知识图谱以关系密切的结构和知识驱动的特征,得以广泛应用于众多的数据科学和人工智能场景中。从计算智能到认知智能的跨越,也离不开对知识表示及其推理技术的相关研究。然而,实现进一步的知识图谱推理,需要从大图数据的角度出发,统筹考虑复杂场景下的合理化知识表征、实现具备更多认知水平考虑的知识图谱构建方法以及融合更多知识信息的推理算法。因此,本课题围绕教育领域相关知识图谱构建为例,对知识表示模型构建、知识信息抽取和知识推理方法进行相关优化。课题首先选取了教育领域中的学习者评论作为研究对象,探究了其多维语义空间下的知识表征模型构建及其适用性。研究首先对学习者评论的定义进行了时间、情感和社交语义的扩充,并对学习者评论的知识模型进行了重构。进一步,通过引入系列算法和数据抽取方法,实现了基于学习者评论的知识图谱的知识抽取和构建。研究还通过融合情感分析算法、社交语义分析和时间序列分析算法,分别对时间、情感和社交下的语义模型进行了分析与挖掘,实现了知识图谱下的学习分析画像可视化。课题的第二部分主要针对人文属性较强且高度依赖人工认知标注的知识图谱构建,提出了融合群体智慧的知识图谱构建方法。目前,基于LSTM、Transformer和Bert等深度学习知识抽取方法占据主体,然而古诗词中的人文性知识,如诗歌情感、诗歌实体等往往较难提取,具备较强的人类智慧依赖和数据标注需求。因此,提高数据标注效率和多样化的智慧利用成为本部分的重点。该部分以古诗词知识图谱构建为目的,一方面,通过设计群体智慧考虑和知识图谱任务分配机制,如知识图谱的分配、反向验证码优化知识图谱构建;另一方面,提出了任务分配过程中群体智慧融合算法,对知识、问题和用户认知水平等得分进行了定义,以实现问题、答案和用户的智慧适配。优化后的群体智慧构建方式,往往考虑更多的人类认知情况和实现抽取更多高质量的知识三元组。课题的第三部分主要为知识图谱的推理模块,该模块主要将推理任务分为实体分类和链接预测两块任务。与以往的知识图谱中的推理模型不同,由于图神经网络方式能够较好地表示知识图谱的图数据特性,因此,本研究的知识推理使用了基于图神经网络的技术栈。研究采用了R-GCN和提出了融合度信息差异的DD-GCN优化模型作为推理任务基线,并在此基础上验证其推理效果。实验表明,在链路预测的相关任务上,DD-GCN能够改进R-GCN图神经网络的知识推理任务效果。总的来说,该课题从多角度地对教育大数据场景下的知识图谱,对多维知识表示、群体智慧构建、图神经网络推理进行了相应的探究和改进,其对开展教育知识图谱的构建、知识图谱推理和助力新一代的学习分析技术,具备一定借鉴意义。