欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

基于知识图谱与大模型的智能出题与组卷:从知识点到试卷

上邦 AI 工程团队2026-09-12阅读 约 7 分钟
本文给出一套可复现的教育AI方案:用 NetworkX 构建学科知识点图谱,标注先修关系与难度权重,再以本地大模型按约束生成试题并自动查重。全程可私有化部署,适合学校与培训机构搭建智能组卷助手,降低组卷耗时并提升知识点覆盖均衡度。

场景与目标

学校与培训机构的组卷长期依赖教师经验,存在耗时长、知识点覆盖不均、与历史题雷同等问题。本文给出一套可复现方案:用 NetworkX 构建学科知识点图谱,标注先修关系与难度权重,再以本地大模型按约束生成试题并做语义查重,输出结构均衡的试卷。全程可私有化部署,保护学生数据。

步骤一:用 NetworkX 构建知识点图谱

把章节知识点作为节点,先修关系作为有向边,建立学科结构:
import networkx as nx

G = nx.DiGraph()
G.add_nodes_from(['一元二次方程', '因式分解', '函数概念', '二次函数'])
G.add_edges_from([
    ('因式分解', '一元二次方程'),
    ('函数概念', '二次函数'),
])
print('知识点数量:', G.number_of_nodes())
print('先修关系:', list(G.edges()))

步骤二:为节点标注难度与权重

用节点属性记录难度等级与考查权重,组卷时按权重抽样,保证重点知识点不被遗漏:
nx.set_node_attributes(G, {
    '一元二次方程': {'level': 3, 'weight': 0.3},
    '因式分解': {'level': 2, 'weight': 0.2},
    '二次函数': {'level': 4, 'weight': 0.3},
    '函数概念': {'level': 2, 'weight': 0.2},
}, None)

步骤三:按约束调用本地模型出题

以 LangChain 连接本地 Ollama 中的 Qwen 模型,按知识点与题型生成试题,要求标注答案与解析:
from langchain_community.llms import Ollama
from langchain.prompts import PromptTemplate

llm = Ollama(model='qwen2.5')
tpl = PromptTemplate.from_template(
    '请围绕知识点「{topic}」出一道难度{level}的{type},'
    '并给出答案与解析,不超过200字。'
)
print(llm.invoke(tpl.format(topic='二次函数', level=4, type='解答题')))

步骤四:语义查重避免雷同

对新生成试题与历史题库做句向量相似度比对,超过阈值的视为雷同并重新生成:
from sentence_transformers import SentenceTransformer, util

model = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2')
a = model.encode('求二次函数顶点')
b = model.encode('计算抛物线最高点')
sim = util.cos_sim(a, b).item()
print('相似度:', round(sim, 3))
提醒:大模型出题须由学科教师终审,模型与题库应私有化部署以保护学生数据;向量查重阈值需结合学科实测校准,避免误杀合理变式题。

参考来源

NetworkX 官方文档(图与知识图谱构建) - networkx.org;LangChain 官方文档(模型调用与提示模板) - docs.langchain.com。
相关标签:智能组卷知识图谱NetworkX大模型教育AI

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案