CN103116648B - 基于图形式上下文语境和机器学习的单词记忆方法及其装置 - Google Patents
基于图形式上下文语境和机器学习的单词记忆方法及其装置 Download PDFInfo
- Publication number
- CN103116648B CN103116648B CN201310062857.1A CN201310062857A CN103116648B CN 103116648 B CN103116648 B CN 103116648B CN 201310062857 A CN201310062857 A CN 201310062857A CN 103116648 B CN103116648 B CN 103116648B
- Authority
- CN
- China
- Prior art keywords
- word
- test
- user
- context
- antonym
- 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.)
- Expired - Fee Related
Links
Landscapes
- Electrically Operated Instructional Devices (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及由机器辅助进行的外语学习领域，提供了一种基于上下文语境和机器学习的单词记忆方法及其装置。该系统有两个特点：1.能将每个单词的同义词、反义词、近似词、以及重要程度自动地以图形方式呈现出来，从而为每个单词构建一个上下文相关(Context？Related)的语境，帮助用户进行更形象直观的单词记忆；2.该系统能自动地识别用户的记忆能力、记忆周期、以及弱项单词（用户最不容易记住的单词），从而自动地为用户选择需要记忆的单词和制定复习的日程表，达到高效率的记忆。经过40个用户2年的测试表明，使用该系统的用户的年均单词记忆量达到1万个以上，年最高单词记忆量为3万个。
Description
技术领域
本发明涉及由机器辅助进行的外语学习领域，提供了一种基于上下文语境和机器学习的单词记忆方法及其装置。
背景技术
目前的主流单词记忆系统通常都是以文字的方式来表达单词的意思，忽悠了把单词放在语境下记忆才更加有效这个语言学学者已经得出很多年的结论。本系统采用直观的图形方式对单词的语境进行表达，能更好地帮助用户进行形象的记忆。另外，目前的主流的智能单词记忆系统都是根据HermannEbbinghaus遗忘曲线进行开发的。然而，HermannEbbinghaus遗忘曲线是1886年根据HermannEbbinghaus本人对一组无意义的符号进行记忆得到的模型。所以模型本身只代表HermannEbbinghaus本人的记忆能力，忽略了各个用户之间记忆能力的差异。并且，其记忆对象是无意义的符号，没有考虑各单词在实际使用中的重要程度。本系统综合考虑了用户差异和单词差异，因而可以让单词记忆更加有效和更加有针对性。
发明内容
本发明的目的在于提供一种能够自动地为用户选择需要记忆的单词和制定复习的日程表，达到高效率的记忆的基于图形式上下文语境和机器学习的单词记忆方法及其装置。
为实现上述目的本发明采用以下技术方案：
一种基于上下文语境和机器学习的单词记忆方法，其特征在于包括以下步骤：
1）查询不理解单词；
2）系统调用已学习好的数据库，找到所查单词的同义词、反义词、近似词以及重要程度，并以图形化的语境方式展示给用户；
3）将单词加入生词本；
4）在用户需要时，系统根据用户的记忆能力、记忆周期、已经弱项单词为其选择所需复习的单词，并提供图形化的复习界面；
5）在用户需要时，系统根据用户的记忆能力、记忆周期、已经弱项单词为其选择所需测试的单词，并提供图形化的测试界面；
6）系统根据用户在复习和测试中的表现，使用逻辑回归(LogisticRegression)技术自动识别用户的记忆能力、记忆周期、以及弱项单词，作为每次复习和测试的参考。
上述方案中，所述步骤2中数据库的学习采用处理步骤包括：
21）搜集文章；
22）结合现有字典，对每个单词的出现的同义词、反义词、近似词进行记录；
23）搜集考题集合；
24）对每个单词的出现的同义词、反义词、近似词进行筛选，保留常用的、容易被作为考点的单词，同时按照以下公式估计每个单词在各项考试中的重要程度，
公式中Imp()为当单词的重要程度，Rep()为当前单词在各项考试中出现的频率，Sy()为同义词个数，Ant()为反义词个数，Ana()为相似词个数，Novelty()为该单词最后一次在考试中出现的时间距当前时间的跨度，为一组平衡的系数，该组系数在数据库的基础上使用逻辑回归(LogisticRegression)技术通过计算机自动学习到。使用逻辑回归(LogisticRegression)技术的学习过程为：首先，选取1万个单词作为训练数据库；对训练数据库每个单词，由专家对Imp(x)进行人工核定；因为Sy(x)，Ant(x)，Ana(x)和Novelty(x)都可以通过统计得到，核定后的数据库就够成了1万个以为未知数的方程，解这1万个方程就可以得到的最优值。
上述方案中，所述步骤2中图形化的复习界面的图形化语境展示方法采用处理步骤包括：
31）查询步骤2中所述的数据库，获得每个单词的同义词、反义词、近似词、并计算其重要程度：
32）以当前单词为中心，将其同义词、反义词、近似词按照重要程度由内至外、同时上至下以环状分布在当前单词周围形成一个图形化的语境，以达到直观记忆的目的。
上述方案中，所述步骤4中选择所需复习的单词采用处理步骤包括：
41）按以下公式计算每个单词的需复习权重Rew(x)，
公式中，公式中Imp()为当单词的重要程度，Forg(x)为根据HermannEbbinghaus遗忘曲线计算出的遗忘度，Accur(x)为用户在测试中对x表现出的正确率，为平衡因子，通过使用逻辑回归(LogisticRegression)技术自动获取；使用逻辑回归(LogisticRegression)技术学习过程为：首先，选取1万个单词作为训练数据库；对训练数据库每个单词，由专家对Rew(x)进行人工核定；因为Imp(x)已经由24）中方法算出，Forg(x)可以根据HermannEbbinghaus遗忘曲线计算，Accur(x)可以通过统计得到，核定后的数据库就够成了1万个以为未知数的方程，解这1万个方程就可以得到的最优值。
42）根据各单词的需复习权重对单词进行排序，选取权重高于0.8的词推荐用户进行复习。
上述方案中，所述步骤5中选择所需测试的单词采用处理步骤包括：
51）按以下公式计算每个单词的需测试权重Test(x),
公式中，公式中Imp()为当单词的重要程度，Accur(x)为用户在测试中对x表现出的正确率，Span(x)为当前单词上次被测试时距现在的时间跨度；
52）根据各单词的需测试权重对单词进行排序，选取权重高于0.8的词推荐用户进行测试；
53）测试完成后更新每个单词的测试正确率Accur(x)。
本发明还提供了一种基于上下文语境和机器学习的单词记忆装置，其特征在于包括：
数据库学习模块：对每个单词的出现的同义词、反义词、近似词进行筛选记录；
图形化的复习界面模块：根据用户的记忆能力、记忆周期、已经弱项单词为其选择所需复习（Review）的单词或测试（Test）的单词，并提供图形化的复习界面；
复习单词处理模块：筛选出并对单词排序；
测试单词处理模块：筛选出所需测试的单词，并对单词进行测试，记录测试正确率。
上述的一种基于上下文语境和机器学习的单词记忆装置，所述数据库学习模块的处理步骤包括：
71）搜集文章；
72）结合现有字典，对每个单词的出现的同义词、反义词、近似词进行记录；
73）搜集考题集合；
74）对每个单词的出现的同义词、反义词、近似词进行筛选，保留常用的、容易被作为考点的单词，同时按照以下公式估计每个单词在各项考试中的重要程度，
公式中Imp()为当单词的重要程度，Rep()为当前单词在各项考试中出现的频率，Sy()为同义词个数，Ant()为反义词个数，Ana()为相似词个数，Novelty()为该单词最后一次在考试中出现的时间距当前时间的跨度，为一组平衡的系数，该组系数在数据库的基础上使用逻辑回归(LogisticRegression)技术通过计算机自动学习到。使用逻辑回归(LogisticRegression)技术的学习过程为：首先，选取1万个单词作为训练数据库；对训练数据库每个单词，由专家对Imp(x)进行人工核定；因为Sy(x)，Ant(x)，Ana(x)和Novelty(x)都可以通过统计得到，核定后的数据库就够成了1万个以为未知数的方程，解这1万个方程就可以得到的最优值。
上述的一种基于上下文语境和机器学习的单词记忆装置，所述图形化的复习界面模块的图形化语境展示方法采用处理步骤包括：
81）查询数据库学习模块的数据库，获得每个单词的同义词、反义词、近似词、并计算其重要程度：
82）以当前单词为中心，将其同义词、反义词、近似词按照重要程度由内至外、同时上至下以环状分布在当前单词周围形成一个图形化的语境，以达到直观记忆的目的。
上述的一种基于上下文语境和机器学习的单词记忆装置，所述复习单词处理模块的处理步骤包括：
91）按以下公式计算每个单词的需复习权重Rew(x)，
公式中，公式中Imp()为当单词的重要程度，Forg(x)为根据HermannEbbinghaus遗忘曲线计算出的遗忘度，Accur(x)为用户在测试中对x表现出的正确率，为平衡因子，通过使用逻辑回归(LogisticRegression)技术自动获取；使用逻辑回归(LogisticRegression)技术学习过程为：首先，选取1万个单词作为训练数据库；对训练数据库每个单词，由专家对Rew(x)进行人工核定；因为Imp(x)已经由74）中方法算出，Forg(x)可以根据HermannEbbinghaus遗忘曲线计算，Accur(x)可以通过统计得到，核定后的数据库就够成了1万个以为未知数的方程，解这1万个方程就可以得到的最优值。
92）根据各单词的需复习权重对单词进行排序，选取权重高于0.8的词推荐用户进行复习。
上述的一种基于上下文语境和机器学习的单词记忆装置，所述测试单词处理模块的处理步骤包括：
101）按以下公式计算每个单词的需测试权重Test(x),
公式中，公式中Imp()为当单词的重要程度，Accur(x)为用户在测试中对x表现出的正确率，Span(x)为当前单词上次被测试时距现在的时间跨度；
102）根据各单词的需测试权重对单词进行排序，选取权重高于0.8的词推荐用户进行测试；
103）测试完成后更新每个单词的测试正确率Accur(x)。
因为本发明采用以上技术方案，所以具备以下有益效果：
一、能将每个单词的同义词、反义词、近似词、以及重要程度自动地以图形方式呈现出来，从而为每个单词构建一个上下文相关(ContextRelated)的语境，帮助用户进行更形象直观的单词记忆。
二、该系统能自动地识别用户的记忆能力、记忆周期、以及弱项单词（用户最不容易记住的单词），从而自动地为用户选择需要记忆的单词和制定复习的日程表，达到高效率的记忆。经过40个用户2年的测试表明，使用该系统的用户的年均单词记忆量达到1万个以上，年最高单词记忆量为3万个。
附图说明
图1为本发明的系统流程方框图。
具体实施方式
本发明可在个人计算机（PC）、手机、或者平板电脑上以任何一种高级编程语言实现。其中单词查询、复习和测试过程的人机交互可以通过鼠标点击、键盘输入、手指划取（手机和平板上）等接口来实现。目前原型版本已经采用C#与C++相结合的方式实现出计算机应用程序，系统后台采用SQLLite数据库存储，人机交互界面如下图所示。
一种基于上下文语境和机器学习的单词记忆方法，其特征在于包括以下步骤：
1）查询不理解单词；
2）系统调用已学习好的数据库，找到所查单词的同义词、反义词、近似词以及重要程度，并以图形化的语境方式展示给用户；
3）将单词加入生词本；
4）在用户需要时，系统根据用户的记忆能力、记忆周期、已经弱项单词为其选择所需复习的单词，并提供图形化的复习界面；
5）在用户需要时，系统根据用户的记忆能力、记忆周期、已经弱项单词为其选择所需测试的单词，并提供图形化的测试界面；
6）系统根据用户在复习和测试中的表现，使用逻辑回归(LogisticRegression)技术自动识别用户的记忆能力、记忆周期、以及弱项单词，作为每次复习和测试的参考。
上述方案中，所述步骤2中数据库的学习采用处理步骤包括：
21）搜集文章；
22）结合现有字典，对每个单词的出现的同义词、反义词、近似词进行记录；
23）搜集考题集合；
24）对每个单词的出现的同义词、反义词、近似词进行筛选，保留常用的、容易被作为考点的单词，同时按照以下公式估计每个单词在各项考试中的重要程度，
公式中Imp()为当单词的重要程度，Rep()为当前单词在各项考试中出现的频率，Sy()为同义词个数，Ant()为反义词个数，Ana()为相似词个数，Novelty()为该单词最后一次在考试中出现的时间距当前时间的跨度，为一组平衡的系数，该组系数在数据库的基础上使用逻辑回归技术通过计算机自动学习到。使用逻辑回归(LogisticRegression)技术的学习过程为：首先，选取1万个单词作为训练数据库；对训练数据库每个单词，由专家对Imp(x)进行人工核定；因为Sy(x)，Ant(x)，Ana(x)和Novelty(x)都可以通过统计得到，核定后的数据库就够成了1万个以为未知数的方程，解这1万个方程就可以得到的最优值。
上述方案中，所述步骤2中图形化的复习界面的图形化语境展示方法采用处理步骤包括：
31）查询步骤2中所述的数据库，获得每个单词的同义词、反义词、近似词、并计算其重要程度：
32）以当前单词为中心，将其同义词、反义词、近似词按照重要程度由内至外、同时上至下以环状分布在当前单词周围形成一个图形化的语境，以达到直观记忆的目的。
上述方案中，所述步骤4中选择所需复习的单词采用处理步骤包括：
41）按以下公式计算每个单词的需复习权重Rew(x)，
公式中，公式中Imp()为当单词的重要程度，Forg(x)为根据HermannEbbinghaus遗忘曲线计算出的遗忘度，Accur(x)为用户在测试中对x表现出的正确率，为平衡因子，通过使用逻辑回归(LogisticRegression)技术自动获取；使用逻辑回归(LogisticRegression)技术学习过程为：首先，选取1万个单词作为训练数据库；对训练数据库每个单词，由专家对Rew(x)进行人工核定；因为Imp(x)已经由24）中方法算出，Forg(x)可以根据HermannEbbinghaus遗忘曲线计算，Accur(x)可以通过统计得到，核定后的数据库就够成了1万个以为未知数的方程，解这1万个方程就可以得到的最优值。
42）根据各单词的需复习权重对单词进行排序，选取权重高于0.8的词推荐用户进行复习。
上述方案中，所述步骤5中选择所需测试的单词采用处理步骤包括：
51）按以下公式计算每个单词的需测试权重Test(x),
公式中，公式中Imp()为当单词的重要程度，Accur(x)为用户在测试中对x表现出的正确率，Span(x)为当前单词上次被测试时距现在的时间跨度；
52）根据各单词的需测试权重对单词进行排序，选取权重高于0.8的词推荐用户进行测试；
53）测试完成后更新每个单词的测试正确率Accur(x)。
一种基于上下文语境和机器学习的单词记忆装置，其特征在于包括：
数据库学习模块：对每个单词的出现的同义词、反义词、近似词进行筛选记录；
图形化的复习界面模块：根据用户的记忆能力、记忆周期、已经弱项单词为其选择所需复习（Review）的单词或测试（Test）的单词，并提供图形化的复习界面；
复习单词处理模块：筛选出并对单词排序；
测试单词处理模块：筛选出所需测试的单词，并对单词进行测试，记录测试正确率。
上述的一种基于上下文语境和机器学习的单词记忆装置，所述数据库学习模块的处理步骤包括：
71）搜集文章；
72）结合现有字典，对每个单词的出现的同义词、反义词、近似词进行记录；
73）搜集考题集合；
74）对每个单词的出现的同义词、反义词、近似词进行筛选，保留常用的、容易被作为考点的单词，同时按照以下公式估计每个单词在各项考试中的重要程度，
公式中Imp()为当单词的重要程度，Rep()为当前单词在各项考试中出现的频率，Sy()为同义词个数，Ant()为反义词个数，Ana()为相似词个数，Novelty()为该单词最后一次在考试中出现的时间距当前时间的跨度，为一组平衡的系数，该组系数在数据库的基础上使用逻辑回归(LogisticRegression)技术通过计算机自动学习到。使用逻辑回归(LogisticRegression)技术的学习过程为：首先，选取1万个单词作为训练数据库；对训练数据库每个单词，由专家对Imp(x)进行人工核定；因为Sy(x)，Ant(x)，Ana(x)和Novelty(x)都可以通过统计得到，核定后的数据库就够成了1万个以为未知数的方程，解这1万个方程就可以得到的最优值。
上述的一种基于上下文语境和机器学习的单词记忆装置，所述图形化的复习界面模块的图形化语境展示方法采用处理步骤包括：
81）查询数据库学习模块的数据库，获得每个单词的同义词、反义词、近似词、并计算其重要程度：
82）以当前单词为中心，将其同义词、反义词、近似词按照重要程度由内至外、同时上至下以环状分布在当前单词周围形成一个图形化的语境，以达到直观记忆的目的。
上述的一种基于上下文语境和机器学习的单词记忆装置，所述复习单词处理模块的处理步骤包括：
91）按以下公式计算每个单词的需复习权重Rew(x)，
公式中，公式中Imp()为当单词的重要程度，Forg(x)为根据HermannEbbinghaus遗忘曲线计算出的遗忘度，Accur(x)为用户在测试中对x表现出的正确率，为平衡因子，通过使用逻辑回归(LogisticRegression)技术自动获取；使用逻辑回归(LogisticRegression)技术学习过程为：首先，选取1万个单词作为训练数据库；对训练数据库每个单词，由专家对Rew(x)进行人工核定；因为Imp(x)已经由74）中方法算出，Forg(x)可以根据HermannEbbinghaus遗忘曲线计算，Accur(x)可以通过统计得到，核定后的数据库就够成了1万个以为未知数的方程，解这1万个方程就可以得到的最优值。
92）根据各单词的需复习权重对单词进行排序，选取权重高于0.8的词推荐用户进行复习。
上述的一种基于上下文语境和机器学习的单词记忆装置，所述测试单词处理模块的处理步骤包括：
101）按以下公式计算每个单词的需测试权重Test(x),
公式中，公式中Imp()为当单词的重要程度，Accur(x)为用户在测试中对x表现出的正确率，Span(x)为当前单词上次被测试时距现在的时间跨度；
102）根据各单词的需测试权重对单词进行排序，选取权重高于0.8的词推荐用户进行测试；
103）测试完成后更新每个单词的测试正确率Accur(x)。
Claims (8)
1.一种基于上下文语境和机器学习的单词记忆方法，其特征在于包括以下步骤：
1）查询不理解的单词；
2）系统调用已学习好的数据库，找到所查单词的同义词、反义词、近似词以及重要程度，并以图形化的语境方式展示给用户；
3）将单词加入生词本；
4）在用户需要时，系统根据用户的记忆能力、记忆周期、已经弱项单词为其选择所需复习的单词，并提供图形化的复习界面；
5）在用户需要时，系统根据用户的记忆能力、记忆周期、已经弱项单词为其选择所需测试的单词，并提供图形化的测试界面；
6）系统根据用户在复习和测试中的表现，使用逻辑回归技术自动识别用户的记忆能力、记忆周期、以及弱项单词，作为每次复习和测试的参考；
所述步骤2）中数据库的学习采用处理步骤包括：
21）搜集文章；
22）结合现有字典，对每个单词的出现的同义词、反义词、近似词进行记录；
23）搜集考题集合；
24）对每个单词的出现的同义词、反义词、近似词进行筛选，保留常用的、容易被作为考点的单词，同时按照以下公式估计每个单词在各项考试中的重要程度，
公式中Imp()为单词的重要程度，Rep()为当前单词在各项考试中出现的频率，Sy()为同义词个数，Ant()为反义词个数，Ana()为相似词个数，Novelty()为该单词最后一次在考试中出现的时间距当前时间的跨度，为一组平衡的系数，该组系数在数据库的基础上使用逻辑回归技术通过计算机自动学习到。
2.根据权利要求1所述的一种基于上下文语境和机器学习的单词记忆方法，其特征在于：所述步骤2）中以图形化的语境方式展示给用户采用以下步骤：
31）查询步骤2）中所述的数据库，获得每个单词的同义词、反义词、近似词、并计算其重要程度：
32）以当前单词为中心，将其同义词、反义词、近似词按照重要程度由内至外、同时由上至下以环状分布在当前单词周围形成一个图形化的语境，以达到直观记忆的目的。
3.根据权利要求1所述的一种基于上下文语境和机器学习的单词记忆方法，其特征在于：所述步骤4）中选择所需复习的单词采用处理步骤包括：
41）按以下公式计算每个单词的需复习权重Rew(x)，
公式中，公式中Imp()为单词的重要程度，Forg(x)为根据HermannEbbinghaus遗忘曲线计算出的遗忘度，Accur(x)为用户在测试中对x表现出的正确率，为平衡因子，通过使用逻辑回归技术自动获取，42）根据各单词的需复习权重对单词进行排序，选取权重高于0.8的词推荐用户进行复习。
4.根据权利要求1所述的一种基于上下文语境和机器学习的单词记忆方法，其特征在于：所述步骤5）中选择所需测试的单词采用处理步骤包括：
51）按以下公式计算每个单词的需测试权重Test(x),
公式中，公式中Imp()为单词的重要程度，Accur(x)为用户在测试中对x表现出的正确率，Span(x)为当前单词上次被测试时距现在的时间跨度；
52）根据各单词的需测试权重对单词进行排序，选取权重高于0.8的词推荐用户进行测试；
53）测试完成后更新每个单词的测试正确率Accur(x)。
5.一种基于上下文语境和机器学习的单词记忆装置，其特征在于包括：
数据库学习模块：对每个单词的出现的同义词、反义词、近似词进行筛选记录；
图形化的复习界面模块：根据用户的记忆能力、记忆周期、已经弱项单词为其选择所需复习的单词或测试的单词，并提供图形化的复习界面；
复习单词处理模块：筛选出单词，并对单词排序；
测试单词处理模块：筛选出所需测试的单词，并对单词进行测试，记录测试正确率;
所述数据库学习模块的处理步骤包括：
71）搜集文章；
72）结合现有字典，对每个单词的出现的同义词、反义词、近似词进行记录；
73）搜集考题集合；
74）对每个单词的出现的同义词、反义词、近似词进行筛选，保留常用的、容易被作为考点的单词，同时按照以下公式估计每个单词在各项考试中的重要程度，
公式中Imp()为单词的重要程度，Rep()为当前单词在各项考试中出现的频率，Sy()为同义词个数，Ant()为反义词个数，Ana()为相似词个数，Novelty()为该单词最后一次在考试中出现的时间距当前时间的跨度，为一组平衡的系数，该组系数在数据库的基础上使用逻辑回归技术通过计算机自动学习到。
6.根据权利要求5所述的一种基于上下文语境和机器学习的单词记忆装置，其特征在于：以图形化的语境方式展示给用户采用以下步骤：
81）查询数据库学习模块的数据库，获得每个单词的同义词、反义词、近似词、并计算其重要程度：
82）以当前单词为中心，将其同义词、反义词、近似词按照重要程度由内至外、同时上至下以环状分布在当前单词周围形成一个图形化的语境，以达到直观记忆的目的。
7.根据权利要求5所述的一种基于上下文语境和机器学习的单词记忆装置，其特征在于：所述复习单词处理模块的处理步骤包括：
91）按以下公式计算每个单词的需复习权重Rew(x)，
公式中，公式中Imp()为单词的重要程度，Forg(x)为根据HermannEbbinghaus遗忘曲线计算出的遗忘度，Accur(x)为用户在测试中对x表现出的正确率，为平衡因子，通过使用逻辑回归技术自动获取；
92）根据各单词的需复习权重对单词进行排序，选取权重高于0.8的词推荐用户进行复习。
8.根据权利要求5所述的一种基于上下文语境和机器学习的单词记忆装置，其特征在于：所述测试单词处理模块的处理步骤包括：
101）按以下公式计算每个单词的需测试权重Test(x),
公式中，公式中Imp()为单词的重要程度，Accur(x)为用户在测试中对x表现出的正确率，Span(x)为当前单词上次被测试时距现在的时间跨度；
102）根据各单词的需测试权重对单词进行排序，选取权重高于0.8的词推荐用户进行测试；
103）测试完成后更新每个单词的测试正确率Accur(x)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310062857.1A CN103116648B (zh) | 2013-02-28 | 2013-02-28 | 基于图形式上下文语境和机器学习的单词记忆方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310062857.1A CN103116648B (zh) | 2013-02-28 | 2013-02-28 | 基于图形式上下文语境和机器学习的单词记忆方法及其装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103116648A CN103116648A (zh) | 2013-05-22 |
| CN103116648B true CN103116648B (zh) | 2016-05-11 |
Family
ID=48415021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310062857.1A Expired - Fee Related CN103116648B (zh) | 2013-02-28 | 2013-02-28 | 基于图形式上下文语境和机器学习的单词记忆方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103116648B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897950B (zh) * | 2017-01-16 | 2020-07-28 | 北京师范大学 | 一种基于单词认知状态模型适应性学习系统及方法 |
| CN107402971B (zh) * | 2017-06-29 | 2020-09-11 | 清远墨墨教育科技有限公司 | 一种单词助记的创建方法 |
| CN108897594B (zh) * | 2018-06-27 | 2021-02-23 | 清远墨墨教育科技有限公司 | 一种根据用户反馈生成单词复习列表的方法 |
| CN109522560B (zh) * | 2018-11-27 | 2020-05-12 | 龙马智芯（珠海横琴）科技有限公司 | 用于单词记忆的方法、计算机可读存储介质及计算机设备 |
| CN111815267B (zh) * | 2020-06-19 | 2024-01-19 | 北京国音红杉树教育科技有限公司 | 一种外语学习及复习的方法及装置 |
| CN112307294A (zh) * | 2020-11-02 | 2021-02-02 | 北京搜狗科技发展有限公司 | 一种数据处理方法及装置 |
| CN113705221B (zh) * | 2021-08-27 | 2023-11-10 | 北京百度网讯科技有限公司 | 一种单词推送方法、装置、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1588339A (zh) * | 2004-08-23 | 2005-03-02 | 宫雷光 | 具有可配置的单词标记功能的电子词典 |
| CN1963752A (zh) * | 2006-11-28 | 2007-05-16 | 李博航 | 基于自然语言的电子设备人机交互操作界面技术 |
| CN102074147A (zh) * | 2009-11-23 | 2011-05-25 | 英业达股份有限公司 | 以图像界面提供单词学习的系统及其方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050053900A1 (en) * | 2003-09-05 | 2005-03-10 | Steven Kaufmann | Method of teaching a foreign language to a student providing measurement in a context based learning system |
-
2013
- 2013-02-28 CN CN201310062857.1A patent/CN103116648B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1588339A (zh) * | 2004-08-23 | 2005-03-02 | 宫雷光 | 具有可配置的单词标记功能的电子词典 |
| CN1963752A (zh) * | 2006-11-28 | 2007-05-16 | 李博航 | 基于自然语言的电子设备人机交互操作界面技术 |
| CN102074147A (zh) * | 2009-11-23 | 2011-05-25 | 英业达股份有限公司 | 以图像界面提供单词学习的系统及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103116648A (zh) | 2013-05-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103116648B (zh) | 基于图形式上下文语境和机器学习的单词记忆方法及其装置 | |
| CN104090890B (zh) | 关键词相似度获取方法、装置及服务器 | |
| CA3062071A1 (en) | Neural network based translation of natural language queries to database queries | |
| CN107170454B (zh) | 语音识别方法及相关产品 | |
| CN107832432A (zh) | 一种搜索结果排序方法、装置、服务器和存储介质 | |
| CN105095433A (zh) | 实体推荐方法及装置 | |
| CN104809503A (zh) | 一种基于神经网络深度学习的心理顾问机器人系统 | |
| CN103389979A (zh) | 在输入法中推荐分类词库的系统、装置及方法 | |
| CN107357787A (zh) | 语义交互方法、装置及电子设备 | |
| CN111353299B (zh) | 基于人工智能的对话场景确定方法和相关装置 | |
| CN105069647A (zh) | 一种改进的抽取中文商品评论中评价对象的方法 | |
| CN103869998A (zh) | 一种对输入法所产生的候选项进行排序的方法及装置 | |
| CN106202034A (zh) | 一种基于依存约束和知识的形容词词义消歧方法和装置 | |
| CN107622413A (zh) | 一种价格敏感度计算方法、装置及其设备 | |
| CN105740448A (zh) | 面向话题的多微博时序文摘方法 | |
| CN111984749A (zh) | 一种兴趣点排序方法和装置 | |
| CN104572915B (zh) | 一种基于内容环境增强的用户事件相关度计算方法 | |
| CN110516164A (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
| WO2014200489A3 (en) | Computer-implemented training of a procedure | |
| CN110171426A (zh) | 一种基于智能设备的驾驶员危险驾驶行为识别方法及系统 | |
| CN109783498A (zh) | 数据处理方法及装置、电子设备、存储介质 | |
| CN105930263A (zh) | 一种人机界面人因适合性测试方法 | |
| CN109446324A (zh) | 样本数据的处理方法、装置、存储介质及电子设备 | |
| CN103136256B (zh) | 一种在网络中实现信息检索的方法和系统 | |
| CN105929944A (zh) | 一种三维人机交互方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160511 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |