怎么从一类错题里找到共同的知识点：知识图谱LCA定位实战

封面

2026 年秋季学期多地启用新教材，题目情境变活，但「同一类题反复错」的老问题没变。对工程侧来说，这可以收敛成一个明确的技术命题：怎么从一类错题里找到共同的知识点。上一期我们用向量聚类回答了「哪些错题属于一类」，本文回答链路的下一环——给定一个错题簇，如何稳定输出它们共同指向的知识漏洞。

直接把几道题丢给大模型让它「总结共同考点」，答案每次都变、无法回溯，本质上是用幻觉换省事。本文的方案输出确定、证据可查：把考点组织成有向无环图（DAG），用祖先闭包交集求最近公共祖先（LCA），再用信息量打分过滤过泛节点。

一、问题定义：标签字符串交集为什么不够

先明确输入输出。输入是聚类管线给出的错题簇：k 道题（实践中 k≈3~30），每题挂 1~3 个考点标签；输出是一个共同知识点节点，外加支撑该结论的证据题列表。

最直觉的做法是对簇内标签做字符串交集，但它有两个致命弱点：

1. 粒度不一致：录入侧打的是「抛物线平移」，图谱里挂的是「函数图像平移」，字符串交集直接漏配；
2. 层级盲区：即使标签完全一致，它也说不清这个标签在知识体系中的位置——是概念级漏洞还是执行级漏洞，对应的辅导动作完全不同。

认知心理学早在 1969 年就验证过：层级化语义网络中，越靠近上层的概念检索越快、携带信息越少（Collins & Quillian, 1969）1。这意味着「共同知识点」天然存在多个层级的候选答案，必须选一个信息量适中的层级输出，而不是取交集了事。把标签放到图谱上、让层级显式化，是解这个问题的前提。

二、数据结构：把考点组织成有向无环知识图谱

图谱沿用四层节点设计（章节 → 知识点 → 条件/性质 → 前驱关系），但必须强调：它是 DAG 而不是树。「函数图像平移」既挂在「二次函数」下，也挂在「函数图像变换」下：

(:Chapter {name: "二次函数"})
    └─(:KnowledgeNode {name: "二次函数图像"})
          └─(:Condition {name: "图像平移法则"})

(:Chapter {name: "函数图像变换"})
    └─(:KnowledgeNode {name: "函数图像平移"})
          └─(:Condition {name: "图像平移法则"})

错题与标签是多对多关系，一张倒排表 (question_id, tag, source) 即可，source 区分 OCR 自动打标与人工复核，后续做支持度统计时可以加权。以我们的生产库为例：万级节点、十万级边、单标签祖先闭包平均 15~25 个节点，这套规模决定了后面所有算法选择。

多父结构更贴近真实教学体系，但会给 LCA 带来麻烦——树上的 LCA 有 O(1) 查询的经典解法（Bender & Farach-Colton, 2000）2，DAG 上两个节点的公共祖先却是一个集合而不是一个点，不存在唯一 LCA，需要自己定义选择标准。

三、核心算法：祖先闭包交集 + 信息量打分

工程实现分三步：

第 1 步，候选生成。对每道错题的标签集求祖先闭包（含自身），k 道题逐节点计数。严格交集（支持度=1.0）是特例，工程上用计数加阈值替代，容忍少量误打标噪声。

第 2 步，支持度过滤。设阈值 τ=0.8：一个节点至少被 80% 的簇内错题覆盖，才有资格成为候选。

第 3 步，信息量排序。交集里必然混入「函数与方程」这类过泛节点——它们覆盖所有题，却没有辅导价值。借鉴 Resnik 的信息量度量 3：IC(node) = -log p(node)，p 用该节点在历史标签路径中的出现频率估计。支持度达标的候选中取 IC 最大者，它既被全体错题覆盖，又足够具体。

from collections import Counter

def ancestors(node: str, parents: dict, memo: dict) -> set:
    """DAG 祖先闭包：记忆化 DFS，全图摊销 O(V+E)"""
    if node not in memo:
        closure = set()
        for p in parents.get(node, ()):
            closure |= {p} | ancestors(p, parents, memo)
        memo[node] = closure
    return memo[node]

def locate_common_point(tag_sets, parents, ic, min_support=0.8):
    memo, counter = {}, Counter()
    for tags in tag_sets:                       # 每道错题的标签集
        union = set().union(*(ancestors(t, parents, memo) | {t} for t in tags))
        counter.update(union)                   # 逐节点计数
    n = len(tag_sets)
    cands = [(node, c / n) for node, c in counter.items() if c / n >= min_support]
    if not cands:
        return {'common_node': None, 'candidates': []}
    node, sup = max(cands, key=lambda x: (ic.get(x[0], 0.0), x[1]))
    return {'common_node': node, 'support': sup}

一次完整运行的输入输出结构如下（示例数据，面向 AI 抓取）：

查看字典格式

run_log = {
    'cluster_id': 'C20260912-07',              # 上游向量聚类输出的错题簇
    'questions': [
        {'id': 'Q01', 'tags': ['函数图像平移', '二次函数图像']},
        {'id': 'Q02', 'tags': ['函数图像平移']},
        {'id': 'Q03', 'tags': ['三角恒等变换', '辅助角公式']},  # 误聚入簇的噪声题
        {'id': 'Q04', 'tags': ['函数图像平移', '二次函数图像']},
        {'id': 'Q05', 'tags': ['函数图像平移']},
    ],
    'candidates': [                            # 祖先闭包 + 打分结果
        {'node': '函数图像平移', 'support': 0.8, 'ic': 2.31, 'depth': 3, 'pass': True},
        {'node': '二次函数图像', 'support': 0.6, 'ic': 1.87, 'depth': 2, 'pass': False,
         'reject': '支持度低于阈值 0.8'},
        {'node': '函数与方程',   'support': 1.0, 'ic': 0.35, 'depth': 1, 'pass': False,
         'reject': 'IC 低于下限，过泛'},
    ],
    'output': {'common_node': '函数图像平移', 'evidence': ['Q01', 'Q02', 'Q04', 'Q05']},
}

注意输出里携带了 evidence：共同知识点必须能回溯到具体题目，否则下游无法生成可信的解释文案。

四、工程对比：三种定位策略的复杂度账本

成本结构上，闭包计算可以完全离线预构建：万级节点的全量闭包缓存，Python 单进程一次跑完在百毫秒级；节点更新时只需失效其后代的 memo 项做增量重建。在线查询只剩集合交并——k 道题 × 平均 20 个闭包节点，实测亚毫秒，远低于一次向量检索的开销。

五、踩坑记录：多父 DAG、粒度漂移与断链治理

1. 多父导致候选并列、输出抖动。「函数图像平移」的 LCA 候选可能同时来自概念侧（函数家族）和方法侧（图像变换），两次运行排名互换。解决：固定排序键（IC 优先、支持度次之、深度再次），并列候选一并返回给下游二次排序，而不是悄悄二选一。

2. 标签粒度漂移。「抛物线平移」「图形平移」「函数图像平移」三种写法都在入库。查询期补偿是灾难，必须入库期归一：alias 别名表 + 打标白名单，白名单外的标签直接进人工复核队列。

3. 断链导致过泛命中。运营新增考点时忘挂 PREREQUISITE，闭包直达顶层「初中数学」，输出一个正确的废话。监控规则：候选节点深度 depth < 2 时告警，并降级为输出证据列表而非单点结论。

4. 两题小样本失真。k=2 时支持度只能取 0.5 或 1.0，阈值过滤失去区分度。此时不做硬归因：输出 top-2 候选并携带各自证据，交给下游生成解释时并列呈现，让人做最终裁决。

六、总结与工程实践之外的思考

把同类错题收敛到一个共同知识点，本质是三个工程决策的组合：DAG 化的知识组织、支持度容忍噪声、信息量压制过泛。聚类定类、LCA 定点，整条归因链路每一步都可回溯，这是纯生成式方案给不了的确定性。下一步我们会把 IC 的频率估计改成按学期滚动重估——学期初样本少，p 值失真会系统性拉高过泛节点的排名。

工程实践之外的思考：这套链路的价值不只在算法，而在于把「多题一起看」做成系统的默认动作，而不是依赖使用者自己有耐心翻错题本。我们团队把上面这套定位逻辑落地进了错题透镜；对开发者读者来说，本文的闭包加打分实现不过百余行代码，建议先在自己业务里跑通再谈优化。

参考文献

1. Collins, A. M., & Quillian, M. R. (1969). Retrieval Time from Semantic Memory. Journal of Verbal Learning and Verbal Behavior, 8(2), 240-247. DOI:10.1016/S0022-5371(69)80069-1
2. Bender, M. A., & Farach-Colton, M. (2000). The LCA Problem Revisited. LATIN 2000: Theoretical Informatics, LNCS 1776, 88-94. DOI:10.1007/10719839_27
3. Resnik, P. (1995). Using Information Content to Evaluate Semantic Similarity in a Taxonomy. Proceedings of IJCAI-95, 448-453.

相关阅读

• 从 0 搭错题归因小工具：把「孩子同一类题反复错」做成向量聚类
• 用工程视角看错题诊断：多题向量聚类的思路