CN109902160A - 电路题目自动解答的方法及*** - Google Patents
电路题目自动解答的方法及*** Download PDFInfo
- Publication number
- CN109902160A CN109902160A CN201910092432.2A CN201910092432A CN109902160A CN 109902160 A CN109902160 A CN 109902160A CN 201910092432 A CN201910092432 A CN 201910092432A CN 109902160 A CN109902160 A CN 109902160A
- Authority
- CN
- China
- Prior art keywords
- circuit
- topic
- relationship
- model
- text
- 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.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Machine Translation (AREA)
Abstract
本发明公开了一种电路题目自动解答的方法及***,其中方法包括以下步骤:(1)题目获取;(2)题目理解,其一:对获取的电路题目文本进行分词和词性标注,并将题目文本分割为n个简单的分句,对分句进行标准化处理;采用句法语义模型和单位定理模型分别对题目文本中的直陈述关系和隐含关系进行提取;其二:对获取的电路图进行图形识别,并对识别出的电路元件和连接关系进行分析处理;采用网孔搜索法对电路图中的隐含关系进行提取;其三:用电路方程式表示已提取的文本关系集合和图形关系集合;对关系集合进行关系融合;(3)机器求解(4)类人解答生成。本发明相比于目前现有的电路分析***,能够大大提高解答***的自动化程度。
Description
技术领域
本发明涉及人工智能中的自然语言文本理解及机器推理领域,尤其涉及电路题目自动解答的方法及***。
背景技术
自20世纪90年代教育信息化建立以来,全面深入地运用现代信息技术促进教育的改革和发展是教育领域的一大主题。然而,由于信息技术的缺失,信息化教育遇到了前所未有的挑战,亟待新的信息技术为其注入新的动力。自动解答一直以来都是人工智能领域的热点问题,在人工智能技术进步和教育信息化需求的合力推动下,近年来它再次成为了研究的焦点,一批专家***和解答***应运而生。本专利主要针对的是中学电路题这类初等题目的自动解答的方法、算法和***。本专利将在科学研究、教育应用等方法拥有巨大的应用前景。在电路题目自动解答方面,目前有基于WebCT的交互式家庭作业辅导***、基于Web的电路分析训练器和基于Web的电路分析方法。但是,这样的***只有自动解答中的部分功能,在题目理解上需要人的帮助,未实现电路题目解答的完全机械化。
综上所述,电路题目的自动解答在解答方法、题目理解的深度以及大规模推广应用等方面还亟需进一步深入研究。首先,现有的自动解答方法来源于多个不同领域的专家学者,建立的算法往往相互独立,无论在解答效率还是在适应范围上都存在很大差异,缺乏适合电路题目自动解答的完备方法和体系。其次,现有的题目理解往往采用规则或符号逻辑等浅层分析技术,缺乏对句法语义等深度语义知识、电路图中逻辑关系的有效利用,导致题目理解的能力不足。最后,当前的自动解答***能够解答的题目类型和范围非常有限,题目输入、题目理解的自动化程度不高,无法满足大规模推广应用的要求。
发明内容
本发明的目的,在于提供一种自动解答新方法,创立解题范围更广和类人化程度更高的自动解答方法和算法,可以应用于电路题目的自动解答,并提供相应的电路题目自动解答***。
本发明为达上述目的所采用的技术方案是:
提供一种电路题目自动解答方法,包括以下步骤:
题目输入:
获取电路题的题目图像,并识别出题目图像中所有的题目内容,包括电路题目文本和电路图;
题目理解:
(1)对识别出的电路题目文本进行分词和词性标注,并将题目分割为n个简单的分句,对分句进行标准化处理;
标注出分句中的所有电路的实体词,包括电路元素词和关系词;将每个电路元素词表示成一个三元组e=(s,v,u),其中e是题目中的电路元素词,s是e的标准符号,v是e的数值,u是e的单位;同时将每个关系词表示成一个二元组J=(r,o),其中J是题目中的关系词,r是J的方程表达式,o是r的一系列电路元素符号。
采用句法语义模型对文本中的直陈述关系进行提取,且将提取的直陈述关系表示成电路方程的形式,所有的直陈述关系形成一个关系集合;句法语义模型为一个三元组S=(K,P,E),其中K代表关键字元素,P是文本中的词性模式,E为相关实体之间的数学关系;电路题目的句法语义模型池为Σ={Si=(Ki,Pi,Ei)|i=1,2,…,m}。
采用单位定理模型对文本中的隐含关系进行提取,且将提取的隐含关系表示成电路方程的形式,所有的隐含关系形成一个关系集合;单位定理模型为一个二元组G=(U,T),其中U代表单位的关键字元素,T为与U相对应的电路定理;电路题目的单位定理模型池为Σ={Gl=(Ul,Tl)|l=1,2,…,n}。
(2)对输入的电路图进行自动识别,并对识别出的电路元件和连接关系进行分析处理;
采用网孔搜索法对电路图中的隐含关系进行提取,且将提取的隐含关系表示成电路方程的形式,所有的隐含关系形成一个图形关系集合;网孔搜索法是在电路图自动识别的基础上,搜索电路图中的回路,并做网孔的检测和分析;并根据电路基本定理列写出电路方程。
(3)用电路方程式表示已提取的文本关系集合和图形关系集合,并对关系集合进行关系融合,形成已知的电路方程组。
机器求解:
对从题目中抽取的关系进行推理,形成新的方程并添加到已知的电路方程组,再进行完整解答;
类人解答生成:
根据推理过程,由已知给出的条件通过前向推理不断查找,直至推导到答案,从而生成类人的表达。
接上述技术方案,步骤“对分句进行标准化处理”具体为:将全角字符转化为半角字符,将文本描述的电路单位归一化为标准的单位符号,将文本描述的中文数字归一化为***数字,将特殊的电路符号归一化为文本描述。
接上述技术方案,步骤“采用句法语义模型对文本中的直陈述关系进行提取,且提取的直陈述关系表示成电路方程的形式,所有的直陈述关系形成一个关系集合”具体过程如下:
a.构建电路题目的句法语义模型池,每一个模型表示成一个三元组S=(K,P,E),其中K表示电路元素代表词,P=(p1,p2,p3)中p1、p2、p3分别是该模型所涉及到的三个词性模式,E=(e1,e2,e3)是该模型提取到的直陈述关系表示。
b.对于每一个分句,使用句法语义模型中的电路元素代表词和词性模式分别与该分句中的电路元素代表词和加标注的词性进行匹配,若电路元素词相同,且有一个词性模式相一致,则模型匹配该分句,将句法语义模型进行实例化后再输出;若不匹配,则继续匹配下一个模型,直至有模型被匹配为止。
c.循环处理每一个分句,直至所有分句均被处理;然后输出实例化后的所有直陈述关系,形成一个关系集合。
接上述技术方案,步骤“采用单位定理模型对文本中的隐含关系进行提取,且将提取的隐含关系表示成电路方程的形式,所有的隐含关系形成一个关系集合”具体过程如下:
a.构建电路题目的单位定理模型池,每一个模型表示成一个二元组G=(U,T),其中U代表单位的关键字元素,T为与U相对应的电路定理。
b.对于每一个分句,使用单位定理模型中的电路关系词与该分句中的关系词进行匹配,若电路关系词相同,则模型匹配该分句,将单位定理模型进行实例化后再输出;若不匹配,则继续匹配下一个模型,直至有模型被匹配为止。
c.循环处理每一个分句,直至所有分句均被处理;然后输出实例化后的所有隐含关系,形成一个关系集合。
接上述技术方案,步骤“采用网孔搜索法对电路图中的隐含关系进行提取,且将提取的隐含关系表示成电路方程的形式,所有的隐含关系形成一个图形关系集合”具体过程如下:
a.对电路图进行自动识别,并将识别出的电路元件表示成一个三元组e=(s,v,u),其中e是题目中的电路元素词,s是e的标准符号,v是e的数值,u是e的单位,节点和连线表示成坐标的形式。
b.采用网孔搜索法对电路图中的隐含关系进行提取,网孔搜索法是在电路图自动识别的基础上,搜索电路图中的回路,并做网孔的检测和分析。
c.通过对网孔分析、节点分析和元件分析,并根据基尔霍夫定理、欧姆定律等列写网孔电压/电流方程、节点电压/电流方程和元件的电流电压方程,所有的电路方程形成一个方程组。
本发明还提供了一种电路题目自动解答***,包括:
题目获取模块用于获取电路题的题目图像,并识别出题目图像中所有的题目内容,包括电路题目文本和电路图;
题目理解模块具体包括自动识别模块,分词分句子模块、标注子模块、直陈述关系提取子模块、隐含关系提取子模块和关系融合子模块;
所述图形识别子模块,用于电路题目中的电路图进行自动识别;
接上述技术方案,所述分词分句子模块,用于对识别出的电路题目文本进行分词和词性标注,并将题目分割为n个简单的分句,对分句进行标准化处理;
接上述技术方案,所述标注子模块,用于标注出分句中的所有电路的实体词,包括电路元素词和关系词;将每个电路元素词表示成一个三元组e=(s,v,u),其中e是题目中的电路元素词,s是e的标准符号,v是e的数值,u是e的单位;同时将每个关系词表示成一个二元组J=(r,o),其中J是题目中的关系词,r是J的方程表达式,o是r的一系列电路元素符号;
接上述技术方案,所述图形识别子模块,用于电路题目中的电路图进行自动识别,并将识别出的电路元件表示成一个三元组e=(s,v,u),其中e是题目中的电路元素词,s是e的标准符号,v是e的数值,u是e的单位,节点和连线表示成坐标的形式。
接上述技术方案,所述直陈述关系提取子模块,采用句法语义模型对题目文本中的直陈述关系进行提取,并将提取的直陈述关系表示成电路方程的形式,所有的直陈述关系形成一个关系集合;句法语义模型为一个三元组S=(K,P,E),其中K代表关键字元素,P是文本中的词性模式,E为相关实体之间的数学关系;电路题目的句法语义模型池为Σ={Si=(Ki,Pi,Ei)|i=1,2,…,m}。该模块具体用于:
a.构建电路题目的句法语义模型池,每一个模型表示成一个三元组S=(K,P,E),其中K代表关键字元素,P是文本中的词性模式,E为相关实体之间的数学关系;电路题目的句法语义模型池为Σ={Si=(Ki,Pi,Ei)|i=1,2,…,m}。
b.对于每一个分句,使用句法语义模型中的电路元素代表词和词性模式分别与该分句中的电路元素代表词和加标注的词性进行匹配,若电路元素词相同,且有一个词性模式相一致,则模型匹配该分句,将句法语义模型进行实例化后再输出;若不匹配,则继续匹配下一个模型,直至有模型被匹配为止。
c.循环处理每一个分句,直至所有分句均被处理;然后输出实例化后的所有直陈述关系,形成一个关系集合。
接上述技术方案,所述隐含关系提取子模块,采用单位定理模型对题目文本中的隐含关系进行提取,并将提取的隐含关系表示成电路方程的形式,所有的隐含关系形成一个关系集合;单位定理模型为一个二元组G=(U,T),其中U代表单位的关键字元素,T为与U相对应的电路定理;电路题目的单位定理模型池为Σ={Gl=(Ul,Tl)|l=1,2,…,n}。采用网孔搜索法对电路图中的隐含关系进行提取,并将提取的隐含关系表示成电路方程的形式,所有的隐含关系形成一个图形关系集合;网孔搜索法是在电路图自动识别的基础上,搜索电路图中的回路,并做网孔的检测和分析;并根据基尔霍夫定理、欧姆定律等列写出电路方程。隐含关系提取子模块包含两个部分:一是文本中的隐含关系提取,二是电路图形中的隐含关系提取。
文本中的隐含关系提取其具体用于:
a.构建电路题目的单位定理模型池,每一个模型表示成一个二元组G=(U,T),其中U代表单位的关键字元素,T为与U相对应的电路定理。
b.对于每一个分句,使用单位定理模型中的电路关系词与该分句中的关系词进行匹配,若电路关系词相同,则模型匹配该分句,将单位定理模型进行实例化后再输出;若不匹配,则继续匹配下一个模型,直至有模型被匹配为止。
c.循环处理每一个分句,直至所有分句均被处理;然后输出实例化后的所有隐含关系,形成一个关系集合。
电路图形中的隐含关系提取其具体用于:
a.对电路图进行自动识别,并将识别出的电路元件表示成一个三元组e=(s,v,u),其中e是题目中的电路元素词,s是e的标准符号,v是e的数值,u是e的单位,节点和连线表示成坐标的形式。
b.采用网孔搜索法对电路图中的隐含关系进行提取,网孔搜索法是在电路图自动识别的基础上,搜索电路图中的回路,并做网孔的检测和分析。
c.通过对网孔分析、节点分析和元件分析,并根据基尔霍夫定理、欧姆定律等列写网孔电压/电流方程、节点电压/电流方程和元件的电流电压方程,所有的电路方程形成一个方程组。
接上述技术方案,所述关系融合子模块,采用电路方程式表示已提取的文本关系集合和图形关系集合,并对关系集合进行关系融合,形成已知的电路方程组。
接上述技术方案,机器求解模块,用于对从题目中抽取的电路方程组进行推理,并求出电路方程组的解;可使用数学计算工具Maple求出电路方程组的解。
接上述技术方案,类人解答生成模块对推理过程和求解过程进行重新梳理,即由已知给出的条件通过前向推理不断查找,直至推导到答案的过程,并将该过程恢复成类人的表达。
本发明产生的有益效果是:本发明提出的电路题目自动解答的方法,从输入题目图像到题目理解再到机器求解,最终实现生成类人解答过程均是完全机械化的,且创立了基于句法语义混合模型的提取题目文本中直陈述关系的方法、基于单位定理模型的提取题目文本中隐含关系的方法、基于网孔搜索法提取电路图中隐含关系的方法,从而将电路题目转化为电路方程组的等价表示方式,进而通过机器求解该电路方程组,得到解答过程;相比于目前现有的***,能够大大提高解答***的自动化程度。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明电路题目自动解答的流程图。
图2是本发明电路题目关系抽取方法的示意图。
图3是本发明创立的电路题目的题目理解方法流程图。
图4是本发明电路题目自动解答***的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明首先将对创立的新的题目理解方法和自动解答方法进行详细描述,并针对电路题目给出具体的实施范例,然后对电路题目自动解答***进行介绍。
(1)新的题目理解方法和自动解答方法
对于电路题目内容和解答过程的思考而得到两点认识:1)电路题目是关于电路逻辑关系的描述,而求解过程也是逻辑关系的推导;2)人在解答电路题目过程中是结合逻辑推导方式与题目提供的关系一起推导出所求的答案。人在解题过程添加的电路定理对于机器来说就是隐含关系。显然,机器必须知道全部的题目提供的关系和隐含关系才能解答这个题目。根据这两点认识,本发明提出题目可以由“题目本身提供的直陈述关系和隐含关系的联合”等价表示的思想,进一步提出基于关系组提取的题目理解方法和适用于电路题目自动解答的方法。
如图1所示,该自动解答方法包含以下四个步骤:
1)题目获取26:获取图像格式的题目后,对其进行转换,实现由题目图像状态21到题目电子化内容状态22的转换,22可以包含题目文本和电路图。
2)题目理解27:实现由题目内容状态22到关系组状态23的等价转换,即提取题目中所有的关系。
3)机器求解28:实现关系组23到机器解答过程24的转换。
4)类人解答生成29:将机器求解过程24转化为类人的解答过程25。
本发明提出的自动解答方法和题目理解方法每一步的具体实施方式分别如下:
(1.1)题目获取
对于获取的题目图像,使用OCR(optical character recognition)技术识别出题目图像中所有的题目内容,实现题目由题目图像状态21到题目电子化内容状态22的转换。这里题目的电子化内容22是题目的自然语言描述文本和电路图。
(1.2)题目理解
本发明提出电路题目的题目理解是对题目中所包含的关系组23提取的过程(如图2所示),它包括直陈述类型关系和隐含类型关系的提取。在电路题目的解答中主要涉及文本中直陈述类型关系的提取271、文本中隐含类型关系的提取272和电路图中隐含类型关系的提取273。
本专利提出了基于句法语义混合模型(syntax-semantics models)提取电路题目文本中直陈述关系的方法。句法语义混合模型由语义部分、句法部分和输出关系组成,这里句法是指题目文本的词性变化模型,而语义部分主要是指电路关键词结构。一个句法语义模型定义为一个三元组S=(K,P,E),其中K代表关键字元素,P是文本中的词性模式,E为相关实体之间的数学关系。令Σ={Si=(Ki,Pi,Ei)|i=1,2,…,m}表示为电路题目所准备的句法语义模型池,为要解答的电路题目建立这样的模型池是实现文本中直陈述关系提取的关键问题。
本专利同时提出了基于单位定理模型提取电路题目文本中隐含关系的方法。单位定理模型由语义部分和输出定理组成,这里语义部分主要是指电路关键词结构。一个单位定理模型为一个二元组G=(U,T),其中U代表单位的关键字元素,T为与U相对应的电路定理。令Σ={Gl=(Ul,Tl)|l=1,2,…,n}表示为电路题目所准备的单位定理模型池,为要解答的电路题目建立这样的模型池是实现文本中隐含关系提取的关键问题。
本专利还提出了基于网孔搜索法提取电路图中隐含关系的方法。网孔搜索法是在电路图自动识别的基础上,搜索电路图中的回路,并做网孔的检测和分析。最后,根据基尔霍夫定理、欧姆定律等列写出电路方程。网孔搜索法是实现电路图中隐含关系提取的关键问题。
电路题目的题目理解
实现电路题目的理解主要有以下步骤(如图3所示):
步骤一:题目文本分词、标注和标准化处理82。使用已有的分词软件完成对输入的电路题目文本81的分词和词性标注,并将题目分割为n个简单的分句O(j)(1≤j≤n)。将题目文本中的全角字符转化为半角字符,将文本描述的电路单位归一化为标准的单位符号,将文本描述的中文数字归一化为***数字,将特殊的电路符号归一化为文本描述。如将“安培”归一化为“A”,将“一小时”归一化为“1h”。
步骤二:电路实体词的标注83。标注出所有的电路实体词,电路实体词包括电路元素词和关系词,如电路关系词“串联”和电路元素词“电阻”。将每个电路元素词表示成一个三元组e=(s,v,u),其中e是题目中的电路元素词,s是e的标准符号,v是e的数值,u是e的单位;同时将每个关系词表示成一个二元组J=(r,o),其中J是题目中的关系词,r是J的方程表达式,o是r的一系列电路元素符号。
步骤三:直陈述关系的提取84。这里采用句法语义模型85进行电路题目文本中直陈述关系的提取,且提取的直陈述关系表示成电路方程的形式,所有的直陈述关系形成一个关系集合。具体过程如下:
a.构建电路题目的句法语义模型池,每一个模型表示成一个三元组S=(K,P,E),其中K表示电路元素代表词,P=(p1,p2,p3)中p1、p2、p3分别是该模型所涉及到的三个词性模式,E=(e1,e2,e3)是该模型提取到的直陈述关系表示。
b.对于每一个分句O(j),使用模型Si中的Ki和Pi分别和步骤三中该分句加注的电路元素代表词和加标注的词性进行匹配进行匹配,若电路元素词相同,且有一个词性模式相一致,则该模型Si匹配该分句,将Si中的Ei实例化后输出到Δ中;若不匹配,则继续匹配下一个模型,直至有模型被匹配为止。
c.循环处理每一个分句,直至所有分句均被处理。然后输出Δ,此时Δ包含了题目中所有的直陈述关系,这些直陈述关系形成了一个关系集合88。
步骤四:题目文本中隐含关系的提取86。这里采用单位定理模型87进行电路题目文本中隐含关系的提取,且提取的隐含关系表示成电路方程的形式,所有的隐含关系形成一个关系集合。具体过程如下:
a.构建电路题目的单位定理模型池,每一个模型表示成一个二元组G=(U,T),其中U代表单位的关键字元素,T为与U相对应的电路定理。
b.对于每一个分句O(j),使用模型Gi中的Ui与该分句中的关系词进行匹配,若电路关系词相同,则模型匹配该分句,将Gi中的Ti实例化后输出到Δ’中;若不匹配,则继续匹配下一个模型,直至有模型被匹配为止。
c.循环处理每一个分句,直至所有分句均被处理;然后输出Δ’到关系集合88。
步骤五:电路图识别与分析92。使用OCR(optical character recognition)技术识别出电路图91中所有的内容。
步骤六:电路图中隐含关系的提取93。这里采用网孔搜索法94进行电路图中隐含关系的提取,且提取的隐含关系表示成电路方程的形式,所有的隐含关系形成一个关系集合。具体过程如下:
a.对电路图进行自动识别,并将识别出的电路元件表示成一个三元组e=(s,v,u),其中e是题目中的电路元素词,s是e的标准符号,v是e的数值,u是e的单位,节点和连线表示成坐标的形式。
b.对电路图中的电路回路进行检索,以识别出的电路节点为节点,根据节点和连线的坐标获取连接关系,检索出电路中所有的回路。
c.通过对网孔分析、节点分析和元件分析,并根据基尔霍夫定理、欧姆定律等列写网孔电压/电流方程、节点电压/电流方程和元件的电流电压方程Δ”,然后输出Δ”到关系集合88。
(1.3)机器求解
对从题目中抽取的关系进行推理,形成新的方程并添加到已知的电路方程组,再进行完整解答;
因为已知的电路方程组不一定能把答案求解出来,在机器求解时,方程之间可能涉及到变换,需要添加其他的方程,因此该步是在题目的推理与求解过程中不断添加新的方程,以实现完整的解答。
对于电路题目,将关系集合表示成电路方程组的形式,通过***推理得到题目求解的过程链,将最简化的方程组输入到数学计算工具(如Maple)中,求出电路方程组的解。
(1.4)类人解答生成。
对推理过程和求解过程进行重新梳理,即由已知给出的条件通过前向推理不断查找,直至推导到答案的过程,并将该过程恢复成类人的表达。
(2)一种初等数学题目自动解答***
本发明实施范例电路题目自动解答***,如图4所示,包括:
题目输入模块,用于输入电路题的题目图像,并识别出题目图像中所有的题目内容;
题目理解模块,具体包括分词分句子模块、标注子模块、图形识别子模块、直陈述关系提取子模块、隐含关系提取子模块和关系融合子模块;
所述分词分句子模块,用于对识别出的电路题目文本进行分词和词性标注,并将题目分割为n个简单的分句,对分句进行标准化处理;
所述标注子模块,用于标注出分句中的所有电路的实体词,包括电路元素词和关系词;将每个电路元素词表示成一个三元组e=(s,v,u),其中e是题目中的电路元素词,s是e的标准符号,v是e的数值,u是e的单位;同时将每个关系词表示成一个二元组J=(r,o),其中J是题目中的关系词,r是J的方程表达式,o是r的一系列电路元素符号;
所述图形识别子模块,用于电路题目中的电路图进行自动识别,并将识别出的电路元件表示成一个三元组e=(s,v,u),其中e是题目中的电路元素词,s是e的标准符号,v是e的数值,u是e的单位,节点和连线表示成坐标的形式。
所述直陈述关系提取子模块,采用句法语义模型对题目文本中的直陈述关系进行提取,并将提取的直陈述关系表示成电路方程的形式,所有的直陈述关系形成一个关系集合;句法语义模型为一个三元组S=(K,P,E),其中K代表关键字元素,P是文本中的词性模式,E为相关实体之间的数学关系;电路题目的句法语义模型池为Σ={Si=(Ki,Pi,Ei)|i=1,2,…,m}。
所述隐含关系提取子模块,采用单位定理模型对题目文本中的隐含关系进行提取,并将提取的隐含关系表示成电路方程的形式,所有的隐含关系形成一个关系集合;单位定理模型为一个二元组G=(U,T),其中U代表单位的关键字元素,T为与U相对应的电路定理;电路题目的单位定理模型池为Σ={Gl=(Ul,Tl)|l=1,2,…,n}。采用网孔搜索法对电路图中的隐含关系进行提取,并将提取的隐含关系表示成电路方程的形式,所有的隐含关系形成一个图形关系集合;网孔搜索法是在电路图自动识别的基础上,搜索电路图中的回路,并做网孔的检测和分析;并根据基尔霍夫定理、欧姆定律等列写出电路方程。
所述关系融合子模块,采用电路方程式表示已提取的文本关系集合和图形关系集合,并对关系集合进行关系融合,形成已知的电路方程组。
机器求解模块,对从题目中抽取的电路方程组进行推理,并使用数学计算工具Maple求出电路方程组的解。
类人解答生成模块,对推理过程和求解过程进行重新梳理,即由已知给出的条件通过前向推理不断查找,直至推导到答案的过程,并将该过程恢复成类人的表达。
所述分词分句子模块“对分句进行标准化处理”具体为:将全角字符转化为半角字符,将文本描述的电路单位归一化为标准的单位符号,将文本描述的中文数字归一化为***数字,将特殊的电路符号归一化为文本描述。
所述直陈述关系提取子模块具体用于:
a.构建电路题目的句法语义模型池,每一个模型表示成一个三元组S=(K,P,E),其中K代表关键字元素,P是文本中的词性模式,E为相关实体之间的数学关系;电路题目的句法语义模型池为Σ={Si=(Ki,Pi,Ei)|i=1,2,…,m}。
b.对于每一个分句,使用句法语义模型中的电路元素代表词和词性模式分别与该分句中的电路元素代表词和加标注的词性进行匹配,若电路元素词相同,且有一个词性模式相一致,则模型匹配该分句,将句法语义模型进行实例化后再输出;若不匹配,则继续匹配下一个模型,直至有模型被匹配为止。
c.循环处理每一个分句,直至所有分句均被处理;然后输出实例化后的所有直陈述关系,形成一个关系集合。
所述隐含关系提取子模块包含两个部分:一是文本中的隐含关系提取,二是电路图形中的隐含关系提取。
文本中的隐含关系提取其具体用于:
a.构建电路题目的单位定理模型池,每一个模型表示成一个二元组G=(U,T),其中U代表单位的关键字元素,T为与U相对应的电路定理。
b.对于每一个分句,使用单位定理模型中的电路关系词与该分句中的关系词进行匹配,若电路关系词相同,则模型匹配该分句,将单位定理模型进行实例化后再输出;若不匹配,则继续匹配下一个模型,直至有模型被匹配为止。
c.循环处理每一个分句,直至所有分句均被处理;然后输出实例化后的所有隐含关系,形成一个关系集合。
电路图形中的隐含关系提取其具体用于:
a.对电路图进行自动识别,并将识别出的电路元件表示成一个三元组e=(s,v,u),其中e是题目中的电路元素词,s是e的标准符号,v是e的数值,u是e的单位,节点和连线表示成坐标的形式。
b.采用网孔搜索法对电路图中的隐含关系进行提取,网孔搜索法是在电路图自动识别的基础上,搜索电路图中的回路,并做网孔的检测和分析。
c.通过对网孔分析、节点分析和元件分析,并根据基尔霍夫定理、欧姆定律等列写网孔电压/电流方程、节点电压/电流方程和元件的电流电压方程,所有的电路方程形成一个方程组。
该***还包括展示模块,用于将类人解答生成模块生成的结果展示出来。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种电路题目自动解答的方法,其特征在于,包括以下步骤:
题目获取
获取电路题的题目图像,并识别出题目图像中所有的题目内容,包括电路题目文本和电路图;
题目理解
(1)对识别出的电路题目文本进行分词和词性标注,并将题目分割为n个简单的分句,对分句进行标准化处理;
标注出分句中的所有电路的实体词,包括电路元素词和关系词;将每个电路元素词表示成一个三元组e = (s,v,u),其中e是题目中的电路元素词,s是e的标准符号,v是e的数值,u是e的单位;同时将每个关系词表示成一个二元组J= (r,o),其中J是题目中的关系词,r是J的方程表达式,o是r的一系列电路元素符号;
采用句法语义模型对文本中的直陈述关系进行提取,且将提取的直陈述关系表示成电路方程的形式,所有的直陈述关系形成一个关系集合;句法语义模型为一个三元组S=(K,P,E),其中K代表关键字元素,P是文本中的词性模式,E为相关实体之间的数学关系;电路题目的句法语义模型池为Σ={Si=(Ki, Pi, Ei) | i=1,2,…,m};
采用单位定理模型对文本中的隐含关系进行提取,且将提取的隐含关系表示成电路方程的形式,所有的隐含关系形成一个关系集合;单位定理模型为一个二元组G=(U,T),其中U代表单位的关键字元素,T为与U相对应的电路定理;电路题目的单位定理模型池为Σ={Gl=(Ul, Tl) | l=1,2,…,n};
(2)对识别出的电路图中的电路元件和连接关系进行分析处理;
具体采用网孔搜索法对电路图中的隐含关系进行提取,且将提取的隐含关系表示成电路方程的形式,所有的隐含关系形成一个图形关系集合;网孔搜索法是在电路图自动识别的基础上,搜索电路图中的回路,并做网孔的检测和分析;并根据电路基本定理列写出电路方程;
用电路方程式表示已提取的文本关系集合和图形关系集合,并对关系集合进行关系融合,形成已知的电路方程组;
机器求解:
对从题目中抽取的关系进行推理,形成新的方程并添加到已知的电路方程组,再进行完整解答;
类人解答生成:
根据推理过程,由已知给出的条件通过前向推理不断查找,直至推导到答案,从而生成类人的表达。
2.根据权利要求1所述的电路题目自动解答的方法,其特征在于,步骤“对分句进行标准化处理”具体为:将全角字符转化为半角字符,将文本描述的电路单位归一化为标准的单位符号,将文本描述的中文数字归一化为***数字,将特殊的电路符号归一化为文本描述。
3.根据权利要求1所述的电路题目自动解答的方法,其特征在于,步骤“采用句法语义模型对文本中的直陈述关系进行提取,且提取的直陈述关系表示成电路方程的形式,所有的直陈述关系形成一个关系集合”具体过程如下:
a. 构建电路题目的句法语义模型池,每一个模型表示成一个三元组S=(K,P,E),其中K表示电路元素代表词,P=(p1, p2, p3)中p1、p2、p3分别是该模型所涉及到的三个词性模式,E=(e1, e2, e3)是该模型提取到的直陈述关系表示;
b. 对于每一个分句,使用句法语义模型中的电路元素代表词和词性模式分别与该分句中的电路元素代表词和加标注的词性进行匹配,若电路元素词相同,且有一个词性模式相一致,则模型匹配该分句,将句法语义模型进行实例化后再输出;若不匹配,则继续匹配下一个模型,直至有模型被匹配为止;
c. 循环处理每一个分句,直至所有分句均被处理;然后输出实例化后的所有直陈述关系,形成一个关系集合。
4.根据权利要求1所述的电路题目自动解答的方法,其特征在于,步骤“采用单位定理模型对文本中的隐含关系进行提取,且将提取的隐含关系表示成电路方程的形式,所有的隐含关系形成一个关系集合”具体过程如下:
a. 构建电路题目的单位定理模型池,每一个模型表示成一个二元组G=(U,T),其中U代表单位的关键字元素,T为与U相对应的电路定理;
b. 对于每一个分句,使用单位定理模型中的电路关系词与该分句中的关系词进行匹配,若电路关系词相同,则模型匹配该分句,将单位定理模型进行实例化后再输出;若不匹配,则继续匹配下一个模型,直至有模型被匹配为止;
c. 循环处理每一个分句,直至所有分句均被处理;然后输出实例化后的所有隐含关系,形成一个关系集合。
5.根据权利要求1所述的电路题目自动解答的方法,其特征在于,
步骤“采用网孔搜索法对电路图中的隐含关系进行提取,且将提取的隐含关系表示成电路方程的形式,所有的隐含关系形成一个图形关系集合”具体过程如下:
a. 对将识别出的电路图的电路元件表示成一个三元组e = (s,v,u),其中e是题目中的电路元素词,s是e的标准符号,v是e的数值,u是e的单位,节点和连线表示成坐标的形式;
b. 采用网孔搜索法对电路图中的隐含关系进行提取;
c. 通过对网孔分析、节点分析和元件分析,并根据基尔霍夫定理、欧姆定律列写网孔电压/电流方程、节点电压/电流方程和元件的电流电压方程,所有的电路方程形成一个方程组。
6.一种电路题目自动解答***,其特征在于,包括:
题目获取模块,用于获取电路题的题目图像,并识别出题目图像中所有的题目内容,包括电路题目文本和电路图;
题目理解模块,具体包括分词分句子模块、标注子模块、图形识别子模块、直陈述关系提取子模块、隐含关系提取子模块和关系融合子模块;
所述分词分句子模块,用于对识别出的电路题目文本进行分词和词性标注,并将题目分割为n个简单的分句,对分句进行标准化处理;
所述标注子模块,用于标注出分句中的所有电路的实体词,包括电路元素词和关系词;将每个电路元素词表示成一个三元组e = (s,v,u),其中e是题目中的电路元素词,s是e的标准符号,v是e的数值,u是e的单位;同时将每个关系词表示成一个二元组J = (r,o),其中J是题目中的关系词,r是J的方程表达式,o是r的一系列电路元素符号;
所述图形识别子模块,用于电路题目中的电路图进行自动识别;
所述直陈述关系提取子模块,采用句法语义模型对题目文本中的直陈述关系进行提取,并将提取的直陈述关系表示成电路方程的形式,所有的直陈述关系形成一个关系集合;句法语义模型为一个三元组S=(K,P,E),其中K代表关键字元素,P是文本中的词性模式,E为相关实体之间的数学关系;电路题目的句法语义模型池为Σ={Si=(Ki, Pi, Ei) | i=1,2,…,m};
所述隐含关系提取子模块,采用单位定理模型对题目文本中的隐含关系进行提取,并将提取的隐含关系表示成电路方程的形式,所有的隐含关系形成一个关系集合;单位定理模型为一个二元组G=(U,T),其中U代表单位的关键字元素,T为与U相对应的电路定理;电路题目的单位定理模型池为Σ={Gl=(Ul, Tl) | l=1,2,…,n};采用网孔搜索法对电路图中的隐含关系进行提取,并将提取的隐含关系表示成电路方程的形式,所有的隐含关系形成一个图形关系集合;网孔搜索法是在电路图自动识别的基础上,搜索电路图中的回路,并做网孔的检测和分析;并根据电路基本定理列写出电路方程;
所述关系融合子模块,采用电路方程式表示已提取的文本关系集合和图形关系集合,并对关系集合进行关系融合,形成已知的电路方程组;
机器求解模块,用于对从题目中抽取的电路方程组进行推理,并求出电路方程组的解;
类人解答生成模块,用于对推理过程和求解过程进行重新梳理,即由已知给出的条件通过前向推理不断查找,直至推导到答案的过程,并将该过程恢复成类人的表达。
7. 根据权利要求6所述的***,其特征在于,所述图形识别子模块具体将识别出的电路图的电路元件表示成一个三元组e = (s,v,u),其中e是题目中的电路元素词,s是e的标准符号,v是e的数值,u是e的单位,节点和连线表示成坐标的形式,并采用网孔搜索法对电路图中的隐含关系进行提取,且将提取的隐含关系表示成电路方程的形式,所有的隐含关系形成一个图形关系集合;网孔搜索法是在电路图自动识别的基础上,搜索电路图中的回路,并做网孔的检测和分析,再根据包括基尔霍夫定理、欧姆定律列写出电路方程。
8.根据权利要求6所述的***,其特征在于,所述分词分句子模块“对分句进行标准化处理”具体为:将全角字符转化为半角字符,将文本描述的电路单位归一化为标准的单位符号,将文本描述的中文数字归一化为***数字,将特殊的电路符号归一化为文本描述。
9.根据权利要求6所述的***,其特征在于,所述直陈述关系提取子模块具体用于:
a. 构建电路题目的句法语义模型池,每一个模型表示成一个三元组S=(K,P,E),其中K代表关键字元素,P是文本中的词性模式,E为相关实体之间的数学关系;电路题目的句法语义模型池为Σ={Si=(Ki, Pi, Ei) | i=1,2,…,m};
b. 对于每一个分句,使用句法语义模型中的电路元素代表词和词性模式分别与该分句中的电路元素代表词和加标注的词性进行匹配,若电路元素词相同,且有一个词性模式相一致,则模型匹配该分句,将句法语义模型进行实例化后再输出;若不匹配,则继续匹配下一个模型,直至有模型被匹配为止;
c. 循环处理每一个分句,直至所有分句均被处理;然后输出实例化后的所有直陈述关系,形成一个关系集合。
10.根据权利要求7所述的***,其特征在于,该***还包括展示模块,用于将类人解答生成模块生成的结果展示出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910092432.2A CN109902160B (zh) | 2019-01-30 | 2019-01-30 | 电路题目自动解答的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910092432.2A CN109902160B (zh) | 2019-01-30 | 2019-01-30 | 电路题目自动解答的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109902160A true CN109902160A (zh) | 2019-06-18 |
CN109902160B CN109902160B (zh) | 2023-07-25 |
Family
ID=66944492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910092432.2A Active CN109902160B (zh) | 2019-01-30 | 2019-01-30 | 电路题目自动解答的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109902160B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383505A (zh) * | 2020-03-04 | 2020-07-07 | 南京大学 | 一种基于笔交互的电路教学***及方法 |
CN112949410A (zh) * | 2021-02-05 | 2021-06-11 | 华中师范大学 | 人工智能理科文字题解题方法、装置、设备及存储介质 |
CN113139657A (zh) * | 2021-04-08 | 2021-07-20 | 北京泰豪智能工程有限公司 | 一种机器思维实现方法及装置 |
CN117272992A (zh) * | 2023-08-21 | 2023-12-22 | 华中师范大学 | 一种融合物性知识提示的数学应用题机器解答***及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077946A (zh) * | 2014-07-24 | 2014-10-01 | 广西职业技术学院 | 电路参数可随机变化的模拟电子技术练习***及方法 |
CN107169043A (zh) * | 2017-04-24 | 2017-09-15 | 成都准星云学科技有限公司 | 一种基于标准答案的知识点自动提取方法及*** |
CN107423286A (zh) * | 2017-07-05 | 2017-12-01 | 华中师范大学 | 初等数学代数型题自动解答的方法与*** |
CN107423287A (zh) * | 2017-07-05 | 2017-12-01 | 华中师范大学 | 平面几何证明题自动解答方法及*** |
US20180181673A1 (en) * | 2016-12-28 | 2018-06-28 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Answer searching method and device based on deep question and answer |
US20200050636A1 (en) * | 2016-10-24 | 2020-02-13 | Koninklijke Philips N.V. | Multi domain real-time question answering system |
-
2019
- 2019-01-30 CN CN201910092432.2A patent/CN109902160B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077946A (zh) * | 2014-07-24 | 2014-10-01 | 广西职业技术学院 | 电路参数可随机变化的模拟电子技术练习***及方法 |
US20200050636A1 (en) * | 2016-10-24 | 2020-02-13 | Koninklijke Philips N.V. | Multi domain real-time question answering system |
US20180181673A1 (en) * | 2016-12-28 | 2018-06-28 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Answer searching method and device based on deep question and answer |
CN107169043A (zh) * | 2017-04-24 | 2017-09-15 | 成都准星云学科技有限公司 | 一种基于标准答案的知识点自动提取方法及*** |
CN107423286A (zh) * | 2017-07-05 | 2017-12-01 | 华中师范大学 | 初等数学代数型题自动解答的方法与*** |
CN107423287A (zh) * | 2017-07-05 | 2017-12-01 | 华中师范大学 | 平面几何证明题自动解答方法及*** |
Non-Patent Citations (2)
Title |
---|
刘静怡;: "高中物理电路知识的学习及解题方法研究", 计算机产品与流通, no. 09 * |
杨宁, 初中物理电路类计算题类人解题方法的研究与实现 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383505A (zh) * | 2020-03-04 | 2020-07-07 | 南京大学 | 一种基于笔交互的电路教学***及方法 |
CN111383505B (zh) * | 2020-03-04 | 2021-11-09 | 南京大学 | 一种基于笔交互的电路教学***及方法 |
CN112949410A (zh) * | 2021-02-05 | 2021-06-11 | 华中师范大学 | 人工智能理科文字题解题方法、装置、设备及存储介质 |
CN112949410B (zh) * | 2021-02-05 | 2024-01-16 | 华中师范大学 | 人工智能理科文字题解题方法、装置、设备及存储介质 |
CN113139657A (zh) * | 2021-04-08 | 2021-07-20 | 北京泰豪智能工程有限公司 | 一种机器思维实现方法及装置 |
CN113139657B (zh) * | 2021-04-08 | 2024-03-29 | 北京泰豪智能工程有限公司 | 一种机器思维实现方法及装置 |
CN117272992A (zh) * | 2023-08-21 | 2023-12-22 | 华中师范大学 | 一种融合物性知识提示的数学应用题机器解答***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109902160B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113987209B (zh) | 基于知识指导前缀微调的自然语言处理方法、装置、计算设备和存储介质 | |
Jin et al. | A good prompt is worth millions of parameters: Low-resource prompt-based learning for vision-language models | |
CN109902160A (zh) | 电路题目自动解答的方法及*** | |
CN110825881B (zh) | 一种建立电力知识图谱的方法 | |
CN108363743B (zh) | 一种智能问题生成方法、装置和计算机可读存储介质 | |
CN111475629A (zh) | 一种面向数学辅导问答***的知识图谱构建方法及其*** | |
CN110472045B (zh) | 一种基于文档嵌入的短文本虚假问题分类预测方法及装置 | |
CN110457689B (zh) | 语义处理方法及相关装置 | |
CN109388700A (zh) | 一种意图识别方法及*** | |
CN107423287A (zh) | 平面几何证明题自动解答方法及*** | |
CN107633005A (zh) | 一种基于课堂教学内容的知识图谱构建、对比***及方法 | |
CN115858758A (zh) | 一种多非结构化数据识别的智慧客服知识图谱*** | |
Bin et al. | Entity slot filling for visual captioning | |
CN111475656B (zh) | 基于外部知识聚合的视觉问答方法及*** | |
CN111159356B (zh) | 基于教学内容的知识图谱构建方法 | |
CN112905762B (zh) | 一种基于同等注意力图网络的视觉问答方法 | |
CN110309509A (zh) | 一种语义知识库构建方法 | |
CN112749556B (zh) | 多语言模型的训练方法和装置、存储介质和电子设备 | |
CN114969282B (zh) | 基于富媒体知识图谱多模态情感分析模型的智能交互方法 | |
CN116401376A (zh) | 一种面向工艺性检查的知识图谱构建方法及*** | |
CN112380868A (zh) | 一种基于事件三元组的信访目的多分类装置及其方法 | |
Soni et al. | Automatic question generation: A systematic review | |
CN117171360A (zh) | 一种基于大模型和知识图谱的课程交叉重组***及方法 | |
CN116304064A (zh) | 一种基于抽取式的文本分类方法 | |
CN116306653A (zh) | 一种正则化领域知识辅助的命名实体识别方法 |
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 |