在教育领域,“个性化学习”一直是经久不衰的话题。受限于技术水平和师资力量,其一直未能在实践中得到广泛应用。近年来,快速发展的人工智能和互联网技术重塑了个性化学习,为其在实践中的广泛应用创造了契机。领域知识模型和用户特征模型是个性化学习的两个重要根基。在实践中,通常使用知识图谱来构建领域知识模型。实体识别是构建知识图谱的第一步。在教育领域,实体识别也被称为“知识元抽取”。在已有研究基础上,本文重点对学科中知识元的抽取方法进行了研究。由于缺乏学科的公开数据集,本文自行制作了“Python知识元数据集”,并在该数据集上进行了大量实验,证明了方法的有效性。本文的主要工作如下:首先,本文提出了基于序列的知识元Lattice-TF抽取模型。该模型使用LatticeLSTM网络来编码一系列输入字符及其所有匹配的潜在单词。使用针对命名实体识别任务的Transformer编码器,从已有信息中抽取对当前任务更为关键的信息,增强捕获长距离依赖性的能力。通过在自行制作的“Python知识元数据集”上进行实验,证明了结合LatticeLSTM和Transformer编码器两种神经网络进行知识元抽取的有效性。其次,在上文中提出的Lattice-TF模型基础上进行改进,将“基于序列的LatticeLSTM网络”替换为“基于词汇的图神经网络”来整合字符与词汇信息,提出了 LGN-TF模型。实验证明,在整合词汇信息方面,基于词汇的图神经网络略优于基于序列的LatticeLSTM网络。随后,本文提出了基于多图协作的知识元TF-CGN抽取模型。在LGN-TF模型的基础上使用“多图协作的图神经网络”来替代“基于词汇的图神经网络”捕获词汇信息,并调整了 Transformer编码器的使用层次。实验结果证明,在整合词汇信息方面,多图协作的字符词汇交互图略优于单一图模型;在Transformer编码器的使用层次方面,在较低层次使用Transformer编码器的效果更好。以上模型和实验结果说明,在学科知识元的抽取上,首先使用Transformer编码器抽取字符上下文信息,然后使用协作图神经网络整合词汇特征,能够提升模型性能。下一步将在整合字符字形信息、多任务学习、跨域学习等方面进行更深入地研究。