学习本质上就是知识“解构”和“重构”的过程，因此学习的第一步就是获取知识。内容作为知识的载体，随着技术的不断发展，由传统单一的文字材料变成了视频、音频、图片、文字相结合的多种形式，知识传递的多元化，使得学习方式发生了巨大的变化，知识的获取变得更加高效、便捷。

年前，谷腾堡发明了金属活字印刷机，使印刷术迅速普及，书本成了知识流转的主要方式。自此之后，学习者不仅可以依靠口耳相传的方式学习，也可以在家中通过阅读印刷材料等形式学习。

书本的出现弱化了知识获取方式和对于特定人员的依赖，学习者即使未在特定的时间到特定的地点去学习，也可以通过书本学习相应的内容，从而知识获取更加从容。但是受限于书本数量少、种类单一、形式固化等因素，这一时代知识获取仍然满足不了的学习者的需求。

互联网时代，资源以富媒体的形式出现，网络推动了知识的流转，学习者获得资源的方式突破了时空的限制。互联网让学习变得更加便捷，同时也让知识发挥的作用越来越大。

互联网时代的内容极大丰富，只需要一台连接到网络的电脑即可获得海量的各种各样的资源。但是，学习者从海量资源中获取想要的内容并吸收内化成为知识时，往往倍感艰难。学习者在知识的寻找、筛选耗费了太多的时间和精力，让内容变成自己掌握可运用的过程也很难实现，如何快速找到适合自己的个性化内容和适合自己的学习方式，成为急需解决的难题。

智能时代，让知识主动流转成为可能。大数据、人工智能等技术构建了知识流转的智能环境，知识图谱、用户画像、大数据分析等技术的不断更新，为知识的主动流转提供了有力支撑，解决了获取适合知识的难题。

知识图谱（KnowledgeGraph）以结构化的形式描述了客观世界中的概念、实体及其关系，将互联网的信息表达成更接近人类认知世界的形式，提供了一种更好地组织、管理和理解互联网海量信息的能力。知识图谱给互联网语义搜索带来了活力，同时也在智能问答中显示出强大威力，已经成为互联网知识驱动的智能应用的基础设施。知识图谱与深度学习一起，成为推动互联网和人工智能发展的核心驱动力。

大数据是智能应用的基础，知识图谱的智能应用已经从单纯的搜集获取信息，转变为自动化的知识服务，并建立知识系统。如何通过大数据将知识更好的服务于用户，以及为用户决策提供支持，“用户画像”解决了这个问题。

用户画像需要以数据为基础，通过收集学习者的全场景大数据描绘出他的自然人属性，通过大数据分析，预测学习者选择资源的决策过程，为其匹配适合他的学习资源和提供学习建议，帮助学习者决定应该选择什么资源进行学习。比如将用户画像应用于图书馆服务、挂科预警、学籍预警、思想动态分析等方面。

大数据分析是知识图谱与用户画像的基础，它是知识智能流转和精准推荐的关键。

大数据分析流程涉及样本选择、评估指标确定、梳理相关影响因子、样本数据筛选、清洗检验是否符合挖掘需求、试挖掘（运用回归算法、分类算法、聚类算法、关联算法等）、挖掘结果的其他基本性质的属性分析。最后，将数据以可视化的形式展现，并解释数据分析结果所代表的含义，便于后续评估、干预等。数据分析挖掘是一个迭代的过程，可以在挖掘出的结果中发现新的需求，从而再进一步挖掘关联结果。把学习者数据、档案信息和课程数据等以某种形式结合在一起进行分析，进而判断出学习者目前的学习状况，并将分析的结果用作预测、干预、个性化和适应性学习的基础。

知识流转模型以大数据为背景，从学习者自身的学习模式和知识结构出发，结合学习者在平台的行为数据，分析计算出学习者画像中的学习兴趣、知识水平和综合能力等，结合知识图谱上最小的知识单元，将两者进行拟合匹配，为学习者匹配及推荐最优的学习内容和生成最优的学习路径。学习者在平台上的实时学习，让知识流转模型实时动态更新，流转的资源也将越来越准确。

学习效率的提升、学生的减负是目前大家高度