(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211467546.9 (22)申请日 2022.11.22 (71)申请人 北京师范大学 地址 100089 北京市海淀区新 街口外大街 19号 (72)发明人 尹成鑫　和震　 (74)专利代理 机构 成都华复知识产权代理有限 公司 512 98 专利代理师 任丽娜 (51)Int.Cl. G06F 40/284(2020.01) G06N 3/08(2006.01) G06N 5/02(2006.01) (54)发明名称 一种游戏教育知识图谱构建方法及装置 (57)摘要 本申请提出了一种游戏教育知识图谱构建 方法及装置， 通过对游戏聊天室文本数据进行分 词， 得到至少一个词汇元素， 对所有词汇元素， 构 建对应的本征矢量， 对所有词汇元素进行游戏元 素识别， 依据所有游戏元素对应的本征矢量以及 预设的游戏游戏元素联系神经网络， 对所有游戏 元素进行游戏元素联系判定， 得到所有游戏元素 之间的游戏元素联系情况， 根据所有游戏元素、 所有游戏元素对应的标记以及所有游戏元素之 间的游戏元素联系情况， 构建游戏教育知识图 谱。 权利要求书3页 说明书5页 附图1页 CN 115510857 A 2022.12.23 CN 115510857 A 1.一种游戏教育知识图谱构建方法， 其特征在于， 包括： 对游戏聊天室文本数据进行分 词， 得到至少一个词汇元素； 对所有所述词汇元素， 构建对应的本征矢量； 根据所有所述词 汇元素对应的所述本征矢量以及预设的游戏游戏元素判定模型， 对所有 所述词汇元素进 行 游戏元素识别， 并为识别出 的所有游戏元素打上标记； 依据所有所述游戏元素对应的所述 本征矢量以及预设的游戏游戏元素联系神经网络， 对所有 所述游戏元素进 行游戏元素联系 判定， 得到所有所述游戏元素之 间的游戏元素联系情况； 根据所有 所述游戏元素、 所有所述 游戏元素对应的所述标记以及所有所述游戏元素之 间的所述游戏元素联系情况， 构建游戏 教育知识图谱。 2.根据权利要求1所述的方法， 其特征在于， 所述预设游戏游戏元素判定模型的具体过 程， 包括： 对游戏聊天室文本数据游戏元素训练语料进 行分词， 得到至少一个游戏元素训练 词汇元素； 对所有 所述游戏元素训练词汇元素， 构建对应的游戏元素训练本征矢量； 将所有 所述游戏元素训练本征矢量作为用于识别游戏游戏元素的第一基于BERT的神经网络模型 的输入数据， 并对所述第一基于BERT的神经网络模型进行逐层无监督预训练， 所述第一基 于BERT的神经网络模型由至少一个多头注 意力机制层叠加而成； 在预训练后的所述第一基 于BERT的神经网络模 型中添加一个神经网络层作为输出层， 得到训练后的第一基于BERT的 神经网络模型； 根据所有所述游戏元素训练本征矢量对应的标准游戏元素标记， 基于 Backpropagation优化所述训练后的第一基于BERT的神经网络模 型各层的游戏元素识别参 数； 将基于Backpropagation优化后的所述训练后的第一基于BERT的神经网络模型确定为 游戏游戏元 素判定模型。 3.根据权利要求1所述的方法， 其特征在于， 所述预设游戏游戏元素联系神经网络的具 体过程， 包括： 对游戏聊天室文本数据 游戏元素联系训练语料进 行分词， 得到至少一个游戏 元素联系训练词汇元素； 对所有所述游戏元素联系训练词汇元素， 构建对应的游戏元素联 系训练本征矢量； 将所有 所述游戏元素联系训练本征矢量作为用于识别游戏游戏元素联系 的第二基于BERT的神经网络模 型的输入 数据， 并对所述第二基于BERT的神经网络模 型进行 逐层无监督预训练， 所述第二基于BERT的神经网络模型由至少一个多头注 意力机制层叠加 而成； 在预训练后的所述第二基于BERT的神经网络模型中添加一个神经网络层作为输出 层， 得到第二基于BERT的神经网络模型； 根据所有所述游戏元素联系训练本征矢量之间的 标准游戏元素联系标记， 基于Backpropagation优化所述第二基于BERT的神经网络模型各 层的游戏元素联系判定参数； 将基于Backpropagation优化后的所述第二基于BERT的神经 网络模型确定为游戏游戏元 素联系神经网络 。 4.根据权利要求1所述的方法， 其特征在于， 所述根据所有所述游戏元素、 所有所述游 戏元素对应的所述标记以及所有 所述游戏元素之间的所述游戏元素联系情况， 构建游戏教 育知识图谱， 包括： 将所有所述游戏元素及其对应的标记分别确定为图谱点， 并且， 将所有 所述游戏元素之间的所述游戏元素联系情况分别确定为边； 根据所有 所述图谱点和所有 所 述边构建游戏教育知识图谱。 5.一种游戏教育知识图谱构建装置， 其特征在于， 包括： 分词模块、 本征矢量构建模块、 游戏元素识别模块、 游戏元素联系判定模块和游戏教育知识图谱构建模块； 所述游戏元素 识别模块包括游戏游戏元素判定模型生成单元， 所述游戏元素联系判定模块包括游戏游戏 元素联系神经网络生成单元； 所述分词模型， 用于对游戏聊天室文本数据进行分词， 得到至权　利　要　求　书 1/3 页 2 CN 115510857 A 2少一个词汇元素； 所述本征矢量构建模块， 用于对所有所述词汇元素， 构建对应的本征矢 量； 所述游戏元素识别模块， 用于根据所有所述词汇元素对应的所述本征矢量以及预设的 游戏游戏元素判定模型， 对所有所述词汇元素进行游戏元素识别， 并为识别出 的所有游戏 元素打上标记； 所述游戏元素联系判定模块， 用于依据所有所述游戏元素对应的所述本征 矢量以及预设的游戏游戏元素联系神经网络， 对所有所述游戏元素进行游戏元素联系判 定， 得到所有 所述游戏元素之间的游戏元素联系情况； 所述游戏教育知识图谱构建模块， 用 于根据所有所述游戏元素、 所有 所述游戏元素对应的所述标记以及所有 所述游戏元素之间 的所述游戏元素联系情况， 构建游戏教育知识图谱； 所述游戏游戏元素判定模型生成单元， 用于预设游戏游戏元素判定模型； 所述游戏游戏元素联系神经网络生成单元， 用于预设游 戏游戏元 素联系神经网络 。 6.根据权利要求5所述的装置， 其特征在于， 所述游戏游戏元素判定模型生成单元包 括： 第一分词子模块、 第一本征矢量构建子模块、 第一预训练子模块、 第一添加子模块、 第一 基于Backpropagation优化子模块和游戏游戏元素判定模型确定子模块； 所述第一分词子 模块， 用于对游戏聊天室文本数据游戏元素训练语料进行分词， 得到至少一个游戏元素训 练词汇元素； 所述第一本征矢量构建子模块， 用于对所有所述游戏元素训练词汇元素， 构建 对应的游戏元素训练本征矢量； 所述第一预训练子模块， 用于将所有所述游戏元素训练本 征矢量作为用于识别游戏游戏元素的第一基于BERT的神经网络模型的输入数据， 并对所述 第一基于BERT的神经网络模 型进行逐层无监督预训练， 所述第一基于BERT的神经网络模 型 由至少一个多头注意力机制层叠加而成； 所述第一添加子模块， 用于在预训练后的所述第 一基于BERT的神经网络模型中添加一个神经网络层作为输出层， 得到训练后的第一基于 BERT的神经网络模 型； 所述第一基于Backpropagation优化子模块， 用于根据所有所述游戏 元素训练本征矢量对应的标准游戏元素标记， 基于Backpropagation优化所述训练后的第 一基于BERT的神经网络模型各层的游戏元素识别参数； 所述游戏游戏元素判定模 型确定子 模块， 用于将基于Backpropagation优化后的所述训练后的第一基于BERT的神经网络模型 确定为游戏游戏元 素判定模型。 7.根据权利要求5所述的装置， 其特征在于， 所述游戏游戏元素联系神经网络生成单 元， 包括： 第二分词子模块、 第二本征矢量构建子模块、 第二预训练子模块、 第二添加子模 块、 第二Backpr opagation优化子模块和游戏游戏元素联系神经网络确定子模块； 所述第二 分词子模块， 用于对游戏聊天室文本数据游戏元素联系训练语料进行分词， 得到至少一个 游戏元素联系训练词汇元素； 所述第二本征矢量构建子模块， 用于对所有所述游戏元素联 系训练词汇元素， 构建对应的游戏元素联系训练本征矢量； 所述第二预训练子模块， 用于将 所有所述游戏元素联系训练本征矢量作为用于识别游戏游戏元素联系的第二基于BERT的 神经网络模型的输入数据， 并对所述第二基于BERT的神经网络模型进行逐层无监督预训 练， 所述第二基于BERT的神经网络模型由至少一个多头注意力机制层叠加而成； 所述第二 添加子模块， 用于在预训练后的所述第二基于BERT的神经网络模型中添加一个神经网络层 作为输出层， 得到第二基于BERT的神经网络模型； 所述第二Backpropagation优化子模块， 用于根据所有所述游戏元素联系训练本征矢量之间的标准游戏元素联系标记， 基于 Backpropagation优化所述第二基于BERT的神经网络模型各层的游戏元素联系判 定参数； 所述游戏游戏元素联系神经网络确定子模块， 用于将基于Backpropagation优化后的所述权　利　要　求　书 2/3 页 3 CN 115510857 A 3