基于知识图谱的神经网络与深度学习课程教学改革

摘要：针对神经网络与深度学习课程教学中存在的知识点关联度不足、知识脉络不清晰等问题，本文提出一种基于知识图谱的教学方法。首先，构建了包含课程知识、教学内容等实体的课程知识图谱。随后，从教师备课、授课、评估以及学生预习、听讲、复习等方面，探讨了知识图谱在该课程教学中的应用。实践表明，该方法有助于提高教师教学和学生学习质量，为相关课程教学改革提供有益借鉴。

关键词：知识图谱；课程教学；神经网络；深度学习

中图分类号：G642 文献标识码：A

文章编号：1009-3044（2025）04-0167-03 开放科学（资源服务） 标识码（OSID） ：

0 引言

知识图谱是一种数据建模技术，通过将大量数据表示为图的形式，以便描述现实世界中各种实体及其之间的关系[1]，其中图中节点表示实体，图中边表示实体之间的关系。可以发现，知识图谱包含了丰富的知识。通过挖掘和利用这些知识，人们可以更加高效地获取所需信息，实现更加智能的决策和应用。随着人工智能技术的推动以及实际应用的需求，知识图谱受到了工业和学术界的广泛关注，并已成功应用于诸多领域[2-4]。

在教育领域应用的知识图谱，称为教育知识图谱[5]。本质上，教育知识图谱是一种语义网络，其中，包含了大量多模态的教育资源、知识，以及它们之间的关系。从教师教学和学生学习角度出发，教育知识图谱的优点主要有：1） 知识整合与呈现；2） 个性化教学支持；3） 教学资源关联与创建；4） 学习路径优化；5） 学习诊断与反馈；6） 学习兴趣激发。通常，教育知识图谱可细分为学科知识图谱和课程知识图谱，前者能够揭示学科领域内的知识结构和体系，后者能够展示某一课程的知识结构。

对于人工智能专业，神经网络与深度学习课程是极其重要的，体现在数据驱动的决策、自动化和智能化、医疗健康、自动驾驶、个性化推荐领域。比如，在大数据时代，神经网络和深度学习提供了一种强大的工具，能够从海量数据中提取有价值的信息和模式，帮助企业和组织做出更加精准的决策。该课程不仅是学生掌握现代人工智能技术的基础，而且是他们理解和应用人工智能前沿技术的关键。近年来，众多学者从自身教学经验出发，针对该课程教学做出了若干改革探索与实践[6-7]。但是，该课程的现有教学方式仍存在诸多不足之处：1） 知识点关联度不足，现有的教学方式往往按照章节进行知识传授，忽略了知识点之间的内在联系；2） 知识脉络缺乏梳理，现有的教学方式普遍缺乏对知识脉络的清晰梳理，导致学生难以把握学习的重点和难点，如在教授深度学习时，教师可能会直接跳入复杂的网络架构，如循环神经网络或长短时记忆网络，而没有先从基础的神经网络概念和原理讲起；3） 实践与理论脱节，现有的教学方式往往割裂它们，导致学生无法将理论有效应用于实际项目中，如学生可能在课堂上学习了理论知识，但在实际操作中，如何选择合适的网络架构、调参等实践技能往往需要大量的经验积累；4） 学生缺乏自主学习能力，现有的教学方式一般过于注重知识的传授，忽视了培养学生的自主学习能力。

鉴于此，本文旨在构建神经网络与深度学习课程知识图谱，并将其应用于该课程教学实践，以提高教学质量和学生学习效果。本文的主要贡献为：1） 根据神经网络与深度学习课程的特点，构建该课程知识图谱，方便教师教学和学生学习；2） 探索了基于知识图谱的该课程教学模式，展示该课程教学的成效。

1 相关研究

本节从两个方面总结已有的研究工作：知识图谱应用、课程教学改革。在此基础上，引出本文的研究动机。

1.1 知识图谱应用

知识图谱的概念最早由Google公司于2012年提出，目的是利用知识库提高搜索引擎的性能，为用户提供更智能、更精准的搜索结果[5]。自提出以来，知识图谱经历了快速发展和广泛应用。席运江等[2]基于寻医问药网糖尿病的问答文本和社区用户的健康需求构建中文在线医疗社区问答内容知识图谱，综合利用了BERT、BiLSTM、CRF等多种知识图谱前沿技术，挖掘其中医疗知识，从而推动社区知识发现和在线智能健康服务。陈明等[8]基于医疗知识图谱设计智能问答系统，该系统融合了图谱医疗知识的命名实体识别模型，提高了智能问答系统对用户输入自然语言问句的语义理解能力。Wang等[9]在新闻推荐中引入知识图谱，通过注意力模块捕捉用户的动态偏好。宿恺等[3]基于多模态知识图谱的结构特性，给出了多模态商品知识图谱构建方法的流程。黎才茂等[10]基于知识图谱构建多粒度社交网络用户画像，以便精准定位每一多粒度社交用户的属性特征，提高算法的重建质量。

调查发现，知识图谱是人工智能的关键技术，具有广泛的应用前景。基于此，本文提出基于知识图谱的神经网络与深度学习课程教学，以便提高教师教学和学生学习的质量。

1.2 课程教学改革

课程教学涵盖了教育过程中的多个方面，包括课程设计、教学方法、教学材料、评估方式等，其主体是教师和学生。一个成功的课程教学不仅需要教师具备丰富的专业知识和教学技能，还需要他们根据学生的需求和特点有针对性的教学。

目前，许多学者基于某一课程对课程教学方式进行了若干研究，主要分为传统课程教学研究和基于知识图谱的课程教学研究。对于传统课程教学研究，邹德旋等[11]研究了数字信号处理课程教学，其中，对于教师，从前期资料搜集、中期授课、后期答疑等方面高质量地完成该课程教学；对于学生，应认真学习课程内容，多做习题，并虚心向老师请教，提高该课程学习的成绩。徐森等[12]探索了编译原理的教学方法，主要从三个方面入手，分别是精心选择教学内容、激发学生的学习兴趣，以及加强实验教学环节。

对于基于知识图谱的课程教学研究，陈建辉等[5]构建了高级语言程序设计知识图谱，并从教学内容和教学技术两个方面，阐述了知识图谱在教学实践中的应用。杨文霞等[4]介绍了面向智慧教育的课程知识图谱的建设与应用实践，其中，以武汉理工大学线性代数课程为例，进行了两期教学实践，结果表明，基于知识图谱的智慧教育，能够为学生提供个性化的学习方案。伍宏珏[13]提出构建一个软件工程课程知识图谱可视化的课程教学方法，该方法能够展示不同知识点之间的关系，使学生清晰地熟悉课程知识体系，从而激发学生的学习兴趣。

可以发现，虽然课程教学改革的研究取得了一些进展，但是，该研究的相关成果并不全面。此外，基于知识图谱的课程教学研究受到了很大青睐。但是，针对神经网络与深度学习课程教学，到目前为止，缺少知识图谱的应用研究。基于此，本文将研究基于知识图谱的该课程教学。

2 神经网络与深度学习课程知识图谱的构建

2.1 总体框架

构建神经网络与深度学习课程知识图谱时，首先，进行充分的数据准备，包括非结构化和半结构化数据，为后续该课程知识图谱的构建过程奠定基础；然后，构建该课程的本体，以便确定该课程相关的核心概念及其关系；其次，基于构建的该课程本体，进行知识抽取；接着，进行知识加工，以便提高该课程知识图谱数据库的质量；最后，进行该课程知识图谱的可视化展示，以便帮助学生更清晰地理解知识点之间的关系和结构。构建神经网络与深度学习课程知识图谱的框架如图1所示。

2.2 数据准备

收集神经网络与深度学习课程数据时，数据主要分为非结构化和半结构化数据。对于非结构化数据，主要来自权威教材，如邱锡鹏的《神经网络与深度学习》[14]，教学大纲，课程思政案例，教学要求，课程文献等。其中，对于纸质材料，通过文字识别软件进行数字化转换；对于在线资源，主要借助网页爬虫技术批量获取。对于半结构化数据，主要来自中国大学MOOC相关课程、百度百科、搜狗百科等。

进一步，对上述数据进行预处理，包括数据清洗、去除停用词、分词和词性标注，形成课程数据集。

2.3 本体构建

课程本体是指课程相关的核心概念及其关系，基于课程内容，可将课程核心概念划分为以下类型。

1） 课程知识，主要指课程涉及的概念，如基本概念、语法、规则等。

2） 教学目标，明确学生完成课程后应达到的预期效果。

3） 教学内容，指课程涉及的具体知识、技能等。

4） 教学方式，用于传授课程内容的教学策略或技巧。

5） 考核方式，用于衡量学生是否达到教学目标的标准。

6） 教学资源，课程所需的教学、学习资源相关概念，包括书籍、文献、视频、音频、网站、应用程序等。

目前，广泛采用开源软件Protégé[15]来构建课程本体。

2.4 知识抽取

知识抽取包括知识实体识别及其关系挖掘，前者是自然语言处理中的一个重要任务，目的是从文本中准确识别出特定的实体。进一步，根据神经网络与深度学习课程的特色，本文将知识实体之间的关系分为包含、要素和关联三种。

对于两个知识实体，包含关系是指两个课程知识实体之间具有从属关系。对于一个知识实体，该实体可能由多个构成要素组成。此外，知识实体关联关系是指两个课程知识实体之间存在相关性。

为了高效提取知识实体及其关系，本文采用基于深度学习的方法[5]。

2.5 知识加工

容易知道，知识图谱构建过程中，非结构化的知识文本可能存在模糊和重复的数据，严重影响了知识图谱数据库的质量。基于此，本文对知识文本进行加工，主要涉及知识实体消歧和共指消解[4]，前者针对同名实体指代不同客观事物的问题，后者则用于处理多种表达方式表示同一实体的问题。

2.6 知识图谱可视化

知识图谱可视化是将知识图谱数据转化为直观易懂的图，通过将知识实体及其关系组织在一起，形成一个图形化的知识网络，使学生能够更直观地理解知识的关联性和结构。图2展示了神经网络与深度学习课程部分知识图谱。

3 基于知识图谱的神经网络与深度学习课程教学

神经网络与深度学习课程教学的目的是让学生熟练掌握该课程的理论，并能够运用这些理论知识到实际工程中。容易知道，该课程教学过程主要涉及教师和学生两个主体。为了提高教师教学和学生学习质量，本文采用了基于知识图谱的神经网络与深度学习课程教学。下面，将从这两方面进行基于知识图谱的该课程教学实践。

对于教师教学，将从教师备课、授课、评估三方面阐述基于知识图谱的神经网络与深度学习课程教学。

1） 教师备课，教师能够利用知识图谱构建系统的知识体系，确定教学重点。

2） 教师授课，教师在课堂上能够以图的方式清晰地展示知识点之间的关联关系，并利用知识图谱进行互动式教学，引导学生参与讨论。

3） 教师评估，教师可以进行教学过程、学生学习行为、学生学习效果等全过程的实时跟踪，建立多维教学质量评价指标。

对于学生学习，将从课前预习、课中听讲、课后复习三方面阐述基于知识图谱的神经网络与深度学习课程教学。

1） 学生课前预习，学生可以清晰地看到课程中的关键知识点和它们之间的关系，形成一个明确的学习路径。

2） 学生课中听讲，学生可以在知识图谱上标注自己的疑问或难点，与其他同学或老师进行讨论和交流。

3） 学生课后复习，通过回顾知识图谱中的知识点及其关系，有助于加深理解课程内容，提高学习效果。

4 结论

神经网络与深度学习是人工智能领域的必修课程，创新课程教学方式，有助于提高教学质量，激发学生的学习兴趣和热情。鉴于此，本文采用基于知识图谱的该课程教学。首先，构建神经网络与深度学习课程知识图谱，主要包括数据准备、本体构建、知识抽取、知识加工、知识图谱可视化。然后，进行基于知识图谱的该课程教学实践，从教师教学和学生学习两方面阐述知识图谱在该课程教学中的应用。后续我们将不断完善神经网络与深度学习课程知识图谱，并将其应用到其他课程教学。

参考文献：

[1] 颜慧. 混合式教学中课程知识图谱的构建与应用研究[J]. 电脑知识与技术， 2024，20（2）：175-177.