1.基于知识图谱的大学计算机基础习题推荐方法，其特征在于，运用大学计算机基础知识点构建的知识图谱，使用图团体检测算法从知识点之间的关系结构上分析关联性，从而推荐与学生错误知识点关联性较高的知识点进行学习；通过中文分词提取习题语义特征构建word2vec模型，使用RWMD方法计算学生的错题与其他习题在内容上的相似度，选取相似度高的习题并进行推荐。

2.根据权利要求1所述的基于知识图谱的大学计算机基础习题推荐方法，其特征在于，所述推荐方法具体包括以下步骤：步骤1，读取学生的某一道错题；

步骤2，对步骤1中读取的学生的错题，在习题数据库中查询其对应的知识点，并在大学计算机基础知识图谱中查询与该知识点对应的节点P1；

步骤3，对步骤2中得到的节点P1，在大学计算机基础知识图谱中查询流入P1并且与其关系为包含关系的节点P2；

步骤4，对步骤3中得到的节点P2，在大学计算机基础知识图谱中查询从P2流出并且与其关系为包含关系的所有节点，定义为集合W1；

步骤5，对步骤3中得到的节点P2，在大学计算机基础知识图谱中查询流入P2并且与其关系为前驱关系的节点P3；

步骤6，对步骤5中得到的节点P3，在大学计算机基础知识图谱中查询从P3流出与其关系为包含关系的所有节点，定义为集合W2；

步骤7，对步骤4、步骤6中得到的节点的集合W1与W2，在大学计算机基础知识图谱中提取包含W1、W2中所有节点的图结构，并且依据图结构形成邻接矩阵；

步骤8，对步骤7中得到的邻接矩阵，使用图团体检测算法进行聚类分析，得到与步骤2中得到的节点聚为一类的节点集合，该集合中的节点对应的知识点即为与错误知识点关联性高的知识点；

步骤9，对步骤8得到的知识点，整合后推荐给学生；

步骤10，对习题数据库中的每道习题使用中文分词提取N个关键词，将N个关键词的集合作为每道习题的语义特征；

步骤11，构建word2vec模型并输入步骤10中提取的习题的语义特征进行训练，旨在得到每道习题的关键词词向量；

步骤12，使用RWMD算法计算学生错误的习题与其他习题之间的词移距离；

步骤13，在习题数据库中查询步骤8得到的知识点所对应的习题；

步骤14，将步骤13得到的习题整合后推荐给学生。

3.根据权利要求2所述的基于知识图谱的大学计算机基础习题推荐方法，其特征在于，所述步骤3中，节点分为两种类型，分别为知识面节点和知识点节点；知识面节点为概括性的知识，知识点节点为知识面节点下更为具体的知识；知识面节点与知识点节点之间存在包含关系，知识面节点和知识面节点之间存在前驱关系，知识点节点与知识点节点之间存在并列关系和因果关系；通过查询知识点节点所属的知识面节点，可以得到该知识面节点包含的全部知识点节点以及该知识面节点的前驱知识面节点。

4.根据权利要求2所述的基于知识图谱的大学计算机基础习题推荐方法，其特征在于，所述步骤7中，以邻接矩阵的形式在大学计算机基础知识图谱中提取的节点的图结构，其中

0表示两个节点没有连接关系，1表示两个节点具有包含关系和并列关系，2表示两个节点具有因果关系和前驱关系。

5.根据权利要求2所述的基于知识图谱的大学计算机基础习题推荐方法，其特征在于，所述步骤8中，对于步骤7得到的邻接矩阵，使用图团体检测算法进行聚类分析以得到与错误知识点关联性高的其他知识点，对聚类结果使用模块性这一指标进行衡量，模块性是衡量团体划分质量的一种标准，值越大表明划分的越好；计算模块性的公式为其中L表示图所包含的边的数量，N表示图所包含的

节点的数量，ki表示节点i的度，Aij为邻接矩阵中的值，ci表示节点i的类别，本发明重新定义了δ函数；δ函数的逻辑为当节点i、节点j为同一聚类时，如果Aij的值为2，则δ(ci，cj)返回值为2；如果Aij的值为1或0，则δ(ci，cj)返回值为1；当节点i、节点j不属于同一聚类，δ(ci，cj)返回值为0。

6.根据权利要求2所述的基于知识图谱的大学计算机基础习题推荐方法，其特征在于，所述步骤10中，对习题数据库中的每道习题使用中文分词提取N个关键词x，将N个关键词x的集合作为每道习题的语义特征，对于习题Qi可以表示为：Qi＝{xi1，xi2，xi3…，xin}。

7.根据权利要求2所述的基于知识图谱的大学计算机基础习题推荐方法，其特征在于，所述步骤11中，构建word2vec模型并输入步骤10中提取的习题的语义特征进行训练，将每一个关键词表示为m维的词向量w，则习题Qi的习题向量可以表示为：Vi＝{wi1，wi2，wi3…，win}。

8.根据权利要求2所述的基于知识图谱的大学计算机基础习题推荐方法，其特征在于，所述步骤12中，使用RWMD算法计算错误习题与其他习题之间的词移距离，词移距离越短，代表两道习题的相似度越高，通过计算词移距离挖掘与错误习题在内容上相似度高的N道习题。