1
职业院校传统教学以「一刀切」统一进度为主，学生基础差异大、统一教材难以兼顾每个人的薄弱点，课后又缺少能根据错题与学习行为给出「下一步该学什么」的系统，导致学习效率低、自学路径模糊。本项目面向职业院校学生与一线教师，构建「AI职教个性化学习平台」：以专业课程知识图谱为底座，把教材知识点拆成可关联的图节点，再用学习行为数据驱动个性化学习路径推荐，让系统替老师完成「先学什么、再学什么、哪里要补」这件最费时的事。系统支持 3D 知识图谱可视化、学习画像与学习路径推荐三大场景，最终服务职业院校「因材施教」的真实教学需要
平台围绕「知识图谱 + 个性化推荐 + 3D 可视化」三大核心，主要功能模块如下：
知识图谱构建模块：基于 Neo4j 图数据库存储专业课程知识点（实体）与知识点间的前后置、依赖、并列关系（关系），支持课程结构的可视化录入与维护。
3D 知识图谱可视化模块：基于 React + R3F（Three.js）实现 3D 知识图谱渲染，支持节点拖拽、缩放、按掌握度着色、按课程筛选与点击下钻。
学习行为采集模块：记录学生答题、观看、收藏、错题等行为日志，结构化保存至关系型数据库。
个性化学习路径推荐模块：结合知识图谱拓扑结构、知识点掌握度与最近学习行为，使用图遍历与启发式算法生成「下一步推荐学习序列」。
学习画像模块：为每位学生生成知识点掌握度雷达图、薄弱点排行与学习进度统计。
教师后台模块：支持教师查看班级整体学习画像、薄弱知识点分布、人工调整推荐权重。
主要功能描述：平台以 FastAPI 为后端、Neo4j 为图存储、React + R3F 为前端 3D 渲染引擎，构建从「知识建模 → 行为采集 → 路径推荐 → 可视化反馈」的完整闭环。学生登录后即可在 3D 图谱上看到自己当前掌握度对应的「学习地图」，并按推荐路径逐点攻克；教师可在后台观察班级整体画像并动态调整推荐策略。
个人承担任务：本项目由我主导完成全栈开发与架构设计。具体负责：① 知识图谱建模与 Neo4j 数据设计（节点 / 关系 schema、批量导入脚本）；② FastAPI 后端接口开发（知识图谱查询、学习行为上报、推荐路径生成 RESTful API）；③ React + R3F 前端 3D 知识图谱可视化组件（节点布局、交互、配色方案）；④ 个性化学习路径推荐算法（基于图遍历 + 知识点掌握度加权）；⑤ 学习画像统计接口与前端雷达图 / 排行榜展示；⑥ 项目部署与文档（Docker Compose、README、API 文档）。
技术栈与架构：前端 Vite + React 19 + TypeScript + R3F（Three.js）+ ECharts；后端 FastAPI（Python 3.12）+ Uvicorn；存储 Neo4j（图）+ PostgreSQL（业务与日志）+ Redis（缓存）；部署 Docker Compose。
实现亮点：① 图谱 + 行为双驱动推荐——用 Neo4j 表达「先学什么再学什么」的结构化关系，用学习行为表达「你当前掌握度」，二者结合生成路径，单纯靠知识点或单纯靠行为都做不到。② 3D 可视化降低认知门槛——把抽象的知识依赖关系直接渲染成可拖拽、可点击的 3D 图谱，学生一眼看清自己在整门课的「位置」。③ 掌握度驱动的视觉反馈——图谱节点按掌握度自动着色（生疏-红、熟练-绿），薄弱点一眼可辨。
实现难点：① Neo4j 与关系型数据库之间的数据一致性问题（课程版本更新时图谱与业务表同步），通过在图谱写入后异步同步冗余字段 + 定时校验解决。② 3D 场景下大量节点的性能与可读性矛盾，通过节点 LOD 简化、按课程分批加载、力导向布局参数调优解决。③ 推荐算法的冷启动（新用户无学习数据时如何推荐），采用「按课程先验拓扑 + 知识图
评论