，本发明采取如下技术方案：

3、一种基于跨模态嵌入的智能教学系统，包括：

4、bert模型，所述bert模型用于捕捉语句中的上下文关系并准确理解学生提问语句的语义，bert模型包括双向编码器、自注意力机制、前馈神经网络和层归一化模块，所述双向编码器用于捕捉上下文信息，所述自注意力机制用于计算词语之间的相关性，所述前馈神经网络用于接收来自自注意力机制的输出并进行非线性变换，所述层归一化模块数值稳定；

5、知识图谱，所述知识图谱可通过路径搜索算法查询找到相关知识点并进行解析并通过嵌入方法将知识点和关系表示为向量；

6、深度学习模型，所述深度学习模型用于预测学生的学习路径并进行个性化推荐。

7、进一步地，所述路径搜索算法为优先搜索 bfs或深度优先搜索dfs。

8、进一步地，所述深度学习模型采用 rnn或 lstm模型。

9、本发明还提供了一种基于跨模态嵌入的智能教学方法，采用上述基于跨模态嵌入的智能教学系统，包括以下步骤：

10、（1）采用transformer架构中的bert模型通过双向编码器来捕捉学生提问语义中的上下文信息；

11、（2）构建包含各学科知识点的知识图谱，所述知识图谱包括多个知识点以及知识点之间的关系，然后采用路径搜索算法找到相关知识点并进行解析，最后并通过嵌入方法将知识点和知识点之间的关系表示为向量；

12、（3）基于学生的学习行为数据，使用深度学习模型预测学生的学习路径并进行个性化推荐。

13、本发明的有益效果在于：

14、利用transformer架构和bert模型，提升系统对学生提问的语义理解能力，通过上下文分析和情感识别，准确把握学生提问的意图和困惑点，知识图谱的构建与应用，基于各学科的知识点，构建知识图谱，关联各知识点之间的关系。在学生提问后，通过知识图谱提供深度解析，展示相关知识点及其内在联系，帮助学生深入理解，自适应学习路径推荐，根据学生的历史学习数据和当前提问内容，个性化推荐学习路径和资源，帮助学生系统性地解决学习中的问题。

技术特征：

1.一种基于跨模态嵌入的智能教学系统，其特征在于，包括：

2.根据权利要求1所述的一种基于跨模态嵌入与强化学习的智能教学系统，其特征在于，所述路径搜索算法为优先搜索bfs或深度优先搜索dfs。

3.根据权利要求1所述的一种基于跨模态嵌入与强化学习的智能教学系统，其特征在于，所述深度学习模型采用rnn或lstm模型。

4.一种基于跨模态嵌入的智能教学方法，其特征在于，采用权利要求1-3任意一项所述的一种基于跨模态嵌入的智能教学系统，包括以下步骤：

技术总结
本发明提供了一种基于跨模态嵌入的智能教学系统和方法，利用Transformer架构和BERT模型，提升系统对学生提问的语义理解能力，通过上下文分析和情感识别，准确把握学生提问的意图和困惑点，知识图谱的构建与应用，基于各学科的知识点，构建知识图谱，关联各知识点之间的关系。在学生提问后，通过知识图谱提供深度解析，展示相关知识点及其内在联系，帮助学生深入理解，自适应学习路径推荐，根据学生的历史学习数据和当前提问内容，个性化推荐学习路径和资源，帮助学生系统性地解决学习中的问题。

技术研发人员：郭绍青,杨国栋,闫燕,杨琪,李淑娟
受保护的技术使用者：西北师范大学
技术研发日：
技术公布日：2024/12/5