CN112069327B - 一种在线教育课堂教学资源的知识图谱构建方法及*** - Google Patents

一种在线教育课堂教学资源的知识图谱构建方法及*** Download PDF

Info

Publication number
CN112069327B
CN112069327B CN202010924355.5A CN202010924355A CN112069327B CN 112069327 B CN112069327 B CN 112069327B CN 202010924355 A CN202010924355 A CN 202010924355A CN 112069327 B CN112069327 B CN 112069327B
Authority
CN
China
Prior art keywords
words
key
key words
knowledge graph
online education
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
Application number
CN202010924355.5A
Other languages
English (en)
Other versions
CN112069327A (zh
Inventor
谢涛
张可
高楠
龚朝花
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.)
Southwest University
Original Assignee
Southwest University
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 Southwest University filed Critical Southwest University
Priority to CN202010924355.5A priority Critical patent/CN112069327B/zh
Publication of CN112069327A publication Critical patent/CN112069327A/zh
Application granted granted Critical
Publication of CN112069327B publication Critical patent/CN112069327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Animal Behavior & Ethology (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明公开了一种在线教育课堂教学资源的知识图谱构建方法，具体为：通过NLTK‑词频统计方法获取教学资源中的关键词汇后形成特征集，将关键词汇对应的教学内容存储在数据库中，并形成数据链接；根据关键词汇在教学资源中使用二叉树查找匹配体现关键词汇之间关联属性的关联词汇；根据关联词汇对特征集中的关键词汇使用k‑means聚类进行特征分级，并根据分级结果形成逻辑框架；将关键词汇加入逻辑框架中对应节点后融合形成知识图谱；根据在线教育课程进度所获取的关键词汇、关联词汇实时更新知识图谱。知识图谱更加符合在线课堂实时教学思路，知识要点误差小，逻辑思路清晰一致，随着在线教育课堂进展实时醒目的展现知识要点及重点，时刻吸引学生的注意力。

Description

一种在线教育课堂教学资源的知识图谱构建方法及***
技术领域
本发明涉及网络教育技术领域，更具体地说，它涉及一种在线教育课堂教学资源的知识图谱构建方法及***。
背景技术
随着互联网技术的飞速发展，智能手机、平板电脑等智能终端设备的大规模普及，4G等移动网络资源不再稀缺，数字化和移动在线学习已成为人们接受教育的新途径。在线教育，又称远程教育、在线学习，指的是通过应用信息科技和互联网技术进行内容传播和快速学习的方法。与传统的教育模式相比，网络教育具有学习时间分散、学习地点不限、内容目标性强、在线互动效率高、可重复学习等优点。
知识图谱(Knowledge Graph)又称科学知识图谱，是图书情报学领域的概念，用于绘制、分析和显示学科或学术研究主体之间的相互联系，是揭示显示科学知识发展进程与结构关系的可视化工具。在多数情况下，知识图谱采用图结构进行可视化表示，使用结点代表作者、学术机构、科学文献或关键词，使用连线代表结点间关系。然而，在网络教育中，知识图谱的构建大部分采用的仅是依据课件内的文本信息完成的，知识图谱构建后所展现的知识要点存在一定的偏差；此外，各个知识点之间的逻辑顺序杂乱无序。对于参加在线教育的学生、老师来说，课后温习、思路整理、重点复习的思路无法与在线教育课堂思路达成一致，其知识点吸收较弱；同时对于课下学习的新学生来说，其学习效率与实时在线学习的效率相差较大。
因此，如何研究设计一种在线教育课堂教学资源的知识图谱构建方法及***是我们目前急需解决的问题。
发明内容
为解决现有在线教育知识图谱构建知识要点存在一定的偏差、逻辑顺序杂乱无序、教学思路无法与实时在线教育课堂达成一致的问题，本发明的目的是提供一种在线教育课堂教学资源的知识图谱构建方法及***。
本发明的上述技术目的是通过以下技术方案得以实现的：
第一方面，提高了一种在线教育课堂教学资源的知识图谱构建方法，包括以下步骤：
通过NLTK-词频统计方法获取教学资源中的关键词汇后形成特征集，将关键词汇对应的教学内容存储在数据库中，并形成数据链接；
根据关键词汇在教学资源中使用二叉树查找匹配体现关键词汇之间关联属性的关联词汇；
根据关联词汇对特征集中的关键词汇使用k-means聚类进行特征分级，并根据分级结果形成逻辑框架；
将关键词汇加入逻辑框架中对应节点后融合形成知识图谱；
根据在线教育课程进度所获取的关键词汇、关联词汇实时更新知识图谱。
优选的，所述关键词汇获取具体为：
遍历教学资源中的文本信息获取高频词汇，并将高频词汇转换成语音数据；
通过语音识别技术在教学资源的语音信息中识别匹配对应的语音段；若匹配失败，则过滤高频词汇；若匹配成功，则：
根据语义参数判断匹配的语音段中对应高频词汇是否为假性高频词汇；若是，则过滤；若不是，则归纳为关键词汇。
优选的，所述特征集中的关键词汇通过PCA分析法进行数据降维后提取主要的关键词汇。
优选的，所述逻辑框架具体为：根据关键词汇评讲时间值调整同级特征中关键词汇对应节点的框架大小和/或形状。
优选的，所述知识图谱具体为：根据关键词汇评价信息、问题反馈信息调整同级特征中关键词汇对应节点框架内部的颜色类别和/或颜色深度。
第二方面，提供了一种在线教育课堂教学资源的知识图谱构建***，包括：
数据采集模块，用于通过NLTK-词频统计方法获取教学资源中的关键词汇后形成特征集，将关键词汇对应的教学内容存储在数据库中，并形成数据链接；
数据匹配模块，用于根据关键词汇在教学资源中使用二叉树查找匹配体现关键词汇之间关联属性的关联词汇；
框架构建模块，用于根据关联词汇对特征集中的关键词汇使用k-means聚类进行特征分级，并根据分级结果形成逻辑框架；
图谱生成模块，用于将关键词汇加入逻辑框架中对应节点后融合形成知识图谱；
图谱更新模块，用于根据在线教育课程进度所获取的关键词汇、关联词汇实时更新知识图谱。
优选的，所述数据采集模块包括：
获取单元，用于遍历教学资源中的文本信息获取高频词汇，并将高频词汇转换成语音数据；
匹配单元，用于通过语音识别技术在教学资源的语音信息中识别匹配对应的语音段；若匹配失败，则过滤高频词汇；
判断单元，用于在匹配单元若匹配成功后，根据语义参数判断匹配的语音段中对应高频词汇是否为假性高频词汇；若是，则过滤；若不是，则归纳为关键词汇。
优选的，所述数据采集模块包括降维单元；所述降维单元，用于通过PCA分析法对特征集中的关键词汇进行数据降维后提取主要的关键词汇。
优选的，所述框架构建模块包括第一调整单元；所述第一调整单元，用于根据关键词汇评讲时间值调整同级特征中关键词汇对应节点的框架大小和/或形状。
优选的，所述图谱生成模块包括第二调整单元；所述第二调整单元，用于根据关键词汇评价信息、问题反馈信息调整同级特征中关键词汇对应节点框架内部的颜色类别和/或颜色深度。
与现有技术相比，本发明具有以下有益效果：本发明结合在线课堂中的语音信息和文本信息，通过提取到的关键词汇和关联词汇所构建的知识图谱更加符合在线课堂实时教学思路，知识要点误差小，逻辑思路清晰一致，学生、老师进行课后温习、思路整理、重点复习提供有力支撑；同时，通过对知识要点、难点、课堂反馈信息进行强化构建，对课下学习的新学生来说，其学习效率与实时在线学习的学生的效率无较大差距；此外，能够随着在线教育课堂的进展实时醒目的展现出知识要点及重点，能够时刻吸引学生的注意力。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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是本发明实施例1中的流程图；
图2是本发明实施例2中的框架图。
图中：101、数据采集模块；102、获取单元；103、匹配单元；104、判断单元；105、降维单元；106、数据匹配模块；107、框架构建模块；108、第一调整单元；109、图谱生成模块；110、第二调整单元；111、图谱更新模块。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。
实施例1：一种在线教育课堂教学资源的知识图谱构建方法，包括以下步骤：
步骤一：通过NLTK-词频统计方法获取教学资源中的关键词汇后形成特征集，将关键词汇对应的教学内容存储在数据库中，并形成数据链接。通过数据链接，可在知识图谱构建后直接点击获取文本信息和语音信息，无需花费大量时间查找知识内容。
所述关键词汇获取具体为：
(1)遍历教学资源中的文本信息获取高频词汇，并将高频词汇转换成语音数据，转换成语音数据可降低计算量。
(2)通过语音识别技术在教学资源的语音信息中识别匹配对应的语音段。
若匹配失败，则过滤高频词汇。例如：在文本信息中出现过多次，但是在语音信息中机会没有出现，则说明相应的关键词汇并非是知识点的关键词，或者说，其知识点的重要性较弱，因此将其过滤。
若匹配成功，则：
根据语义参数判断匹配的语音段中对应高频词汇是否为假性高频词汇；若是，则过滤；若不是，则归纳为关键词汇。其中，语义参数包括但不限于语气、句义、断句等参数。例如：获取的关键词汇为“通常”，此词汇为常用词汇，与课堂知识点无关，但由于出现频率较高，同样被判断为关键词汇。此时，通过语音识别技术根据语义参数来识别关键词汇是否假性词汇。此处，“通常”则判断为假性词汇。
特征集中的关键词汇通过PCA分析法进行数据降维后提取主要的关键词汇，随着在线教育课堂推进，其关键词汇在不断增加，PCA分析法将部分在特征集内贡献率较低的关键词汇排除，方便实时更新的知识图谱结构清晰、简洁明了。
步骤二：根据关键词汇在教学资源中使用二叉树查找匹配体现关键词汇之间关联属性的关联词汇。例如：“A包括B、C”，其中，A、B、C均为关键词汇，“包括”为关联词汇，关联词汇能够清楚体现各个知识点之间的逻辑顺序，使得构建的知识图谱架构清晰、排序合理。
步骤三：根据关联词汇对特征集中的关键词汇使用k-means聚类进行特征分级，并根据分级结果形成逻辑框架。关键词汇进行特征分级后，方便将下级特征构建为隐藏节点，通过点击上级节点即可展现下级节点，使得构建后知识图谱占用面小。
逻辑框架具体为：根据关键词汇评讲时间值调整同级特征中关键词汇对应节点的框架大小和/或形状，对部分节点进行加强优化，可凸显知识点其重要性。
步骤四：将关键词汇加入逻辑框架中对应节点后融合形成知识图谱，将关键词汇和对应数据链接加载在对应节点，点击节点的不同操作命令，即可获取下级节点，又可获取相应存储在数据库中的教学内容。
知识图谱具体为：根据关键词汇评价信息、问题反馈信息调整同级特征中关键词汇对应节点框架内部的颜色类别和/或颜色深度，对于部分易错、难度大、存在争议的知识点进行加强优化，方便新加入的学生进行强化学习。
步骤五：根据在线教育课程进度所获取的关键词汇、关联词汇实时更新知识图谱。本发明随着在线教育课堂推进实时获取数据，当新获取一个或预设置数量的关键词汇后更新一次知识图谱。
实施例2：一种在线教育课堂教学资源的知识图谱构建***，包括数据采集模块101、数据匹配模块106、框架构建模块107、图谱生成模块109、图谱更新模块111。
数据采集模块101，用于通过NLTK-词频统计方法获取教学资源中的关键词汇后形成特征集，将关键词汇对应的教学内容存储在数据库中，并形成数据链接。
数据匹配模块106，用于根据关键词汇在教学资源中使用二叉树查找匹配体现关键词汇之间关联属性的关联词汇。
框架构建模块107，用于根据关联词汇对特征集中的关键词汇使用k-means聚类进行特征分级，并根据分级结果形成逻辑框架。
图谱生成模块109，用于将关键词汇加入逻辑框架中对应节点后融合形成知识图谱。
图谱更新模块111，用于根据在线教育课程进度所获取的关键词汇、关联词汇实时更新知识图谱。
数据采集模块101包括获取单元102、匹配单元103、判断单元104。获取单元102，用于遍历教学资源中的文本信息获取高频词汇，并将高频词汇转换成语音数据。匹配单元103，用于通过语音识别技术在教学资源的语音信息中识别匹配对应的语音段；若匹配失败，则过滤高频词汇。判断单元104，用于在匹配单元103若匹配成功后，根据语义参数判断匹配的语音段中对应高频词汇是否为假性高频词汇；若是，则过滤；若不是，则归纳为关键词汇。
数据采集模块101包括降维单元105；所述降维单元105，用于通过PCA分析法对特征集中的关键词汇进行数据降维后提取主要的关键词汇。
框架构建模块107包括第一调整单元108；所述第一调整单元108，用于根据关键词汇评讲时间值调整同级特征中关键词汇对应节点的框架大小和/或形状。
图谱生成模块109包括第二调整单元110；所述第二调整单元110，用于根据关键词汇评价信息、问题反馈信息调整同级特征中关键词汇对应节点框架内部的颜色类别和/或颜色深度。
工作原理：本发明结合在线课堂中的语音信息和文本信息，通过提取到的关键词汇和关联词汇所构建的知识图谱更加符合在线课堂实时教学思路，知识要点误差小，逻辑思路清晰一致，学生、老师进行课后温习、思路整理、重点复习提供有力支撑；同时，通过对知识要点、难点、课堂反馈信息进行强化构建，对课下学习的新学生来说，其学习效率与实时在线学习的学生的效率无较大差距；此外，能够随着在线教育课堂的进展实时醒目的展现出知识要点及重点，能够时刻吸引学生的注意力。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (9)

1.一种在线教育课堂教学资源的知识图谱构建方法，其特征是，包括以下步骤：
通过NLTK-词频统计方法获取教学资源中的关键词汇后形成特征集，将关键词汇对应的教学内容存储在数据库中，并形成数据链接；
根据关键词汇在教学资源中使用二叉树查找匹配体现关键词汇之间关联属性的关联词汇；
根据关联词汇对特征集中的关键词汇使用k-means聚类进行特征分级，并根据分级结果形成逻辑框架；
将关键词汇加入逻辑框架中对应节点后融合形成知识图谱；
根据在线教育课程进度所获取的关键词汇、关联词汇实时更新知识图谱；
所述关键词汇获取具体为：
遍历教学资源中的文本信息获取高频词汇，并将高频词汇转换成语音数据；
通过语音识别技术在教学资源的语音信息中识别匹配对应的语音段；若匹配失败，则过滤高频词汇；若匹配成功，则：
根据语义参数判断匹配的语音段中对应高频词汇是否为假性高频词汇；若是，则过滤；若不是，则归纳为关键词汇。
2.根据权利要求1所述的一种在线教育课堂教学资源的知识图谱构建方法，其特征是，所述特征集中的关键词汇通过PCA分析法进行数据降维后提取主要的关键词汇。
3.根据权利要求1所述的一种在线教育课堂教学资源的知识图谱构建方法，其特征是，所述逻辑框架具体为：根据关键词汇评讲时间值调整同级特征中关键词汇对应节点的框架大小和/或形状。
4.根据权利要求1所述的一种在线教育课堂教学资源的知识图谱构建方法，其特征是，所述知识图谱具体为：根据关键词汇评价信息、问题反馈信息调整同级特征中关键词汇对应节点框架内部的颜色类别和/或颜色深度。
5.一种在线教育课堂教学资源的知识图谱构建***，其特征是，包括：
数据采集模块(101)，用于通过NLTK-词频统计方法获取教学资源中的关键词汇后形成特征集，将关键词汇对应的教学内容存储在数据库中，并形成数据链接；
数据匹配模块(106)，用于根据关键词汇在教学资源中使用二叉树查找匹配体现关键词汇之间关联属性的关联词汇；
框架构建模块(107)，用于根据关联词汇对特征集中的关键词汇使用k-means聚类进行特征分级，并根据分级结果形成逻辑框架；
图谱生成模块(109)，用于将关键词汇加入逻辑框架中对应节点后融合形成知识图谱；
图谱更新模块(111)，用于根据在线教育课程进度所获取的关键词汇、关联词汇实时更新知识图谱；
所述关键词汇获取具体为：
遍历教学资源中的文本信息获取高频词汇，并将高频词汇转换成语音数据；
通过语音识别技术在教学资源的语音信息中识别匹配对应的语音段；若匹配失败，则过滤高频词汇；若匹配成功，则：
根据语义参数判断匹配的语音段中对应高频词汇是否为假性高频词汇；若是，则过滤；若不是，则归纳为关键词汇。
6.根据权利要求5所述的一种在线教育课堂教学资源的知识图谱构建***，其特征是，所述数据采集模块(101)包括：
获取单元(102)，用于遍历教学资源中的文本信息获取高频词汇，并将高频词汇转换成语音数据；
匹配单元(103)，用于通过语音识别技术在教学资源的语音信息中识别匹配对应的语音段；若匹配失败，则过滤高频词汇；
判断单元(104)，用于在匹配单元(103)若匹配成功后，根据语义参数判断匹配的语音段中对应高频词汇是否为假性高频词汇；若是，则过滤；若不是，则归纳为关键词汇。
7.根据权利要求5所述的一种在线教育课堂教学资源的知识图谱构建***，其特征是，所述数据采集模块(101)包括降维单元(105)；所述降维单元(105)，用于通过PCA分析法对特征集中的关键词汇进行数据降维后提取主要的关键词汇。
8.根据权利要求5所述的一种在线教育课堂教学资源的知识图谱构建***，其特征是，所述框架构建模块(107)包括第一调整单元(108)；所述第一调整单元(108)，用于根据关键词汇评讲时间值调整同级特征中关键词汇对应节点的框架大小和/或形状。
9.根据权利要求5所述的一种在线教育课堂教学资源的知识图谱构建***，其特征是，所述图谱生成模块(109)包括第二调整单元(110)；所述第二调整单元(110)，用于根据关键词汇评价信息、问题反馈信息调整同级特征中关键词汇对应节点框架内部的颜色类别和/或颜色深度。
CN202010924355.5A 2020-09-04 2020-09-04 一种在线教育课堂教学资源的知识图谱构建方法及*** Active CN112069327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010924355.5A CN112069327B (zh) 2020-09-04 2020-09-04 一种在线教育课堂教学资源的知识图谱构建方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010924355.5A CN112069327B (zh) 2020-09-04 2020-09-04 一种在线教育课堂教学资源的知识图谱构建方法及***

Publications (2)

Publication Number Publication Date
CN112069327A CN112069327A (zh) 2020-12-11
CN112069327B true CN112069327B (zh) 2023-07-25

Family

ID=73665633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010924355.5A Active CN112069327B (zh) 2020-09-04 2020-09-04 一种在线教育课堂教学资源的知识图谱构建方法及***

Country Status (1)

Country Link
CN (1) CN112069327B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112579796A (zh) * 2020-12-30 2021-03-30 南京云起网络科技有限公司 一种在线教育课堂教学资源的知识图谱构建方法
CN113268602A (zh) * 2021-03-29 2021-08-17 江西融思科技有限公司 一种组织知识图谱构建方法及装置
CN113486124B (zh) * 2021-05-24 2022-02-11 山东佳联电子商务有限公司 一种基于pca与知识图谱技术的银行不良资产经营管理***、方法、设备及存储介质
CN113535982B (zh) * 2021-07-27 2022-05-24 南京邮电大学盐城大数据研究院有限公司 一种基于大数据的教学***
CN113297338B (zh) * 2021-07-27 2022-03-29 平安科技（深圳）有限公司 产品推荐路径生成方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103956166A (zh) * 2014-05-27 2014-07-30 华东理工大学 一种基于语音关键词识别的多媒体课件检索***
CN107633005A (zh) * 2017-08-09 2018-01-26 广州思涵信息科技有限公司 一种基于课堂教学内容的知识图谱构建、对比***及方法
CN107992195A (zh) * 2017-12-07 2018-05-04 百度在线网络技术（北京）有限公司 一种教学内容的处理方法、装置、服务器及存储介质
CN108664615A (zh) * 2017-05-12 2018-10-16 华中师范大学 一种面向学科教育资源的知识图谱构建方法
CN111428051A (zh) * 2020-03-23 2020-07-17 郑州大学 一种融合多元智能的自适应学习知识图谱构建方法及***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103956166A (zh) * 2014-05-27 2014-07-30 华东理工大学 一种基于语音关键词识别的多媒体课件检索***
CN108664615A (zh) * 2017-05-12 2018-10-16 华中师范大学 一种面向学科教育资源的知识图谱构建方法
CN107633005A (zh) * 2017-08-09 2018-01-26 广州思涵信息科技有限公司 一种基于课堂教学内容的知识图谱构建、对比***及方法
CN107992195A (zh) * 2017-12-07 2018-05-04 百度在线网络技术（北京）有限公司 一种教学内容的处理方法、装置、服务器及存储介质
CN111428051A (zh) * 2020-03-23 2020-07-17 郑州大学 一种融合多元智能的自适应学习知识图谱构建方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于关键词聚类的翻转课堂研究分析;姚巧红;武亚男;李爽;李玉斌;郑宏亮;;电化教育研究(07);全文 *

Also Published As

Publication number Publication date
CN112069327A (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
CN112069327B (zh) 一种在线教育课堂教学资源的知识图谱构建方法及***
CN110968699A (zh) 一种基于事理推荐的逻辑图谱构建及预警方法和装置
CN109271506A (zh) 一种基于深度学习的电力通信领域知识图谱问答***的构建方法
CN102262634B (zh) 一种自动问答方法及***
CN109947915B (zh) 一种基于知识管理***的人工智能专家***及其构建方法
CN107766371A (zh) 一种文本信息分类方法及其装置
CN110990590A (zh) 一种基于强化学习和迁移学习的动态金融知识图谱构建方法
CN111625658A (zh) 基于知识图谱的语音交互方法、装置、设备及存储介质
CN112667799B (zh) 一种基于语言模型和实体匹配的医疗问答***构建方法
CN112307153B (zh) 一种产业知识库自动构建方法、装置及存储介质
CN114238653B (zh) 一种编程教育知识图谱构建、补全与智能问答的方法
CN110442728A (zh) 基于word2vec汽车产品领域的情感词典构建方法
CN113569023A (zh) 一种基于知识图谱的中文医药问答***及方法
CN113673943B (zh) 一种基于履历大数据的人员任免辅助决策方法及***
CN110532363B (zh) 一种基于决策树的任务导向型自动对话方法
CN115599899B (zh) 基于飞行器知识图谱的智能问答方法、***、设备及介质
CN111460145A (zh) 一种学习资源推荐方法、设备及存储介质
CN114036281A (zh) 基于知识图谱的柑橘管控问答模块构建方法及问答***
CN108647729A (zh) 一种用户画像获取方法
CN115599902A (zh) 一种基于知识图谱的油气百科问答方法及***
Luo et al. Exploring destination image through online reviews: an augmented mining model using latent Dirichlet allocation combined with probabilistic hesitant fuzzy algorithm
CN110162651A (zh) 基于语义内容摘要的新闻内容图文不符鉴别***及鉴别方法
CN115878818B (zh) 一种地理知识图谱构建方法、装置、终端及存储介质
CN111951079A (zh) 一种基于知识图谱的信用评级方法、装置及电子设备
CN117216221A (zh) 一种基于知识图谱的智能问答***及构建方法

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