CN110532344A - 基于深度神经网络模型的自动选题*** - Google Patents

基于深度神经网络模型的自动选题*** Download PDF

Info

Publication number
CN110532344A
CN110532344A CN201910722781.8A CN201910722781A CN110532344A CN 110532344 A CN110532344 A CN 110532344A CN 201910722781 A CN201910722781 A CN 201910722781A CN 110532344 A CN110532344 A CN 110532344A
Authority
CN
China
Prior art keywords
neural network
network model
deep neural
topic
user
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
Application number
CN201910722781.8A
Other languages
English (en)
Inventor
欧峥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Super Intellectual Property Consultant (Beijing) Co.,Ltd.
Original Assignee
Beijing Ruyou Education Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Ruyou Education Technology Co Ltd filed Critical Beijing Ruyou Education Technology Co Ltd
Priority to CN201910722781.8A priority Critical patent/CN110532344A/zh
Publication of CN110532344A publication Critical patent/CN110532344A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于深度神经网络模型的自动选题***，包括：用户输入设备，用于接收用户输入的数个关键词；等级鉴别设备，用于对当前用户的体形进行鉴别，以获得当前用户对应的VIP等级；数据映射设备，与所述等级鉴别设备连接，用于基于当前用户对应的VIP等级映射出用于选题分析的深度神经网络模型的隐含层的层数；选题执行设备，分别与所述用户输入设备和所述数据映射设备连接，用于基于用户输入的数个关键词以及用于选题分析的深度神经网络模型获取所述深度神经网络模型输出层输出的论文题目。通过本发明，当用户VIP等级越高，获取的选题越贴近技术本身，越便于后续论文写作。

Description

基于深度神经网络模型的自动选题***
技术领域
本发明涉及论文选题领域，尤其涉及一种基于深度神经网络模型的自动选题***。
背景技术
选题是论文写作关键的第一步，直接关系论文的质量。常言说：“题好文一半”。选择论文题目通常要注意以下几点：
(1)要结合学习与工作实际，根据自己所熟悉的专业和研究兴趣，适当选择有理论和实践意义的课题；
(2)论文写作选题宜小不宜大，只要在学术的某一领域或某一点上，有自己的一得之见，或成功的经验.或失败的教训，或新的观点和认识，言之有物，读之有益，就可以作为选题；
(3)论文写作选题时要查看文献资料，既可了解别人对这个问题的研究达到什么程度，也可以借鉴人家对这个问题的研究成果。
需要指出，论文写作选题与论文的标题既有关系又不是一回事。标题是在选题基础上拟定的，是选题的高度概括，但选题及写作不应受标题的限制，有时在写作过程中，选题未变，标题却几经修改变动。
目前，论文的选题不仅仅限于人工的原始模式，在一些论文写作助手中，能够根据用户输入的关键词进行自动选题，然而目前的自动选题模式没有考虑的用户的等级差异，因此，需要一种既能保证各种等级用户完成自动选题又能体现不同等级用户服务差异的选题机制。
发明内容
为了解决上述问题，本发明提供了一种基于深度神经网络模型的自动选题***，能够在针对性的图像识别模式下获取各个用户的VIP等级，根据用户的不同VIP等级提供不同深度的用于选题分析的深度神经网络模型以获取所述深度神经网络模型输出层输出的论文题目，从而既能保证各种等级用户完成自动选题又能体现不同等级用户服务差异。
根据本发明的一方面，提供了一种基于深度神经网络模型的自动选题***，所述***包括：
用户输入设备，设置在论文撰写终端上，用于接收用户输入的数个关键词，所述数个关键词用于用户即将撰写论文的论文题目的选取；
等级鉴别设备，与所述用户输入设备连接，用于对当前用户的体形进行鉴别，以获得当前用户对应的VIP等级；
数据映射设备，与所述等级鉴别设备连接，用于基于当前用户对应的VIP等级映射出用于选题分析的深度神经网络模型的隐含层的层数；
选题执行设备，分别与所述用户输入设备和所述数据映射设备连接，用于基于用户输入的数个关键词以及用于选题分析的深度神经网络模型获取所述深度神经网络模型输出层输出的论文题目；
以太网连接接口，与所述选题执行设备连接，用于基于所述数个关键词从全网的各个参考文献数据库中检索到包括所述数个关键词的一个或多个参考文献分别对应的一个或多个参考文献题目；
其中，在所述选题执行设备中，所述用于选题分析的深度神经网络模型的输入层被输入的是所述数个关键词；
其中，所述等级鉴别设备包括图像传感单元、自适应递归滤波单元、图像增强单元和体形识别单元，所述图像传感单元、所述自适应递归滤波单元、所述图像增强单元和所述体形识别单元顺序连接，所述图像传感单元用于对当前用户进行体形的图像感应操作，以获得相应的当前用户图像；
其中，在所述选题执行设备中，使用所述数个关键词以及所述一个或多个参考文献题目对所述用于选题分析的深度神经网络模型进行训练。
根据本发明的另一方面，还提供了一种基于深度神经网络模型的自动选题方法，所述方法包括使用一种如上述的基于深度神经网络模型的自动选题***，用于根据当前用户的VIP等级给予不同的论文选题策略，以实现差别性的用户管理。
其中，对于深度神经网络模型来说，深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
多层神经网络是指单计算层感知器只能解决线性可分问题，而大量的分类问题是线性不可分的。克服单计算层感知器这一局限性的有效办法是，在输入层与输出层之间引入隐层(隐层个数可以大于或等于1)作为输入模式“的内部表示”，单计算层感知器变成多(计算)层感知器。
深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
本发明需要具备以下两处关键的发明点：
(1)现场识别当前用户的VIP等级，基于不同的VIP等级给予不同的论文选题策略，以实现差别性的用户管理；
(2)引入可训练的用于选题分析的深度神经网络模型以提供不同的论文选题策略。
附图说明
以下将结合附图对本发明的实施方案进行描述，其中：
图1为根据本发明实施方案示出的基于深度神经网络模型的自动选题***的结构方框图。
图2为根据本发明实施方案示出的基于深度神经网络模型的自动选题***的输入界面示意图。
图3为根据本发明实施方案示出的基于深度神经网络模型的自动选题***的选题结果示意图。
具体实施方式
下面将参照附图对本发明的基于深度神经网络模型的自动选题***的实施方案进行详细说明。
目前的论文写作助手中采用的论文自动选题机制或者没有考虑到用户的等级差异，或者仅仅粗暴地采用允许使用和不允许使用两种限定方式，无法实行既能保证各种等级用户完成自动选题又能体现不同等级用户服务差异的技术效果。
为了克服上述不足，本发明搭建了一种基于深度神经网络模型的自动选题***，能够有效解决相应的技术问题。
图1为根据本发明实施方案示出的基于深度神经网络模型的自动选题***的结构方框图，所述***包括：
用户输入设备，设置在论文撰写终端上，用于接收用户输入的数个关键词，所述数个关键词用于用户即将撰写论文的论文题目的选取；
等级鉴别设备，与所述用户输入设备连接，用于对当前用户的体形进行鉴别，以获得当前用户对应的VIP等级；
数据映射设备，与所述等级鉴别设备连接，用于基于当前用户对应的VIP等级映射出用于选题分析的深度神经网络模型的隐含层的层数；
选题执行设备，分别与所述用户输入设备和所述数据映射设备连接，用于基于用户输入的数个关键词以及用于选题分析的深度神经网络模型获取所述深度神经网络模型输出层输出的论文题目；
以太网连接接口，与所述选题执行设备连接，用于基于所述数个关键词从全网的各个参考文献数据库中检索到包括所述数个关键词的一个或多个参考文献分别对应的一个或多个参考文献题目；
其中，在所述选题执行设备中，所述用于选题分析的深度神经网络模型的输入层被输入的是所述数个关键词；
其中，所述等级鉴别设备包括图像传感单元、自适应递归滤波单元、图像增强单元和体形识别单元，所述图像传感单元、所述自适应递归滤波单元、所述图像增强单元和所述体形识别单元顺序连接，所述图像传感单元用于对当前用户进行体形的图像感应操作，以获得相应的当前用户图像；
其中，在所述选题执行设备中，使用所述数个关键词以及所述一个或多个参考文献题目对所述用于选题分析的深度神经网络模型进行训练。
接着，继续对本发明的基于深度神经网络模型的自动选题***的具体结构进行进一步的说明。
所述基于深度神经网络模型的自动选题***中还可以包括：
数据存储设备，分别与所述以太网连接接口、所述选题执行设备和所述等级鉴别设备连接，用于存储当前用户对应的VIP等级。
所述基于深度神经网络模型的自动选题***中：
所述数据存储设备还用于存储所述数个关键词和所述一个或多个参考文献题目。
所述基于深度神经网络模型的自动选题***中：
所述数据存储设备还与所述数据映射设备连接，用于存储用于选题分析的深度神经网络模型的隐含层的层数。
所述基于深度神经网络模型的自动选题***中：
所述数据存储设备为FLASH闪存或SDRAM存储器中的一种。
所述基于深度神经网络模型的自动选题***中：
所述用户输入设备为触摸显示屏或按键阵列中的一种。
所述基于深度神经网络模型的自动选题***中：
在所述等级鉴别设备中，所述自适应递归滤波单元与所述图像传感单元连接，用于对接收到的当前用户图像进行自适应递归滤波处理。
所述基于深度神经网络模型的自动选题***中：
在所述等级鉴别设备中，所述图像增强单元与所述自适应递归滤波单元连接，用于对所述自适应递归滤波单元的输出数据执行基于指数变换的图像增强处理。
所述基于深度神经网络模型的自动选题***中：
在所述等级鉴别设备中，所述体形识别单元与所述图像增强单元连接，用于对所述图像增强单元的输出数据执行当前用户的体形的鉴别，以获得当前用户对应的VIP等级；
其中，所述体形识别单元基于各个合法用户基准体形对所述图像增强单元的输出数据执行当前用户的体形的鉴别，以获得当前用户对应的VIP等级。
同时，为了克服上述不足，本发明还搭建了一种基于深度神经网络模型的自动选题方法，所述方法包括使用一种如上述的基于深度神经网络模型的自动选题***，用于根据当前用户的VIP等级给予不同的论文选题策略，以实现差别性的用户管理。
图2为根据本发明实施方案示出的基于深度神经网络模型的自动选题***的输入界面示意图。
如图2所示，在进行本科学位的学位论文的选题操作界面中，提供了多个输入框以供用户输入相应的多种关键词，所述多种关键词作为所述选题执行设备的输入参数以执行自动选题操作。
其中，所述多种关键词包括高校名称、专业名称、导师姓名和与论文领域相关的关键词。
图3为根据本发明实施方案示出的基于深度神经网络模型的自动选题***的选题结果示意图。
如图3所示，所述选题执行设备自动选题后，提供了7个候选论文标题以供用户选择，例如，用户可以选择序号为2的候选论文标题：计算机网络安全浅谈作为本次写作的正式论文标题以用于后续论文写作。
另外，深度神经网络算法即DNN算法，是近几年在工业界和学术界新型的一个机器学习领域的流行话题。DNN算法成功的将以往的识别率提高了一个显著的档次。
人工神经网络起源于上世纪40年代，第一个神经元模型是1943年McCulloch和Pitts提出的，称为threshold logic，它可以实现一些逻辑运算的功能。自此以后，神经网络的研究分化为两个方向，一个专注于生物信息处理的过程，称为生物神经网络；一个专注于工程应用，称为人工神经网络。
直到2006年深度网络(deep network)和深度学习(deep learning)概念的提出，神经网络又开始焕发一轮新的生命。深度网络，从字面上理解就是深层次的神经网络。至于为什么不沿用以前的术语“多层神经网络”，个人猜测可能是为了与以前的神经网络相区分，表示这是一个新的概念。这个名词由多伦多大学的Geoff Hinton研究组于2006年创造。事实上，Hinton研究组提出的这个深度网络从结构上讲与传统的多层感知机没有什么不同，并且在做有监督学习时算法也是一样的。唯一的不同是这个网络在做有监督学习前要先做非监督学习，然后将非监督学习学到的权值当作有监督学习的初值进行训练。这个改变其实对应着一个合理的假设。我们用P(x)表示用无监督学习对网络进行预训练得到的数据的一种表示，然后用有监督学习对网络进行训练(如BP算法)，得到P(Y|X)，其中Y为输出(比如类别标签)。该假设认为P(X)的学习有助于P(Y|X)的学习。这种学习思路相对于单纯的有监督学习而言有助于降低过拟合的风险，因为它不仅学习了条件概率分布P(Y|X)，还学习了X和Y的联合概率分布。关于预训练有助于深度学习的原因还有其他解释，其中最直接的解释是预训练将网络参数训练到一组合适的初始值，从这组初始值出发会令代价函数达到一个更低的值，但Erhan等人的实验证明并不一定是这样的。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
虽然本发明已以实施例揭示如上，但其并非用以限定本发明，任何所属技术领域的普通技术人员，在不脱离本发明的精神和范围内，应当可以做出适当的改动和同等替换。因此本发明的保护范围应当以本申请权利要求所界定的范围为准。

Claims (10)

1.一种基于深度神经网络模型的自动选题***，所述***包括：
用户输入设备，设置在论文撰写终端上，用于接收用户输入的数个关键词，所述数个关键词用于用户即将撰写论文的论文题目的选取；
等级鉴别设备，与所述用户输入设备连接，用于对当前用户的体形进行鉴别，以获得当前用户对应的VIP等级；
数据映射设备，与所述等级鉴别设备连接，用于基于当前用户对应的VIP等级映射出用于选题分析的深度神经网络模型的隐含层的层数；
选题执行设备，分别与所述用户输入设备和所述数据映射设备连接，用于基于用户输入的数个关键词以及用于选题分析的深度神经网络模型获取所述深度神经网络模型输出层输出的论文题目；
以太网连接接口，与所述选题执行设备连接，用于基于所述数个关键词从全网的各个参考文献数据库中检索到包括所述数个关键词的一个或多个参考文献分别对应的一个或多个参考文献题目；
其中，在所述选题执行设备中，所述用于选题分析的深度神经网络模型的输入层被输入的是所述数个关键词；
其中，所述等级鉴别设备包括图像传感单元、自适应递归滤波单元、图像增强单元和体形识别单元，所述图像传感单元、所述自适应递归滤波单元、所述图像增强单元和所述体形识别单元顺序连接，所述图像传感单元用于对当前用户进行体形的图像感应操作，以获得相应的当前用户图像；
其中，在所述选题执行设备中，使用所述数个关键词以及所述一个或多个参考文献题目对所述用于选题分析的深度神经网络模型进行训练。
2.如权利要求1所述的基于深度神经网络模型的自动选题***，其特征在于，所述***还包括：
数据存储设备，分别与所述以太网连接接口、所述选题执行设备和所述等级鉴别设备连接，用于存储当前用户对应的VIP等级。
3.如权利要求2所述的基于深度神经网络模型的自动选题***，其特征在于：
所述数据存储设备还用于存储所述数个关键词和所述一个或多个参考文献题目。
4.如权利要求3所述的基于深度神经网络模型的自动选题***，其特征在于：
所述数据存储设备还与所述数据映射设备连接，用于存储用于选题分析的深度神经网络模型的隐含层的层数。
5.如权利要求4所述的基于深度神经网络模型的自动选题***，其特征在于：
所述数据存储设备为FLASH闪存或SDRAM存储器中的一种。
6.如权利要求5所述的基于深度神经网络模型的自动选题***，其特征在于：
所述用户输入设备为触摸显示屏或按键阵列中的一种。
7.如权利要求6所述的基于深度神经网络模型的自动选题***，其特征在于：
在所述等级鉴别设备中，所述自适应递归滤波单元与所述图像传感单元连接，用于对接收到的当前用户图像进行自适应递归滤波处理。
8.如权利要求7所述的基于深度神经网络模型的自动选题***，其特征在于：
在所述等级鉴别设备中，所述图像增强单元与所述自适应递归滤波单元连接，用于对所述自适应递归滤波单元的输出数据执行基于指数变换的图像增强处理。
9.如权利要求8所述的基于深度神经网络模型的自动选题***，其特征在于：
在所述等级鉴别设备中，所述体形识别单元与所述图像增强单元连接，用于对所述图像增强单元的输出数据执行当前用户的体形的鉴别，以获得当前用户对应的VIP等级；
其中，所述体形识别单元基于各个合法用户基准体形对所述图像增强单元的输出数据执行当前用户的体形的鉴别，以获得当前用户对应的VIP等级。
10.一种基于深度神经网络模型的自动选题方法，所述方法包括提供一种如权利要求1-9任一所述的基于深度神经网络模型的自动选题***，用于根据当前用户的VIP等级给予不同的论文选题策略，以实现差别性的用户管理。
CN201910722781.8A 2019-08-06 2019-08-06 基于深度神经网络模型的自动选题*** Pending CN110532344A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910722781.8A CN110532344A (zh) 2019-08-06 2019-08-06 基于深度神经网络模型的自动选题***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910722781.8A CN110532344A (zh) 2019-08-06 2019-08-06 基于深度神经网络模型的自动选题***

Publications (1)

Publication Number Publication Date
CN110532344A true CN110532344A (zh) 2019-12-03

Family

ID=68662221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910722781.8A Pending CN110532344A (zh) 2019-08-06 2019-08-06 基于深度神经网络模型的自动选题***

Country Status (1)

Country Link
CN (1) CN110532344A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598439A (zh) * 2013-10-30 2015-05-06 阿里巴巴集团控股有限公司 信息对象的标题修正方法及装置和推送信息对象的方法
CN105550216A (zh) * 2015-12-03 2016-05-04 百度在线网络技术（北京）有限公司 学术研究信息的搜索方法、挖掘方法及装置
CN105765566A (zh) * 2013-06-27 2016-07-13 谷歌公司 标题的自动生成
CN106383817A (zh) * 2016-09-29 2017-02-08 北京理工大学 利用分布式语义信息的论文标题生成方法
CN106502985A (zh) * 2016-10-20 2017-03-15 清华大学 一种用于生成标题的神经网络建模方法及装置
CN107766940A (zh) * 2017-11-20 2018-03-06 北京百度网讯科技有限公司 用于生成模型的方法和装置
CN107977363A (zh) * 2017-12-20 2018-05-01 北京百度网讯科技有限公司 标题生成方法、装置和电子设备
CN108647209A (zh) * 2018-05-10 2018-10-12 北京理工大学珠海学院 一种基于思维导图的题目生成方法
CN108703505A (zh) * 2018-05-25 2018-10-26 钱文伟 基于用户鉴定的自动化电脑桌
CN109918643A (zh) * 2019-01-24 2019-06-21 平安科技（深圳）有限公司 一种词创作生成方法、装置、计算机设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105765566A (zh) * 2013-06-27 2016-07-13 谷歌公司 标题的自动生成
CN104598439A (zh) * 2013-10-30 2015-05-06 阿里巴巴集团控股有限公司 信息对象的标题修正方法及装置和推送信息对象的方法
CN105550216A (zh) * 2015-12-03 2016-05-04 百度在线网络技术（北京）有限公司 学术研究信息的搜索方法、挖掘方法及装置
CN106383817A (zh) * 2016-09-29 2017-02-08 北京理工大学 利用分布式语义信息的论文标题生成方法
CN106502985A (zh) * 2016-10-20 2017-03-15 清华大学 一种用于生成标题的神经网络建模方法及装置
CN107766940A (zh) * 2017-11-20 2018-03-06 北京百度网讯科技有限公司 用于生成模型的方法和装置
CN107977363A (zh) * 2017-12-20 2018-05-01 北京百度网讯科技有限公司 标题生成方法、装置和电子设备
CN108647209A (zh) * 2018-05-10 2018-10-12 北京理工大学珠海学院 一种基于思维导图的题目生成方法
CN108703505A (zh) * 2018-05-25 2018-10-26 钱文伟 基于用户鉴定的自动化电脑桌
CN109918643A (zh) * 2019-01-24 2019-06-21 平安科技（深圳）有限公司 一种词创作生成方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN111415740B (zh) 问诊信息的处理方法、装置、存储介质及计算机设备
González García et al. A review of artificial intelligence in the internet of things
Mayor et al. A neurocomputational account of taxonomic responding and fast mapping in early word learning.
Hoffman et al. A taxonomy of event-level dimensions: Implications for understanding leadership processes, behavior, and performance
Ebrahim et al. Quantitative and qualitative analysis of time-series classification using deep learning
CN111340819A (zh) 图像分割方法、装置和存储介质
CN109754012A (zh) 实体语义关系分类方法、模型训练方法、装置及电子设备
Thiessen et al. iMinerva: A mathematical model of distributional statistical learning
Morente-Molinera et al. A dynamic group decision making process for high number of alternatives using hesitant Fuzzy Ontologies and sentiment analysis
CN108596069A (zh) 基于深度3d残差网络的新生儿疼痛表情识别方法及***
Iyer et al. Neural dynamics of idea generation and the effects of priming
US20080222064A1 (en) Processes and Systems for Automated Collective Intelligence
CN112164476A (zh) 一种基于多任务和知识引导的医疗咨询对话生成方法
Burger et al. Developing a smart operational research with hybrid practice theories
Wu et al. Learning and self-instruction expert system for Yoga
Li Sentiment-enhanced learning model for online language learning system
Cobb Mathematical frontiers of the social and policy sciences
CN116741411A (zh) 一种基于医疗大数据分析的智慧健康科普推荐方法、***
Wang Fuzzy comprehensive evaluation of physical education based on high dimensional data mining
Zhang Construction of English language autonomous learning center system based on artificial intelligence technology
Liang et al. Knowledge aggregation and intelligent guidance for fragmented learning
CN117352159A (zh) 一种基于电子病历的疑难疾病循证方法、***及存储介质
CN113609360A (zh) 一种基于场景化多源数据融合分析的方法和***
CN111783473B (zh) 医疗问答中最佳答案的识别方法、装置和计算机设备
Muangnak et al. The neural network conversation model enables the commonly asked student query agents

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211130

Address after: 1501-1, floor 15, No. 19, Chegongzhuang West Road, Haidian District, Beijing 100048

Applicant after: Super Intellectual Property Consultant (Beijing) Co.,Ltd.

Address before: 12a-3-110, block D, 12 / F, No. 28, information road, Haidian District, Beijing 100085

Applicant before: Beijing Ruyou Education Technology Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191203