CN116775816A - 解题模型的确定方法、数据处理方法、装置、介质及设备 - Google Patents
解题模型的确定方法、数据处理方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN116775816A CN116775816A CN202210220535.4A CN202210220535A CN116775816A CN 116775816 A CN116775816 A CN 116775816A CN 202210220535 A CN202210220535 A CN 202210220535A CN 116775816 A CN116775816 A CN 116775816A
- Authority
- CN
- China
- Prior art keywords
- solving
- information
- model
- topic
- determining
- 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 87
- 238000003672 processing method Methods 0.000 title abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 78
- 238000012545 processing Methods 0.000 claims description 31
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 9
- 230000008447 perception Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种解题模型的确定方法、数据处理方法、装置、介质及设备,所述解题模型的确定方法包括:获取目标训练集,其中,所述目标训练集中的每一训练样本包括题目信息和目标解题逻辑信息,所述目标解题逻辑信息为表示求解所述题目信息所用的解题动作和解题参数的序列;根据所述题目信息和预设模型,获得所述题目信息对应的候选解题动作和预测解题逻辑信息;根据所述候选解题动作、所述预测解题逻辑信息和所述目标解题逻辑信息,确定所述预设模型的解题预测损失;根据所述解题预测损失对所述预设模型进行训练,并将训练完成的预设模型确定为所述解题模型。由此,通过解题模型可以输出解题逻辑信息以对用户进行提示,有助于用户自主思考。
Description
技术领域
本公开涉及计算机技术领域,具体地,涉及一种解题模型的确定方法、数据处理方法、装置、介质及设备。
背景技术
随着互联网技术和计算机技术的不断渗透,基于互联网进行自主学习为用户提供了极大的便利。相关技术中,可以通过深度学习基于标注的题目文本和公式等训练样本进行模型训练,以获得用于解题的解题模型,为用户进行答疑。然而在上述过程中,基于解题模型为用户提供题目对应的答案信息,影响用户的自主解答和思考的能力。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种解题模型的确定方法,所述方法包括:
获取目标训练集,其中,所述目标训练集中的每一训练样本包括题目信息和目标解题逻辑信息,所述目标解题逻辑信息为表示求解所述题目信息所用的解题动作和解题参数的序列;
根据所述题目信息和预设模型,获得所述题目信息对应的候选解题动作和预测解题逻辑信息;
根据所述候选解题动作、所述预测解题逻辑信息和所述目标解题逻辑信息,确定所述预设模型的解题预测损失;
根据所述解题预测损失对所述预设模型进行训练,并将训练完成的预设模型确定为所述解题模型。
第二方面,本公开提供一种数据处理方法,所述方法包括:
接收待处理的题目数据;
对所述题目数据进行文本分词,获得所述题目数据对应的目标题目信息;
根据所述目标题目信息和解题模型,获得所述题目数据对应的解题逻辑信息,其中,所述解题模型是基于第一方面所述的解题模型的确定方法所得的。
第三方面,本公开提供一种解题模型的确定装置,所述装置包括:
获取模块,用于获取目标训练集,其中,所述目标训练集中的每一训练样本包括题目信息和目标解题逻辑信息,所述目标解题逻辑信息为表示求解所述题目信息所用的解题动作和解题参数的序列;
第一处理模块,用于根据所述题目信息和预设模型,获得所述题目信息对应的候选解题动作和预测解题逻辑信息;
第一确定模块,用于根据所述候选解题动作、所述预测解题逻辑信息和所述目标解题逻辑信息,确定所述预设模型的解题预测损失;
训练模块,用于根据所述解题预测损失对所述预设模型进行训练,并将训练完成的预设模型确定为所述解题模型。
第四方面,本公开提供一种数据处理装置,所述装置包括:
接收模块,用于接收待处理的题目数据;
分词模块,用于对所述题目数据进行文本分词,获得所述题目数据对应的目标题目信息;
第二处理模块,用于根据所述目标题目信息和解题模型,获得所述题目数据对应的解题逻辑信息,其中,所述解题模型是基于第一方面所述的解题模型的确定方法所得的。
第五方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现第一方面或第二方面所述方法的步骤。
第六方面,本公开提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现第一方面或第二方面所述方法的步骤。
在上述技术方案中,可以通过包括题目信息和目标解题逻辑信息的训练样本对预设模型进行训练获得解题模型,并且在该训练过程中确定预设模型的损失时是根据所述候选解题动作、所述预测解题逻辑信息和所述目标解题逻辑信息确定的,从而可以通过多任务学习的方式提高训练所得的解题模型的准确性。同时,在确定训练样本时只需要对解题思路进行标注,无需对该题目信息进行求解,降低数据标注所需的工作量,并且通过解题模型可以输出解题逻辑信息以对用户进行提示,避免直接输出解题答案对解题的局限性,有助于用户自主思考,贴合用户的使用需求,提升用户使用体验。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据本公开的一种实施方式提供的解题模型的确定方法的流程图;
图2是根据本公开的一种实施方式提供的解题模型的结构示意图;
图3是根据本公开的另一种实施方式提供的解题模型的结构示意图;
图4是根据本公开的一种实施方式提供的解题模型的确定装置的框图;
图5其示出了适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
图1所示,为根据本公开的一种实施方式提供的解题模型的确定方法的流程图,所述方法可以包括:
在步骤11中,获取目标训练集,其中,目标训练集中的每一训练样本包括题目信息和目标解题逻辑信息,所述目标解题逻辑信息为表示求解所述题目信息所用的解题动作和解题参数的序列。
示例地,训练样本中的题目信息表示如下:
方程2x-723.22=6543.42,求x的值,并保留3位有效数字。
相应地,该题目信息对应的目标解题逻辑信息可以表示如下:
{求解方程,[(2x-723.22=6543.42),x];保留有效数字,[v1,3]},即求解该题目信息需要2个解题动作,分别为“求解方程”和“保留有效数字”,其中“求解方程”对应的解题参数为“[(2x-723.22=6543.42),x]”,“保留有效数字”对应的解题参数为“[v1,3]”。
其中,如上文所述,该目标解题逻辑信息用于表示解题思路而无需进行题目求解,无需输出求解的答案,则目标训练集可以通过本领域中的经验用户例如教师对题目信息的解题思路进行标注,获得其对应的目标解题逻辑信息,从而获得该目标训练集。示例地,针对题目信息可以标注为:
action_name_1,[params_1];action_name_2,[params_2;…];
其中,action_name_i用于表示第i个解题动作,params_i用于表示第i个解题动作对应的解题参数。
在步骤12中,根据题目信息和预设模型,获得题目信息对应的候选解题动作和预测解题逻辑信息。
示例地,该预设模型即用于进行训练的模型,该模型可以基于自然语言领域中的神经网络模型实现,以实现题目信息对应的序列和解题逻辑信息的序列之间的预测建模。
在数学题目中对应的解题动作可以预先基于不同的数学题目进行汇总提取,获得解题动作集合,该解题动作集合中即包含用于进行解题的各个解题动作。在该实施例中,可以将题目信息输入预设模型,以基于该预设模型对该题目信息进行特征提取,并基于提取到的特征从多个解题动作中确定出该题目信息可能会使用的候选解题动作,以及求解该题目信息对应的预测解题逻辑信息。相应地,该预测解题逻辑信息为预测的求解所述题目信息所用的预测解题动作和预测解题参数的序列。
在步骤13中,根据候选解题动作、预测解题逻辑信息和目标解题逻辑信息,确定预设模型的解题预测损失。
示例地,可以根据候选解题动作形成的序列和所述目标解题逻辑信息中提取出的解题动作序列确定第一预测损失。例如,可以基于多类别交叉熵损失确定该第一预测损失。针对预测解题逻辑信息和目标解题逻辑信息,则可以根据两者通过最大似然损失函数进行计算,获得第二预测损失。
作为示例,可以预先根据实际应用场景设置该第一预测损失和第二预测损失分别对应的损失权重,则可以将第一预测损失和第二预测损失基于其分别对应的损失权重计算的加权和,确定为该解题预测损失。
在步骤14中,根据解题预测损失对预设模型进行训练,并将训练完成的预设模型确定为所述解题模型。
作为示例,可以在解题预测损失大于目标阈值的情况下,根据该解题预测损失基于梯度下降法调整该预设模型的参数,以实现对预设模型的参数更新,在解题预测损失小于或等于目标阈值时训练完成获得解题模型。作为另一示例,可以在预设模型的训练迭代次数小于次数阈值的情况下,根据该解题预测损失基于梯度下降法调整该预设模型的参数,以实现对预设模型的参数更新,并在预设模型的训练迭代次数大于或等于次数阈值时训练完成获得解题模型。
由此,在上述技术方案中,可以通过包括题目信息和目标解题逻辑信息的训练样本对预设模型进行训练获得解题模型,并且在该训练过程中确定预设模型的损失时是根据所述候选解题动作、所述预测解题逻辑信息和所述目标解题逻辑信息确定的,从而可以通过多任务学习的方式提高训练所得的解题模型的准确性。同时,在确定训练样本时只需要对解题思路进行标注,无需对该题目信息进行求解,降低数据标注所需的工作量,并且通过解题模型可以输出解题逻辑信息以对用户进行提示,避免直接输出解题答案对解题的局限性,有助于用户自主思考,贴合用户的使用需求,提升用户使用体验。
在一种可能的实施例中,如图2所示,所述预设模型包括编码子模型201、预测子模型202和解码子模型203,相应地,根据题目信息和预设模型,获得题目信息对应的候选解题动作和预测解题逻辑信息的示例性实现方式如下,该步骤可以包括:
将所述题目信息输入所述预设模型,以由所述编码子模型根据所述题目信息进行编码,获得所述题目信息对应的编码向量;所述预测子模型根据所述编码向量确定所述候选解题动作;所述解码子模型根据所述候选解题动作和所述编码向量进行解码,获得所述预测解题逻辑信息,所述预测解题逻辑信息中包含至少一个所述候选解题动作以及其对应的解题参数信息。
示例地,可以对题目信息进行分词,获得题目信息对应的分词表示,如x=[x1,x2,...,xn],表示题目信息x由n个分词表示。之后可以将该题目信息对应的分词序列输入预设模型,则可以基于编码子模型对该分词序列进行编码,获得编码向量H(h1,h2,...,hn)。之后,预测子模型可以基于该编码向量进行候选解题动作的预测,以使得解码子模型可以基于编码子模型的输出和预测子模型的输出进行解码,提高解码子模型解码的特征参考的准确性。同时,通过上述技术方案,预测解题逻辑信息中包含至少一个所述候选解题动作以及其对应的解题参数信息,即在编码子模型进行解码的过程中,可以基于候选解题动作对解码范围进行约束,从而有效降低解码对应的范围,提高解码准确性的同时,降低解码所需的数据计算量,提高解题模型的解题效率。
在一种可能的实施例中,所述预测子模型根据所述编码向量确定所述候选解题动作的示例性实现方式如下,该步骤可以包括:
基于所述预测子模型中的感知层对编码向量进行特征提取,获得所述编码向量对应的第一特征向量。
其中,该感知层可以是MLP(Multilayer Perceptron,多层感知器),其中间可以有多个隐藏层,由此,可以将编码向量输入该多个感知层的隐藏层进行特征提取,从而可以获得第一特征向量。
根据所述第一特征向量确定解题动作库中的每一解题动作对应的第一概率信息。
其中,例如数学题目等题目信息,其对应的解题动作是有限的,则可以预先确定其对应的各个解题动作,并通过解题动作库进行存储。示例地,解题动作可以针对学科的不同而通过不同的解题动作库进行分别存储,以提高候选解题动作确定的准确性和效率。
示例地,可以通过以下方式确定第一概率信息:
H=sum(h1,h2,...,hn)
s=MLP(H),s∈Rm
pθ(k|x)=softmax(s)
其中,H用于表示编码向量,s用于表示感知层提取的第一特征向量,Rm为第一特征向量对应的空间表示,pθ(k|x)表示输入文本x在k个解题动作下对应的概率分布,即包含各个解题动作的第一概率信息的分布。
将按照第一概率信息由大至小排序前N的解题动作确定为所述候选解题动作。
其中,N可以根据实际应用场景进行设置,本公开对此不进行限定。其中,第一概率信息越大表示应用其对应的解题动作进行解题的概率越大,从而可以通过上述方式确定候选解题动作,以便于为后续进行解码提供准确的数据支持和范围约束,保证后续解码的准确率和效率。
在一种可能的实施例中,所述解码子模型根据所述候选解题动作和所述编码向量进行解码,获得所述预测解题逻辑信息的示例性实现方式如下,该步骤可以包括:
在所述解码子模型基于所述编码向量进行解码的每一解码过程中,确定每一候选解题动作对应的词表空间下对应的词表概率分布。
其中,如图2所示,解码子模型基于编码向量进行解码时是基于编码子模型的输出以及上一解码过程的输出进行当前解码过程,从而获得最终的解码信息。针对每一解码过程,在该过程中通常是将编码向量映射至整个词表空间获得词表概率分布。具体地如图3所示,在本公开实施例中,由于预测子模型对解码过程中对应的候选解题动作进行了准确预测,因此,在每一解码过程中仅需要将编码向量映射至候选解题动作A(a1,a2,…am)对应的词表空间(D:|VA|)下进行计算即可,由于候选解题动作相较于解题动作库中的解题动作而言进行了数量约束,则本公开中通过候选解题动作进行解码的词表空间|VA|则会远小于解题动作库对应的词表空间|VA|,其中,e0,e1,e2,…et-1为解码过程中的中间向量。在解码子模型的每一解码过程中,通过输入预测的候选解题动作,以有效缩小解码空间,提高解码准确性的同时,降低解码过程中的数据计算量。
基于所述词表概率分布确定当前解码过程中对应的解码信息,以获得所述预测解题逻辑信息,其中,所述预测解题逻辑信息为解码所得的各个解码信息形成的序列。
示例地,在确定出词表概率分布后,可以基于Beam-search(集束搜索)的方式确定当前解码过程中的解码信息,之后将各个解码过程输出的解码信息按照解码先后顺序进行拼接,获得预测解题逻辑信息。
由此,通过上述技术方案,在解码子模型的解码过程中可以基于预测子模型输出的候选解题动作对解码过程进行约束,以候选解题动作作为先验指示进行解码,使得在解码过程中的可以缩小解码空间,从而提高解码效率。同时可以在解码过程中减少很多无关的多样性生成,从而进一步提升解码所得的解题逻辑信息的准确性。
在一种可能的实施例中,所述训练样本中还可以包括所述题目信息对应的目标知识点信息,示例地,标注人员在对题目信息进行标注时,可以同时标注该题目信息所考察的知识点信息。
进一步地,所述方法还包括:
根据所述题目信息和预设模型,确定所述题目信息的预测知识点信息。
其中,可以基于预设模型中的预测子模型基于题目信息对应的编码向量进行预测,从而获得该题目信息对应的预测知识点信息。
根据所述预测知识点信息和所述目标知识点信息,确定所述预设模型的知识点预测损失。
示例地,可以基于交叉熵损失函数计算预测知识点信息和所述目标知识点信息对应的知识点预测损失,其计算方式为本领域常用的损失函数,在此不再赘述。
相应地,所述根据所述解题预测损失对所述预设模型进行训练的示例性实现方式可以包括:
根据所述解题预测损失和所述知识点预测损失对所述预设模型进行训练。
其中可以将所述解题预测损失和所述知识点预测损失的加权和确定为该预设模型的整体损失,其中,所述解题预测损失和所述知识点预测损失分别对应的权重可以根据实际应用场景进行设置,本公开不作限定。之后,在基于预设模型的损失对预设模型进行训练时,则可以基于该整体损失进行训练,其训练方式与上文所述基于解题预测损失的方式类似,在此不再赘述。
由此,通过上述技术方案,可以进一步在预设模型中增加对题目信息对应的知识点信息的预测,并基于对知识点的预测进一步计算预设模型的预测损失,增加预设模型处理过程中的任务计算,通过约束多任务预测的准确性以提高预设模型的整体准确性,从而保证训练所得的解题模型的解题准确性以及与应用场景的匹配性,提升用户使用体验。
在一种可能的实施例中,所述根据所述题目信息和预设模型,确定所述题目信息的预测知识点信息的示例性实现方式如下,该步骤可以包括:
基于所述预设模型的预测子模型中的感知层对所述题目信息对应的编码向量进行特征提取,获得所述编码向量对应的第二特征向量。
示例地,该题目信息对应的编码向量可以通过上文所述的预设模型中的编码子模型进行获取,之后可以基于感知层对该编码向量进行特征处理,获得第二特征向量。
根据所述第二特征向量确定各个候选知识点分类下对应的第二概率信息。示例地,针对各个题目信息所能考察的知识点也是有限的,则在该实施例中可以将各个知识点信息均作为候选知识点分类,从而基于该第二特征向量确定各个候选知识点分类下对应的第二概率信息。同样地,可以采用与上文确定候选解题动作类似的处理方式进行确定,如对第二特征向量进行softmax处理,从而获得候选知识点分类对应的概率分布,以获得各个候选知识点分类下对应的第二概率信息。
将最大的第二概率信息对应的候选知识点分类确定为所述预测知识点信息。
由此,通过上述技术方案,可以通过预设模型对题目信息对应的知识点信息进行预测,保证确定出的预测知识点信息的准确性,从而提高预设模型损失确定的准确性,提高预设模型训练的效率。
本公开还提供一种数据处理方法,所述方法包括:
接收待处理的题目数据,示例地,该题目数据可以从文本信息、语音信息、图像信息等提取出的文本,针对语音信息可以通过语音识别技术获得该语音信息对应的文本,针对图像信息可以通过OCR(Optical Character Recognition,光学字符识别)确定该图像信息对应的文本,从而进行后续的处理。
对所述题目数据进行文本分词,获得所述题目数据对应的目标题目信息,即通过对题目数据进行文本分词,获得对应的分词序列,即目标题目信息表示如x'=[x'1,x'2,...,x'u],表示目标题目信息x'由u个分词表示。
根据所述目标题目信息和解题模型,获得所述题目数据对应的解题逻辑信息,其中,所述解题模型是基于上文所述的解题模型的确定方法所得的。
之后,则可以通过将目标题目信息输入该解题模型,以获得题目数据对应的解题逻辑信息,即求解该题目数据所需的解题动作和解题参数,从而可以为用户提供求解该题目信息的思路,使得用户可以基于该解题逻辑信息进行求解,避免直接为用户提供答案信息而降低用户的主动性,更加适用于教学场景,提升用户使用体验。
在一种可能的实施例中,所述方法还可以包括:
根据所述目标题目信息和所述解题模型,获得所述题目数据对应的知识点信息。
输出所述知识点信息和/或所述知识点信息的关联定义信息。其中,该知识点信息的关联定义信息,可以是知识点信息的计算规则或者知识点的定义,如上文所述示例,其输出的知识点信息可以是“等式”,知识点信息的关联定义信息可以是等式的定义,等式的常用处理规则等,从而可以为用户进行进一步的指导提示,无需用户再去查询该知识点的具体解决方案。
如上文所述,该解题模型可以预测出该题目数据对应的知识点信息,从而可以对该知识点信息进行输出,以便于用户及时了解其易错或者已经掌握的知识点,便于用户进行针对性的学习,以及教师用户针对性的对用户进行教学,更加贴合自主学习的应用场景,提升用户使用体验。
本公开还提供一种解题模型的确定装置,如图4所示,所述装置10包括:
获取模块100,用于获取目标训练集,其中,所述目标训练集中的每一训练样本包括题目信息和目标解题逻辑信息,所述目标解题逻辑信息为表示求解所述题目信息所用的解题动作和解题参数的序列;
第一处理模块200,用于根据所述题目信息和预设模型,获得所述题目信息对应的候选解题动作和预测解题逻辑信息;
第一确定模块300,用于根据所述候选解题动作、所述预测解题逻辑信息和所述目标解题逻辑信息,确定所述预设模型的解题预测损失;
训练模块400,用于根据所述解题预测损失对所述预设模型进行训练,并将训练完成的预设模型确定为所述解题模型。
可选地,所述预设模型包括编码子模型、预测子模型和解码子模型,所述处理模块用于:
将所述题目信息输入所述预设模型,以由所述编码子模型根据所述题目信息进行编码,获得所述题目信息对应的编码向量;所述预测子模型根据所述编码向量确定所述候选解题动作;所述解码子模型根据所述候选解题动作和所述编码向量进行解码,获得所述预测解题逻辑信息,所述预测解题逻辑信息中包含至少一个所述候选解题动作以及其对应的解题参数信息。
可选地,所述预测子模型根据所述编码向量确定所述候选解题动作,包括:
基于所述预测子模型中的感知层对编码向量进行特征提取,获得所述编码向量对应的第一特征向量;
根据所述第一特征向量确定解题动作库中的每一解题动作对应的第一概率信息;
将按照第一概率信息由大至小排序前N的解题动作确定为所述候选解题动作。
可选地,所述解码子模型根据所述候选解题动作和所述编码向量进行解码,获得所述预测解题逻辑信息,包括:
在所述解码子模型基于所述编码向量进行解码的每一解码过程中,确定每一候选解题动作对应的词表空间下对应的词表概率分布;
基于所述词表概率分布确定当前解码过程中对应的解码信息,以获得所述预测解题逻辑信息,其中,所述预测解题逻辑信息为解码所得的各个解码信息形成的序列。
可选地,所述训练样本中还包括所述题目信息对应的目标知识点信息;
所述装置还包括:
第二确定模块,用于根据所述题目信息和预设模型,确定所述题目信息的预测知识点信息;
第三确定模块,用于根据所述预测知识点信息和所述目标知识点信息,确定所述预设模型的知识点预测损失;
所述训练模块包括:
根据所述解题预测损失和所述知识点预测损失对所述预设模型进行训练。
可选地,所述第二确定模块包括:
特征提取子模块,用于基于所述预设模型的预测子模型中的感知层对所述题目信息对应的编码向量进行特征提取,获得所述编码向量对应的第二特征向量;
第一确定子模块,用于根据所述第二特征向量确定各个候选知识点分类下对应的第二概率信息;
第二确定子模块,用于将最大的第二概率信息对应的候选知识点分类确定为所述预测知识点信息。
本公开还提供一种数据处理装置,所述装置包括:
接收模块,用于接收待处理的题目数据;
分词模块,用于对所述题目数据进行文本分词,获得所述题目数据对应的目标题目信息;
第二处理模块,用于根据所述目标题目信息和解题模型,获得所述题目数据对应的解题逻辑信息,其中,所述解题模型是基于上文所述的解题模型的确定方法所得的。
可选地,所述装置还包括:
第三处理模块,用于根据所述目标题目信息和所述解题模型,获得所述题目数据对应的知识点信息;
输出模块,用于输出所述知识点信息和/或所述知识点信息的关联定义信息。
下面参考图5,其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取目标训练集,其中,所述目标训练集中的每一训练样本包括题目信息和目标解题逻辑信息,所述目标解题逻辑信息为表示求解所述题目信息所用的解题动作和解题参数的序列;根据所述题目信息和预设模型,获得所述题目信息对应的候选解题动作和预测解题逻辑信息;根据所述候选解题动作、所述预测解题逻辑信息和所述目标解题逻辑信息,确定所述预设模型的解题预测损失;根据所述解题预测损失对所述预设模型进行训练,并将训练完成的预设模型确定为所述解题模型。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收待处理的题目数据;对所述题目数据进行文本分词,获得所述题目数据对应的目标题目信息;根据所述目标题目信息和解题模型,获得所述题目数据对应的解题逻辑信息,其中,所述解题模型是基于上文任一所述的解题模型的确定方法所得的。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,获取模块还可以被描述为“获取目标训练集的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,示例1提供了一种解题模型的确定方法,其中,所述方法包括:
获取目标训练集,其中,所述目标训练集中的每一训练样本包括题目信息和目标解题逻辑信息,所述目标解题逻辑信息为表示求解所述题目信息所用的解题动作和解题参数的序列;
根据所述题目信息和预设模型,获得所述题目信息对应的候选解题动作和预测解题逻辑信息;
根据所述候选解题动作、所述预测解题逻辑信息和所述目标解题逻辑信息,确定所述预设模型的解题预测损失;
根据所述解题预测损失对所述预设模型进行训练,并将训练完成的预设模型确定为所述解题模型。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,其中,所述预设模型包括编码子模型、预测子模型和解码子模型,所述根据所述题目信息和预设模型,获得所述题目信息对应的候选解题动作和预测解题逻辑信息,包括:
将所述题目信息输入所述预设模型,以由所述编码子模型根据所述题目信息进行编码,获得所述题目信息对应的编码向量;所述预测子模型根据所述编码向量确定所述候选解题动作;所述解码子模型根据所述候选解题动作和所述编码向量进行解码,获得所述预测解题逻辑信息,所述预测解题逻辑信息中包含至少一个所述候选解题动作以及其对应的解题参数信息。
根据本公开的一个或多个实施例,示例3提供了示例2的方法,其中,所述预测子模型根据所述编码向量确定所述候选解题动作,包括:
基于所述预测子模型中的感知层对编码向量进行特征提取,获得所述编码向量对应的第一特征向量;
根据所述第一特征向量确定解题动作库中的每一解题动作对应的第一概率信息;
将按照第一概率信息由大至小排序前N的解题动作确定为所述候选解题动作。
根据本公开的一个或多个实施例,示例4提供了示例2的方法,其中,所述解码子模型根据所述候选解题动作和所述编码向量进行解码,获得所述预测解题逻辑信息,包括:
在所述解码子模型基于所述编码向量进行解码的每一解码过程中,确定每一候选解题动作对应的词表空间下对应的词表概率分布;
基于所述词表概率分布确定当前解码过程中对应的解码信息,以获得所述预测解题逻辑信息,其中,所述预测解题逻辑信息为解码所得的各个解码信息形成的序列。
根据本公开的一个或多个实施例,示例5提供了示例1的方法,其中,所述训练样本中还包括所述题目信息对应的目标知识点信息;
所述方法还包括:
根据所述题目信息和预设模型,确定所述题目信息的预测知识点信息;
根据所述预测知识点信息和所述目标知识点信息,确定所述预设模型的知识点预测损失;
所述根据所述解题预测损失对所述预设模型进行训练,包括:
根据所述解题预测损失和所述知识点预测损失对所述预设模型进行训练。
根据本公开的一个或多个实施例,示例6提供了示例5的方法,其中,所述根据所述题目信息和预设模型,确定所述题目信息的预测知识点信息,包括:
基于所述预设模型的预测子模型中的感知层对所述题目信息对应的编码向量进行特征提取,获得所述编码向量对应的第二特征向量;
根据所述第二特征向量确定各个候选知识点分类下对应的第二概率信息;
将最大的第二概率信息对应的候选知识点分类确定为所述预测知识点信息。
根据本公开的一个或多个实施例,示例7提供了一种数据处理方法,其中,所述方法包括:
接收待处理的题目数据;
对所述题目数据进行文本分词,获得所述题目数据对应的目标题目信息;
根据所述目标题目信息和解题模型,获得所述题目数据对应的解题逻辑信息,其中,所述解题模型是基于示例1-6中任一项所述的解题模型的确定方法所得的。
根据本公开的一个或多个实施例,示例8提供了示例7的方法,其中,所述方法还包括:
根据所述目标题目信息和所述解题模型,获得所述题目数据对应的知识点信息;
输出所述知识点信息和/或所述知识点信息的关联定义信息。
根据本公开的一个或多个实施例,示例9提供了一种解题模型的确定装置,其中,所述装置包括:
获取模块,用于获取目标训练集,其中,所述目标训练集中的每一训练样本包括题目信息和目标解题逻辑信息,所述目标解题逻辑信息为表示求解所述题目信息所用的解题动作和解题参数的序列;
第一处理模块,用于根据所述题目信息和预设模型,获得所述题目信息对应的候选解题动作和预测解题逻辑信息;
第一确定模块,用于根据所述候选解题动作、所述预测解题逻辑信息和所述目标解题逻辑信息,确定所述预设模型的解题预测损失;
训练模块,用于根据所述解题预测损失对所述预设模型进行训练,并将训练完成的预设模型确定为所述解题模型。
根据本公开的一个或多个实施例,示例10提供了一种数据处理装置,其中,所述装置包括:
接收模块,用于接收待处理的题目数据;
分词模块,用于对所述题目数据进行文本分词,获得所述题目数据对应的目标题目信息;
第二处理模块,用于根据所述目标题目信息和解题模型,获得所述题目数据对应的解题逻辑信息,其中,所述解题模型是基于示例1-6中任一项所述的解题模型的确定方法所得的。
根据本公开的一个或多个实施例,示例11提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现示例1-8中任一示例所述方法的步骤。
根据本公开的一个或多个实施例,示例12提供了一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现示例1-8中任一示例所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (12)
1.一种解题模型的确定方法,其特征在于,所述方法包括:
获取目标训练集,其中,所述目标训练集中的每一训练样本包括题目信息和目标解题逻辑信息,所述目标解题逻辑信息为表示求解所述题目信息所用的解题动作和解题参数的序列;
根据所述题目信息和预设模型,获得所述题目信息对应的候选解题动作和预测解题逻辑信息;
根据所述候选解题动作、所述预测解题逻辑信息和所述目标解题逻辑信息,确定所述预设模型的解题预测损失;
根据所述解题预测损失对所述预设模型进行训练,并将训练完成的预设模型确定为所述解题模型。
2.根据权利要求1所述的方法,其特征在于,所述预设模型包括编码子模型、预测子模型和解码子模型,所述根据所述题目信息和预设模型,获得所述题目信息对应的候选解题动作和预测解题逻辑信息,包括:
将所述题目信息输入所述预设模型,以由所述编码子模型根据所述题目信息进行编码,获得所述题目信息对应的编码向量;所述预测子模型根据所述编码向量确定所述候选解题动作;所述解码子模型根据所述候选解题动作和所述编码向量进行解码,获得所述预测解题逻辑信息,所述预测解题逻辑信息中包含至少一个所述候选解题动作以及其对应的解题参数信息。
3.根据权利要求2所述的方法,其特征在于,所述预测子模型根据所述编码向量确定所述候选解题动作,包括:
基于所述预测子模型中的感知层对编码向量进行特征提取,获得所述编码向量对应的第一特征向量;
根据所述第一特征向量确定解题动作库中的每一解题动作对应的第一概率信息;
将按照第一概率信息由大至小排序前N的解题动作确定为所述候选解题动作。
4.根据权利要求2所述的方法,其特征在于,所述解码子模型根据所述候选解题动作和所述编码向量进行解码,获得所述预测解题逻辑信息,包括:
在所述解码子模型基于所述编码向量进行解码的每一解码过程中,确定每一候选解题动作对应的词表空间下对应的词表概率分布;
基于所述词表概率分布确定当前解码过程中对应的解码信息,以获得所述预测解题逻辑信息,其中,所述预测解题逻辑信息为解码所得的各个解码信息形成的序列。
5.根据权利要求1所述的方法,其特征在于,所述训练样本中还包括所述题目信息对应的目标知识点信息;
所述方法还包括:
根据所述题目信息和预设模型,确定所述题目信息的预测知识点信息;
根据所述预测知识点信息和所述目标知识点信息,确定所述预设模型的知识点预测损失;
所述根据所述解题预测损失对所述预设模型进行训练,包括:
根据所述解题预测损失和所述知识点预测损失对所述预设模型进行训练。
6.根据权利要求5所述的方法,其特征在于,所述根据所述题目信息和预设模型,确定所述题目信息的预测知识点信息,包括:
基于所述预设模型的预测子模型中的感知层对所述题目信息对应的编码向量进行特征提取,获得所述编码向量对应的第二特征向量;
根据所述第二特征向量确定各个候选知识点分类下对应的第二概率信息;
将最大的第二概率信息对应的候选知识点分类确定为所述预测知识点信息。
7.一种数据处理方法,其特征在于,所述方法包括:
接收待处理的题目数据;
对所述题目数据进行文本分词,获得所述题目数据对应的目标题目信息;
根据所述目标题目信息和解题模型,获得所述题目数据对应的解题逻辑信息,其中,所述解题模型是基于权利要求1-6中任一项所述的解题模型的确定方法所得的。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
根据所述目标题目信息和所述解题模型,获得所述题目数据对应的知识点信息;
输出所述知识点信息和/或所述知识点信息的关联定义信息。
9.一种解题模型的确定装置,其特征在于,所述装置包括:
获取模块,用于获取目标训练集,其中,所述目标训练集中的每一训练样本包括题目信息和目标解题逻辑信息,所述目标解题逻辑信息为表示求解所述题目信息所用的解题动作和解题参数的序列;
第一处理模块,用于根据所述题目信息和预设模型,获得所述题目信息对应的候选解题动作和预测解题逻辑信息;
第一确定模块,用于根据所述候选解题动作、所述预测解题逻辑信息和所述目标解题逻辑信息,确定所述预设模型的解题预测损失;
训练模块,用于根据所述解题预测损失对所述预设模型进行训练,并将训练完成的预设模型确定为所述解题模型。
10.一种数据处理装置,其特征在于,所述装置包括:
接收模块,用于接收待处理的题目数据;
分词模块,用于对所述题目数据进行文本分词,获得所述题目数据对应的目标题目信息;
第二处理模块,用于根据所述目标题目信息和解题模型,获得所述题目数据对应的解题逻辑信息,其中,所述解题模型是基于权利要求1-6中任一项所述的解题模型的确定方法所得的。
11.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-8中任一项所述方法的步骤。
12.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210220535.4A CN116775816A (zh) | 2022-03-08 | 2022-03-08 | 解题模型的确定方法、数据处理方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210220535.4A CN116775816A (zh) | 2022-03-08 | 2022-03-08 | 解题模型的确定方法、数据处理方法、装置、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116775816A true CN116775816A (zh) | 2023-09-19 |
Family
ID=87991774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210220535.4A Pending CN116775816A (zh) | 2022-03-08 | 2022-03-08 | 解题模型的确定方法、数据处理方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116775816A (zh) |
-
2022
- 2022-03-08 CN CN202210220535.4A patent/CN116775816A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111274815B (zh) | 用于挖掘文本中的实体关注点的方法和装置 | |
CN113470619B (zh) | 语音识别方法、装置、介质及设备 | |
CN112509562B (zh) | 用于文本后处理的方法、装置、电子设备和介质 | |
CN112883968B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN112149699B (zh) | 用于生成模型的方法、装置和用于识别图像的方法、装置 | |
CN112883967B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN112364829B (zh) | 一种人脸识别方法、装置、设备及存储介质 | |
CN113723341B (zh) | 视频的识别方法、装置、可读介质和电子设备 | |
CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
CN117633228A (zh) | 模型训练方法和装置 | |
CN115294501A (zh) | 视频识别方法、视频识别模型训练方法、介质及电子设备 | |
CN113140012B (zh) | 图像处理方法、装置、介质及电子设备 | |
CN115312127A (zh) | 识别模型的预训练方法、识别方法、装置、介质和设备 | |
CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
CN116129003A (zh) | 数字人脸生成方法、装置、存储介质以及电子设备 | |
CN115984868A (zh) | 文本处理方法、装置、介质及设备 | |
CN116244431A (zh) | 文本分类方法、装置、介质及电子设备 | |
CN113033680B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
CN113222050B (zh) | 图像分类方法、装置、可读介质及电子设备 | |
CN112651231B (zh) | 口语信息处理方法、装置和电子设备 | |
CN112685996B (zh) | 文本标点预测方法、装置、可读介质和电子设备 | |
CN112149426B (zh) | 阅读任务处理方法及相关设备 | |
CN111914535B (zh) | 一种单词识别方法、装置、计算机设备和存储介质 | |
CN115270981A (zh) | 对象处理方法、装置、可读介质及电子设备 | |
CN116775816A (zh) | 解题模型的确定方法、数据处理方法、装置、介质及设备 |
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 |