CN109583429B - 一种批改试卷中应用题的方法及装置 - Google Patents
一种批改试卷中应用题的方法及装置 Download PDFInfo
- Publication number
- CN109583429B CN109583429B CN201811603481.XA CN201811603481A CN109583429B CN 109583429 B CN109583429 B CN 109583429B CN 201811603481 A CN201811603481 A CN 201811603481A CN 109583429 B CN109583429 B CN 109583429B
- Authority
- CN
- China
- Prior art keywords
- question
- searched
- topic
- target
- test paper
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 209
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 69
- 238000002372 labelling Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 116
- 238000012549 training Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/416—Extracting the logical structure, e.g. chapters, sections or page numbers; Identifying elements of the document, e.g. authors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/418—Document matching, e.g. of document images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Educational Technology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electrically Operated Instructional Devices (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种批改试卷中应用题的方法及装置,包括:针对各个待搜索题目,在题库中进行搜索,确定与待搜索试卷匹配的目标试卷;将题目类型为应用题的待搜索题目作为目标待批改题目,确定目标待批改题目在目标试卷中对应的目标题目,标注目标待批改题目的题干和/或图片中的数字部分,并记录数字部分的位置信息;根据目标题目中的各个数字及其位置信息、以及标准答案对应的计算公式,将目标待批改题目中相应位置的数字代入到计算公式中进行计算,得到目标待批改题目的正确答案,从而根据正确答案对目标待批改题目的答案进行批改。本发明可以解决现有的题目批改方式无法对简单替换数字的应用题进行批改的问题。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种批改试卷中应用题的方法、装置、电子设备和计算机可读存储介质。
背景技术
随着计算机技术和教育信息化的不断推进,计算机技术已经逐步应用于日常的教育教学各项活动中,例如在教学评测场景下得到了相应的应用。国内现有的基础教育、学生学习状况的主要考察形式仍是各种类型的考试或测试,在此状况下,教师背负着很大的批改试卷的工作压力。
目前,智能终端类产品有许多解决批改作业和试卷的搜题APP,将包含待批改试卷的影像输入搜题APP,以便搜题APP根据试卷的影像内容从题库中搜索到与试卷的影像中的各个题目相对应的题目。现有的题目批改方法,是将待批改试卷中各个题目的答案与题库中相对应的题目的答案进行比对,判断答案是否一致的方式进行批改。
然而对于应用题的批改,这种批改方式只能针对待批改试卷中应用题与题库中应用题的题目一模一样的情况,如果待批改试卷中应用题题目中的数字做了简单替换后就无法进行批改。
发明内容
本发明的目的在于提供一种批改试卷中应用题的方法、装置、电子设备和计算机可读存储介质,以解决现有的题目批改方式无法对简单替换数字的应用题进行批改的问题。
为达到上述目的,本发明提供了一种批改试卷中应用题的方法,所述方法包括:
步骤S11:对待搜索试卷的影像进行检测,检测出所述待搜索试卷上的各个待搜索题目的区域,确定各个待搜索题目的题目类型,并识别出各个待搜索题目的题干、答案和/或图片的文字内容;
步骤S12:针对各个待搜索题目,在题库中进行搜索,确定与所述待搜索试卷匹配的目标试卷;
步骤S13:将题目类型为应用题的待搜索题目作为目标待批改题目,确定所述目标待批改题目在所述目标试卷中对应的目标题目,标注所述目标待批改题目的题干和/或图片中的数字部分,并记录所述数字部分的位置信息;
步骤S14:根据所述目标题目中的各个数字及其位置信息、以及标准答案对应的计算公式,将所述目标待批改题目中相应位置的数字代入到所述计算公式中进行计算,得到所述目标待批改题目的正确答案,从而根据所述正确答案对所述目标待批改题目的答案进行批改。
可选的,步骤S14根据所述目标题目中的各个数字及其位置信息、以及标准答案对应的计算公式,将所述目标待批改题目中相应位置的数字代入到所述计算公式中进行计算,包括:
根据所述标准答案对应的计算公式中的各个数字,获取各个数字在所述目标题目中对应的位置,将所述目标待批改题目中相应位置的数字代入到所述计算公式中进行计算。
可选的,步骤S12针对各个待搜索题目,在题库中进行搜索,确定与所述待搜索试卷匹配的目标试卷,包括:
步骤S121:根据每一待搜索题目的题干的文字内容,获得该待搜索题目的特征向量,并根据该待搜索题目的特征向量在题库中进行搜索,查找该待搜索题目最接近的题目;
步骤S122:汇总查找到的所有待搜索题目的最接近题目所在的试卷,将满足预设条件的试卷确定为与所述待搜索试卷匹配的目标试卷。
可选的,所述步骤S121进一步包括:
步骤S1211,将每一待搜索题目的题干的文字内容输入预先训练的题干向量化模型中,得到每一待搜索题目的题干的特征向量,作为每一待搜索题目的特征向量,其中,所述题干向量化模型是基于神经网络的模型;
步骤S1212,针对每一待搜索题目,在题库中进行搜索,查找与该待搜索题目的特征向量相匹配的特征向量,将题库中相匹配的特征向量对应的题目确定为与该待搜索题目最接近的题目。
可选的,所述题干向量化模型通过以下步骤训练得到:
对第一题目样本训练集中每个题目样本进行标注处理,标注出每个题目样本中题干的文字内容;
利用神经网络模型对每个题目样本中题干的文字内容进行二维特征向量提取,从而训练得到所述题干向量化模型。
可选的,预先对题库中试卷上的各个题目的特征向量建立索引信息表;
步骤S1212进一步包括:
针对每一待搜索题目,在所述索引信息表中查找与该待搜索题目的特征向量相匹配的特征向量;
将相匹配的特征向量在所述索引信息表中对应的题目确定为与该待搜索题目最接近的题目。
可选的,在建立所述索引信息表之前,将不同长度的特征向量按照长度进行分组;
所述针对每一待搜索题目,在所述索引信息表中查找与该待搜索题目的特征向量相匹配的特征向量,包括:
针对每一待搜索题目,在所述索引信息表中与该待搜索题目的特征向量长度相同或相近的分组内,查找与该待搜索题目的特征向量相匹配的特征向量。
可选的,步骤S122将满足预设条件的试卷确定为与所述待搜索试卷匹配的目标试卷,包括:
将出现频率最大且大于第一预设阈值的试卷确定为与所述待搜索试卷匹配的目标试卷。
可选的,步骤S13确定所述目标待批改题目在所述目标试卷中对应的目标题目,包括:
在所述目标待批改题目的最接近题目属于所述目标试卷时,将所述目标待批改题目的最接近题目确定为所述目标待批改题目在所述目标试卷中对应的目标题目;
在所述目标待批改题目的最接近题目不属于所述目标试卷时,将目标待批改题目的特征向量与所述目标试卷中的各个题目的特征向量进行最短编辑距离匹配,找到所述目标试卷中最短编辑距离最小且小于预设阈值的题目作为所述目标待批改题目在所述目标试卷中对应的目标题目。
可选的,步骤S11对待搜索试卷的影像进行检测,检测出所述待搜索试卷上的各个待搜索题目的区域,包括:
利用预先训练好的检测模型对所述待搜索试卷的影像进行检测,检测出所述待搜索试卷上的各个待搜索题目的区域,其中,所述检测模型是基于神经网络的模型。
可选的,步骤S11识别出各个待搜索题目的题干、答案和/或图片的文字内容,包括:
利用预先训练好的识别模型识别各个待搜索题目的题干、答案和/或图片的文字内容,其中,所述识别模型是基于神经网络的模型。
为达到上述目的,本发明还提供了一种批改试卷中应用题的装置,所述装置包括:
检测识别模块,用于对待搜索试卷的影像进行检测,检测出所述待搜索试卷上的各个待搜索题目的区域,确定各个待搜索题目的题目类型,并识别出各个待搜索题目的题干、答案和/或图片的文字内容;
题目搜索模块,用于针对各个待搜索题目,在题库中进行搜索,确定与所述待搜索试卷匹配的目标试卷;
应用题处理模块,用于将题目类型为应用题的待搜索题目作为目标待批改题目,确定所述目标待批改题目在所述目标试卷中对应的目标题目,标注所述目标待批改题目的题干和/或图片中的数字部分,并记录所述数字部分的位置信息;
应用题批改模块,用于根据所述目标题目中的各个数字及其位置信息、以及标准答案对应的计算公式,将所述目标待批改题目中相应位置的数字代入到所述计算公式中进行计算,得到所述目标待批改题目的正确答案,从而根据所述正确答案对所述目标待批改题目的答案进行批改。
可选的,所述应用题批改模块,具体用于:
根据所述标准答案对应的计算公式中的各个数字,获取各个数字在所述目标题目中对应的位置,将所述目标待批改题目中相应位置的数字代入到所述计算公式中进行计算。
可选的,所述题目搜索模块,包括:
搜索子模块,用于根据每一待搜索题目的题干的文字内容,获得该待搜索题目的特征向量,并根据该待搜索题目的特征向量在题库中进行搜索,查找该待搜索题目最接近的题目;
确定子模块,用于汇总查找到的所有待搜索题目的最接近题目所在的试卷,将满足预设条件的试卷确定为与所述待搜索试卷匹配的目标试卷。
可选的,所述搜索子模块,包括:
获得单元,用于将每一待搜索题目的题干的文字内容输入预先训练的题干向量化模型中,得到每一待搜索题目的题干的特征向量,作为每一待搜索题目的特征向量,其中,所述题干向量化模型是基于神经网络的模型;
搜索单元,用于针对每一待搜索题目,在题库中进行搜索,查找与该待搜索题目的特征向量相匹配的特征向量,将题库中相匹配的特征向量对应的题目确定为与该待搜索题目最接近的题目。
可选的,所述装置还包括:训练单元,用于通过以下步骤训练得到所述题干向量化模型:
对第一题目样本训练集中每个题目样本进行标注处理,标注出每个题目样本中题干的文字内容;
利用神经网络模型对每个题目样本中题干的文字内容进行二维特征向量提取,从而训练得到所述题干向量化模型。
可选的,所述装置还包括:建立单元,用于预先对题库中试卷上的各个题目的特征向量建立索引信息表;
所述搜索单元,具体用于:
针对每一待搜索题目,在所述索引信息表中查找与该待搜索题目的特征向量相匹配的特征向量;
将相匹配的特征向量在所述索引信息表中对应的题目确定为与该待搜索题目最接近的题目。
可选的,所述建立单元,还用于在建立所述索引信息表之前,将不同长度的特征向量按照长度进行分组;
所述搜索单元,具体用于:
针对每一待搜索题目,在所述索引信息表中与该待搜索题目的特征向量长度相同或相近的分组内,查找与该待搜索题目的特征向量相匹配的特征向量。
可选的,所述搜索单元,具体用于:
将出现频率最大且大于第一预设阈值的试卷确定为与所述待搜索试卷匹配的目标试卷。
可选的,所述应用题批改模块,具体用于:
在所述目标待批改题目的最接近题目属于所述目标试卷时,将所述目标待批改题目的最接近题目确定为所述目标待批改题目在所述目标试卷中对应的目标题目;
在所述目标待批改题目的最接近题目不属于所述目标试卷时,将目标待批改题目的特征向量与所述目标试卷中的各个题目的特征向量进行最短编辑距离匹配,找到所述目标试卷中最短编辑距离最小且小于预设阈值的题目作为所述目标待批改题目在所述目标试卷中对应的目标题目。
可选的,所述检测识别模块,具体用于:
利用预先训练好的检测模型对所述待搜索试卷的影像进行检测,检测出所述待搜索试卷上的各个待搜索题目的区域,其中,所述检测模型是基于神经网络的模型。
可选的,所述检测识别模块,具体用于:
利用预先训练好的识别模型识别各个待搜索题目的题干、答案和/或图片的文字内容,其中,所述识别模型是基于神经网络的模型。
为达到上述目的,本发明还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现如上任一所述的批改试卷中应用题的方法的步骤。
为达到上述目的,本发明还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述的批改试卷中应用题的方法的步骤。
与现有技术相比,本发明将试卷中题目类型为应用题的题目作为目标待批改题目,标注目标待批改题目中题干和/或图片中的数字部分,并记录数字部分的位置信息,根据题库中对应的目标题目中的各个数字及其位置信息、以及标准答案对应的计算公式,将目标待批改题目中相应位置的数字代入到所述计算公式中进行计算,得到目标待批改题目的正确答案,从而根据所述正确答案对目标待批改题目的答案进行批改。可见,本发明可以对试卷中的应用题进行批改,即使待批改应用题相对于题库中的题目替换了数字,本发明也可以根据题库中题目的标准答案推导计算公式,进而计算出待批改应用题的正确答案,以便于对待批改应用题的答案进行批改,从而解决了现有技术中题目批改方式无法对简单替换数字的应用题进行批改的问题。
附图说明
图1是本发明一实施例提供的批改试卷中应用题的方法的流程示意图;
图2为本发明一实施例提供的一个题目的示例;
图3是本发明一实施例提供的批改试卷中应用题的装置的结构示意图;
图4是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种批改试卷中应用题的方法、装置、电子设备及计算机可读存储介质作进一步详细说明。根据权利要求书和下面说明,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
为解决现有技术的问题,本发明实施例提供了一种批改试卷中应用题的方法、装置、电子设备及计算机可读存储介质。
需要说明的是,本发明实施例的批改试卷中应用题的方法可应用于本发明实施例的批改试卷中应用题的装置,该批改试卷中应用题的装置可被配置于电子设备上。其中,该电子设备可以是个人计算机、移动终端等,该移动终端可以是手机、平板电脑等具有各种操作***的硬件设备。
图1是本发明一实施例提供的一种批改试卷中应用题的方法的流程示意图。请参考图1,一种批改试卷中应用题的方法可以包括如下步骤:
步骤S11:对待搜索试卷的影像进行检测,检测出所述待搜索试卷上的各个待搜索题目的区域,确定各个待搜索题目的题目类型,并识别出各个待搜索题目的题干、答案和/或图片的文字内容。
待搜索试卷的影像可以为包含待搜索试卷的图像。具体的,可以利用检测模型对待搜索试卷的影像进行检测,检测出待搜索试卷上的各个待搜索题目的区域,所述检测模型是基于神经网络的模型。其中,检测模型例如可以是基于深度卷积神经网络(Convolutional Neural Networks,CNN)对试卷样本训练集中的样本进行训练得到的。利用训练好的检测模型从待搜索试卷的影像中提取二维特征向量,在二维特征向量的每个网格生成不同形状的锚点,使用标注框(Groundtruth Boxes)将检测出的各个待搜索题目的区域进行标注,还可以将标注框与生成的锚点作回归(regression)处理,以使标注框更贴近题目的实际位置。识别完题目区域后会将每道待搜索题目进行切割为单个影像,或者不实际切割,而在处理时将每个待搜索题目区域区分开为单个区域影像进行处理,会根据题目位置信息进行排序。
检测出各个待搜索题目的区域后,可以利用分类识别模型确定各个待搜索题目的题目类型,所述分类识别模型是基于神经网络的模型。其中,分类识别模型例如可以是基于深度卷积神经网络对试卷样本训练集中的样本进行训练得到的,每一样本中的题目均标注有题目类型。题目类型可以分为操作题、口算题、填空题、选择题、应用题等。
同时,还可以利用字符识别模型识别出待搜索题目的区域中题干的文字内容,所述字符识别模型是基于神经网络的模型。首先可以标注出待搜索题目中的各个组成部分,组成部分可以包括题干、答案和/或图片(可以通过预先训练建立的识别模型进行标注),进而通过字符识别模型识别出题目中题干、答案和/或图片的文字内容。其中,字符识别模型可以是基于空洞卷积和注意力模型建立的,具体的,采用空洞卷积对题干、答案和/或图片对应的标注框进行特征提取,再通过注意力模型将提取到的特征解码成字符。进一步的,字符识别模型可以包括针对打印字体的识别模型和针对手写字体的识别模型,其中所述题干和图片的文字内容为打印字体,所述答案的文字内容为手写字体,针对打印字体的识别模型用于识别题干和图片的文字内容,针对手写字体的识别模型用于识别答案的文字内容,所述针对打印字体的识别模型和所述针对手写字体的识别模型分别经过各自独立的训练而成。
步骤S12:针对各个待搜索题目,在题库中进行搜索,确定与所述待搜索试卷匹配的目标试卷。
具体的,步骤S12针对各个待搜索题目,在题库中进行搜索,确定与所述待搜索试卷匹配的目标试卷,可以包括:
步骤S121:根据每一待搜索题目的题干的文字内容,获得该待搜索题目的特征向量,并根据该待搜索题目的特征向量在题库中进行搜索,查找该待搜索题目最接近的题目;
步骤S122:汇总查找到的所有待搜索题目的最接近题目所在的试卷,将满足预设条件的试卷确定为与所述待搜索试卷匹配的目标试。
所述步骤S121进一步可以包括:
步骤S1211,将每一待搜索题目的题干的文字内容输入预先训练的题干向量化模型中,得到每一待搜索题目的题干的特征向量,作为每一待搜索题目的特征向量,其中,所述题干向量化模型是基于神经网络的模型;
步骤S1212,针对每一待搜索题目,在题库中进行搜索,查找与该待搜索题目的特征向量相匹配的特征向量,将题库中相匹配的特征向量对应的题目确定为与该待搜索题目最接近的题目。
对于步骤S1211,举例而言,例如一待搜索题目如图2所示,题目中题干的文字内容为“4.小明走3分钟刚好到全程的一半,他家距离学校多少米?(6分)”,将该文字内容输入预先训练的题干向量化模型—sent2vec模型中,获得该题干的特征向量,特征向量可以表示为[x0,x1,x2…xn]。
其中,所述题干向量化模型可以是基于神经网络的模型,如CNN模型,所述题干向量化模型可以通过以下步骤训练得到:对第一题目样本训练集中每个题目样本进行标注处理,标注出每个题目样本中题干的文字内容;利用神经网络模型对每个题目样本中题干的文字内容进行二维特征向量提取,从而训练得到所述题干向量化模型。其中,具体的训练过程属于现有技术,在此不做赘述。
在步骤S1212中,可以通过向量近似搜索的方式,在题库中查找与该待搜索题目的特征向量相匹配的特征向量,具体为在题库中查找与该待搜索题目的特征向量距离最近的特征向量。可以理解的是,不同向量之间的相似性度量(Similarity Measurement)通常采用的方法就是计算向量间的“距离(Distance)”,常用的距离计算方式有:欧式距离、曼哈顿距离、夹角余弦(Cosine)等。本实施例中采用的计算方式是夹角余弦。
优选的,为便于特征向量的查找,还可以预先对题库中试卷上的各个题目的特征向量建立索引信息表。索引信息表中可以存储题库中各个题目的特征向量、题目的具体内容以及题目所在试卷的ID等。
相应的,步骤S1212进一步可以包括:针对每一待搜索题目,在所述索引信息表中查找与该待搜索题目的特征向量相匹配的特征向量;将相匹配的特征向量在所述索引信息表中对应的题目确定为与该待搜索题目最接近的题目。
可以理解的是,在索引信息表中查找到相匹配的特征向量后,在所述索引信息表中找到最接近的题目,此时可以获得最接近题目的具体内容(包括题目的题干、答案和/或图片),以及该最接近题目所在试卷的ID信息。
优选的,在建立所述索引信息表之前,还可以将不同长度的特征向量按照长度进行分组,这样,在所述索引信息表中查找与该待搜索题目的特征向量相匹配的特征向量时,可以首先在所述索引信息表中定位到与该待搜索题目的特征向量的长度相同或相近的分组,进而在所述索引信息表中与该待搜索题目的特征向量长度相同的分组内,查找与该待搜索题目的特征向量相匹配的特征向量。其中,分组时可以将长度相同的特征向量分为一组,也可以将长度在某个范围内的特征向量分成一组,本发明对此不做限定。可见,将不同长度的特征向量按照长度分组,可以使得后期搜索题目时根据特征向量的长度在相应分组内进行查询,提高题目搜索速度。可以理解的是,特征向量的长度不同是因为题干的文字数量不同导致的。
在步骤S122中,汇总查找到的所有待搜索题目的最接近题目所在的试卷,将满足预设条件的试卷确定为与待搜索试卷匹配的目标试卷,其中,将满足预设条件的试卷确定为与所述待搜索试卷匹配的目标试卷,具体可以为:将出现频率最大且大于第一预设阈值的试卷确定为与所述待搜索试卷匹配的目标试卷。实际在处理时,由于题库中每道题目都有相应的试卷ID信息和在当前试卷里的位置信息,因此可以根据最接近题目所在的试卷ID来判断最接近题目是属于哪张试卷的,进而可以确定出现频率最大且大于第一预设阈值的试卷ID,从而将该试卷ID确定为匹配的目标试卷。其中,某一试卷的出现频率可以用以下方式计算:最接近题目在该试卷的待搜索题目的数量与待搜索试卷中待搜索题目总数的比值,或者,该试卷与待搜索试卷相匹配的题目数量与待搜索试卷中待搜索题目总数的比值。可以理解的是,若出现频率最大的试卷的出现频率小于所述第一预设阈值,表示该出现频率最大的试卷与待搜索试卷中相匹配的题目数量太少,此时可以认为题库中不存在与待搜索试卷匹配的目标试卷。
步骤S13:将题目类型为应用题的待搜索题目作为目标待批改题目,确定所述目标待批改题目在所述目标试卷中对应的目标题目,标注所述目标待批改题目的题干和/或图片中的数字部分,并记录所述数字部分的位置信息。
具体的,在所述目标待批改题目的最接近题目属于所述目标试卷时,将所述目标待批改题目的最接近题目确定为所述目标待批改题目在所述目标试卷中对应的目标题目;在所述目标待批改题目的最接近题目不属于所述目标试卷时,将目标待批改题目的特征向量与所述目标试卷中的各个题目的特征向量进行最短编辑距离匹配,找到所述目标试卷中最短编辑距离最小且小于预设阈值的题目作为所述目标待批改题目在所述目标试卷中对应的目标题目。其中,对特征向量进行最短编辑距离匹配的算法属于本领域常规的计算方法,在此不做赘述。
在实际应用中,如果没有找到与待搜索试卷匹配的目标试卷,或者,目标待批改题目为待搜索试卷中的唯一题目,则可以直接将目标待批改题目对应的目标题目确定为在题库中搜索到的最接近的题目。
需要说明的是,在标注目标待批改题目中的数字部分时,数字部分不仅包括“456”等数字,也包括“四五六”“一半、两倍、几分之几”等具有数学含义的文字。当目标待批改题目包括题干和图片时,图片中也可能包含数字部分,因此,需要标注出题干和图片中的数字部分,如图2所示的题目,题干中的数字部分为3、一半,图片中的数字部分为1、65。
步骤S14:根据所述目标题目中的各个数字及其位置信息、以及标准答案对应的计算公式,将所述目标待批改题目中相应位置的数字代入到所述计算公式中进行计算,得到所述目标待批改题目的正确答案,从而根据所述正确答案对所述目标待批改题目的答案进行批改。
在一种实现方式中,步骤S14根据所述目标题目中的各个数字及其位置信息、以及标准答案对应的计算公式,将所述目标待批改题目中相应位置的数字代入到所述计算公式中进行计算,可以包括:
根据所述标准答案对应的计算公式中的各个数字,获取各个数字在所述目标题目中对应的位置,将所述目标待批改题目中相应位置的数字代入到所述计算公式中进行计算。
仍以上述举例为例,目标题目为图2所示的题目,其标准答案对应的计算公式为计算公式中各个数字为65、3、1、获取各个数字在目标题目中对应的位置。待批改的应用题与该目标题目相似,只是将题目中的3分钟替换为4分钟,65替换为75,一半替换为四分之一,即将待批改应用题中相应位置的数字75、4、1、代入上述计算公式进行计算,得到正确答案。然后,将识别的待批改应用题中的学生答案和上述正确答案进行比较完成批改处理。
需要说明的是,目标待批改题目中数字部分的位置坐标可能由于实际图片切图大小或者图片角度影响,和题库中目标题目中数字部分的位置坐标有偏差,导致两者的位置坐标不会完全一致。因此在根据数字在目标题目中的位置信息,从目标待批改题目中找到相应的数字时,可以是将目标题目和目标待批改题目中所有数字进行排序,然后按照具体顺序找到相应的数字代入到计算公式中。
综上所述,与现有技术相比,本发明将试卷中题目类型为应用题的题目作为目标待批改题目,标注目标待批改题目中题干和/或图片中的数字部分,并记录数字部分的位置信息,根据题库中对应的目标题目中的各个数字及其位置信息、以及标准答案对应的计算公式,将目标待批改题目中相应位置的数字代入到所述计算公式中进行计算,得到目标待批改题目的正确答案,从而根据所述正确答案对目标待批改题目的答案进行批改。可见,本发明可以对试卷中的应用题进行批改,即使待批改应用题相对于题库中的题目替换了数字,本发明也可以根据题库中题目的标准答案推导计算公式,进而计算出待批改应用题的正确答案,以便于对待批改应用题的答案进行批改,从而解决了现有技术中题目批改方式无法对简单替换数字的应用题进行批改的问题。
相应于上述批改试卷中应用题的方法实施例,本发明提供了一种批改试卷中应用题的装置,参见图3,该装置可以包括:
检测识别模块201,用于对待搜索试卷的影像进行检测,检测出所述待搜索试卷上的各个待搜索题目的区域,确定各个待搜索题目的题目类型,并识别出各个待搜索题目的题干、答案和/或图片的文字内容;
题目搜索模块202,用于针对各个待搜索题目,在题库中进行搜索,确定与所述待搜索试卷匹配的目标试卷;
应用题处理模块203,用于将题目类型为应用题的待搜索题目作为目标待批改题目,确定所述目标待批改题目在所述目标试卷中对应的目标题目,标注所述目标待批改题目的题干和/或图片中的数字部分,并记录所述数字部分的位置信息;
应用题批改模块204,用于根据所述目标题目中的各个数字及其位置信息、以及标准答案对应的计算公式,将所述目标待批改题目中相应位置的数字代入到所述计算公式中进行计算,得到所述目标待批改题目的正确答案,从而根据所述正确答案对所述目标待批改题目的答案进行批改。
可选的,所述应用题批改模块204,具体用于:
根据所述标准答案对应的计算公式中的各个数字,获取各个数字在所述目标题目中对应的位置,将所述目标待批改题目中相应位置的数字代入到所述计算公式中进行计算。
可选的,所述题目搜索模块202,包括:
搜索子模块,用于根据每一待搜索题目的题干的文字内容,获得该待搜索题目的特征向量,并根据该待搜索题目的特征向量在题库中进行搜索,查找该待搜索题目最接近的题目;
确定子模块,用于汇总查找到的所有待搜索题目的最接近题目所在的试卷,将满足预设条件的试卷确定为与所述待搜索试卷匹配的目标试卷。
可选的,所述搜索子模块,包括:
获得单元,用于将每一待搜索题目的题干的文字内容输入预先训练的题干向量化模型中,得到每一待搜索题目的题干的特征向量,作为每一待搜索题目的特征向量,其中,所述题干向量化模型是基于神经网络的模型;
搜索单元,用于针对每一待搜索题目,在题库中进行搜索,查找与该待搜索题目的特征向量相匹配的特征向量,将题库中相匹配的特征向量对应的题目确定为与该待搜索题目最接近的题目。
可选的,所述装置还包括:训练单元,用于通过以下步骤训练得到所述题干向量化模型:
对第一题目样本训练集中每个题目样本进行标注处理,标注出每个题目样本中题干的文字内容;
利用神经网络模型对每个题目样本中题干的文字内容进行二维特征向量提取,从而训练得到所述题干向量化模型。
可选的,所述装置还包括:建立单元,用于预先对题库中试卷上的各个题目的特征向量建立索引信息表;
所述搜索单元,具体用于:
针对每一待搜索题目,在所述索引信息表中查找与该待搜索题目的特征向量相匹配的特征向量;
将相匹配的特征向量在所述索引信息表中对应的题目确定为与该待搜索题目最接近的题目。
可选的,所述建立单元,还用于在建立所述索引信息表之前,将不同长度的特征向量按照长度进行分组;
所述搜索单元,具体用于:
针对每一待搜索题目,在所述索引信息表中与该待搜索题目的特征向量长度相同或相近的分组内,查找与该待搜索题目的特征向量相匹配的特征向量。
可选的,所述搜索单元,具体用于:
将出现频率最大且大于第一预设阈值的试卷确定为与所述待搜索试卷匹配的目标试卷。
可选的,所述应用题批改模块204,具体用于:
在所述目标待批改题目的最接近题目属于所述目标试卷时,将所述目标待批改题目的最接近题目确定为所述目标待批改题目在所述目标试卷中对应的目标题目;
在所述目标待批改题目的最接近题目不属于所述目标试卷时,将目标待批改题目的特征向量与所述目标试卷中的各个题目的特征向量进行最短编辑距离匹配,找到所述目标试卷中最短编辑距离最小且小于预设阈值的题目作为所述目标待批改题目在所述目标试卷中对应的目标题目。
可选的,所述检测识别模块201,具体用于:
利用预先训练好的检测模型对所述待搜索试卷的影像进行检测,检测出所述待搜索试卷上的各个待搜索题目的区域,其中,所述检测模型是基于神经网络的模型。
可选的,所述检测识别模块201,具体用于:
利用预先训练好的识别模型识别各个待搜索题目的题干、答案和/或图片的文字内容,其中,所述识别模型是基于神经网络的模型。
本发明还提供了一种电子设备,如图4所示,包括处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信,
存储器303,用于存放计算机程序;
处理器301,用于执行存储器303上所存放的程序时,实现如下步骤:
步骤S11:对待搜索试卷的影像进行检测,检测出所述待搜索试卷上的各个待搜索题目的区域,确定各个待搜索题目的题目类型,并识别出各个待搜索题目的题干、答案和/或图片的文字内容;
步骤S12:针对各个待搜索题目,在题库中进行搜索,确定与所述待搜索试卷匹配的目标试卷;
步骤S13:将题目类型为应用题的待搜索题目作为目标待批改题目,确定所述目标待批改题目在所述目标试卷中对应的目标题目,标注所述目标待批改题目的题干和/或图片中的数字部分,并记录所述数字部分的位置信息;
步骤S14:根据所述目标题目中的各个数字及其位置信息、以及标准答案对应的计算公式,将所述目标待批改题目中相应位置的数字代入到所述计算公式中进行计算,得到所述目标待批改题目的正确答案,从而根据所述正确答案对所述目标待批改题目的答案进行批改。
关于该方法各个步骤的具体实现以及相关解释内容可以参见上述图1所示的方法实施例,在此不做赘述。
另外,处理器301执行存储器303上所存放的程序而实现的批改试卷中应用题的方法的其他实现方式,与前述方法实施例部分所提及的实现方式相同,这里也不再赘述。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,该计算机程序被处理器执行时实现上述的批改试卷中应用题的方法的步骤。
需要说明的是,本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (13)
1.一种批改试卷中应用题的方法,其特征在于,所述方法包括:
步骤S11:对待搜索试卷的影像进行检测,检测出所述待搜索试卷上的各个待搜索题目的区域,确定各个待搜索题目的题目类型,并识别出各个待搜索题目的题干、答案和/或图片的文字内容;
步骤S12:针对各个待搜索题目,在题库中进行搜索,确定与所述待搜索试卷匹配的目标试卷;
步骤S13:将题目类型为应用题的待搜索题目作为目标待批改题目,确定所述目标待批改题目在所述目标试卷中对应的目标题目,标注所述目标待批改题目的题干和/或图片中的数字部分,并记录所述数字部分的位置信息;
步骤S14:根据所述目标题目中的各个数字及其位置信息、以及标准答案对应的计算公式,将所述目标待批改题目中相应位置的数字代入到所述计算公式中进行计算,得到所述目标待批改题目的正确答案,从而根据所述正确答案对所述目标待批改题目的答案进行批改;
步骤S14根据所述目标题目中的各个数字及其位置信息、以及标准答案对应的计算公式,将所述目标待批改题目中相应位置的数字代入到所述计算公式中进行计算,包括:
根据所述标准答案对应的计算公式中的各个数字,获取各个数字在所述目标题目中对应的位置,将所述目标待批改题目中相应位置的数字代入到所述计算公式中进行计算;
所述将所述目标待批改题目中相应位置的数字代入到所述计算公式中进行计算,包括:
根据数字在目标题目中的位置信息,从目标待批改题目中找到相应的数字,将目标题目和目标待批改题目中的所有数字进行排序,按照顺序找到相应的数字代入到所述计算公式中进行计算。
2.如权利要求1所述的批改试卷中应用题的方法,其特征在于,步骤S12针对各个待搜索题目,在题库中进行搜索,确定与所述待搜索试卷匹配的目标试卷,包括:
步骤S121:根据每一待搜索题目的题干的文字内容,获得该待搜索题目的特征向量,并根据该待搜索题目的特征向量在题库中进行搜索,查找该待搜索题目最接近的题目;
步骤S122:汇总查找到的所有待搜索题目的最接近题目所在的试卷,将满足预设条件的试卷确定为与所述待搜索试卷匹配的目标试卷。
3.如权利要求2所述的批改试卷中应用题的方法,其特征在于,所述步骤S121进一步包括:
步骤S1211,将每一待搜索题目的题干的文字内容输入预先训练的题干向量化模型中,得到每一待搜索题目的题干的特征向量,作为每一待搜索题目的特征向量,其中,所述题干向量化模型是基于神经网络的模型;
步骤S1212,针对每一待搜索题目,在题库中进行搜索,查找与该待搜索题目的特征向量相匹配的特征向量,将题库中相匹配的特征向量对应的题目确定为与该待搜索题目最接近的题目。
4.如权利要求3所述的批改试卷中应用题的方法,其特征在于,所述题干向量化模型通过以下步骤训练得到:
对第一题目样本训练集中每个题目样本进行标注处理,标注出每个题目样本中题干的文字内容;
利用神经网络模型对每个题目样本中题干的文字内容进行二维特征向量提取,从而训练得到所述题干向量化模型。
5.如权利要求3所述的批改试卷中应用题的方法,其特征在于,预先对题库中试卷上的各个题目的特征向量建立索引信息表;
步骤S1212进一步包括:
针对每一待搜索题目,在所述索引信息表中查找与该待搜索题目的特征向量相匹配的特征向量;
将相匹配的特征向量在所述索引信息表中对应的题目确定为与该待搜索题目最接近的题目。
6.如权利要求5所述的批改试卷中应用题的方法,其特征在于,在建立所述索引信息表之前,将不同长度的特征向量按照长度进行分组;
所述针对每一待搜索题目,在所述索引信息表中查找与该待搜索题目的特征向量相匹配的特征向量,包括:
针对每一待搜索题目,在所述索引信息表中与该待搜索题目的特征向量长度相同或相近的分组内,查找与该待搜索题目的特征向量相匹配的特征向量。
7.如权利要求2所述的批改试卷中应用题的方法,其特征在于,步骤S122将满足预设条件的试卷确定为与所述待搜索试卷匹配的目标试卷,包括:
将出现频率最大且大于第一预设阈值的试卷确定为与所述待搜索试卷匹配的目标试卷。
8.如权利要求7所述的批改试卷中应用题的方法,其特征在于,步骤S13确定所述目标待批改题目在所述目标试卷中对应的目标题目,包括:
在所述目标待批改题目的最接近题目属于所述目标试卷时,将所述目标待批改题目的最接近题目确定为所述目标待批改题目在所述目标试卷中对应的目标题目;
在所述目标待批改题目的最接近题目不属于所述目标试卷时,将目标待批改题目的特征向量与所述目标试卷中的各个题目的特征向量进行最短编辑距离匹配,找到所述目标试卷中最短编辑距离最小且小于预设阈值的题目作为所述目标待批改题目在所述目标试卷中对应的目标题目。
9.如权利要求1所述的批改试卷中应用题的方法,其特征在于,步骤S11对待搜索试卷的影像进行检测,检测出所述待搜索试卷上的各个待搜索题目的区域,包括:
利用预先训练好的检测模型对所述待搜索试卷的影像进行检测,检测出所述待搜索试卷上的各个待搜索题目的区域,其中,所述检测模型是基于神经网络的模型。
10.如权利要求1所述的批改试卷中应用题的方法,其特征在于,步骤S11识别出各个待搜索题目的题干、答案和/或图片的文字内容,包括:
利用预先训练好的识别模型识别各个待搜索题目的题干、答案和/或图片的文字内容,其中,所述识别模型是基于神经网络的模型。
11.一种批改试卷中应用题的装置,其特征在于,所述装置包括:
检测识别模块,用于对待搜索试卷的影像进行检测,检测出所述待搜索试卷上的各个待搜索题目的区域,确定各个待搜索题目的题目类型,并识别出各个待搜索题目的题干、答案和/或图片的文字内容;
题目搜索模块,用于针对各个待搜索题目,在题库中进行搜索,确定与所述待搜索试卷匹配的目标试卷;
应用题处理模块,用于将题目类型为应用题的待搜索题目作为目标待批改题目,确定所述目标待批改题目在所述目标试卷中对应的目标题目,标注所述目标待批改题目的题干和/或图片中的数字部分,并记录所述数字部分的位置信息;
应用题批改模块,用于根据所述目标题目中的各个数字及其位置信息、以及标准答案对应的计算公式,将所述目标待批改题目中相应位置的数字代入到所述计算公式中进行计算,得到所述目标待批改题目的正确答案,从而根据所述正确答案对所述目标待批改题目的答案进行批改;
所述应用题批改模块,具体用于:
根据所述标准答案对应的计算公式中的各个数字,获取各个数字在所述目标题目中对应的位置,将所述目标待批改题目中相应位置的数字代入到所述计算公式中进行计算;
所述将所述目标待批改题目中相应位置的数字代入到所述计算公式中进行计算,包括:
根据数字在目标题目中的位置信息,从目标待批改题目中找到相应的数字,将目标题目和目标待批改题目中的所有数字进行排序,按照顺序找到相应的数字代入到所述计算公式中进行计算。
12.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-10任一所述的方法步骤。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-10任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811603481.XA CN109583429B (zh) | 2018-12-26 | 2018-12-26 | 一种批改试卷中应用题的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811603481.XA CN109583429B (zh) | 2018-12-26 | 2018-12-26 | 一种批改试卷中应用题的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109583429A CN109583429A (zh) | 2019-04-05 |
CN109583429B true CN109583429B (zh) | 2021-04-30 |
Family
ID=65932769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811603481.XA Active CN109583429B (zh) | 2018-12-26 | 2018-12-26 | 一种批改试卷中应用题的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109583429B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG10201903516WA (en) * | 2019-04-18 | 2020-11-27 | Mega Forte Pte Ltd | System For Determining Accuracy Of Matching A Subject Text Passage To A Reference Text Passage and Method Thereof |
CN112287926A (zh) * | 2019-07-23 | 2021-01-29 | 小船出海教育科技(北京)有限公司 | 一种图形题目的批改方法、装置以及设备 |
CN112287130A (zh) * | 2019-07-23 | 2021-01-29 | 小船出海教育科技(北京)有限公司 | 一种图形题目的搜索方法、装置以及设备 |
CN111552782A (zh) * | 2020-04-30 | 2020-08-18 | 尚杰 | 一种题目搜索处理方法和装置 |
CN111666882B (zh) * | 2020-06-08 | 2023-04-25 | 武汉唯理科技有限公司 | 一种手写体***提取方法 |
CN111753767B (zh) * | 2020-06-29 | 2024-06-21 | 广东小天才科技有限公司 | 一种作业自动批改的方法、装置、电子设备和存储介质 |
CN111767307A (zh) * | 2020-07-06 | 2020-10-13 | 北京猿力未来科技有限公司 | 对象处理方法及***、数学题目批改方法及*** |
CN112183253A (zh) * | 2020-09-15 | 2021-01-05 | 北京大米科技有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
CN112686263B (zh) * | 2020-12-29 | 2024-04-16 | 科大讯飞股份有限公司 | 文字识别方法、装置、电子设备及存储介质 |
CN112906894A (zh) * | 2021-02-09 | 2021-06-04 | 柳州智视科技有限公司 | 一种题目数字仿造的方法 |
CN113393737B (zh) * | 2021-05-26 | 2022-06-21 | 秦皇岛职业技术学院 | 一种自动批改英语选择试卷装置 |
CN113407675A (zh) * | 2021-06-24 | 2021-09-17 | 作业帮教育科技(北京)有限公司 | 教育题目自动批改方法、装置和电子设备 |
CN113468176B (zh) * | 2021-06-30 | 2023-09-26 | 北京百度网讯科技有限公司 | 信息录入方法和装置、电子设备、计算机可读存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010051928A1 (en) * | 2000-04-21 | 2001-12-13 | Moshe Brody | Protection of software by personalization, and an arrangement, method, and system therefor |
US9959429B2 (en) * | 2013-03-15 | 2018-05-01 | Cryptography Research, Inc. | Asymmetrically masked multiplication |
CN104077946B (zh) * | 2014-07-24 | 2016-05-25 | 广西职业技术学院 | 一种模拟电子技术练习***的题目开发和用户练习方法 |
CN105955962B (zh) * | 2016-05-10 | 2019-11-05 | 北京新唐思创教育科技有限公司 | 题目相似度的计算方法及装置 |
CN108509439B (zh) * | 2017-02-24 | 2022-04-05 | 上海莘越软件科技有限公司 | 一种代数教学*** |
CN108932508B (zh) * | 2018-08-13 | 2022-03-18 | 杭州大拿科技股份有限公司 | 一种题目智能识别、批改的方法和*** |
-
2018
- 2018-12-26 CN CN201811603481.XA patent/CN109583429B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109583429A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583429B (zh) | 一种批改试卷中应用题的方法及装置 | |
CN109271401B (zh) | 一种题目搜索、批改方法、装置、电子设备和存储介质 | |
CN109670504B (zh) | 一种手写答案识别批改方法及装置 | |
CN109712043B (zh) | 一种答案批改方法及装置 | |
CN109284355B (zh) | 一种批改试卷中口算题的方法及装置 | |
US11508251B2 (en) | Method and system for intelligent identification and correction of questions | |
CN111753767B (zh) | 一种作业自动批改的方法、装置、电子设备和存储介质 | |
CN109710590B (zh) | 一种错题本生成方法及装置 | |
CN108304876B (zh) | 分类模型训练方法、装置及分类方法及装置 | |
US11790641B2 (en) | Answer evaluation method, answer evaluation system, electronic device, and medium | |
CN109189895B (zh) | 一种针对口算题的题目批改方法及装置 | |
CN113111154B (zh) | 相似度评估方法、答案搜索方法、装置、设备及介质 | |
CN107622271B (zh) | 手写文本行提取方法及*** | |
US11721229B2 (en) | Question correction method, device, electronic equipment and storage medium for oral calculation questions | |
CN112580503A (zh) | 一种作业批改方法、装置、设备及存储介质 | |
CN112347997A (zh) | 一种试题检测识别方法、装置、电子设备及介质 | |
CN113298146A (zh) | 一种基于特征检测的图像匹配方法、装置、设备及介质 | |
US11749128B2 (en) | Answer correction method and device | |
US20200294410A1 (en) | Methods, systems, apparatuses and devices for facilitating grading of handwritten sheets | |
WO2023024898A1 (zh) | 题目辅助方法、题目辅助装置和题目辅助*** | |
CN108334884B (zh) | 一种基于机器学习的手写文档检索方法 | |
JP4303490B2 (ja) | 画像と文書のマッチング方法及び装置並びにマッチングプログラム | |
CN113362380B (zh) | 一种图像特征点检测模型训练方法、装置及其电子设备 | |
CN111090989A (zh) | 一种基于文字识别的提示方法及电子设备 | |
CN114140282B (zh) | 一种基于深度学习的普教课堂答题快速评审方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |