# 知识图谱建设情况说明

## 1. 建设规模与平台依托

本课程知识图谱依托联盟平台（超星泛雅）建设，涵盖理论篇 8 章及实验篇内容。当前图谱总规模包含 **522 个知识点**，划分为 **5 级层级结构**，共构建 **896 条知识关系**（含前置关系 210 条、后置关系 211 条、关联关系 475 条）。

## 2. 层级结构与内容覆盖

图谱基于课程教学大纲框架逐级展开构建。其中一级节点对应课程章节，共 9 个；二级节点为各章下属的节与模块，共 48 个；三级至五级节点为具体知识点及其细分，共 465 个（三级 133 个、四级 306 个、五级 26 个）。图谱全面覆盖了人工智能概述、Python 程序设计、NumPy、pandas、计算机视觉、智能语音、自然语言处理、生成式大模型等核心模块，并纳入了配套的 6 个实验。

在内容填充阶段，项目结合自建课程知识库（涵盖 110 个小节，包含概念定义与关键要点），并参考主流人工智能学科分类框架进行校正。所有新增子节点均严格控制在课程实际教学范围内（例如：应用领域拆分为智能制造、智能家居等九类；组合数据类型拆分为列表、元组、字典、集合等），未纳入非教学大纲范围的技术节点，确保了图谱与教学实际的高度契合。

## 3. 关系构建与应用场景

知识关系按三种类型构建：前置与后置关系用于界定学习顺序（如第二章 Python 在前，第三章 NumPy、第四章 pandas 在后，章内节、小节均按授课顺序串联）；关联关系用于构建横向联系（如机器学习关联深度学习、自然语言处理关联机器翻译等跨知识点联系，并包含父节点与子节点间的层级归属关系）。构建过程遵循"同一对知识点保留单一核心关系"的原则，确保图谱逻辑精简严密。

上述图谱关系构建完成后，其实际应用场景主要体现在三个方面：一是路径导航，学生可按图索骥，清晰掌握整门课程的知识全局位置；二是学情诊断，结合学习数据与 AI 助教问答，可定位未掌握的知识点及正确率较低的习题，直观呈现薄弱环节；三是资源动态更新，视频、习题、教案等资源可精准挂载至具体节点，形成基于图谱的知识点补丁机制，实现课程内容的局部更新。

## 4. 下一步建设规划

后续计划从两方面深化图谱建设：一是扩展跨章节、跨课程的延伸关系网络；二是将题库中的 1299 道习题按知识点逐个挂载至图谱节点，构建"知识点—题目"双向索引体系，在学情数据回填后出具薄弱点热力图，支撑精准教学。