基于深度学习的高校学生胜任力知识图谱构建与应用.pdfVIP

摘要

基于深度学习的高校学生胜任力知识图谱构建与应用

胜任力的培养对学生自身素质的提高和职业道路的发展起着至关重要的作

用，随着高等教育的普及，人们愈发将其寄希望于大学校园。在这一背景下，为

学生提供以胜任力为导向的知识服务变得愈发重要。高校作为人才培养的主体，

在教学活动中产生了大量的教学数据，这些数据对学生胜任力的培养具有重要的

指导作用。与此同时，企业在网络上发布的各种岗位信息逐渐成为学生胜任力培

养的风向标。但是，专业词汇的描述具有一定的领域性，教学数据及网络数据均

十分庞杂且关联性不强。在进行胜任力相关知识的学习时，学生不仅需要花费大

量的精力去检索和整合信息，而且很难将这些零散的知识嵌入到胜任力培养的过

程中。因此，如何对与高校学生胜任力相关的多源异构数据进行知识的整合、管

理和应用是一个具有重要意义的研究问题。知识图谱的发展为数据的整合提供了

一个优质的解决方案。本文利用知识图谱相关技术，构建了高校学生胜任力知识

图谱，希望通过整合相关数据，在方便学生学习的同时也为与学生胜任力相关的

智能应用提供数据支撑。

本文的主要研究内容如下：

（1）通过对多源异构数据的分析和处理，本文定义了学生胜任力知识图谱

的数据模式，包含7种实体及各个实体之间的8种关系。其中，针对学生胜任力

定义的3种核心实体为知识（knowledge）、技能（skill）、素质（dispositions）。

（2）针对实体识别任务，本文将BERT预训练模型与双向长短期记忆网络

（BiLSTM）相结合，从而自动提取出输入序列中丰富的词级特征、语法结构特

征和语义特征，完成对胜任力相关实体的分类。本文实体识别算法使用

BiLSTM-CRF模型进行对比实验，结果显示，本文模型在准确率、召回率、值

1

上分别提高了0.81%，3.59%，2.33%。

（3）针对关系识别任务，本文将实体和实体位置信息引入BERT预训练模

型，完成对关系的分类。本文关系识别算法使用BiLSTM、BiLSTM-Attention及

分段卷积神经网络（PCNN）三种模型进行了对比实验，实验结果显示，本文算

法在准确率、召回率和值上取得了最优结果。

1

（4）本文构建了学生胜任力知识图谱，并基于所构建的知识图谱提出了一

个学生胜任力知识问答平台，建立了一个由学校培养的胜任力到就业岗位需要的

胜任力之间的桥梁，为学生提供以胜任力为基础的知识服务。最后，本文对于知

识问答过程中的几个主要场景进行了举例说明，并给出了结果展示。

关键词：

胜任力模型，知识图谱，实体识别，关系识别，知识问答

Abstract

ConstructionandApplicationoftheKnowledgeGraphof

CollegeStudentCompetencyBasedonDeepLearning

Thecultivationofcompetencyplaysavitalroleinimprovingstudentsquality

anddevelopingtheircareerpaths.Withthepopularizationofhighereducation,people

increasinglyplacetheirhopesoncolleges.Inthiscontext,itisincreasinglyessential

toprovidecompetence-orientedknowledgeservicesforstudents.Asthemainbodyof

talenttraining,collegesanduniversitiesproducemanyteachingdatainteaching

activities,whichplaysaguidingroleinculti