CN116362331A - 一种基于人机协同构建知识图谱的知识点填充方法 - Google Patents
一种基于人机协同构建知识图谱的知识点填充方法 Download PDFInfo
- Publication number
- CN116362331A CN116362331A CN202310135279.3A CN202310135279A CN116362331A CN 116362331 A CN116362331 A CN 116362331A CN 202310135279 A CN202310135279 A CN 202310135279A CN 116362331 A CN116362331 A CN 116362331A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- knowledge graph
- resources
- man
- video
- 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 42
- 238000010276 construction Methods 0.000 title claims abstract description 20
- 239000000463 material Substances 0.000 claims description 39
- 238000005516 engineering process Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000003058 natural language processing Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000011982 device technology Methods 0.000 abstract 1
- 238000012015 optical character recognition Methods 0.000 description 6
- 239000000047 product Substances 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect 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
- 238000010586 diagram Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Health & Medical Sciences (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
本发明公开了一种基于人机协同构建知识图谱的知识点填充方法,涉及高等教育技术领域。本发明步骤如下:通过设备技术创建知识图谱,并在知识图谱资源包中添加内容;通过创建的知识图谱中知识点的名称,推荐该知识点相关的资源。本发明通过支持树状知识图谱和网状知识图谱两种创建模式,能够满足教师不同的知识图谱构建需求;提供了丰富的多模态教学资源库,并主动为老师所创建的知识点推荐合适的教育资源,实现人机协同,提高老师构建知识图谱的效率与准确率;提供了安全可靠的知识图谱的多用户协同构建与成果分享,能够实现多位老师同时在线编辑知识图谱,并将知识图谱成果分享给学生用户,指导学生在线学习。
Description
技术领域
本发明属于高等教育技术领域,特别是涉及一种基于人机协同构建知识图谱的知识点填充方法。
背景技术
知识图谱是教育信息化2.0时代的关键资源,它的兴起与应用,为全面实现教育现代化提供了强大动力和良好契机;知识图谱可看作是一种由知识点、知识关系构成的知识网络图,需要将学科知识与教学资源实体以规范化的方式进行链接,从而实现在线教育资源的有效组织;
为方便人工构建知识图谱,目前出现了一些交互体验较好的工具,如安装到本地的XMind、网页在线使用的ProcessOn,这些工具操作简单,方便老师快速构建知识图谱;若将知识图谱应用于高等教育领域的教学过程中,知识图谱不仅要体现严谨正确的知识点及知识关系,也需要提供丰富准确的教学资源,并以知识点的形式组织海量的多模态教学资源,如知识点的别名和描述、图片、音频、视频、教材、网络资源、测试题目等;
因此,老师不仅要完成知识图谱的构建工作,还需要对每个知识点的资源进行补充完善,而现有的工具除了支持老师上传已有的本地文件外,很难再补充其他资源,具有一定的局限性,老师无法在丰富的教学资源库内搜索或被推荐合适的教学资源;同时,无论是本地版的XMind,还是网页版的ProcessOn,都不能够通过组建虚拟教研团队的形式,实现多位老师在线协同构建知识图谱;
现有XMind、ProcessOn等知识图谱编辑软件存在的无法填充多模态的教学资源、无法为用户提供丰富的教学资源库并推荐合适的教学资源、无法实现多用户在线协同构建知识图谱等不足,严重限制了知识图谱的制作速度和丰富程度;针对以上这些问题,本发明构建了一种基于人机协同构建知识图谱的知识点填充方法。
发明内容
本发明的目的在于提供一种基于人机协同构建知识图谱的知识点填充方法,以解决上述背景技术中提出的技术问题。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明为一种基于人机协同构建知识图谱的知识点填充方法,步骤如下:
创建知识图谱,并在知识图谱资源包中添加内容;
通过创建的知识图谱中知识点的名称,推荐该知识点相关的资源。
进一步地,所述创建知识图谱,为通过前端DOM技术创建树状知识图谱。
进一步地,所述创建知识图谱,为通过svg技术创建网状知识图谱。
进一步地,所述推荐该知识点相关的资源,包括:
通过采用自然语言处理的BERT及其相关变种算法来对知识点和教材、视频资源进行向量化表示,向量均进行归一化处理,后续通过知识点和教材、视频的内积得到其语义余弦相似度,并根据语义余弦相似度分别对视频资源和教材资源进行排序。
进一步地,所述根据相似度分别对视频资源和教材资源进行排序包括:
不同的资源在排序过程中语义余弦相似度得分需要根据属性权重进行调整考量,公式如下:
其中,scoreitem为粗排阶段总相似度计算得分,scorex为各属性得分,weightx为属性权重。
进一步地,所述通过知识点和教材、视频的内积得到其语义余弦相似度,包括:
对于教材资源,根据小节段落内容的长文本属性以及章节名称的短文本属性计算语义余弦相似度得分;
对于视频资源,根据视频名称、所属课程章节、关键帧OCR的短文本属性来计算语义余弦相似度得分。
进一步地,所述推荐该知识点相关的资源,包括:
相关资源的推荐,推荐用户选定到资源包中的教材、课程所包含的资源片段;当得分最高的资源内容分值没有达到阈值或者达到阈值的资源内容数较少,则会基于用户选定资源包以外的全部共享资源进行推荐。
进一步地,还包括:
对于某一知识点,当接收到用户决定引用的推荐资源时,则将该知识点与用户决定引用的所有推荐资源进行链接;当接收到用户决定不引用推荐资源时,则该知识点不挂载任何推荐资源;
当接收到用户将该知识点分享给分享目标时,将所述知识点及其链接的所有引用的推荐资源一并下发给所述分享目标。
进一步地,知识图谱资源包中添加的内容为自然语言处理音频、视频以及教材,并对视频和教材进行处理。
进一步地,处理视频通过自动语音识别技术将课程视频提取出音频并转成文字,同时识别视频中出现的文字,均存储到语料库中;
处理教材通过OCR文字识别技术将老师共享的教材提取出文字,存储到语料库中。
本发明具有以下有益效果:
本发明通过支持树状知识图谱和网状知识图谱两种创建模式,能够满足教师不同的知识图谱构建需求;提供了丰富的多模态教学资源库,并主动为老师所创建的知识点推荐合适的教育资源,实现人机协同,提高老师构建知识图谱的效率与准确率;提供了安全可靠的知识图谱的多用户协同构建与成果分享,能够实现多位老师同时在线编辑知识图谱,并将知识图谱成果分享给学生用户,指导学生在线学习。
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为本发明的结构示意图;
图2为本发明知识图谱的流程示意图;
图3为本发明知识的流程示意图;
图4为本发明方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一:
请参阅图1-图3所示,本发明为一种基于人机协同构建知识图谱的知识点填充方法。
首先,在创建知识图谱时,可创建树状知识图谱和网状知识图谱;在图谱资源包中添加视频、教材等内容;平台将视频、教材等资源处理成文字形式并存储在数据库中;
然后,当用户在此知识图谱中创建知识点后,平台将根据该知识点的名称,推荐该知识点相关的别名、定义、视频、教材及网络资源;平台采用自然语言处理的bert算法及其变种来对知识点和教材、视频资源进行向量化表示,向量均进行归一化处理,后续可通过知识点和教材、视频的内积得到其语义余弦相似度,用于通过语义余弦相似度作为排序参考属性之一,并根据该语义相似度分别对视频资源和教材资源进行排序;
其中,不同类型的资源处理应用了不同的变种,如Chinese-Bert-WWM(视频)、XLNET(书籍)、Electra(视频),用于将一个文本转换成一个向量,以这个向量来表示这个文本;
其中,知识点向量,分别和教材、视频向量相乘求得内积,因向量之前已经归一化,所以此步求内积即为向量间余弦相似度;
其中,不同的资源的可能存在多个属性的向量表示,其包含的属性字段也存在一定差异,因此在排序过程中其语义余弦相似度得分也需要根据属性权重进行调整考量;其粗排阶段总相似度计算得分scoreitem为各属性得分scorex和属性权重weightx相乘后取最大值得出:
式中不同字段的权重值由已标注数据求解得出;
对于教材资源,主要依据小节段落内容这种长文本属性以及章节名称这种短文本属性来计算语义余弦相似度得分;对于视频资源,则依据视频名称、所属课程章节、关键帧OCR等短文本属性来计算语义余弦相似度得分;在推荐过程中,优先推荐用户选定到资源包中的教材、课程所包含的资源片段;如果第一步得分最高的资源内容分值没有达到阈值或者达到阈值的资源内容数较少,则会基于智慧树官网中用户选定资源包以外的全部共享资源进行推荐;此外考虑到部分场景下推荐结果的多样性需求,在推荐过程中对候选集进行基于距离的聚类,根据业务需求输出若干个类中数据;
知识点的别名和描述推荐,其数据来源为平台内的教材,通过BERT+CRF(conditional random field,条件随机场)结构的序列标注模型来获取文本中每个词的词性(名词、动词、谓词、量词等),通过基于转移的开源分析算法得到各词的之间的依赖关系。
基于提取的词性和词汇之间的依赖关系,从文本中正确提取出知识点,比如“传输控制协议可以有效地保证消息的传递”,正确地提取出“传输控制协议”,而不是“控制协议”或者“传输控制”之类的。在得到完整的词后,辅以正则表达式等相关规则从文本中抽取知识点对应的别名和描述信息,按照别名和描述在全文本中的出现频率等信息排序,将结果推荐给用户。
用户(老师)可查看知识点所对应的推荐资源及其来源,并由用户(老师)决定不引用或者引用该推荐资源。如确定引用(可以引用推荐资源的全部内容或部分内容),则应该在知识点上挂载引用的推荐资源。同时,***将知识点与用户决定引用的所有推荐资源进行链接;
在用户编辑该知识点时,其余的老师用户可以同时编辑其他知识点。当用户(老师)决定不引用时,则该知识点不挂载任何推荐资源。
最后,用户(老师)构建的知识图谱可以分享给学生,学生可以基于知识图谱学习知识点的各种内容。当***接收到用户将该知识点分享给分享目标(学生)时,将所述知识点及其链接的所有引用的推荐资源一并下发给所述分享目标。
实施例二
对上述实施例一的内容进行补充:
利用前端DOM技术支持用户创建树状知识图谱的节点,利用svg技术支持用户创建网状知识图谱的节点。
本实施例中,所述前端DOM技术和svg技术均为现有技术,能够通过前端DOM技术或者svg技术来帮助用户创建树状知识图谱的节点。
然后将***教学资源库内丰富的教学资源进行数据整合和处理,基于自然语言处理音频、视频、教材等资源,利用推荐技术给用户推荐知识点合适的资源,在处理视频时,通过自动语音识别技术将课程视频提取出音频并转成文字,同时识别视频中出现的文字,均存储到语料库中。在处理教材时,通过OCR文字识别技术将老师共享的教材提取出文字,存储语料库中。当老师用户建立了一个知识点后,基于自然语言处理以及分词技术等,本发明能够在语料库中推荐出该知识点相关的信息,比如别名、定义,也可以为其推荐合适的视频片段、教材片段以及其他网络资源等,老师可以审核、编辑推荐的教学资源,实现人机协同构建知识图谱。老师完成知识图谱制作后,可利用加密技术生成链接分享给其他老师用户和学生用户。;
本实施例中,自动语音识别技术和OCR文字识别技术均为现有的成熟技术,自动语音识别技术是将从语音中提取文字,OCR是从图片中提取文字。
上述两个实施例在使用中:
在树状知识图谱或网状知识图谱构建过程中,多位老师可以团队协作分工,本发明能够自动检索已有的在线教育资源库,并为老师智能推荐知识点相关的多模态教学资源,如别名、定义、教学视频、电子教材、网络资源、题目等,老师可引用、编辑推荐的相关内容。通过基于人工智能的人机协同,能够明显提升老师为知识图谱知识点填充多模态资源的效率;
可以允许老师为知识图谱中的知识点填充相应的教学资源,也能够通过人工智能主动地为老师在海量庞杂的资源库里检索并填充合适的教学资源,实现人机协同构建知识图谱。同时,该***支持建立虚拟教研团队,实现多教师用户在线协同构建知识图谱。最后,老师可将构建好的知识图谱发布给学生用户,学生可以基于知识图谱在线学习知识点的各种教学资源。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”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。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该本发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种基于人机协同构建知识图谱的知识点填充方法,其特征在于,步骤如下:
创建知识图谱,并在知识图谱资源包中添加内容;
通过创建的知识图谱中知识点的名称,推荐该知识点相关的资源。
2.根据权利要求1所述的一种基于人机协同构建知识图谱的知识点填充方法,其特征在于,所述创建知识图谱,为通过前端DOM技术创建树状知识图谱。
3.根据权利要求1所述的一种基于人机协同构建知识图谱的知识点填充方法,其特征在于,所述创建知识图谱,为通过svg技术创建网状知识图谱。
4.根据权利要求1所述的一种基于人机协同构建知识图谱的知识点填充方法,其特征在于,所述推荐该知识点相关的资源,包括:
通过采用自然语言处理的BERT及其相关变种算法来对知识点和教材、视频资源进行向量化表示,向量均进行归一化处理;
通过知识点和教材、视频的内积得到其语义余弦相似度,并根据语义余弦相似度分别对视频资源和教材资源进行排序。
6.根据权利要求5所述的一种基于人机协同构建知识图谱的知识点填充方法,其特征在于,所述通过知识点和教材、视频的内积得到其语义余弦相似度,包括:
对于教材资源,根据小节段落内容的长文本属性以及章节名称的短文本属性计算语义余弦相似度得分;
对于视频资源,根据视频名称、所属课程章节、关键帧OCR的短文本属性来计算语义余弦相似度得分。
7.根据权利要求1所述的一种基于人机协同构建知识图谱的知识点填充方法,其特征在于,所述推荐该知识点相关的资源,包括:
相关资源的推荐,推荐用户选定到资源包中的教材、课程所包含的资源片段;
当得分最高的资源内容分值没有达到阈值或者达到阈值的资源内容数较少,则会基于用户选定资源包以外的全部共享资源进行推荐。
8.根据权利要求1所述的一种基于人机协同构建知识图谱的知识点填充方法,其特征在于,还包括:
对于某一知识点,当接收到用户决定引用的推荐资源时,则将该知识点与用户决定引用的所有推荐资源进行链接;当接收到用户决定不引用推荐资源时,则该知识点不挂载任何推荐资源;
当接收到用户将该知识点分享给分享目标时,将所述知识点及其链接的所有引用的推荐资源一并下发给所述分享目标。
9.根据权利要求1所述的一种基于人机协同构建知识图谱的知识点填充方法,其特征在于,知识图谱资源包中添加的内容为自然语言处理音频、视频以及教材,并对视频和教材进行处理。
10.根据权利要求9所述的一种基于人机协同构建知识图谱的知识点填充方法,其特征在于,处理视频通过自动语音识别技术将课程视频提取出音频并转成文字,同时识别视频中出现的文字,存储到语料库中;
处理教材通过OCR文字识别技术将老师共享的教材提取出文字,存储到语料库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310135279.3A CN116362331A (zh) | 2023-02-17 | 2023-02-17 | 一种基于人机协同构建知识图谱的知识点填充方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310135279.3A CN116362331A (zh) | 2023-02-17 | 2023-02-17 | 一种基于人机协同构建知识图谱的知识点填充方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116362331A true CN116362331A (zh) | 2023-06-30 |
Family
ID=86931280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310135279.3A Pending CN116362331A (zh) | 2023-02-17 | 2023-02-17 | 一种基于人机协同构建知识图谱的知识点填充方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362331A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473963A (zh) * | 2023-12-26 | 2024-01-30 | 西昌学院 | 面向智慧教育的教学文本知识标注方法及*** |
-
2023
- 2023-02-17 CN CN202310135279.3A patent/CN116362331A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473963A (zh) * | 2023-12-26 | 2024-01-30 | 西昌学院 | 面向智慧教育的教学文本知识标注方法及*** |
CN117473963B (zh) * | 2023-12-26 | 2024-04-12 | 西昌学院 | 面向智慧教育的教学文本知识标注方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108681574B (zh) | 一种基于文本摘要的非事实类问答答案选择方法及*** | |
CN109960786A (zh) | 基于融合策略的中文词语相似度计算方法 | |
CN107247751B (zh) | 基于lda主题模型的内容推荐方法 | |
CN112214593A (zh) | 问答处理方法、装置、电子设备及存储介质 | |
CN113157885B (zh) | 一种面向人工智能领域知识的高效智能问答*** | |
CN115292457B (zh) | 知识问答方法、装置、计算机可读介质及电子设备 | |
CN113505209A (zh) | 一种面向汽车领域的智能问答*** | |
CN110929045B (zh) | 诗歌-语义知识图谱的构建方法及*** | |
CN112506945B (zh) | 基于知识图谱的自适应导学方法及*** | |
CN111143672A (zh) | 基于知识图谱的专业特长学者推荐方法 | |
WO2024011813A1 (zh) | 一种文本扩展方法、装置、设备及介质 | |
CN112685550B (zh) | 智能问答方法、装置、服务器及计算机可读存储介质 | |
CN117077792B (zh) | 一种基于知识图谱生成提示数据的方法及装置 | |
CN111460145A (zh) | 一种学习资源推荐方法、设备及存储介质 | |
CN112749556B (zh) | 多语言模型的训练方法和装置、存储介质和电子设备 | |
CN112434142A (zh) | 一种标记训练样本的方法、服务器、计算设备及存储介质 | |
CN111553138B (zh) | 用于规范内容结构文档的辅助写作方法及装置 | |
CN116541493A (zh) | 基于意图识别的交互应答方法、装置、设备、存储介质 | |
CN113761887A (zh) | 基于文本处理的匹配方法、装置、计算机设备和存储介质 | |
CN116362331A (zh) | 一种基于人机协同构建知识图谱的知识点填充方法 | |
CN111199151A (zh) | 数据处理方法、及数据处理装置 | |
CN116401341A (zh) | 面向理解的互动答疑*** | |
CN117952200A (zh) | 一种知识图谱和个性化学习路径的构建方法及*** | |
CN110750632B (zh) | 一种改进的中文alice智能问答方法及*** | |
CN114372454A (zh) | 文本信息抽取方法、模型训练方法、装置及存储介质 |
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 |