CN117149988B - 基于教育数字化的数据管理处理方法及*** - Google Patents
基于教育数字化的数据管理处理方法及*** Download PDFInfo
- Publication number
- CN117149988B CN117149988B CN202311438571.9A CN202311438571A CN117149988B CN 117149988 B CN117149988 B CN 117149988B CN 202311438571 A CN202311438571 A CN 202311438571A CN 117149988 B CN117149988 B CN 117149988B
- Authority
- CN
- China
- Prior art keywords
- semantic
- service session
- education service
- digital education
- 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.)
- Active
Links
- 238000013523 data management Methods 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims description 157
- 238000012545 processing Methods 0.000 claims description 93
- 238000007670 refining Methods 0.000 claims description 88
- 238000005065 mining Methods 0.000 claims description 79
- 238000000034 method Methods 0.000 claims description 56
- 238000005070 sampling Methods 0.000 claims description 55
- 230000006978 adaptation Effects 0.000 claims description 32
- 230000006872 improvement Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 15
- 238000012216 screening Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 230000010365 information processing Effects 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001178520 Stomatepia mongo Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 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
- G06F16/35—Clustering; Classification
-
- 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
- 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)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明实施例提供的基于教育数字化的数据管理处理方法及***,应用本发明实施例,通过粗略的数字教育服务会话文本语义配对,抽取历史数字教育服务会话日志,提高方案时效性。后续联合分析使用精细的语义进行结构化存储辅助决策。鉴于精细的数字教育服务会话文本语义所携带的语义特征更为完整准确,这样可以精准可靠地确定出待管理数字教育服务会话日志的结构化存储辅助决策结果,从而利用结构化存储辅助决策结果中包括的目标数字教育服务会话日志以及结构化存储策略实现待管理数字教育服务会话日志的结构化存储,提高待管理数字教育服务会话日志的结构化存储准确性和效率,从而保障数字教育服务会话日志的管理质量。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种基于教育数字化的数据管理处理方法及***。
背景技术
通过教育数字化,教师可以利用电子教案、多媒体资源和在线学习平台等工具来设计和传授课程,提供个性化的学习体验,并进行学生绩效评估。学生可以通过互联网获取教材、参与在线讨论、完成作业和考试,并获得及时的反馈。同时,教育数字化还可以提供跨地域和跨文化的学习机会,拓宽学生的知识视野。教育数字化也包括学校管理和教育行政方面的数字化,例如学生信息管理***、在线报名和成绩管理,以及教育政策制定和监督的数字化工具。教育数字化旨在利用先进的信息和通信技术,改善教育的质量、效率和可访问性,为教育提供更广阔的可能性,并为学生提供更丰富的学习机会。
随着教育数字化的普及,针对教育数字化的数据管理需求越来越多,而高效准确的数据存储管理需求逐渐成为一个重点问题。
发明内容
为解决相关技术中存在的技术问题,本发明提供了一种基于教育数字化的数据管理处理方法及***。
第一方面,本发明实施例提供了一种基于教育数字化的数据管理处理方法,应用于数据管理处理***,所述方法包括:
获取待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义,以及第一数字教育服务会话日志集中每个历史数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义,其中,所述第一文本属性值小于所述第二文本属性值,所述待管理数字教育服务会话日志为待进行文本结构化存储的数字教育服务会话日志;
对所述待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义与所述第一数字教育服务会话日志集中每个历史数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义进行联合分析,得到对应的第一适配系数,并依据所述第一适配系数从所述第一数字教育服务会话日志集中挑选目标个数的历史数字教育服务会话日志,以生成第二数字教育服务会话日志集;
对所述待管理数字教育服务会话日志的第二文本属性值的数字教育服务会话文本语义与所述第二数字教育服务会话日志集中每个历史数字教育服务会话日志的第二文本属性值的数字教育服务会话文本语义进行联合分析,得到对应的第二适配系数,并依据所述第二适配系数确定所述待管理数字教育服务会话日志的结构化存储辅助决策结果;其中,所述结构化存储辅助决策结果中包括与所述待管理数字教育服务会话日志满足适配条件的目标数字教育服务会话日志,以及所述目标数字教育服务会话日志对应的结构化存储策略,所述目标数字教育服务会话日志为所述第二数字教育服务会话日志集中的其中一个历史数字教育服务会话日志。
在一些示例中,所述获取待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义,包括:
对所述待管理数字教育服务会话日志的文本细粒度进行更改,得到所述待管理数字教育服务会话日志对应的第一已调整数字教育服务会话日志和第二已调整数字教育服务会话日志;
分别对所述待管理数字教育服务会话日志对应的第一已调整数字教育服务会话日志和第二已调整数字教育服务会话日志进行语义挖掘操作,得到所述待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义。
在一些示例中,所述分别对所述待管理数字教育服务会话日志对应的第一已调整数字教育服务会话日志和第二已调整数字教育服务会话日志进行语义挖掘操作,得到所述待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义,包括:
分别对所述待管理数字教育服务会话日志的第一已调整数字教育服务会话日志和所述第二已调整数字教育服务会话日志进行初始语义挖掘操作,得到所述待管理数字教育服务会话日志的第一初始语义向量和第二初始语义向量;
分别对所述待管理数字教育服务会话日志的第一初始语义向量及所述第二初始语义向量进行语义精炼操作,得到所述待管理数字教育服务会话日志对应的第一文本语义精炼向量和第二文本语义精炼向量;
分别对所述第一文本语义精炼向量和所述第二文本语义精炼向量进行语义抽样操作,得到所述待管理数字教育服务会话日志对应的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义。
在一些示例中,所述语义挖掘操作是通过深度结构化语义网络实现的,所述深度结构化语义网络包括初始语义向量挖掘分支、文本语义精炼分支和第二联动处理分支;
所述对所述待管理数字教育服务会话日志对应的第一已调整数字教育服务会话日志和第二已调整数字教育服务会话日志进行语义挖掘操作,得到所述待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义,包括:
通过所述初始语义向量挖掘分支,分别对所述第一已调整数字教育服务会话日志和所述第二已调整数字教育服务会话日志进行初始语义挖掘操作,得到所述待管理数字教育服务会话日志的第一初始语义向量和第二初始语义向量;
通过所述文本语义精炼分支,分别对所述第一初始语义向量和所述第二初始语义向量进行语义精炼操作,得到所述待管理数字教育服务会话日志对应的第一文本语义精炼向量和第二文本语义精炼向量;
通过所述第二联动处理分支,对所述第一文本语义精炼向量进行语义抽样操作,得到所述待管理数字教育服务会话日志对应的第一文本属性值的数字教育服务会话文本语义;
对所述第二文本语义精炼向量进行语义下采样,得到所述待管理数字教育服务会话日志对应的第二文本属性值的数字教育服务会话文本语义。
在一些示例中,所述深度结构化语义网络还包括第一联动处理分支,所述方法还包括:
获取通用深度结构化语义网络以及数字教育服务会话日志示例;
依据所述数字教育服务会话日志示例,对所述通用深度结构化语义网络中的所述初始语义向量挖掘分支进行调试,得到所述通用深度结构化语义网络对应的第一深度结构化语义网络;
维持所述第一深度结构化语义网络中所述初始语义向量挖掘分支的变量不变,对所述第一深度结构化语义网络中的所述第一联动处理分支进行调试,得到所述第一深度结构化语义网络对应的第二深度结构化语义网络;
维持所述第一深度结构化语义网络中所述初始语义向量挖掘分支的变量以及所述第一深度结构化语义网络中的所述第一联动处理分支的变量不变,对所述第二深度结构化语义网络中的所述第二联动处理分支进行调试,得到所述第二深度结构化语义网络对应的第三深度结构化语义网络,并将所述第三深度结构化语义网络作为所述深度结构化语义网络。
在一些示例中,所述依据所述数字教育服务会话日志示例,对所述通用深度结构化语义网络中的所述初始语义向量挖掘分支进行调试,得到所述通用深度结构化语义网络对应的第一深度结构化语义网络,包括:
对所述数字教育服务会话日志示例的文本细粒度进行更改,得到所述数字教育服务会话日志示例对应的第一已调整数字教育服务会话日志和第二已调整数字教育服务会话日志,并以所述数字教育服务会话日志示例对应的第一已调整数字教育服务会话日志为初始调试示例、以所述数字教育服务会话日志示例对应的第二已调整数字教育服务会话日志为积极示例,以剩余数字教育服务会话日志示例为消极示例;
通过所述通用深度结构化语义网络中的所述初始语义向量挖掘分支,分别对所述初始调试示例、所述积极示例和所述消极示例进行初始语义挖掘操作,得到对应的初始调试示例语义、积极示例语义和消极示例语义;
获取所述初始调试示例语义与所述积极示例语义之间的第一语义共性值以及所述初始调试示例语义与所述消极示例语义之间的第二语义共性值,并依据所述第一语义共性值及所述第二语义共性值生成所述通用深度结构化语义网络的第一调试代价;
依据所述第一调试代价对所述通用深度结构化语义网络中的所述初始语义向量挖掘分支进行变量改进,得到所述通用深度结构化语义网络对应的第一深度结构化语义网络。
在一些示例中,所述对所述第一深度结构化语义网络中的所述第一联动处理分支进行调试,得到所述第一深度结构化语义网络对应的第二深度结构化语义网络,包括:
通过所述第一深度结构化语义网络中的所述第一联动处理分支,分别对所述初始调试示例语义、所述积极示例语义和所述消极示例语义进行语义抽样操作,得到对应的初始调试示例抽样语义、积极示例抽样语义和消极示例抽样语义;
获取所述初始调试示例抽样语义与所述积极示例抽样语义之间的第三语义共性值以及所述初始调试示例抽样语义与所述消极示例抽样语义之间的第四语义共性值,并依据所述第三语义共性值及所述第四语义共性值生成所述第一深度结构化语义网络的第二调试代价;
依据所述第二调试代价对所述第一深度结构化语义网络中的所述第一联动处理分支进行变量改进,得到所述第一深度结构化语义网络对应的第二深度结构化语义网络。
在一些示例中,所述对所述第二深度结构化语义网络中的所述第二联动处理分支进行调试,得到所述第二深度结构化语义网络对应的第三深度结构化语义网络,包括:
获取文本语义示例集,所述文本语义示例集包括多个数字教育服务会话日志示例分别对应的文本语义示例以及各所述文本语义示例对应的先验语义注释,所述先验语义注释用于指示通过所述第二联动处理分支对所述文本语义示例进行语义抽样操作的抽样语义;
通过所述第二深度结构化语义网络中的所述第二联动处理分支,分别对各所述文本语义示例进行语义抽样操作,得到各所述文本语义示例分别对应的抽样语义预测结果;
确定各所述抽样语义预测结果分别与相应的所述先验语义注释的语义共性值,并将各所述语义共性值进行均值化操作,得到所述深度结构化语义网络的第三调试代价;
依据所述第三调试代价,对所述第二深度结构化语义网络中的所述第二联动处理分支进行变量改进,得到所述第二深度结构化语义网络对应的第三深度结构化语义网络。
在一些示例中,获取第一数字教育服务会话日志集中每个历史数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义,包括:
分别对所述第一数字教育服务会话日志集中每个历史数字教育服务会话日志实施如下步骤:
对所述历史数字教育服务会话日志的文本细粒度进行更改,得到所述历史数字教育服务会话日志对应的第三已调整数字教育服务会话日志;
对所述历史数字教育服务会话日志对应的第三已调整数字教育服务会话日志进行初始语义挖掘操作,得到所述历史数字教育服务会话日志对应的第三初始语义向量;
对所述历史数字教育服务会话日志对应的第三初始语义向量进行语义精炼操作,得到所述历史数字教育服务会话日志对应的第三文本语义精炼向量;
对所述第三文本语义精炼向量进行不同层级的语义抽样操作,得到所述历史数字教育服务会话日志对应的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义。
在一些示例中,所述对所述历史数字教育服务会话日志对应的第三已调整数字教育服务会话日志进行初始语义挖掘操作,得到所述历史数字教育服务会话日志对应的第三初始语义向量,包括:
通过AI算法,对所述历史数字教育服务会话日志对应的第三已调整数字教育服务会话日志进行初始语义挖掘操作,得到所述历史数字教育服务会话日志对应的多个文本语义关系网,并将所述多个文本语义关系网作为第三初始语义向量;
所述对所述历史数字教育服务会话日志对应的第三初始语义向量进行语义精炼操作,得到所述历史数字教育服务会话日志对应的第三文本语义精炼向量,包括:
对所述多个文本语义关系网进行语义聚合操作,得到所述历史数字教育服务会话日志对应的第三文本语义精炼向量。
在一些示例中,所述对所述第三文本语义精炼向量进行不同层级的语义抽样操作,得到所述历史数字教育服务会话日志对应的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义,包括:
分别获取用于对所述第三文本语义精炼向量的文本语义属性值进行滑窗扫描的第一滑窗扫描变量和第二滑窗扫描变量;
将所述第一滑窗扫描变量与所述第三文本语义精炼向量进行语义特征运算得到第一语义特征运算结果,并将所述第二滑窗扫描变量与所述第三文本语义精炼向量进行语义特征运算得到第二语义特征运算结果;
对所述第一语义特征运算结果进行语义特征映射处理,得到所述历史数字教育服务会话日志对应的第一文本属性值的数字教育服务会话文本语义,并对所述第二语义特征运算结果进行语义特征映射处理,得到所述历史数字教育服务会话日志对应的第二文本属性值的数字教育服务会话文本语义。
第二方面,本发明还提供了一种数据管理处理***,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述的方法。
第三方面,本发明还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
应用本发明实施例,在对待管理数字教育服务会话日志进行结构化存储的过程中,先对待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义与第一数字教育服务会话日志集中每个历史数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义进行联合分析,得到对应的第一适配系数,并基于第一适配系数从第一数字教育服务会话日志集中挑选目标个数的历史数字教育服务会话日志,以生成第二数字教育服务会话日志集;而后对待管理数字教育服务会话日志的第二文本属性值的数字教育服务会话文本语义与第二数字教育服务会话日志集中每个历史数字教育服务会话日志的第二文本属性值的数字教育服务会话文本语义进行联合分析,得到对应的第二适配系数,并基于第二适配系数确定待管理数字教育服务会话日志的结构化存储辅助决策结果,结构化存储辅助决策结果中包括与待管理数字教育服务会话日志满足适配条件的目标数字教育服务会话日志,以及目标数字教育服务会话日志对应的结构化存储策略,目标数字教育服务会话日志为第二数字教育服务会话日志集中的其中一个历史数字教育服务会话日志。鉴于第一文本属性值小于第二文本属性值,这样在初次联合分析时,可以通过较为粗略的数字教育服务会话文本语义配对来抽取一定个数的历史数字教育服务会话日志,可以提高整体方案的时效性。进一步地,在后续的联合分析过程中,对于抽取出的一定个数的历史数字教育服务会话日志,可以基于精细的数字教育服务会话文本语义进行联合分析来确定结构化存储辅助决策结果,鉴于精细的数字教育服务会话文本语义所携带的语义特征更为完整准确,这样可以精准可靠地确定出待管理数字教育服务会话日志的结构化存储辅助决策结果,从而利用结构化存储辅助决策结果中包括的目标数字教育服务会话日志以及结构化存储策略实现待管理数字教育服务会话日志的结构化存储,提高待管理数字教育服务会话日志的结构化存储准确性和效率,从而保障数字教育服务会话日志的管理质量。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是本发明实施例提供的一种基于教育数字化的数据管理处理方法的流程示意图。
实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与本发明的一些方面相一致的装置和方法的例子。
需要说明的是,本发明的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本发明实施例所提供的方法实施例可以在数据管理处理***、计算机设备或者类似的运算装置中执行。以运行在数据管理处理***上为例,数据管理处理***可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器,可选的,上述数据管理处理***还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解,上述结构仅为示意,其并不对上述数据管理处理***的结构造成限定。例如,数据管理处理***还可包括比上述所示更多或者更少的组件,或者具有与上述所示不同的配置。
存储器可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的一种基于教育数字化的数据管理处理方法对应的计算机程序,处理器通过运行存储在存储器内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至数据管理处理***。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括数据管理处理***的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
基于此,请参阅图1,图1是本发明实施例所提供的一种基于教育数字化的数据管理处理方法的流程示意图,该方法应用于数据管理处理***,进一步可以包括S101-S103。
S101、获取待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义,以及第一数字教育服务会话日志集中每个历史数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义。
其中,文本属性值可以理解为语义特征维度,所述第一文本属性值小于所述第二文本属性值,所述待管理数字教育服务会话日志为待进行文本结构化存储的数字教育服务会话日志。进一步地,待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义用于表征待管理数字教育服务会话日志的较为粗略的文本特征,待管理数字教育服务会话日志的第二文本属性值的数字教育服务会话文本语义用于表征待管理数字教育服务会话日志的较为精细的文本特征。同理,每个历史数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义用于表征每个历史数字教育服务会话日志的较为粗略的文本特征,每个历史数字教育服务会话日志的第二文本属性值的数字教育服务会话文本语义用于表征每个历史数字教育服务会话日志的较为精细的文本特征。
在本发明实施例中,数字教育服务会话日志是指远程教育客户端与远程教育服务器之间的操作交互文本记录。进一步地,一个数字教育服务会话日志示例如下:
时间戳:2023-09-0615:30:00;
用户ID:123456;
操作类型:提交问题;
内容:我不理解这个题目如何求解?
在这个例子中,该数字教育服务会话日志记录了特定用户(ID为123456)在指定时间(2023年9月6日下午3:30)进行的操作,即提交了一个问题,问题的具体内容是关于相关题目的困惑。
在另外的示例下,数字教育服务会话日志是记录数字教育服务程序运行期间的文本记录。基于此,以下是一些可能包含在数字教育服务会话日志中的示例信息:
1)用户信息:记录用户的身份信息、用户名、角色等;
2)操作记录:包括用户在数字教育服务中执行的各个操作,如浏览课程、提交作业、提问问题等;
3)交互信息:记录用户与***或其他用户之间的交互信息,如聊天记录、讨论区内容等;
4)学习进度:记录用户在学习过程中的进度信息,如已完成的课程数量、学习时长等;
5)错误和异常:记录***发生的错误、异常情况以及相应的错误代码或描述信息;
6)日志时间戳:记录每条日志的生成时间,用于追踪事件发生顺序和时间线。
又比如,待管理数字教育服务会话日志可以包括如下内容:用户A(ID:123456)于2023年9月7日上午10点登录了数字教育服务平台;用户A浏览了课程《数学基础》的内容,并在视频学习页面停留了20分钟;用户A提交了课后作业,作业编号为HW001;用户A在讨论区发表了一个问题:“请问如何解决第三题的难点?”用户B回复了用户A的问题,并提供了解决方案;***记录了用户A完成《数学基础》课程的进度为30%;在用户A提交作业时,***发生了一个错误(错误代码:500),并记录了错误信息:“无法上传文件,请稍后再试”;日志时间戳:2023年9月7日上午10点15分。上述示例展示了数字教育服务会话日志中可能包含的各种信息,用于记录用户的活动、***运行情况以及与其他用户的交互等。
在上述示例的基础上,待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义可以是相对简要的语义特征,用于实现数字教育服务会话日志的初筛,待管理数字教育服务会话日志的第二文本属性值的数字教育服务会话文本语义可以是相对复杂的语义特征,用于实现数字教育服务会话日志的精筛。本发明实施例中的数字教育服务会话文本语义可以通过特征向量(比如整数型特征或者浮点型特征)进行表示,具体的特征向量数值可以依据实际情况进行灵活选择,在此不作限定。
S102、对所述待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义与所述第一数字教育服务会话日志集中每个历史数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义进行联合分析,得到对应的第一适配系数,并依据所述第一适配系数从所述第一数字教育服务会话日志集中挑选目标个数的历史数字教育服务会话日志,以生成第二数字教育服务会话日志集。
其中,联合分析可以理解为匹配分析,适配系数可以理解为匹配度。进一步地,基于第一文本属性值的数字教育服务会话文本语义的联合分析可以理解为初筛处理,从而快速扫描第一数字教育服务会话日志集中每个历史数字教育服务会话日志,以通过第一适配系数选取出目标个数的历史数字教育服务会话日志,从而得到个数相对较少的第二数字教育服务会话日志集。
S103、对所述待管理数字教育服务会话日志的第二文本属性值的数字教育服务会话文本语义与所述第二数字教育服务会话日志集中每个历史数字教育服务会话日志的第二文本属性值的数字教育服务会话文本语义进行联合分析,得到对应的第二适配系数,并依据所述第二适配系数确定所述待管理数字教育服务会话日志的结构化存储辅助决策结果。
其中,所述结构化存储辅助决策结果中包括与所述待管理数字教育服务会话日志满足适配条件的目标数字教育服务会话日志,以及所述目标数字教育服务会话日志对应的结构化存储策略,所述目标数字教育服务会话日志为所述第二数字教育服务会话日志集中的其中一个历史数字教育服务会话日志。
可以理解,在获得第二数字教育服务会话日志集之后,可以依据第二文本属性值的数字教育服务会话文本语义实现精筛处理,从而基于第二适配系数确定出结构化存储辅助决策结果。在本发明实施例中,适配系数还可以通过余弦相似度来表达。
应用本发明实施例,在对待管理数字教育服务会话日志进行结构化存储的过程中,先对待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义与第一数字教育服务会话日志集中每个历史数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义进行联合分析,得到对应的第一适配系数,并基于第一适配系数从第一数字教育服务会话日志集中挑选目标个数的历史数字教育服务会话日志,以生成第二数字教育服务会话日志集;而后对待管理数字教育服务会话日志的第二文本属性值的数字教育服务会话文本语义与第二数字教育服务会话日志集中每个历史数字教育服务会话日志的第二文本属性值的数字教育服务会话文本语义进行联合分析,得到对应的第二适配系数,并基于第二适配系数确定待管理数字教育服务会话日志的结构化存储辅助决策结果,结构化存储辅助决策结果中包括与待管理数字教育服务会话日志满足适配条件的目标数字教育服务会话日志,以及目标数字教育服务会话日志对应的结构化存储策略,目标数字教育服务会话日志为第二数字教育服务会话日志集中的其中一个历史数字教育服务会话日志。鉴于第一文本属性值小于第二文本属性值,这样在初次联合分析时,可以通过较为粗略的数字教育服务会话文本语义配对来抽取一定个数的历史数字教育服务会话日志,可以提高整体方案的时效性。进一步地,在后续的联合分析过程中,对于抽取出的一定个数的历史数字教育服务会话日志,可以基于精细的数字教育服务会话文本语义进行联合分析来确定结构化存储辅助决策结果,鉴于精细的数字教育服务会话文本语义所携带的语义特征更为完整准确,这样可以精准可靠地确定出待管理数字教育服务会话日志的结构化存储辅助决策结果,从而利用结构化存储辅助决策结果中包括的目标数字教育服务会话日志以及结构化存储策略实现待管理数字教育服务会话日志的结构化存储,提高待管理数字教育服务会话日志的结构化存储准确性和效率,从而保障数字教育服务会话日志的管理质量。
换言之,基于上述技术方案可以达到如下有益效果:
(1)提高筛选效率:通过对待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义进行联合分析,可以快速初筛出第二数字教育服务会话日志集。这样可以减少需要进一步分析和处理的日志数量,节省时间和资源;
(2)提高筛选精度:在初筛的基础上,通过对待管理数字教育服务会话日志的第二文本属性值的数字教育服务会话文本语义与第二数字教育服务会话日志集中每个历史数字教育服务会话日志的第二文本属性值的数字教育服务会话文本语义进行联合分析,可以进一步筛选出符合特定条件或要求的目标数字教育服务会话日志。这样可以确保选取的日志更加准确和相关;
(3)生成结构化存储辅助决策结果:根据第一适配系数和第二适配系数确定待管理数字教育服务会话日志的结构化存储辅助决策结果。该决策结果包括满足适配条件的目标数字教育服务会话日志和相应的结构化存储策略。这样可以为管理数字教育服务会话日志提供更具体和实用的决策方案,有助于组织和利用这些日志的价值;
(4)优化资源利用:通过初筛和精筛的过程,可以避免不必要的分析和处理,减少了对计算资源和存储空间的需求。只选择目标数字教育服务会话日志进行进一步处理,可以更高效地利用有限的资源,并降低相关成本。
在一些可选的实施例中,S101中的获取待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义,包括S1011和S1012。
S1011、对所述待管理数字教育服务会话日志的文本细粒度进行更改,得到所述待管理数字教育服务会话日志对应的第一已调整数字教育服务会话日志和第二已调整数字教育服务会话日志。
其中,文本细粒度用于表征待管理数字教育服务会话日志的内容丰富程度。文本细粒度越高,待管理数字教育服务会话日志的内容越丰富,文本细粒度越低,待管理数字教育服务会话日志的内容越简要。进一步地,第一已调整数字教育服务会话日志对应第一文本属性值的数字教育服务会话日志,第二已调整数字教育服务会话日志对应第二文本属性值的数字教育服务会话日志。
以待管理数字教育服务会话日志为一段详细描述学生问题和反馈的内容为例,将该日志进行文本细粒度的更改,调整为第一已调整数字教育服务会话日志和第二已调整数字教育服务会话日志。第一已调整数字教育服务会话日志可能是经过摘要处理,提取出主要问题和关键信息的简短描述。而第二已调整数字教育服务会话日志可能是经过筛选和分类,只保留与特定主题或领域相关的内容。
S1012、分别对所述待管理数字教育服务会话日志对应的第一已调整数字教育服务会话日志和第二已调整数字教育服务会话日志进行语义挖掘操作,得到所述待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义。
对于第一已调整数字教育服务会话日志,可以使用自然语言处理技术,如文本分类、关键词提取或情感分析等方法,来挖掘其语义。通过这些技术,可以了解该日志涉及的主题、重要问题或关键词,并获取与之相关的数字教育服务会话文本语义。同样地,对于第二已调整数字教育服务会话日志,也可以应用类似的语义挖掘技术。这些技术可以帮助理解该日志所涵盖的特定领域或主题的语义含义,进一步深入挖掘其中的信息和洞察。
总之,通过S1011和S1012,对待管理数字教育服务会话日志进行了细粒度的调整,并通过语义挖掘操作获得了第一文本属性值和第二文本属性值的数字教育服务会话文本语义,这样的操作有助于更好地理解和利用这些日志中的信息。
此外,通过S1011和S1012,至少还可以达到如下有益效果:
(1)个性化调整和挖掘:通过对待管理数字教育服务会话日志进行文本细粒度调整,可以根据具体需求和目标,将日志内容进行个性化调整,生成第一已调整数字教育服务会话日志和第二已调整数字教育服务会话日志。这样能够更好地满足特定要求和应用场景,提供更具针对性和实用性的日志数据;
(2)简化信息处理:通过对第一已调整数字教育服务会话日志和第二已调整数字教育服务会话日志进行语义挖掘操作,可以从日志中提取关键信息、主题和语义含义。这样帮助用户减少对大量原始日志的处理和分析工作,使得所需的信息更加明确和易于理解,简化了信息处理的复杂性;
(3)提高挖掘效率和准确性:通过语义挖掘操作,可以运用自然语言处理技术和机器学习算法来深入理解日志文本的语义和隐藏信息。这样能够快速、自动化地从大量数据中提取有价值的知识和洞见,提高挖掘效率,并提供更准确和可靠的语义分析结果;
(4)定制化应用和决策支持:通过个性化调整和语义挖掘,得到第一文本属性值和第二文本属性值的数字教育服务会话文本语义。这样可以为特定的应用场景、问题解决方案或决策提供定制化的数据支持。通过深入理解日志信息的含义和上下文,可以更好地支持相关领域的应用开发、业务决策和创新研究。
综上所述,S1011和S1012中的个性化调整和语义挖掘操作带来了多方面的有益效果,包括提高信息处理效率、准确性和定制化应用能力,为数字教育服务会话日志的管理和分析提供了更加灵活和智能化的解决方案。
在一些示例中,S1012中的分别对所述待管理数字教育服务会话日志对应的第一已调整数字教育服务会话日志和第二已调整数字教育服务会话日志进行语义挖掘操作,得到所述待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义,包括S10121-S10123。
S10121、分别对所述待管理数字教育服务会话日志的第一已调整数字教育服务会话日志和所述第二已调整数字教育服务会话日志进行初始语义挖掘操作,得到所述待管理数字教育服务会话日志的第一初始语义向量和第二初始语义向量。
S10122、分别对所述待管理数字教育服务会话日志的第一初始语义向量及所述第二初始语义向量进行语义精炼操作,得到所述待管理数字教育服务会话日志对应的第一文本语义精炼向量和第二文本语义精炼向量。
其中,语义精炼操作为池化操作,文本语义精炼向量为语义池化向量。
S10123、分别对所述第一文本语义精炼向量和所述第二文本语义精炼向量进行语义抽样操作,得到所述待管理数字教育服务会话日志对应的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义。
其中,语义抽样操作为语义采样处理。
在S1011中,已经得到了第一已调整数字教育服务会话日志和第二已调整数字教育服务会话日志。现在,根据S10121,对这两个调整后的日志进行初始语义挖掘操作,得到待管理数字教育服务会话日志的第一初始语义向量和第二初始语义向量。
假设第一已调整数字教育服务会话日志是一段描述学生问题和解决方案的文本,而第二已调整数字教育服务会话日志只包含与特定主题相关的信息。通过初始语义挖掘操作,将使用自然语言处理技术,如词嵌入、主题建模或情感分析等方法,对这两个日志进行语义分析。这样可以生成第一初始语义向量和第二初始语义向量,用于表示日志文本的初始语义信息。
根据S10122,将进一步对第一初始语义向量和第二初始语义向量进行语义精炼操作,以获得待管理数字教育服务会话日志的第一文本语义精炼向量和第二文本语义精炼向量。语义精炼操作采用池化操作,即将向量数据聚合为单个值。
对于第一初始语义向量和第二初始语义向量,可以应用池化方法,如平均池化或最大池化,来将向量中的信息进行聚合。这样得到的第一文本语义精炼向量和第二文本语义精炼向量代表了相应日志的整体语义含义,但通过一个单一的值来表示。
在S10123中,根据S10123,将对第一文本语义精炼向量和第二文本语义精炼向量进行语义抽样操作,以获得待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义。语义抽样操作是对语义向量进行采样处理。
假设第一文本语义精炼向量代表学生问题的重要性,而第二文本语义精炼向量代表所讨论的主题的深度。通过语义抽样操作,可以从这两个向量中获取具体的语义信息。例如,可能通过比较第一文本语义精炼向量的大小来确定学生问题的优先级。同样地,可以通过比较第二文本语义精炼向量的值来判断讨论主题的相关程度。
综上所述,S10121到S10123中的操作通过初始语义挖掘、语义精炼和语义抽样,对待管理数字教育服务会话日志进行了多层次的语义处理。这些操作有助于提取日志的语义信息,并从中获取特定的文本属性值的数字教育服务会话文本语义。这样的处理流程可以为进一步分析和应用提供更具体、准确和有意义的语义表示。
在本发明实施例中,所述语义挖掘操作是通过深度结构化语义网络实现的,所述深度结构化语义网络包括初始语义向量挖掘分支、文本语义精炼分支和第二联动处理分支(第二匹配分支)。基于此,S1012中的对所述待管理数字教育服务会话日志对应的第一已调整数字教育服务会话日志和第二已调整数字教育服务会话日志进行语义挖掘操作,得到所述待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义,包括:通过所述初始语义向量挖掘分支,分别对所述第一已调整数字教育服务会话日志和所述第二已调整数字教育服务会话日志进行初始语义挖掘操作,得到所述待管理数字教育服务会话日志的第一初始语义向量和第二初始语义向量;通过所述文本语义精炼分支,分别对所述第一初始语义向量和所述第二初始语义向量进行语义精炼操作,得到所述待管理数字教育服务会话日志对应的第一文本语义精炼向量和第二文本语义精炼向量;通过所述第二联动处理分支,对所述第一文本语义精炼向量进行语义抽样操作,得到所述待管理数字教育服务会话日志对应的第一文本属性值的数字教育服务会话文本语义;对所述第二文本语义精炼向量进行语义下采样,得到所述待管理数字教育服务会话日志对应的第二文本属性值的数字教育服务会话文本语义。
在一些示例下,所述深度结构化语义网络还包括第一联动处理分支。基于此,所述方法还包括S201-S204。
S201、获取通用深度结构化语义网络以及数字教育服务会话日志示例。
其中,通用深度结构化语义网络为待训练的深度结构化语义网络。数字教育服务会话日志示例为数字教育服务会话日志样本。
S202、依据所述数字教育服务会话日志示例,对所述通用深度结构化语义网络中的所述初始语义向量挖掘分支进行调试,得到所述通用深度结构化语义网络对应的第一深度结构化语义网络。
S203、维持所述第一深度结构化语义网络中所述初始语义向量挖掘分支的变量不变,对所述第一深度结构化语义网络中的所述第一联动处理分支进行调试,得到所述第一深度结构化语义网络对应的第二深度结构化语义网络。
S204、维持所述第一深度结构化语义网络中所述初始语义向量挖掘分支的变量以及所述第一深度结构化语义网络中的所述第一联动处理分支的变量不变,对所述第二深度结构化语义网络中的所述第二联动处理分支进行调试,得到所述第二深度结构化语义网络对应的第三深度结构化语义网络,并将所述第三深度结构化语义网络作为所述深度结构化语义网络。
可见,通过对数字教育服务会话日志示例进行调试,能够使用通用深度结构化语义网络中的初始语义向量挖掘分支来提取文本数据的初始语义表示。这样可以增加模型对输入文本的理解能力,使得模型能够更好地捕捉文本的语义信息。在第一深度结构化语义网络中,保持初始语义向量挖掘分支的变量不变,并对第一联动处理分支进行调试。这样做的效果是进一步优化初始语义向量表示,通过结合上下文信息和语义关联性来提高文本的语义表达能力。这使得模型能够更准确地理解文本的含义,并将其反映在语义向量中。继续保持第一深度结构化语义网络中初始语义向量挖掘分支和第一联动处理分支的变量不变,并对第二联动处理分支进行调试。这一步骤的效果是进一步优化语义向量表示,通过更深层次的语义关联处理来提升文本的语义表达能力。由于第二联动处理分支建立在前两个分支的基础上,它能够更好地利用先前处理的语义信息,进一步提高模型对文本语义的理解能力。
综上,通过经过多次调试和优化,得到了经过初始语义向量挖掘分支、第一联动处理分支和第二联动处理分支的深度结构化语义网络。这个网络能够更准确地从输入文本中提取语义信息,并将其表示为语义向量的形式。这样的深度结构化语义网络在数字教育服务中具有重要的应用潜力,例如结构化存储、自动化问答***、学习内容推荐等。
在一些示例中,S202中的依据所述数字教育服务会话日志示例,对所述通用深度结构化语义网络中的所述初始语义向量挖掘分支进行调试,得到所述通用深度结构化语义网络对应的第一深度结构化语义网络,包括S2021-S2024。
S2021、对所述数字教育服务会话日志示例的文本细粒度进行更改,得到所述数字教育服务会话日志示例对应的第一已调整数字教育服务会话日志和第二已调整数字教育服务会话日志,并以所述数字教育服务会话日志示例对应的第一已调整数字教育服务会话日志为初始调试示例、以所述数字教育服务会话日志示例对应的第二已调整数字教育服务会话日志为积极示例,以剩余数字教育服务会话日志示例为消极示例。
S2022、通过所述通用深度结构化语义网络中的所述初始语义向量挖掘分支,分别对所述初始调试示例、所述积极示例和所述消极示例进行初始语义挖掘操作,得到对应的初始调试示例语义、积极示例语义和消极示例语义。
S2023、获取所述初始调试示例语义与所述积极示例语义之间的第一语义共性值以及所述初始调试示例语义与所述消极示例语义之间的第二语义共性值,并依据所述第一语义共性值及所述第二语义共性值生成所述通用深度结构化语义网络的第一调试代价。
S2024、依据所述第一调试代价对所述通用深度结构化语义网络中的所述初始语义向量挖掘分支进行变量改进,得到所述通用深度结构化语义网络对应的第一深度结构化语义网络。
可以理解,应用S2021-S2024,通过对数字教育服务会话日志示例进行文本细粒度的更改,创建了第一已调整数字教育服务会话日志和第二已调整数字教育服务会话日志。这样做的好处是,能够拥有不同版本的会话日志,覆盖了更多的语义表达方式和场景,为模型提供更丰富的训练数据。使用通用深度结构化语义网络中的初始语义向量挖掘分支,对初始调试示例、积极示例和消极示例进行初始语义挖掘操作。这将使得模型能够从不同类型的示例中学习到它们的语义信息,进一步增强了模型对文本的理解能力。计算初始调试示例语义与积极示例语义之间的第一语义共性值和初始调试示例语义与消极示例语义之间的第二语义共性值。这些共性值反映了不同示例之间的语义相似性程度,能够帮助评估模型在处理不同类别示例时的表现,为后续调优提供指导。根据计算得到的第一调试代价,对通用深度结构化语义网络中的初始语义向量挖掘分支进行变量改进。这些改进将使模型能够更好地捕捉文本的初始语义表示,增强模型在初始语义挖掘阶段的性能,并为后续的联动处理分支提供更准确、有针对性的语义信息。
以上步骤的组合能够增加模型在数字教育服务中的语义理解和处理能力。通过使用不同版本的会话日志示例,引入丰富的语义表达方式和场景,模型能够更好地适应各种实际情况。同时,通过优化初始语义向量挖掘分支和生成第一调试代价,模型能够更准确地提取和表示文本的语义信息,为后续的处理步骤提供更可靠的基础。
在一些可选的示例中,S203中的对所述第一深度结构化语义网络中的所述第一联动处理分支进行调试,得到所述第一深度结构化语义网络对应的第二深度结构化语义网络,包括S2031-S2033。
S2031、通过所述第一深度结构化语义网络中的所述第一联动处理分支,分别对所述初始调试示例语义、所述积极示例语义和所述消极示例语义进行语义抽样操作,得到对应的初始调试示例抽样语义、积极示例抽样语义和消极示例抽样语义。
S2032、获取所述初始调试示例抽样语义与所述积极示例抽样语义之间的第三语义共性值以及所述初始调试示例抽样语义与所述消极示例抽样语义之间的第四语义共性值,并依据所述第三语义共性值及所述第四语义共性值生成所述第一深度结构化语义网络的第二调试代价。
S2033、依据所述第二调试代价对所述第一深度结构化语义网络中的所述第一联动处理分支进行变量改进,得到所述第一深度结构化语义网络对应的第二深度结构化语义网络。
在本发明实施例中,使用第一深度结构化语义网络中的第一联动处理分支,对初始调试示例语义、积极示例语义和消极示例语义进行语义抽样操作。这将使得模型能够从示例中提取关键语义信息,并生成对应的抽样语义表示。计算初始调试示例抽样语义与积极示例抽样语义之间的第三语义共性值和初始调试示例抽样语义与消极示例抽样语义之间的第四语义共性值。这些共性值反映了抽样语义之间的相似性程度,能够帮助评估模型在处理不同类型抽样语义时的表现,并为后续调优提供指导。基于计算得到的第二调试代价,对第一深度结构化语义网络中的第一联动处理分支进行变量改进。通过优化联动处理分支的参数和权重,模型能够更准确地捕捉抽样语义之间的关联关系,提高模型在语义推理和联动处理阶段的性能。
综上,应用S2031-S2033,能够增强模型在数字教育服务中的语义理解和联动处理能力。通过语义抽样操作和计算语义共性值,模型能够更好地理解示例之间的语义相似性和差异性,并根据这些信息进行模型的调优和改进。优化后的第二深度结构化语义网络将具备更高的表达能力和推理能力。
在一些示例中,S204中的对所述第二深度结构化语义网络中的所述第二联动处理分支进行调试,得到所述第二深度结构化语义网络对应的第三深度结构化语义网络,包括:获取文本语义示例集,所述文本语义示例集包括多个数字教育服务会话日志示例分别对应的文本语义示例以及各所述文本语义示例对应的先验语义注释(特征标签),所述先验语义注释用于指示通过所述第二联动处理分支对所述文本语义示例进行语义抽样操作的抽样语义;通过所述第二深度结构化语义网络中的所述第二联动处理分支,分别对各所述文本语义示例进行语义抽样操作,得到各所述文本语义示例分别对应的抽样语义预测结果;确定各所述抽样语义预测结果分别与相应的所述先验语义注释的语义共性值,并将各所述语义共性值进行均值化操作,得到所述深度结构化语义网络的第三调试代价;依据所述第三调试代价,对所述第二深度结构化语义网络中的所述第二联动处理分支进行变量改进,得到所述第二深度结构化语义网络对应的第三深度结构化语义网络。
基于上述内容,能够进一步提升第三深度结构化语义网络的性能。通过使用文本语义示例集和先验语义注释,模型可以更准确地进行语义抽样操作,并生成与先验注释相关的抽样语义预测结果。计算得到的语义共性值有助于评估模型在处理不同示例时的表现,并指导模型的改进。通过变量改进,第三深度结构化语义网络可以更好地理解和表达文本语义。
在一些示例中,S101中的获取第一数字教育服务会话日志集中每个历史数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义,包括:分别对所述第一数字教育服务会话日志集中每个历史数字教育服务会话日志实施如下步骤:对所述历史数字教育服务会话日志的文本细粒度进行更改,得到所述历史数字教育服务会话日志对应的第三已调整数字教育服务会话日志;对所述历史数字教育服务会话日志对应的第三已调整数字教育服务会话日志进行初始语义挖掘操作,得到所述历史数字教育服务会话日志对应的第三初始语义向量;对所述历史数字教育服务会话日志对应的第三初始语义向量进行语义精炼操作,得到所述历史数字教育服务会话日志对应的第三文本语义精炼向量;对所述第三文本语义精炼向量进行不同层级(不同程度)的语义抽样操作,得到所述历史数字教育服务会话日志对应的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义。
在获取第一数字教育服务会话日志集中的历史数字教育服务会话日志的文本属性值时,采取了一系列步骤来获得数字教育服务会话的文本语义。这些步骤包括:文本细粒度更改:对每个历史数字教育服务会话日志的文本进行细微调整,以获得相应的第三已调整数字教育服务会话日志。这样做可以确保文本更符合模型的语义理解需求;初始语义挖掘:对第三已调整数字教育服务会话日志进行初始语义挖掘操作,以获得对应的第三初始语义向量。这一步骤旨在从文本中提取关键的初始语义信息;语义精炼:对第三初始语义向量进行语义精炼操作,得到第三文本语义精炼向量。通过进一步的处理和优化,可以提升文本语义向量的质量和表达能力;语义抽样:对第三文本语义精炼向量进行不同层级或程度的语义抽样操作,从中得到第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义。这样可以获得与不同属性值相关的语义信息,帮助模型更好地理解和处理不同类型的文本。
可见,通过对历史数字教育服务会话日志进行细微调整、初始语义挖掘、语义精炼和语义抽样等操作,能够提升文本语义的质量和表达能力。这有助于模型更准确地理解和处理数字教育服务会话中的文本信息,并从中提取出与不同属性值相关的语义信息。
在另一些可能的实施例中,所述对所述历史数字教育服务会话日志对应的第三已调整数字教育服务会话日志进行初始语义挖掘操作,得到所述历史数字教育服务会话日志对应的第三初始语义向量,包括:通过AI算法,对所述历史数字教育服务会话日志对应的第三已调整数字教育服务会话日志进行初始语义挖掘操作,得到所述历史数字教育服务会话日志对应的多个文本语义关系网(文本语义特征图),并将所述多个文本语义关系网作为第三初始语义向量;所述对所述历史数字教育服务会话日志对应的第三初始语义向量进行语义精炼操作,得到所述历史数字教育服务会话日志对应的第三文本语义精炼向量,包括:对所述多个文本语义关系网进行语义聚合操作,得到所述历史数字教育服务会话日志对应的第三文本语义精炼向量。
其中,AI算法可以是卷积神经网络模型,通过AI算法进行初始语义挖掘操作,能够更准确地捕捉历史数字教育服务会话日志中的语义信息。使用多个文本语义关系网作为第三初始语义向量,可以包含更丰富、全面的语义关联信息,提高模型对文本语义的理解能力和表达能力。通过对多个文本语义关系网进行语义聚合操作,得到第三文本语义精炼向量。这种方式可以减少对大规模语义图谱或复杂计算模型的依赖,从而降低了运算资源的开销。同时,语义聚合操作也可以提高计算效率,使得处理大量历史数字教育服务会话日志的语义精炼更加高效。
综上,通过采用AI算法进行初始语义挖掘和语义精炼操作,可以提升运算精度并降低资源开销。这样做能够增强模型对历史数字教育服务会话日志中的文本语义理解能力,并在保持计算效率的同时提供更准确、全面的文本语义特征表示,为后续的数字教育服务提供更精准、个性化的支持和建议。
在一些示例中,所述对所述第三文本语义精炼向量进行不同层级的语义抽样操作,得到所述历史数字教育服务会话日志对应的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义,包括:分别获取用于对所述第三文本语义精炼向量的文本语义属性值进行滑窗扫描的第一滑窗扫描变量和第二滑窗扫描变量;将所述第一滑窗扫描变量与所述第三文本语义精炼向量进行语义特征运算得到第一语义特征运算结果,并将所述第二滑窗扫描变量与所述第三文本语义精炼向量进行语义特征运算得到第二语义特征运算结果;对所述第一语义特征运算结果进行语义特征映射处理,得到所述历史数字教育服务会话日志对应的第一文本属性值的数字教育服务会话文本语义,并对所述第二语义特征运算结果进行语义特征映射处理,得到所述历史数字教育服务会话日志对应的第二文本属性值的数字教育服务会话文本语义。其中,滑窗扫描包括压缩处理,语义特征运算包括特征乘法处理,语义特征映射处理包括非线性处理。
通过对第三文本语义精炼向量的不同层级的语义抽样操作,可以获得与第一文本属性值和第二文本属性值相关的数字教育服务会话文本语义。这些操作能够充分利用滑窗扫描变量、语义特征运算和语义特征映射处理等手段,使得模型能够更好地表达不同文本属性值的语义信息。通过使用具体的语义特征运算和语义特征映射处理方法,可以捕捉到更细致和准确的语义关联,从而提高对历史数字教育服务会话日志中文本属性值的建模和预测效果。采用非线性处理方法能够更好地处理复杂关系,增强模型的拟合能力。上述操作在提升语义表达能力的同时,也需要合理考虑计算资源的开销。通过对滑窗扫描的压缩处理和采用非线性处理方法,可以降低计算复杂度,提高效率。
可见,通过对第三文本语义精炼向量的不同层级语义抽样操作,结合滑窗扫描、语义特征运算和语义特征映射处理等技术,可以提高对历史数字教育服务会话日志中文本属性值的语义建模和预测精度,同时控制资源开销。这将有助于提供更精准、个性化的数字教育服务支持和建议。
以下是关于待管理数字教育服务会话日志的结构化存储介绍示例。假设有一个数字教育服务平台,每个学生在使用平台时产生一份会话日志,记录了他们的问题、答案、学习进展等信息。为了更有效地管理这些会话日志,可以采用以下结构化存储策略:
数据库存储:将会话日志以结构化数据的形式存储在数据库中。可以使用关系型数据库(如MySQL)或非关系型数据库(如MongoDB)来存储会话日志。通过定义适当的表和字段,可以将会话日志按照学生、课程、时间等维度进行组织和检索;
文本分析与分类:对会话日志进行文本分析和分类,提取出关键信息,并将其存储在相应的字段或标签中。例如,可以使用自然语言处理技术对问题进行分词、命名实体识别等处理,并将结果存储在相应的字段中,方便后续的数据分析和决策支持;
关联数据:将会话日志与其他相关数据进行关联。例如,可以将学生的会话日志与其个人信息、学习成绩等关联起来,以便更全面地了解学生的学习情况和需求。这样的关联能够为决策提供更丰富的背景信息;
数据索引与搜索:为会话日志建立索引,以支持快速检索和搜索功能。通过合理的索引设计,可以加快数据访问速度,并提高对特定条件的查询效率;
数据备份与安全性:采取适当的数据备份措施,确保会话日志的安全性和可靠性。定期备份数据,同时设置访问权限和加密措施,以保护敏感信息的机密性;
这样的结构化存储策略能够使更好地管理和利用历史数字教育服务会话日志,从而为决策提供准确、及时的数据支持,并为后续的数据分析、模型训练等任务打下坚实基础。
其中,上述的结构化存储策略是目标数字教育服务会话日志对应的结构化存储策略,鉴于目标数字教育服务会话日志和待管理数字教育服务会话日志满足适配条件,因此结构化存储策略可以转用到待管理数字教育服务会话日志中。
进一步地,还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、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,所述模块、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方式中,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,两个连续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动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。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术作出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于教育数字化的数据管理处理方法,其特征在于,应用于数据管理处理***,所述方法包括:
获取待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义,以及第一数字教育服务会话日志集中每个历史数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义,其中,所述第一文本属性值小于所述第二文本属性值,所述待管理数字教育服务会话日志为待进行文本结构化存储的数字教育服务会话日志;
对所述待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义与所述第一数字教育服务会话日志集中每个历史数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义进行联合分析,得到对应的第一适配系数,并依据所述第一适配系数从所述第一数字教育服务会话日志集中挑选目标个数的历史数字教育服务会话日志,以生成第二数字教育服务会话日志集;
对所述待管理数字教育服务会话日志的第二文本属性值的数字教育服务会话文本语义与所述第二数字教育服务会话日志集中每个历史数字教育服务会话日志的第二文本属性值的数字教育服务会话文本语义进行联合分析,得到对应的第二适配系数,并依据所述第二适配系数确定所述待管理数字教育服务会话日志的结构化存储辅助决策结果;其中,所述结构化存储辅助决策结果中包括与所述待管理数字教育服务会话日志满足适配条件的目标数字教育服务会话日志,以及所述目标数字教育服务会话日志对应的结构化存储策略,所述目标数字教育服务会话日志为所述第二数字教育服务会话日志集中的其中一个历史数字教育服务会话日志。
2.根据权利要求1所述的方法,其特征在于,所述获取待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义,包括:
对所述待管理数字教育服务会话日志的文本细粒度进行更改,得到所述待管理数字教育服务会话日志对应的第一已调整数字教育服务会话日志和第二已调整数字教育服务会话日志;
分别对所述待管理数字教育服务会话日志对应的第一已调整数字教育服务会话日志和第二已调整数字教育服务会话日志进行语义挖掘操作,得到所述待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义。
3.根据权利要求2所述的方法,其特征在于,所述分别对所述待管理数字教育服务会话日志对应的第一已调整数字教育服务会话日志和第二已调整数字教育服务会话日志进行语义挖掘操作,得到所述待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义,包括:
分别对所述待管理数字教育服务会话日志的第一已调整数字教育服务会话日志和所述第二已调整数字教育服务会话日志进行初始语义挖掘操作,得到所述待管理数字教育服务会话日志的第一初始语义向量和第二初始语义向量;
分别对所述待管理数字教育服务会话日志的第一初始语义向量及所述第二初始语义向量进行语义精炼操作,得到所述待管理数字教育服务会话日志对应的第一文本语义精炼向量和第二文本语义精炼向量;
分别对所述第一文本语义精炼向量和所述第二文本语义精炼向量进行语义抽样操作,得到所述待管理数字教育服务会话日志对应的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义。
4.根据权利要求2所述的方法,其特征在于,所述语义挖掘操作是通过深度结构化语义网络实现的,所述深度结构化语义网络包括初始语义向量挖掘分支、文本语义精炼分支和第二联动处理分支;
所述对所述待管理数字教育服务会话日志对应的第一已调整数字教育服务会话日志和第二已调整数字教育服务会话日志进行语义挖掘操作,得到所述待管理数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义,包括:
通过所述初始语义向量挖掘分支,分别对所述第一已调整数字教育服务会话日志和所述第二已调整数字教育服务会话日志进行初始语义挖掘操作,得到所述待管理数字教育服务会话日志的第一初始语义向量和第二初始语义向量;
通过所述文本语义精炼分支,分别对所述第一初始语义向量和所述第二初始语义向量进行语义精炼操作,得到所述待管理数字教育服务会话日志对应的第一文本语义精炼向量和第二文本语义精炼向量;
通过所述第二联动处理分支,对所述第一文本语义精炼向量进行语义抽样操作,得到所述待管理数字教育服务会话日志对应的第一文本属性值的数字教育服务会话文本语义;
对所述第二文本语义精炼向量进行语义下采样,得到所述待管理数字教育服务会话日志对应的第二文本属性值的数字教育服务会话文本语义。
5.根据权利要求4所述的方法,其特征在于,所述深度结构化语义网络还包括第一联动处理分支,所述方法还包括:
获取通用深度结构化语义网络以及数字教育服务会话日志示例;其中,所述通用深度结构化语义网络为待训练的深度结构化语义网络;
依据所述数字教育服务会话日志示例,对所述通用深度结构化语义网络中的所述初始语义向量挖掘分支进行调试,得到所述通用深度结构化语义网络对应的第一深度结构化语义网络;
维持所述第一深度结构化语义网络中所述初始语义向量挖掘分支的变量不变,对所述第一深度结构化语义网络中的所述第一联动处理分支进行调试,得到所述第一深度结构化语义网络对应的第二深度结构化语义网络;
维持所述第一深度结构化语义网络中所述初始语义向量挖掘分支的变量以及所述第一深度结构化语义网络中的所述第一联动处理分支的变量不变,对所述第二深度结构化语义网络中的所述第二联动处理分支进行调试,得到所述第二深度结构化语义网络对应的第三深度结构化语义网络,并将所述第三深度结构化语义网络作为所述深度结构化语义网络;
其中,所述依据所述数字教育服务会话日志示例,对所述通用深度结构化语义网络中的所述初始语义向量挖掘分支进行调试,得到所述通用深度结构化语义网络对应的第一深度结构化语义网络,包括:
对所述数字教育服务会话日志示例的文本细粒度进行更改,得到所述数字教育服务会话日志示例对应的第一已调整数字教育服务会话日志和第二已调整数字教育服务会话日志,并以所述数字教育服务会话日志示例对应的第一已调整数字教育服务会话日志为初始调试示例、以所述数字教育服务会话日志示例对应的第二已调整数字教育服务会话日志为积极示例,以剩余数字教育服务会话日志示例为消极示例;
通过所述通用深度结构化语义网络中的所述初始语义向量挖掘分支,分别对所述初始调试示例、所述积极示例和所述消极示例进行初始语义挖掘操作,得到对应的初始调试示例语义、积极示例语义和消极示例语义;
获取所述初始调试示例语义与所述积极示例语义之间的第一语义共性值以及所述初始调试示例语义与所述消极示例语义之间的第二语义共性值,并依据所述第一语义共性值及所述第二语义共性值生成所述通用深度结构化语义网络的第一调试代价;
依据所述第一调试代价对所述通用深度结构化语义网络中的所述初始语义向量挖掘分支进行变量改进,得到所述通用深度结构化语义网络对应的第一深度结构化语义网络。
6.根据权利要求5所述的方法,其特征在于,所述对所述第一深度结构化语义网络中的所述第一联动处理分支进行调试,得到所述第一深度结构化语义网络对应的第二深度结构化语义网络,包括:
通过所述第一深度结构化语义网络中的所述第一联动处理分支,分别对所述初始调试示例语义、所述积极示例语义和所述消极示例语义进行语义抽样操作,得到对应的初始调试示例抽样语义、积极示例抽样语义和消极示例抽样语义;
获取所述初始调试示例抽样语义与所述积极示例抽样语义之间的第三语义共性值以及所述初始调试示例抽样语义与所述消极示例抽样语义之间的第四语义共性值,并依据所述第三语义共性值及所述第四语义共性值生成所述第一深度结构化语义网络的第二调试代价;
依据所述第二调试代价对所述第一深度结构化语义网络中的所述第一联动处理分支进行变量改进,得到所述第一深度结构化语义网络对应的第二深度结构化语义网络。
7.根据权利要求5所述的方法,其特征在于,所述对所述第二深度结构化语义网络中的所述第二联动处理分支进行调试,得到所述第二深度结构化语义网络对应的第三深度结构化语义网络,包括:
获取文本语义示例集,所述文本语义示例集包括多个数字教育服务会话日志示例分别对应的文本语义示例以及各所述文本语义示例对应的先验语义注释,所述先验语义注释用于指示通过所述第二联动处理分支对所述文本语义示例进行语义抽样操作的抽样语义;
通过所述第二深度结构化语义网络中的所述第二联动处理分支,分别对各所述文本语义示例进行语义抽样操作,得到各所述文本语义示例分别对应的抽样语义预测结果;
确定各所述抽样语义预测结果分别与相应的所述先验语义注释的语义共性值,并将各所述语义共性值进行均值化操作,得到所述深度结构化语义网络的第三调试代价;
依据所述第三调试代价,对所述第二深度结构化语义网络中的所述第二联动处理分支进行变量改进,得到所述第二深度结构化语义网络对应的第三深度结构化语义网络。
8.根据权利要求1所述的方法,其特征在于,获取第一数字教育服务会话日志集中每个历史数字教育服务会话日志的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义,包括:
分别对所述第一数字教育服务会话日志集中每个历史数字教育服务会话日志实施如下步骤:
对所述历史数字教育服务会话日志的文本细粒度进行更改,得到所述历史数字教育服务会话日志对应的第三已调整数字教育服务会话日志;
对所述历史数字教育服务会话日志对应的第三已调整数字教育服务会话日志进行初始语义挖掘操作,得到所述历史数字教育服务会话日志对应的第三初始语义向量;
对所述历史数字教育服务会话日志对应的第三初始语义向量进行语义精炼操作,得到所述历史数字教育服务会话日志对应的第三文本语义精炼向量;
对所述第三文本语义精炼向量进行不同层级的语义抽样操作,得到所述历史数字教育服务会话日志对应的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义;
其中,所述对所述历史数字教育服务会话日志对应的第三已调整数字教育服务会话日志进行初始语义挖掘操作,得到所述历史数字教育服务会话日志对应的第三初始语义向量,包括:
通过AI算法,对所述历史数字教育服务会话日志对应的第三已调整数字教育服务会话日志进行初始语义挖掘操作,得到所述历史数字教育服务会话日志对应的多个文本语义关系网,并将所述多个文本语义关系网作为第三初始语义向量;
所述对所述历史数字教育服务会话日志对应的第三初始语义向量进行语义精炼操作,得到所述历史数字教育服务会话日志对应的第三文本语义精炼向量,包括:
对所述多个文本语义关系网进行语义聚合操作,得到所述历史数字教育服务会话日志对应的第三文本语义精炼向量;
其中,所述对所述第三文本语义精炼向量进行不同层级的语义抽样操作,得到所述历史数字教育服务会话日志对应的第一文本属性值的数字教育服务会话文本语义和第二文本属性值的数字教育服务会话文本语义,包括:
分别获取用于对所述第三文本语义精炼向量的文本语义属性值进行滑窗扫描的第一滑窗扫描变量和第二滑窗扫描变量;
将所述第一滑窗扫描变量与所述第三文本语义精炼向量进行语义特征运算得到第一语义特征运算结果,并将所述第二滑窗扫描变量与所述第三文本语义精炼向量进行语义特征运算得到第二语义特征运算结果;
对所述第一语义特征运算结果进行语义特征映射处理,得到所述历史数字教育服务会话日志对应的第一文本属性值的数字教育服务会话文本语义,并对所述第二语义特征运算结果进行语义特征映射处理,得到所述历史数字教育服务会话日志对应的第二文本属性值的数字教育服务会话文本语义。
9.一种数据管理处理***,其特征在于,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有程序,该程序被处理器执行时实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311438571.9A CN117149988B (zh) | 2023-11-01 | 2023-11-01 | 基于教育数字化的数据管理处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311438571.9A CN117149988B (zh) | 2023-11-01 | 2023-11-01 | 基于教育数字化的数据管理处理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117149988A CN117149988A (zh) | 2023-12-01 |
CN117149988B true CN117149988B (zh) | 2024-02-27 |
Family
ID=88903226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311438571.9A Active CN117149988B (zh) | 2023-11-01 | 2023-11-01 | 基于教育数字化的数据管理处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117149988B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117350524B (zh) * | 2023-12-05 | 2024-03-26 | 广东新禾道信息科技有限公司 | 一种新型基础测绘移动采集协同作业方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033356A (zh) * | 2018-07-25 | 2018-12-18 | 深圳追科技有限公司 | 为客服***日志打标签的方法及客服*** |
CN110147436A (zh) * | 2019-03-18 | 2019-08-20 | 清华大学 | 一种基于教育知识图谱与文本的混合自动问答方法 |
US10599774B1 (en) * | 2018-02-26 | 2020-03-24 | Facebook, Inc. | Evaluating content items based upon semantic similarity of text |
CN113705242A (zh) * | 2021-08-27 | 2021-11-26 | 齐鲁工业大学 | 面向教育咨询服务的智能语义匹配方法和装置 |
CN116362261A (zh) * | 2023-04-10 | 2023-06-30 | 昆明谐善科技有限公司 | 应对数字化服务项目的用户会话信息解析方法及软件产品 |
CN116414948A (zh) * | 2023-05-06 | 2023-07-11 | 沈阳润扬网络科技有限公司 | 基于云数据和人工智能的异常数据挖掘方法及软件产品 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10565244B2 (en) * | 2017-06-22 | 2020-02-18 | NewVoiceMedia Ltd. | System and method for text categorization and sentiment analysis |
US10909327B2 (en) * | 2018-08-24 | 2021-02-02 | International Business Machines Corporation | Unsupervised learning of interpretable conversation models from conversation logs |
-
2023
- 2023-11-01 CN CN202311438571.9A patent/CN117149988B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10599774B1 (en) * | 2018-02-26 | 2020-03-24 | Facebook, Inc. | Evaluating content items based upon semantic similarity of text |
CN109033356A (zh) * | 2018-07-25 | 2018-12-18 | 深圳追科技有限公司 | 为客服***日志打标签的方法及客服*** |
CN110147436A (zh) * | 2019-03-18 | 2019-08-20 | 清华大学 | 一种基于教育知识图谱与文本的混合自动问答方法 |
CN113705242A (zh) * | 2021-08-27 | 2021-11-26 | 齐鲁工业大学 | 面向教育咨询服务的智能语义匹配方法和装置 |
CN116362261A (zh) * | 2023-04-10 | 2023-06-30 | 昆明谐善科技有限公司 | 应对数字化服务项目的用户会话信息解析方法及软件产品 |
CN116414948A (zh) * | 2023-05-06 | 2023-07-11 | 沈阳润扬网络科技有限公司 | 基于云数据和人工智能的异常数据挖掘方法及软件产品 |
Non-Patent Citations (1)
Title |
---|
基于云服务的教育管理***理论与实践;张建良;;齐齐哈尔师范高等专科学校学报;20160125(第01期);第90-91页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117149988A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tahir et al. | Smart learning objects retrieval for E-Learning with contextual recommendation based on collaborative filtering | |
CN117149988B (zh) | 基于教育数字化的数据管理处理方法及*** | |
Zhong et al. | Design of a personalized recommendation system for learning resources based on collaborative filtering | |
CN113988071A (zh) | 一种基于金融知识图谱的智能对话方法及装置、电子设备 | |
Mishra et al. | Dynamic identification of learning styles in MOOC environment using ontology based browser extension | |
Stollberg et al. | H-Techsight—A next generation knowledge management platform | |
Shen | Data sustainability and reuse pathways of natural resources and environmental scientists | |
CN116719957A (zh) | 基于画像挖掘的学习内容分发方法及*** | |
Iacovino | Multi-method interdisciplinary research in archival science: the case of recordkeeping, ethics and law | |
Janev | Semantic intelligence in big data applications | |
Liuska | Enhancing large language models for data analytics through domain-specific context creation | |
Chen et al. | An Efficient ROS Package Searching Approach Powered By Knowledge Graph. | |
Yang et al. | [Retracted] Structural Analysis of PE Teaching Strategy and System Knowledge Management Based on Mobile Digital Information Technology | |
Ferilli et al. | Toward Reasoning-Based Recommendation of Library Items-A Case Study on the e-learning Domain. | |
Nguyen et al. | Intelligent search system for resume and labor law | |
Kabakchieva et al. | Big data approach and dimensions for educational industry | |
Carbonaro | Defining personalized learning views of relevant learning objects in a collaborative bookmark management system | |
CN117743315B (zh) | 一种为多模态大模型***提供高质量数据的方法 | |
Hassan et al. | Feedback Recommendation System Based on Structured Feedback Acquisition | |
CN117743590B (zh) | 一种基于大语言模型的法律辅助方法及*** | |
CN117056519B (zh) | 面向跨领域的立法意见综合报告自动生成方法 | |
Avdeenko et al. | Information technology for decision-making based on integration of case base and the domain ontology | |
CN117131184B (zh) | 一种基于知识图谱的场地土壤污染问答***及问答方法 | |
Zheleiko | Natural language processing in lifelong learning choices: a case of Finland | |
Guo | Course Analysis and Management System Design Based on Big Data Technology |
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 |