CN105930319A - 建立获取题目知识点模型、获取题目知识点的方法和装置 - Google Patents
建立获取题目知识点模型、获取题目知识点的方法和装置 Download PDFInfo
- Publication number
- CN105930319A CN105930319A CN201610301360.4A CN201610301360A CN105930319A CN 105930319 A CN105930319 A CN 105930319A CN 201610301360 A CN201610301360 A CN 201610301360A CN 105930319 A CN105930319 A CN 105930319A
- Authority
- CN
- China
- Prior art keywords
- knowledge point
- exercise question
- vector
- knowledge
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 64
- 230000011218 segmentation Effects 0.000 claims abstract description 51
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000012141 concentrate Substances 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 abstract 3
- 239000000203 mixture Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Tourism & Hospitality (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种建立获取题目知识点模型、获取题目知识点的方法和装置,其中,获取题目知识点的方法包括:确定总知识点集及训练集中各题目的知识点集;合并训练集中所有题目的分词结果得到特征词语集;根据特征词语集将各题目的分词结果转换为特征向量,根据总知识点集将各题目的知识点集转换为知识点向量;将特征向量作为输入,对应题目的知识点向量作为输出,采用机器学习方法建立获取题目知识点的模型;根据特征词语集将待处理题目的分词结果转换为特征向量;将待处理题目的特征向量输入获取题目知识点的模型得知识点向量,将知识点向量与总知识点集相匹配,得到待处理题目知识点。本发明能够自动获取题目知识点,提高标注题目知识点的效率。
Description
技术领域
本申请属于计算机教学领域,特别涉及一种建立获取题目知识点模型的方法和装置、获取题目知识点的方法和装置。
背景技术
随着计算机和互联网技术的发展,中小学教育,乃至大学教育中的练习和考试题目均实现了电子化存储,并可上传到网络上供学生使用。随着时间的推移,题目的数量会越来越大,例如某教学机构的题库***已经存储了数十万道题目。这给题目的搜寻和有效索引带来了困难,例如想要从海量的题目中找到涵盖某个知识点的题目,将变得不易。目前常用的解决方式是:由老师和教辅人员手动对题目进行标注,以指定该题目对应哪些知识点。然而此种方式增加老师工作强度,费时费力,具有标注效率低的缺陷。
发明内容
本发明提供了一种建立获取题目知识点模型的方法及装置、获取题目知识点的方法和装置,用于解决现有技术中没有获取题目知识点的模型,人工识别和手动标注题目知识点的方式费时费力,标注效率低的问题。
为了解决上述技术问题,本发明的一技术方案为提供一种建立获取题目知识点模型的方法,包括:确定总知识点集及训练集中各题目的知识点集;
对训练集中各题目进行分词,合并训练集中所有题目的分词结果,得到特征词语集;
根据所述特征词语集将训练集中各题目的分词结果分别转换为特征向量,根据所述总知识点集将训练集中各题目的知识点集分别转换为知识点向量;
将每个题目的特征向量作为输入,对应题目的知识点向量作为输出,采用机器学习方法建立获取题目知识点的模型。
本发明的一实施例中,建立获取题目知识点模型的方法还包括:对知识点体系文本内容进行分词;合并训练集中所有题目的分词结果得到特征词语集进一步为:合并训练集中所有题目的分词结果及知识点体系文本内容的分词结果得到特征词语集。
本发明的一实施例中,根据所述特征词语集将训练集中各题目的分词结果分别转换为特征向量,根据所述总知识点集将训练集中各题目的知识点集分别转换为知识点向量进一步包括:
对于训练集中每一题目,建立一与所述特征词语集长度相同的特征向量,查找所述题目的分词结果中每个词语在所述特征词语集中的位置,将所述特征向量相应位置处的元素设定为1,其余位置处的元素设定为0;
对于训练集中每一题目,建立一与所述总知识点集长度相同的知识点向量,查找所述题目的知识点集中每个知识点在总知识点集中的位置,将所述知识点向量相应位置处的元素设定为1,其余位置处的元素设定为0。
本发明的一实施例中,在计算所述特征向量及所述知识点向量前还包括:利用字典排序法对所述特征词语集及所述总知识点集中的元素进行排序。
本发明的一实施例中,通过支持向量机或神经网络方法建立所述获取题目知识点的模型。
本发明还提供一种获取题目知识点的方法,包括:利用前述任一实施例的方法建立获取题目知识点的模型;
根据特征词语集将待处理题目的分词结果转换为特征向量;
将所述待处理题目对应的特征向量输入所述获取题目知识点的模型,得到所述待处理题目对应的知识点向量,将所述待处理题目对应的知识点向量与所述总知识点集相匹配,得到待处理题目知识点。
本发明还提供一种建立获取题目知识点模型的装置,包括:知识点确定模块,用于确定总知识点集及训练集中各题目的知识点集;
特征词语确定模块,用于对训练集中各题目进行分词,合并训练集中所有题目的分词结果得到特征词语集;
向量计算模块,用于根据所述特征词语集将训练集中各题目的分词结果分别转换为特征向量,根据所述总知识点集将训练集中各题目的知识点集分别转换为知识点向量;
模型计算模块,用于将每个题目的特征向量作为输入,将对应题目的知识点向量作为输出,采用机器学习方法建立获取题目知识点的模型。
本发明的一实施例中,所述特征词语确定模块还用于对知识点体系文本内容进行分词,合并训练集中所有题目的分词结果及知识点体系文本内容的分词结果得到特征词语集。
本发明的一实施例中,所述向量计算模块具体用于,对于训练集中每一题目,建立一与所述特征词语集长度相同的特征向量,查找所述题目的分词结果中每个词语在所述特征词语集中的位置,将所述特征向量相应位置处的元素设定为1,其余位置处的元素设定为0;
对于训练集中每一题目,建立一与所述总知识点集长度相同的知识点向量,查找所述题目的知识点集中每个知识点在总知识点集中的位置,将所述知识点向量相应位置处的元素设定为1,其余位置处的元素设定为0。
本发明的一实施例中,建立获取题目知识点模型的装置还包括排序模块,用于在所述向量计算模块计算所述特征向量及所述知识点向量前,利用字典排序法对所述特征词语集及所述总知识点集中的元素进行排序。
本发明的一实施例中,所述模型计算模块通过支持向量机或神经网络方法建立所述获取题目知识点的模型。
本发明还提供一种获取题目知识点的装置,包括:建模模块,用于利用前述任一实施例的装置建立获取题目知识点的模型;
特征向量计算模块,用于根据特征词语集将待处理题目的分词结果转换为特征向量;
题目知识点计算模块,用于将所述待处理题目对应的特征向量输入所述获取题目知识点的模型,得到所述待处理题目对应的知识点向量,将所述待处理题目对应的知识点向量与所述总知识点集相匹配,得到待处理题目知识点。
本发明通过对训练集中题目进行分析,建立了获取题目知识点的模型,将待处理题目对应的特征向量输入获取题目知识点的模型能够快速的得到待处理题目的知识点。本发明能够提高标注题目知识点的效率,降低老师工作强度,节省老师劳动时间,从而提高教学效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例建立获取题目知识点模型的方法的流程图;
图2为本发明一实施例获取题目知识点的方法的流程图;
图3为本发明一实施例建立获取题目知识点模型的装置的结构图;
图4为本发明另一实施例建立获取题目知识点模型的装置的结构图;
图5为本发明一实施例获取题目知识点的装置的结构图。
具体实施方式
为了使本发明的技术特点及效果更加明显,下面结合附图对本发明的技术方案做进一步说明,本发明也可有其他不同的具体实例来加以说明或实施,任何本领域技术人员在权利要求范围内做的等同变换均属于本发明的保护范畴。
如图1所示,图1为本发明一实施例建立获取题目知识点模型的方法的流程图。该方法通过对训练集中题目进行分析,建立了获取题目知识点的模型。
具体的,所述方法包括:
步骤101:确定总知识点集及训练集中各题目的知识点集;
其中,总知识点集为一知识体系中所有知识点的集合。题目的知识点集为题目包含的知识点。总知识点集及训练集中各题目的知识点集可通过专业技术人员确定,如教师或辅导人员根据教学大纲、知识体系等依据进行建立。
训练集包含随机筛选出的多个题目,本发明对训练集中包含的题目个数不做限定,可根据建模精度具体设定。
步骤102:对训练集中各题目进行分词,合并训练集中所有题目的分词结果,得到特征词语集;
这里所述的对题目进行分词指的是对题目的文本内容(也可称之为题干)进行分词,具体实施时,可利用自然语言处理的方法对各题目文本内容进行分词。
步骤103:根据所述特征词语集将训练集中各题目的分词结果分别转换为特征向量,根据所述总知识点集将训练集中各题目的知识点集分别转换为知识点向量;
每个题目的分词结果以词语集合的形式进行存储。其中,特征向量与知识点向量均为计算机能够识别的数值向量,特征向量长度与特征词语集长度相同(即特征向量与特征词语集包含的元素个数相等),知识点向量长度与总知识点集长度相同。
步骤104:将每个题目的特征向量作为输入,对应题目的知识点向量作为输出,采用机器学习方法建立获取题目知识点的模型;
实施时,为了提高建模的速度及精度,通过支持向量机(Support Vector Machine,SVM)或多层人工神经网络方法建立获取题目知识点的模型。
具体实施时,本发明对步骤101与步骤102执行的先后顺序不做限定,可先执行步骤101,也可先执行步骤102。
本实施例能够建立获取题目知识点的模型,找到题目分词结果与题目知识点的对应关系,为自动获取题目知识点奠定了基础。
进一步的,为了保证特征词语集的全面性,进而提高建模的准确度,本发明一实施例中,建立获取题目知识点模型的方法还包括对知识点体系文本内容进行分词,步骤102中的合并训练集中所有题目的分词结果得到特征词语集进一步为合并训练集中所有题目的分词结果及知识点体系文本内容的分词结果得到特征词语集。例如,训练集中包括n个题目,其中,题目1的分词结果为X1集合、题目2的分词结果为X2集合…题目n的分词结果为Xn集合,知识点体系文本内容的分词结果为Y集合,则特征词语集为X1UX2U…UXnUY。
一实施例中,为了简化特征向量及知识点向量的转换效率,提高建模效率,具体实施时,步骤103进一步为:
对于训练集中每一题目,建立一与所述特征词语集长度相同的特征向量,查找所述题目的分词结果中每个词语在所述特征词语集中的位置,将所述特征向量相应位置处的元素设定为1,其余位置处的元素设定为0;
对于训练集中每一题目,建立一与所述总知识点集长度相同的知识点向量,查找所述题目的知识点集中每个知识点在总知识点集中的位置,将所述知识点向量相应位置处的元素设定为1,其余位置处的元素设定为0。
为了提高查找效率,本发明在计算特征向量及知识点向量前还包括,利用字典排序法对特征词语集及总知识点集中的元素进行排序。字典排序法为现有方法,本发明对其具体排序过程不再赘述。当然,具体实施时,还可采用其他排序方法对特征词语集及知识点集中的元素进行排序。
如图2所示,图2为本发明一实施例获取题目知识点的方法的流程图。获取题目知识点的方法包括:
步骤201:利用前述实施例所述的建立获取题目知识点模型的方法建立获取题目知识点的模型;建立获取题目知识点的模型过程参见上述实施例,此处不再赘述。
步骤202:根据特征词语集将待处理题目的分词结果转换为特征向量;
其中,特征词语集为训练集中所有题目的分词结果的合集。训练集为建立获取题目知识点模型时选取的样本集合。实施时,可利用自然语言处理方法对待处理题目文本内容进行分词。
步骤203:将所述待处理题目对应的特征向量输入所述获取题目知识点的模型,得到所述待处理题目对应的知识点向量,将所述待处理题目对应的知识点向量与所述总知识点集相匹配,得到待处理题目知识点。
详细的说,待处理题目对应的知识点向量中的每个元素值为总知识点集对应位置词语的置信度。得到待处理题目对应的知识点向量后,比较知识点向量中各元素值与预定阈值(预定阈值为接近1的值)的大小,记录大于预定阈值元素的位置,提取总知识点集相应位置处的知识点,这些知识点组成的集合即为该待处理题目知识点。
本实施例能够实现自动标注题目知识点,提高了标注效率,降低老师工作强度,节省老师劳动时间,能够提高教学效率。
如图3所示,图3为本发明一实施例建立获取题目知识点模型的装置的结构图。本实施例可以通过逻辑电路或者芯片实现,或者安装于现有的高性能计算终端,例如手机、平板电脑、计算机等设备中,或者以功能模块的方式由软件实现各部件的功能。
具体的,建立获取题目知识点模型的装置包括:知识点确定模块301、特征词语确定模块302、向量计算模块303、模型计算模块304。
知识点确定模块301用于确定总知识点集及训练集中各题目的知识点集;
特征词语确定模块302用于对训练集中各题目进行分词,合并训练集中所有题目的分词结果得到特征词语集;
向量计算模块303用于根据所述特征词语集将训练集中各题目的分词结果分别转换为特征向量,根据所述总知识点集将训练集中各题目的知识点集分别转换为知识点向量,根据所述特征词语集将待处理题目的分词结果转换为特征向量;
模型计算模块304用于将每个题目的特征向量作为输入,将对应题目的知识点向量作为输出,采用机器学习方法建立获取题目知识点的模型;
具体实施时,为了提高建模精度及速度,通过支持向量机或神经网络的方法建立所述获取题目知识点的模型。
一实施例中,为了保证特征词语集的全面性,进而提高建模的准确度,所述特征词语确定模块302还用于对知识点体系文本内容进行分词,合并训练集中所有题目的分词结果及知识点体系文本内容的分词结果得到特征词语集。
一实施例中,为了简化特征向量及知识点向量的转换效率,向量计算模块303计算特征向量及知识点向量的过程包括:
对于训练集中每一题目,建立一与所述特征词语集长度相同的特征向量,查找所述题目的分词结果中每个词语在所述特征词语集中的位置,将所述特征向量相应位置处的元素设定为1,其余位置处的元素设定为0;
对于训练集中每一题目,建立一与所述总知识点集长度相同的知识点向量,查找所述题目的知识点集中每个知识点在总知识点集中的位置,将所述知识点向量相应位置处的元素设定为1,其余位置处的元素设定为0。
本发明一实施例中,如图4所示,建立获取题目知识点模型的装置还包括排序模块305,用于在向量计算模块303计算特征向量及知识点向量前,利用字典排序法对特征词语集及总知识点集中的元素进行排序。本实施能够提高查找速度,提高建模效率。
如图5所示,图5为本发明一实施例获取题目知识点的装置的结构图。具体的,获取题目知识点的装置包括:
建模模块501,利用前述任一实施例所述的建立获取题目知识点模型的装置建立获取题目知识点的模型;
特征向量计算模块502,用于根据特征词语集将待处理题目的分词结果转换为特征向量;
题目知识点计算模块503,用于将所述待处理题目对应的特征向量输入所述获取题目知识点的模型,得到所述待处理题目对应的知识点向量,将所述待处理题目对应的知识点向量与所述总知识点集相匹配,得到待处理题目知识点。
本发明能够提高标注题目知识点的效率,降低老师工作强度,节省老师劳动时间,从而提高教学效率。
以上所述仅用于说明本申请技术方案,任何本领域普通技术人员均可在不违背本发明的精神及范畴下,对上述实施例进行修饰与改变。因此,本发明的权利保护范围应视权利要求范围为准。
Claims (12)
1.一种建立获取题目知识点模型的方法,其特征在于,包括:
确定总知识点集及训练集中各题目的知识点集;
对训练集中各题目进行分词,合并训练集中所有题目的分词结果,得到特征词语集;
根据所述特征词语集将训练集中各题目的分词结果分别转换为特征向量,根据所述总知识点集将训练集中各题目的知识点集分别转换为知识点向量;
将每个题目的特征向量作为输入,对应题目的知识点向量作为输出,采用机器学习方法建立获取题目知识点的模型。
2.如权利要求1所述的建立获取题目知识点模型的方法,其特征在于,所述方法还包括对知识点体系文本内容进行分词;
合并训练集中所有题目的分词结果得到特征词语集进一步为:
合并训练集中所有题目的分词结果及知识点体系文本内容的分词结果得到特征词语集。
3.如权利要求1所述的建立获取题目知识点模型的方法,其特征在于,根据所述特征词语集将训练集中各题目的分词结果分别转换为特征向量,根据所述总知识点集将训练集中各题目的知识点集分别转换为知识点向量进一步包括:
对于训练集中每一题目,建立一与所述特征词语集长度相同的特征向量,查找所述题目的分词结果中每个词语在所述特征词语集中的位置,将所述特征向量相应位置处的元素设定为1,其余位置处的元素设定为0;
对于训练集中每一题目,建立一与所述总知识点集长度相同的知识点向量,查找所述题目的知识点集中每个知识点在总知识点集中的位置,将所述知识点向量相应位置处的元素设定为1,其余位置处的元素设定为0。
4.如权利要求3所述的建立获取题目知识点模型的方法,其特征在于,在计算所述特征向量及所述知识点向量前还包括:利用字典排序法对所述特征词语集及所述总知识点集中的元素进行排序。
5.如权利要求1所述的建立获取题目知识点模型的方法,其特征在于,通过支持向量机或神经网络方法建立所述获取题目知识点的模型。
6.一种获取题目知识点的方法,其特征在于,包括:
利用权利要求1至5任一项所述的方法建立获取题目知识点的模型;
根据特征词语集将待处理题目的分词结果转换为特征向量;
将所述待处理题目对应的特征向量输入所述获取题目知识点的模型,得到所述待处理题目对应的知识点向量,将所述待处理题目对应的知识点向量与所述总知识点集相匹配,得到待处理题目知识点。
7.一种建立获取题目知识点模型的装置,其特征在于,包括:
知识点确定模块,用于确定总知识点集及训练集中各题目的知识点集;
特征词语确定模块,用于对训练集中各题目进行分词,合并训练集中所有题目的分词结果得到特征词语集;
向量计算模块,用于根据所述特征词语集将训练集中各题目的分词结果分别转换为特征向量,根据所述总知识点集将训练集中各题目的知识点集分别转换为知识点向量;
模型计算模块,用于将每个题目的特征向量作为输入,将对应题目的知识点向量作为输出,采用机器学习方法建立获取题目知识点的模型。
8.如权利要求7所述的建立获取题目知识点模型的装置,其特征在于,所述特征词语确定模块还用于对知识点体系文本内容进行分词,合并训练集中所有题目的分词结果及知识点体系文本内容的分词结果得到特征词语集。
9.如权利要求7所述的建立获取题目知识点模型的装置,其特征在于,所述向量计算模块具体用于,
对于训练集中每一题目,建立一与所述特征词语集长度相同的特征向量,查找所述题目的分词结果中每个词语在所述特征词语集中的位置,将所述特征向量相应位置处的元素设定为1,其余位置处的元素设定为0;
对于训练集中每一题目,建立一与所述总知识点集长度相同的知识点向量,查找所述题目的知识点集中每个知识点在总知识点集中的位置,将所述知识点向量相应位置处的元素设定为1,其余位置处的元素设定为0。
10.如权利要求9所述的建立获取题目知识点模型的装置,其特征在于,还包括排序模块,用于在所述向量计算模块计算所述特征向量及所述知识点向量前,利用字典排序法对所述特征词语集及所述总知识点集中的元素进行排序。
11.如权利要求7所述的建立获取题目知识点模型的装置,其特征在于,所述模型计算模块通过支持向量机或神经网络方法建立所述获取题目知识点的模型。
12.一种获取题目知识点的装置,其特征在于,包括:
建模模块,用于利用权利要求7至11任一项所述的装置建立获取题目知识点的模型;
特征向量计算模块,用于根据特征词语集将待处理题目的分词结果转换为特征向量;
题目知识点计算模块,用于将所述待处理题目对应的特征向量输入所述获取题目知识点的模型,得到所述待处理题目对应的知识点向量,将所述待处理题目对应的知识点向量与所述总知识点集相匹配,得到待处理题目知识点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610301360.4A CN105930319A (zh) | 2016-05-09 | 2016-05-09 | 建立获取题目知识点模型、获取题目知识点的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610301360.4A CN105930319A (zh) | 2016-05-09 | 2016-05-09 | 建立获取题目知识点模型、获取题目知识点的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105930319A true CN105930319A (zh) | 2016-09-07 |
Family
ID=56835334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610301360.4A Pending CN105930319A (zh) | 2016-05-09 | 2016-05-09 | 建立获取题目知识点模型、获取题目知识点的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105930319A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590127A (zh) * | 2017-09-21 | 2018-01-16 | 北京师范大学 | 一种题库知识点自动标注方法及*** |
CN107967254A (zh) * | 2017-10-31 | 2018-04-27 | 科大讯飞股份有限公司 | 知识点预测方法及装置、存储介质、电子设备 |
CN108182275A (zh) * | 2018-01-24 | 2018-06-19 | 上海互教教育科技有限公司 | 一种数学变式训练题推送***以及关联方法 |
CN108334493A (zh) * | 2018-01-07 | 2018-07-27 | 深圳前海易维教育科技有限公司 | 一种基于神经网络的题目知识点自动提取方法 |
CN109635100A (zh) * | 2018-12-24 | 2019-04-16 | 上海仁静信息技术有限公司 | 一种相似题目的推荐方法、装置、电子设备及存储介质 |
CN110362671A (zh) * | 2019-07-16 | 2019-10-22 | 安徽知学科技有限公司 | 题目推荐方法、设备和存储介质 |
CN111737402A (zh) * | 2020-06-23 | 2020-10-02 | 上海松鼠课堂人工智能科技有限公司 | 题库智能知识点标注*** |
CN112182237A (zh) * | 2020-09-21 | 2021-01-05 | 深圳中兴网信科技有限公司 | 题目知识点关联方法、题目知识点关联***和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143163A (zh) * | 2014-08-04 | 2014-11-12 | 兴天通讯技术(天津)有限公司 | 一种知识地图的生成方法和装置 |
CN104809920A (zh) * | 2015-04-01 | 2015-07-29 | 广东小天才科技有限公司 | 一种个性化的学习方法和学习装置 |
CN105138653A (zh) * | 2015-08-28 | 2015-12-09 | 天津大学 | 一种基于典型度和难度的题目推荐方法及其推荐装置 |
-
2016
- 2016-05-09 CN CN201610301360.4A patent/CN105930319A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143163A (zh) * | 2014-08-04 | 2014-11-12 | 兴天通讯技术(天津)有限公司 | 一种知识地图的生成方法和装置 |
CN104809920A (zh) * | 2015-04-01 | 2015-07-29 | 广东小天才科技有限公司 | 一种个性化的学习方法和学习装置 |
CN105138653A (zh) * | 2015-08-28 | 2015-12-09 | 天津大学 | 一种基于典型度和难度的题目推荐方法及其推荐装置 |
Non-Patent Citations (6)
Title |
---|
冯志伟 等: "《机器翻译研究》", 31 December 2004, 中国对外翻译出版社 * |
冯筠 等: "一种面向教学的知识点库自动生成方法", 《计算机工程》 * |
周庆 等: "教育数据挖掘研究进展综述", 《软件学报》 * |
廉师友: "《人工智能技术简明教程》", 30 April 2011, 人民邮电出版社 * |
张锴 等: "试题自动分类***的研究与实现", 《现代计算机(专业版)》 * |
李卫疆 等: "《基于自然语言处理的信息检索》", 31 July 2014, 云南大学出版社 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590127A (zh) * | 2017-09-21 | 2018-01-16 | 北京师范大学 | 一种题库知识点自动标注方法及*** |
CN107590127B (zh) * | 2017-09-21 | 2019-12-06 | 北京师范大学 | 一种题库知识点自动标注方法及*** |
CN107967254A (zh) * | 2017-10-31 | 2018-04-27 | 科大讯飞股份有限公司 | 知识点预测方法及装置、存储介质、电子设备 |
CN108334493A (zh) * | 2018-01-07 | 2018-07-27 | 深圳前海易维教育科技有限公司 | 一种基于神经网络的题目知识点自动提取方法 |
CN108334493B (zh) * | 2018-01-07 | 2021-04-09 | 深圳前海易维教育科技有限公司 | 一种基于神经网络的题目知识点自动提取方法 |
CN108182275A (zh) * | 2018-01-24 | 2018-06-19 | 上海互教教育科技有限公司 | 一种数学变式训练题推送***以及关联方法 |
CN109635100A (zh) * | 2018-12-24 | 2019-04-16 | 上海仁静信息技术有限公司 | 一种相似题目的推荐方法、装置、电子设备及存储介质 |
CN110362671A (zh) * | 2019-07-16 | 2019-10-22 | 安徽知学科技有限公司 | 题目推荐方法、设备和存储介质 |
CN110362671B (zh) * | 2019-07-16 | 2022-04-19 | 安徽知学科技有限公司 | 题目推荐方法、设备和存储介质 |
CN111737402A (zh) * | 2020-06-23 | 2020-10-02 | 上海松鼠课堂人工智能科技有限公司 | 题库智能知识点标注*** |
CN112182237A (zh) * | 2020-09-21 | 2021-01-05 | 深圳中兴网信科技有限公司 | 题目知识点关联方法、题目知识点关联***和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105930319A (zh) | 建立获取题目知识点模型、获取题目知识点的方法和装置 | |
CN107239446B (zh) | 一种基于神经网络与注意力机制的情报关系提取方法 | |
CN111079406B (zh) | 自然语言处理模型训练方法、任务执行方法、设备及*** | |
CN110489755A (zh) | 文本生成方法和装置 | |
CN105955962A (zh) | 题目相似度的计算方法及装置 | |
CN112784608B (zh) | 试题推荐方法、装置、电子设备和存储介质 | |
CN109145159A (zh) | 一种对数据进行处理的方法和装置 | |
CN112699283B (zh) | 试卷生成方法及装置 | |
CN106502909B (zh) | 一种智能手机应用开发中的代码缺陷预测方法 | |
CN104536881A (zh) | 基于自然语言分析的众测错误报告优先级排序方法 | |
CN108121702A (zh) | 数学主观题评阅方法及*** | |
CN112395403A (zh) | 一种基于知识图谱的问答方法、***、电子设备及介质 | |
CN110517130A (zh) | 一种智能记账方法及其*** | |
CN106897384A (zh) | 一种要点题自动评价方法及装置 | |
CN108009248A (zh) | 一种数据分类方法和*** | |
CN106919551A (zh) | 一种情感词极性的分析方法、装置及设备 | |
CN111079018A (zh) | 习题个性化推荐方法、装置、设备、计算机可读存储介质 | |
CN105608075A (zh) | 一种相关知识点的获取方法及*** | |
CN110516240A (zh) | 一种基于Transformer的语义相似度计算模型DSSM技术 | |
Agarwal et al. | Autoeval: A nlp approach for automatic test evaluation system | |
CN107423264A (zh) | 一种工程材料专业特征提取方法 | |
CN115544268A (zh) | 一种教学与就业辅助知识图谱的构建及应用方法 | |
Gaheen et al. | Automated students arabic essay scoring using trained neural network by e-jaya optimization to support personalized system of instruction | |
CN107622283A (zh) | 一种基于深度学习的增量式物体识别方法 | |
CN105608067A (zh) | 用于网络教学***的知识自动提取方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160907 |
|
RJ01 | Rejection of invention patent application after publication |