[论文解读] Knowledge forest: a novel model to organize knowledge fragments

Qinghua Zheng, Jun Liu+4 more|arXiv (Cornell University)|Dec 14, 2019

Data Stream Mining Techniques参考文献 10被引用 5

一句话总结

本文提出了一种名为 Knowledge Forest 的新型知识组织模型，通过整合类目树与学习依赖关系，解决教育场景中的知识碎片化问题。采用 RDF 表示知识，利用类目传播、学习依赖关系抽取以及基于 CNN 的碎片组装方法，对分散的知识片段进行组织，在受控实验中实现超过 83% 的 Macro-F1 分数，显著提升学习表现。

ABSTRACT

With the rapid growth of knowledge, it shows a steady trend of knowledge fragmentization. Knowledge fragmentization manifests as that the knowledge related to a specific topic in a course is scattered in isolated and autonomous knowledge sources. We term the knowledge of a facet in a specific topic as a knowledge fragment. The problem of knowledge fragmentization brings two challenges: First, knowledge is scattered in various knowledge sources, which exerts users' considerable efforts to search for the knowledge of their interested topics, thereby leading to information overload. Second, learning dependencies which refer to the precedence relationships between topics in the learning process are concealed by the isolation and autonomy of knowledge sources, thus causing learning disorientation. To solve the knowledge fragmentization problem, we propose a novel knowledge organization model, knowledge forest, which consists of facet trees and learning dependencies. Facet trees can organize knowledge fragments with facet hyponymy to alleviate information overload. Learning dependencies can organize disordered topics to cope with learning disorientation. We conduct extensive experiments on three manually constructed datasets from the Data Structure, Data Mining, and Computer Network courses, and the experimental results show that knowledge forest can effectively organize knowledge fragments, and alleviate information overload and learning disorientation.

研究动机与目标

• 为解决知识碎片化日益严重的问题，即与主题相关的知识分散在孤立的来源中。
• 通过将知识碎片组织为具有上下位关系的结构化类目树，减少信息过载。
• 通过建模并揭示主题之间的学习依赖关系，缓解学习过程中的迷失感。
• 开发一种基于自然语言处理与机器学习技术的 Knowledge Forest 自动构建方法。
• 评估 Knowledge Forest 相较于传统学习方法在提升学习表现方面的有效性。

提出的方法

• 使用类目传播算法构建类目树，利用父-子与兄弟主题对之间的相似性，推断类目集合。
• 基于两个假设（核心术语分布不对称性与依赖关系的局部性）构建分类模型，提取学习依赖关系。
• 通过三通道 CNN 将知识碎片组装到类目树中，计算碎片表示与类目标签文本（FaLTs）之间的余弦相似度。
• 碎片表示采用词嵌入，随后经过三组卷积与池化层，生成一元组、二元组与三元组特征矩阵。
• 系统采用文本匹配策略，将知识碎片与源自 Wikipedia 的 FaLTs 对齐，降低类目异质性。
• Knowledge Forest 表示为元组 (MFT, LD)，其中 MFT 包含物化类目树，LD 编码主题学习优先顺序关系。

实验结果

研究问题

• RQ1 能否通过整合类目上下位关系与学习依赖关系的知识组织模型，有效缓解由知识碎片化引起的信息过载？
• RQ2 自动化构建类目树与学习依赖关系在多大程度上能提升知识碎片标注的准确性？
• RQ3 使用 Knowledge Forest 是否能带来相较于传统学习方法的可测量学习表现提升？
• RQ4 所提出方法在不同课程中（主题与碎片复杂度各异）的泛化能力如何？
• RQ5 将认知对齐结构（类目树）与教学依赖关系（学习顺序）相结合，能否增强学习者方向感并减少迷失感？

主要发现

• 类目树构建的 nDCG 得分超过 82%，表明类目排序质量高，知识碎片组织有效。
• 基于 CNN 的知识碎片组装方法在全部三个评估课程中 Macro-F1 分数均超过 83%，表现出强大的泛化能力与准确性。
• 使用 Knowledge Forest 系统（Yotta）的参与者在后测中得分显著高于对照组（p < 0.05），表明学习表现得到提升。
• 前测成绩在两组间无显著差异（p > 0.05），证实初始知识水平相当，学习成效差异可归因于系统本身。
• 实验组的增益分数显著高于对照组，证实 Knowledge Forest 有效缓解了学习迷失感与信息过载。
• 结果验证了 Knowledge Forest 通过类目树与学习依赖关系的双重结构，能有效组织碎片化知识并提升教育成效。