WordNet简介
39143个词，这个词表实际上包含在著名的COMLEX词典中。 WordNet当时词表与该词表重合率为74%（ 1993年）。
11
WordNet中有什么
WordNet描述的对象 compound（复合词）、phrasal verb（短语动词）、collocation （搭配词）、idiomatic phrase（成语）、word（单词），其中 word是最基本的单位。
e.g. big, beautiful, interesting, possible, married, ……
关系性形容词（relational adjectives）
e.g. fraternal, electrical, sidereal, ……
说明：关系形容词因其跟名词的关系而得名，如 electrical engineer 中的 electrical 实际跟 名词electricity 相关。
WordNet 简介
詹卫东
2003.6 zwd@ /doubtfire/
提纲
1 WordNet概述 2 WordNet中的名词 3 WordNet中的形容词 4 WordNet中的动词 5 WordNet词库与查பைடு நூலகம்软件的设计与实施 6 WordNet的应用与发展 7 小结
很少有超过10到12层的语义树，通常层次比较深的情况是 由于专业词汇造成的，而不是日常语言中的用词。比如：
shetland pony @-> pony @-> horse @-> equid @-> odd-toed ungulate @-> placental mammal @-> mammal @-> vertebrate @-> chordate @-> animal @-> organism @-> entity (12 levels)
WordNet发展简史
1978: George A. Miller, automated dictionary 1985: G. Miller, WordNet: A Dictionary Browser ＋ Project 1987年春: Philip N. Johnson-Laird，名词分类 1987年夏: Christiane Fellbaum加盟WordNet，动词分类 Kitty Miller 负责形容词的描写
14
名词的 分类树 （11棵）
15
多义性可以指示词语的熟悉度（Index of Familiarity）
16
词汇层级的心理学证据和语言学证据
Collins & Quillian (1969) : distance in hierarchy A robin is a bird -- A robin is an animal
the nervous person - the person's nervousness the nervous disorder - * the disorder’s nervousness
系，比如，“A thrush is a bird”是前一种关系，而“An adornment is a
decoration”则是后一种关系。更典型的例子也许是“Chicken is a kind of
bird”和“Chicken is a kind of food”
13
2 WordNet的名词
同义词集合（synset）与词汇层级（lexical hierarchy）
12
WordNet中没有什么
WordNet并不把词语分解成更小的有意义的单位（这是义素分析法的方 法）；WordNet也不包含比词更大的组织单位，如脚本、框架之类的单 位（这是框架语义学的方法）；
WordNet不是在文本和话语篇章水平上来描述词和概念的语义，因此 WordNet中没有包含指示词语在特定的篇章话题领域的相关概念关系。 例如，WordNet中没有将racquet（网球拍）、ball（球）、net（球网） 等词语以一定方式联系到一起。
2
1 WordNet概述
3
WordNet的心理语言学假设
可分离性假设（Separability hypothesis）：语言的词 汇成分可以被离析出来并专门针对它加以研究。
可模式化假设（patterning hypothesis）：一个人不可 能掌握他运用一种语言所需的所有词汇，除非他能够 利用词义之间存在的系统的模式和关系。
对象之间的语义关系 同义反义关系（synonymy，antonymy） 上下位关系（hyponymy，hypernym，troponymy） 部分整体关系（entailment，meronymy） ……
部分句法信息 简单的动词基本句式信息（Verb Sentence Frames） e.g. beat (somebody ---s somebody)
广泛性假设（comprehensiveness hypothesis）：计算 语言学如果希望能像人那样处理自然语言，就需要像 人那样储存尽可能多的词汇知识。
4
WordNet中的核心概念(synonym set)
Lexical Matrix
Sysnet: {board plank} {board committee}
{wheeled_vehicle}
the branch is a part of the tree
the tree is a part of the forest
⇒ the branch is a part of the forest
18
3 WordNet的形容词
描写性形容词（descriptive adjectives）
vs. intracellular
civil lawyer
vs. criminal lawyer
mechanical engineering vs. electrical engineering
21
形容词的多义性（兼属描写性和关系性）
old man vs. old house
old friend - new friend old friend - young friend
释（39%） 1992年4月，WordNet 1.2 版；1992年12月，1.3版 1993年1月，WordNet包含61023个同义词集合，36880个注
释（60%） 1993年8月，WordNet 1.4版
8
WordNet的规模与版本（续）
1994年1月，WordNet中包含79542个同义词集合，58705个 注释（74%）
17
整体与部分关系(Meronymy)
A是B的组成部分； beak / wing -> bird A是B的成员； tree -> forest A是B的构成材料。 aluminum -> plane
{wheel} is a part of {vehicle} {sled} is a kind of {vehicle} {wheel} is NOT a part of {sled}
× I gave him a good novel, but the catsup bored him
Collins A.M. and Quillian M.R., Retrieval Time From Semantic Memory, Journal of verbal learning and verbal behavior, 8, 240-248, 1969. Smith, E. and Medin, D. (1981). Categories and Concepts. Cambridge, Mass.: Harvard University Press.
19
moist &-> wet !-> dry
描写性形容词的反义关系
20
关系性形容词的特征
只能出现在定语位置（attributive position）；
意义上跟一个名词非常相关；
fraternal twins —— fraternal : brother dental hygiene —— dental : tooth
7
WordNet的规模与版本
1989年4月，WordNet中有37409个同义词集合，没有注释 1991年7月， WordNet 1.0版，包含44983个同义词集合，
13688个注释（30%） 1991年8月，WordNet 1.1版 1992年1月，WordNet包含49771个同义词集合，19382个注
不受程度副词修饰（描写性形容词可以）
* the extremely atomic bomb * the very baseball game
没有直接的反义词（起分类作用，而非否定作用）
non- : something else e.g. nonhuman, noncommercial
extracellular
WordNet中缺少关于词语的句法信息；
WordNet中缺少不同词类词语间的关系（scholar – teacher -/- teach）；
WordNet中没有“IS-NOT-A-KIND-OF”这样的关系；
WordNet中没有区分“IS-A-KIND-OF”和“IS-USED-AS-A-KIND-OF”两种关
1995年1月，WordNet包括了91050个同义词集合，同时包含 了75389个注释（占同义词集合数量的83%）
1995年3月，WordNet 1.5版 1997年，WordNet 1.6版（支持Windows,Unix,Mac） 2001，WordNet 1.7版（只支持Unix） 2001，WordNet 1.7.1版（支持Windows和Unix）
基于WordNet的概念语义相似度研究
性 、信息搜 寻和捡索 、自动推理和 自然语 言处理。基于该共 享知识本体 ，提出了一种计算两概念语义相似度 的方法。根据该 方法实现 了一个计算程序模块 ，并将计算结果同人类的主观判 断进行 了比较 ，验证 了该 方法的有 效性 。该研 究工作可以在 面
向 Ｗｅ 知识 检 索领 域 中得 到应 用 ，还 可 以 为本 体 的 相 关研 究 提 供 一 定 的理 论 基础 。 ｂ的
其中，ｗｅｇ ｔ是连接 Ｃ． 的最短路径 ．第 条边 的权值 。 ｉｈ￣ Ｃ： ｝ ＝
如果不考虑其它任何因素的影响，也即最简单的情况下，每 条边对语义距离计算的贡献部是相同的，树中两 点的最短路径 距离就是连接它们的最短路径ｔ边的条数。所以起初，我们可以
把 树中所行边的权值都赋ｆ为 １ ｆ ＝ ，即 ｗ ｉｈｆ 。 【 ｅｇ ｔ＝Ｉ
第２ ９卷 第 １ 期 ２
２ ０ 年 Ｊ ０８ ２
湖 南 科技 学 院 学 报
Ｊ ｒ ａ ｆＨ ｕｒｈ Ｕｎｉ ｒ ｉｙｏｆＳｃｅ ｅａ ｄ Ｅｎｇ ｎ ｅｉ ｇ ｏｕ ｎ ｌｏ ｒ ａ ｖｅ ｓｔ ｉｎｃ ｎ ｉ ｅ ｒｎ
Ｖｏ ．９ ＮＯ．２ １２ １ Ｄｅ ． ｏ８ ｃ２ｏ
（ ２ ）
对于一颗树 ｒ的深度 Ｄ ｐｈＴ ，本文定义它 为树 中概念的最 ｅｔ ） （
２ 基于 Ｗ ｒＮｔ的概念语义相似度 ｏｄ ｅ
２ 语 义距 离与语 义相似度 ． １
（） ３
同语义相似度一样 ，语义距离也是语言学中经常提到的一个
其中 ，ｃ为树 Ｔ 中的任一概念 。按照本文 的定义 ，所有从概念 Ｃ
基 于 Ｗ ｒＮ ｔ的概 念 语 义相似 度研 究 ｏｄｅ
李
摘
熙
徐德智
基于WordNet的情感词库构建研究
基于WordNet的情感词库构建研究情感词库是自然语言处理中的重要组成部分，通常用于文本情感分析、情感极性判断以及舆情分析。
WordNet是一种常用的语义网络，可以通过它来构建情感词库，本文主要介绍基于WordNet的情感词库构建研究。
一、WordNet简介WordNet是由普林斯顿大学的心理学家George Miller教授领导的一项项目，它是一种英语词汇数据库，用于自然语言处理和语义计算。
WordNet将英语单词分解为词义，每个词义都与一个或多个单词相关联。
这些词义之间以及单词之间都存在着语义关系，比如同义词、反义词、上位词、下位词等等。
二、情感词库介绍情感词库（Sentiment Lexicon）是包含情感极性和情感强度等信息的一组单词或短语列表。
情感词库可以帮助计算机自动分析文本的情感倾向，以此为根据来进行情感分类、情感极性判断、舆情分析等工作。
情感词库的构建通常需要基于人工标注和机器学习技术。
传统的构建方法在标注大量的文本后，利用MMI（最大相互信息）或PMI（点间互信息）等方法计算情感单词或短语准确率。
但是这种方法对人的时间和精力的要求太大，也不够灵活。
因此开始使用WordNet构建情感词库。
三、基于WordNet构建情感词库的方法基于WordNet的情感词库构建方法主要分为两种：查找词性和语义相似度。
1. 查找词性在WordNet中，每个单词在其定义中有多个释义和词性标记：名词（Noun）、动词（Verb）、形容词（Adjective）和副词（Adverb）。
在这种情况下，可以使用名词、动词、形容词和副词标记，选择有情感信息的单词。
然后借助WordNet上语义关系（如同义词、反义词、上位词、下位词等）来扩展情感词库。
例如，将“love”作为基本情感词，利用同义词“adore”，反义词“hate”，上位词“comfort”、下位词“hug”等扩展情感词表。
2.语义相似性利用WordNet关系结构中词之间的关系，计算两个单词之间的语义相似性，从而将与情感相关的单词添加到情感词库中。
WORDNET与HOWNET之比较
WORDNET与HOWNET之比较作者：张笛来源：《青年文学家》2011年第13期摘要：本文在对Wordnet和Hownet进行简单介绍的基础上，从理论基础，设计原理与建设方法，目的与应用这三个大方面进行了比较。
从而找出两个系统的相似之处和差异，以期对自然语言处理有所帮助。
关键词：Wordnet；Hownet ；比较；语义作者简介：张笛，临沂大学外国语学院讲师，语言学。
近年来，随着计算机本身以及信息高速公路的飞速发展，人们开始更加重视语义的研究。
各国都致力于可用于自然语言处理的大规模语义词典或大规模知识库的建设。
例如：普林斯顿大学的英语Wordnet,微软的Mindnet，欧洲有基于Wordnet的Eurowordnet，日本的日语和英语的概念词典，韩国的Koreanwordnet，中国有以Wordnet为框架而研制的现代汉语概念词典——中文概念辞书（CCD）和董振东、董强的Hownet（知网）。
Wordnet是一个在线的英语词汇数据库（词汇参照系统），而Hownet是一个以汉语和英语的词语所代表的概念为描述对象，以揭示概念与概念之间以及概念所具有的属性之间的关系为基本内容的常识知识库。
现在两者都被放在网上，供人们使用,并且可以参与他们的完善、扩展和发展。
所以，本文拟把二者放在一起进行比较研究，找出两个系统的相似之处与差异，取长补短，以期为自然语言处理寻求一个较为完善的语义关系系统。
一、理论基础首先，二者都以一种“模式假设”（patterning hypothesis）为前提和理论基础。
其次，“理解性假设”（comprehensiveness hypothesis）也是二者的理论基础。
但二者的理论基础不同之处也很多。
Wordnet的一个较主要的理论基础是“可分离性假设”（separability hypothesis）即语言的词汇成分可以被离析出来并专门针对它加以研究。
Hownet的最重要的理论基础是它的哲学。
基于WORDNET的领域本体半自动构建研究
中图分类 号 ：Ｐ ９ Ｔ ３
文献 标识 码 ： Ａ
文章 编 号 ：６ ３０ ６ （ ０ ７ ０ －３ １ ４ １７ －５ ９ ２ ０ ）４ ８ － ０ ０
０ 引言
本 体 目前 尚无统 一定 义 ，被广 泛应 用 的定 义是 Ｇｕ ｅ… 提 出 的 “ 体 是 概 念模 型 的 明确 规 范说 ｒｂｒ 本 明” 。构 建本 体 的方法 是 当前研 究 中 的热 点 问题 ， 目前 国 内外研究 本 体 的构建 方 法 主要有 ：Ｔ Ｖ Ｏ Ｅ法 ， 骨架 法 ，Ｓ Ｎ Ｕ Ｅ Ｓ Ｓ法 ，七 步法 ，ＩＥ ５方 法 。现行 的本 体 的构 建 方法 都 没 有 经过 权 威 标准 化 部 门 的认 ＤＦ 证 ，要形 成 一套标 准 的本 体构 建方法 比较 困难 。 因为领 域 的不 同和具 体工 程 的要求 不 同 ，但 大家都 比 较认 同 Ｇｕｅ＿提 出的构 建本 体 的五条原 则 ：明确 性和 客观 性 ，概念 定 义 的完整性 ，推 理一 致性 ，最 ｒｂｒ ２
Ｖｏ ８ Ｎｏ ４ Ｌ２ ． Ｄｅ ２ ｏ Ｇ Ｏ ７
基于 ＷＯ Ｄ Ｅ Ｒ Ｎ Ｔ的领域 本体 半 自动构建研究
张 勇 ， 门 涛２
（． 湖学院 计算机系 ，安徽 巢湖 ２ ８０ ； ． 海大学 信息科学与工程学院 ，辽宁 锦州 １ １ １ ） １巢 ３ ００ ２ 渤 ２ ０ ３
２ 基于 ＷＯ Ｄ Ｅ Ｒ Ｎ Ｔ的本体半 自动构建 方案
２ １ Ｗ Ｏ ＤＮＥ ． Ｒ Ｔ的结构
ＷＯ Ｄ Ｅ 是 由 Ｐｉｃｔ Ｒ ＮＴ ｒ ｅ ｎ大 学认 知科 学实 验室 研 制 的 ，它 的理 论基 础是 心理 语 言学 和人 类词 汇 ｎ ｏ
记忆学 。它根据语义来组织分类词汇信息 ，而不是根据词的形式 。Ｗｏ Ｎ ｔ ｒ ｅ 中的词汇关系如下表： ｄ
一种基于WordNet语义相似度的改进算法
一种基于WordNet语义相似度的改进算法作者：田姗来源：《数字技术与应用》2013年第08期摘要：随着信息的快速发展，计算词语语义相似度在很多领域得到了广泛应用与研究，包括信息检索，信息抽取，词义排歧，基于实例的机器翻译，文本分类等等。
本文在相关研究的基础上除了考虑路径外考虑了节点所在树中的深度和宽度，提出一种基于WordNet语义相似度的改进算法。
关键词：WordNet 语义距离语义相似度中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2013）08-0113-01语义相似度计算在很多领域都有着广泛的应用，如自然语义处理，信息检索，词义排歧，文本分类以及基于实例的机器翻译等。
随着Internet技术的高速发展，语义相似度成为信息检索研究的重要组成部分。
当前语义相似度计算方法大致可以分为两类：一类是根据世界知识或者某种分类体系的方法来计算，主要是基于按照概念间结构层次关系组织的语义词典的方法，根据在这类语言学资源中概念之间的上下位关系和同位关系来计算词语的相似度；第二类是基于统计的方法，主要将上下文信息的概率分布作为词汇语义相似度的参照。
现有的研究中有的通过词结点之间上下位关系构成的最短路径计算语义相似度，文献[1-2]通过两个词的公共祖先结点的最大信息量计算语义相似度，文献[3-5]通过结合结点间的路径长度，概念层次树的深度，概念层次树的区域密度等因素综合考虑计算语义相似度。
国外很多研究者利用WordNet 中的同义词集组成的树状层次体系结构计算语义相似度。
1 WordNet简介WordNet是由Princeton 大学的心理学家，语言学家和计算机工程师联合设计的一种基于认知语言学的英语词典，它不只把单词以字母顺序排列，而且按照单词的意义组成一个“网络”。
由于包含了语义信息，所以WordNet有别于通常意义上的字典。
WordNet描述对象包括复合词、短语动词、搭配次词、成语、单词，其中单词是最基本的单位。
基于CEF和WordNet的词汇拓展框架的构建
一
Байду номын сангаас
、
刖 再
语音 、 法 、 汇 是构 成 语 言 的三 大要 素 ， 汇是 语 音 和语 法 的载 体 ， 语 词 词 词 汇掌 握 的数 量 和 质量 直接 决 定 言语 表 达 的丰 富性 、 得体 性 ， 有 一 定 的词 汇 没 量 ． 要提 高语 言能力 和交 际能力 无疑 于纸上谈 兵 。词 汇学 习是包 含 了语 音 、 想 语法 、 配关 系 、 境 问题 、 用 等信 息 的动态 学 习过 程 ， 搭 语 语 而不 是静 止 的 、 立 孤 的词 汇项 的单 纯记 忆 。词汇 教学 一 直 以来 都 是外 语 教学 的重 头 戏 ， 是 最难 也 见成 效 的一项 。人 们 已经认 识 到 ， 复强 调 词汇 释义 的传 统 词 汇教学 不 能满 反 足人 们对 词 汇掌握 的实 际需 要 ， 汇 的实际 运用 问题 绝 不是 单凭 一 张词 汇表 词 就 能解决 的 。 目前 最具 代表性 的词 汇拓 展策 略 ， 不外 乎利用 词汇 的语义关 系 、 搭配 关 系 ， 助 阅读 手段 、 际手段 等几种 。 文在此 介绍 一种集 上述几 种策 借 交 本 略 的优 点 为一 体 的词 汇 拓展 框 架—— 基 于 Ｗｏｄ ｅ 语 义框 架并 结 合 Ｃ Ｆ交 ｒＮ ｔ Ｅ 际话 题 的词汇 拓展框 架 ． 解决 词汇教 学 中的实 际问题 。 来
件 的研 制 与 开 发 ” 题 。 专 作 者 简 介 ： 元 梓 （９ ８ ） 女 ， 师 ， 要从 事应 用 语 言 学及 数 据 库 语 言 学研 究 。 高 １７ 一 ， 讲 主
１０ ５
方 面可 以使 学 习者 明确 地知 道在 此话 题 下通 常 出 现 和使 用哪 些词 汇 ； 另一 方 面 ， 学 习某些 单 词 的 在 时候 。学 习者 可 以根 据 具体情 况 将其 归 为某 类话 题 ．轻松 抓住 单 词使 用 的核 心 。主题 既要 有 代表 性． 又要 有概 括性 ， 样 才能 确保 框架 的信 度 和效 这
试论语义特征分析法
试论语义特征分析法随着语言学技术的发展，语义特征分析法已经成为自然语言处理研究中一种非常有效的方法，用于提取文本语义信息。
本文首先对语义特征分析法概念进行了介绍，提出了该方法的基本架构，以及它的起源和发展历史。
其次，讨论了语义特征分析法的典型方法和技术，并重点介绍了几种主要的特征抽取技术，包括基于WordNet和其他语义资源的语义特征抽取，以及基于统计模型和深度学习技术的特征抽取。
最后，本文对语义特征分析法应用及其未来发展方向进行了综述。
关键词：语义特征分析法；特征抽取；WordNet；统计模型；深度学习技术1.言随着认知科学和认知技术的发展，如何让计算机更好地理解自然语言信息变得越来越重要。
近年来，多种机器学习和自然语言处理技术的发展，使得自然语言处理变得愈发成熟，抽取文本语义信息也成为自然语言处理研究中重要的目标。
语义特征分析法（Semantic Feature Analysis，SFA）是一种提取文本语义特征的方法，它主要使用语义分析实现从文本中抽取关键词及其相关语义特征，从而提高机器理解文本内容及其应用的准确率。
2.义特征分析法简介语义特征分析法（Semantic Feature Analysis，SFA）是一种基于语言学的特征抽取法，主要用于提取文本的语义特征，并将其用于语义分析和机器学习，从而实现文本的自动理解。
SFA的基本架构是将语义特征分解为两个部分：一部分为语义基本成分，如代词、动词等；另一部分是语义关系，指代词、动词等词汇间的关系。
SFA最初由Hendrix（1979）提出，他认为，由于不同词语在其语义上可以表达各种复杂的关系，而传统的自然语言处理方法只能通过词语的形式进行分析，而不能抽取词语的语义信息，因此他设计的SFA模型可以用来提取文本中的语义特征，从而实现文本理解。
3.义特征分析法的技术SFA的实现需要依赖一系列特定的技术，其中主要包括语义特征抽取、特征变换和特征表示等。
wordnet介绍
）作为一般词典的WordNet （WordNet as a dictionary）· WordNet跟传统的词典相似的地方是它给出了同义词集合的定义以及例句。
在同义词集合中包含对这些同义词的定义。
对一个同义词集合中的不同的词，分别给出适合的例句来加以区分。
（七）WordNet中的关系（relations in WordNet）·不同句法词类中的语义关系类型也不同，比如尽管名词都动词都是分层级组织词语之间的语义关系，但在名词中，上下位关系是hyponymy关系，而动词中是troponymy关系；动词中的entailment（继承）关系有些类似名词中的meronymy（整体部分）关系。
名词的meronymy关系下面还分出三种类型的子关系（见“WordNet 中的名词”部分）。
（八）网球问题（the tennis problem）· WordNet是基于同义性和反义（对义）性来描述词语和概念之间的各种语义关系类型的。
由于WordNet的注意力不是在文本和话语篇章水平上来描述词和概念的语义，因此WordNet中没有包含指示词语在特定的篇章话题领域的相关概念关系。
例如，WordNet中没有将racquet（网球拍）、 ball（球）、net（球网）等词语以一定方式联系到一起。
Roger Chaffin在一封私人信笺中，曾把这类问题称为“tennis problem”（网球问题），指的就是如何把racquet、ball、net、court game （场地比赛）；或者把physician（内科医生）跟hospital（医院）联系到一起。
这对电子词典来说，是一个挑战。
已经有一些相关的研究工作在探索如何从WordNet 中包含的词汇和概念之间的语义关系，来推导出话题信息。
Hirst和St-Onge描述了一种所谓的“词汇链”（lexical chain）的应用方法。
“词汇链”是在基于名词的语义关系构成的上下文中的名词的序列。
WordNet简介
WordNet的词汇组织结构
➢同义词集(Synsets)
Example:
❖ 地球绕着太阳转, 自然会有寒来暑往的四季交替 ❖ 自然奥秘 {自然、必然、一定、必定} {自然、天然}
B.4
WordNet的词汇组织结构
词汇(Words) 、同义词集、语义(Senses)的数量
POS Unique Strings Synsets Total Word-Sense Pairs
Noun 109195
75804
134716
Verb
11088
13214
24169
Adjective 21460
18576
31184
Adverb 4607
3629
5748
Totals 146350 111223
195817
B.5
WordNet的词汇组织结构
多义词信息(1)
词 性 单义词和语义
名词
94685
动词 形容词
5920 15981
副词
3820
总计
120406
多义词
14510 5168 5479 787 25944
多义词语义
40002 18221 15175 1900 75298
B.6
WordNet的词汇组织结构
多义词信息(2) 词 性 平均词义（包括单义词） 平均词义
名词
1.23
2.75
动词
B.18
WorNet 中词语间的关系
动词蕴涵关系(entailment) 、动词的上位关系 (hypernymmy) 、方式关系(troponymy)、因果关系 (cause relation)
个性化学习系统中的知识库设计
2017年第3期信息与电脑China Computer&Communication数据库技术个性化学习系统中的知识库设计祁昌平（河西学院 信息技术与传媒学院，甘肃 张掖 734000）摘 要：笔者探索了个性化学习系统中知识库的构建方法，介绍了课程知识的特点、课程知识的获取方法以及课程知识点划分，实现了以知识点为基本单位的知识表示方法和知识点之间逻辑关系的存储，阐述了学习资源与知识点的关联方法，介绍了课程知识推送策略。
目的在于向学习者推荐个人化学习资源，提高学习者的学习效率和质量。
关键词：个性化学习系统；知识库；信息挖掘中图分类号：TP391.6 文献标识码：A 文章编号：1003-9767（2017）03-172-03The Design of the Knowledge Base in the System of Personalized LearningQi Changping(College of Information Technology and Communication, Hexi University,Zhangye Gansu 734000, China)Abstract: The author explores the way to construct knowledge base in the personalized learning system, it explains thecharacteristics of course knowledge, the method of knowledge acquisition and course knowledge point division, it implements representation of knowledge with the basic unit and the storage of the logical relationship between knowledge point, it explains the association method between learning resources and knowledge point, it also explains strategies to push the course knowledge.The purpose is to recommend personalized learning resources to learners. learners ’ learning efficiency and quality would be fairlyimproved.Key words: the system of personalized learning; knowledge base; information mining 计算机技术的迅速发展与网络的全面普及，不断改变着人们的学习、生活方式，也促进了教学工作不断走向智能化与个性化。