CN104834729A - 题目推荐方法和题目推荐装置 - Google Patents
题目推荐方法和题目推荐装置 Download PDFInfo
- Publication number
- CN104834729A CN104834729A CN201510246727.2A CN201510246727A CN104834729A CN 104834729 A CN104834729 A CN 104834729A CN 201510246727 A CN201510246727 A CN 201510246727A CN 104834729 A CN104834729 A CN 104834729A
- Authority
- CN
- China
- Prior art keywords
- exercise question
- user
- retrieval
- information
- module
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
-
- 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出一种题目推荐方法和题目推荐装置，该题目推荐方法包括接收检索题目；获取所述检索题目的题目属性信息，并根据所述题目属性信息获取初步检索结果；获取用户的用户描述信息，并根据所述用户描述信息对所述初步检索结果进行排序，得到排序后的结果；从所述排序后的结果后选择预设个数的结果，确定为推荐题目。该题目推荐方法能够提供推荐题目与检索题目的相关性，提高推荐效果。
Description
技术领域
本发明涉及互联网技术领域，尤其涉及一种题目推荐方法和题目推荐装置。
背景技术
现有相关题目的推荐方法，主要有三种手段：一种是根据当前题目的描述文本，试图找到描述类似的其他题目，展现给用户一个列表，列表中根据文本相似性进行排序；第二种是根据当前题目的知识点信息，试图找到相同或相似知识点的其他题目；第三种是根据用户的检索和点击行为，找到用户经常顺序查看的两个或多个问题，通过挖掘行为的频繁项，建立题目之间的关联关系，展现给用户一个列表，列表中根据关联关系的强弱来进行排序。
但是，上述方法推荐的题目的相关性都较差，推荐效果不理想。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种题目推荐方法，该方法可以提高推荐题目与检索题目的相关性，提高推荐效果。
本发明的另一个目的在于提出一种题目推荐装置。
为达到上述目的，本发明第一方面实施例提出的题目推荐方法，包括：接收检索题目；获取所述检索题目的题目属性信息，并根据所述题目属性信息获取初步检索结果；获取用户的用户描述信息，并根据所述用户描述信息对所述初步检索结果进行排序，得到排序后的结果；从所述排序后的结果后选择预设个数的结果，确定为推荐题目。
本发明第一方面实施例提出的题目推荐方法，通过获取题目属性信息并根据题目属性信息获取初步检索结果，由于参考了题目属性信息，不仅仅是文本相似度，因此可以提升推荐题目与检索题目的相关性；另外，通过获取用户描述信息，并根据用户描述信息对初步检索结果进行排序，可以在推荐时参考用户信息，提升与用户的相关性，提高推荐效果。
为达到上述目的，本发明第二方面实施例提出的题目推荐装置，包括：接收模块，用于接收检索题目；获取模块，用于获取所述检索题目的题目属性信息，并根据所述题目属性信息获取初步检索结果；排序模块，用于获取用户的用户描述信息，并根据所述用户描述信息对所述初步检索结果进行排序，得到排序后的结果；确定模块，用于从所述排序后的结果后选择预设个数的结果，确定为推荐题目。
本发明第二方面实施例提出的题目推荐装置，通过获取题目属性信息并根据题目属性信息获取初步检索结果，由于参考了题目属性信息，不仅仅是文本相似度，因此可以提升推荐题目与检索题目的相关性；另外，通过获取用户描述信息，并根据用户描述信息对初步检索结果进行排序，可以在推荐时参考用户信息，提升与用户的相关性，提高推荐效果。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一实施例提出的题目推荐方法的流程示意图；
图2是本发明实施例中获取题目属性信息的流程示意图；
图3是本发明实施例中线上实现流程示意图；
图4是本发明实施例中获取初步检索结果的流程示意图；
图5是本发明实施例中获取用户描述信息的流程示意图；
图6是本发明实施例中线下实现流程示意图；
图7是本发明实施例中建立题目结构化信息库的流程示意图；
图8是本发明实施例中建立用户模型的流程示意图；
图9是本发明另一实施例提出的题目推荐装置的结构示意图；
图10是本发明另一实施例提出的题目推荐装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。相反，本发明的实施例包括落入所附调权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本发明一实施例提出的题目推荐方法的流程示意图，该方法包括：
S11：接收检索题目。
当用户需要检索题目时，可以在搜索框中输入检索题目。
可以理解的是，本实施例可以由服务器执行，当由服务器执行时，浏览器内的搜索框接收到用户输入的检索题目后，可以将该检索题目发送给服务器，由服务器接收浏览器发送的检索题目。或者，
本实施例也可以由具有搜索功能的web产品实现，该web产品包括前端与用户交互的部分以及后台处理部分，此时，可以由该web产品的前端接收到用户输入的检索题目，例如由搜索框接收到用户输入的检索题目。
S12：获取所述检索题目的题目属性信息，并根据所述题目属性信息获取初步检索结果。
可选的，参见图2，所述获取所述检索题目的题目属性信息，包括：
S21：获取所述检索题目的标识信息；
例如，当用户输入的检索题目是图片形式时，可以先对图片进行光学字符识别(OpticalCharacter Recognition，OCR)识别，得到识别结果，在预先保存的原题库中，查找与识别结果相同或者类似的题目，将查找到的相同或类似的题目的标识信息(id)作为当前的检索题目的标识信息(id)。
S22：在预先建立的题目结构化信息库中，获取与所述标识信息对应的题目属性信息，其中，所述题目结构化信息库中对应保存题目的标识信息与题目属性信息。
在获取检索题目的id后，可以在预先建立的题目结构化信息库获取与检索题目的id对应的题目属性信息。
题目结构化信息库中与题目的标识信息对应保存有题目属性信息，题目属性信息例如包括：题目类型，题目难度，题目结构，题目知识点，回答质量，归一化后的题目描述等。
具体的，根据用户输入的检索题目获取推荐题目是在线上系统完成的。参见图3，线上系统可以包括题目特征获取模块31，题目特征获取模块31获取到检索题目后，可以从题目结构化信息库中获取题目属性信息。
参见图3，线上系统还可以包括：文本检索模块32，题目特征获取模块31获取到题目属性信息后，文本检索模块32可以根据题目属性信息获取初步检索结果。
可选的，参见图4，所述根据所述题目属性信息获取初步检索结果，包括：
S41：获取所述检索题目的关键词，并根据所述关键词进行文本检索，得到文本检索结果；
例如，可以采用通用的分词技术对检索题目进行分词，再根据预设规则从得到的分词中获取关键词。预设规则例如根据分词在检索题目中的位置，在题库中的重要程度，是否主题词等。
在获取关键词后，可以以关键词作为检索词(query)，在已有的数据库中检索相关题目，得到文本描述相关的文本检索结果。
S42：根据所述题目属性信息对所述文本检索结果进行调权，得到调权后的检索结果；
例如，可以根据检索题目的知识点，类型，难度，回答质量等信息，对文本检索结果进行调权。具体的，可以限定文本检索结果与检索题目的知识点相同或相近，将类型，难度与检索题目相近的文本检索结果加权，回答质量高的文本检索结果加权等。具体的加权的数值可以根据实际需求预先设置。
通过调权，可以得到具有不同权重的文本检索结果。
另外，本实施例中采用的知识点可以是细粒度的知识点，具体的可以参见后续题目知识点抽取中的相关描述。
通过采用细粒度的知识点，可以提高推荐题目与当前的检索题目的相关性。
S43：获取所述题目属性信息中的知识点信息，对所述调权后的检索结果进行再次调权，其中，所述知识点信息包括：单一知识点或者混合知识点；
例如，如果检索题目是单一知识点，则对单一知识点的文本检索结果进行加权；或者，如果检索题目是混合知识点，则确定混合知识点中的每个知识点以及对应的权重，再根据每个知识点以及对应的权重确定文本检索结果的权重，将与检索题目相近的文本检索结果进行加权。
本实施例中，通过区分单一知识点和混合知识点，可以提升推荐题目与当前的检索题目的相关性。
S44：从再次调权后的检索结果中，选择预设个数的检索结果，确定为所述初步检索结果。
例如，根据权重信息，选择权重较大的预设个数的检索结果作为初步检索结果，预设个数例如为50个。
S13：获取用户的用户描述信息，并根据所述用户描述信息对所述初步检索结果进行排序，得到排序后的结果；
可选的，参见图5，所述获取用户的用户描述信息，包括：
S51：获取用户的标识信息；
其中，可以在每个用户注册时，为用户分配对应的标识信息，用户登录时，登录信息中携带用户自身的标识信息，系统可以在登录信息中获取用户的标识信息(id)。
S52：在预设建立的用户模型中，获取与所述用户的标识信息对应的用户描述信息，其中，所述用户模型中对应保存用户的标识信息与用户描述信息。
参见图3，线上系统还可以包括：用户特征获取模块33，用户特征获取模块33可以根据用户的标识信息，在用户模型中获取与用户的标识信息对应的用户描述信息。
用户描述信息例如包括：用户偏好难度，用户偏好类型，用户教材版本，用户对题目的浏览，点击，收藏情况等。
在获取到用户描述信息后，可以对初步检索结果进行排序，例如，参见图3，线上系统还包括：高级排序模块34，高级排序模块34用于根据用户的属性信息对初步检索结果进行排序。
具体的，高级排序流程可以包括：对与用户描述信息一致的初步检索结果进行加权，并根据加权后的权重，对初步检索结果进行排序。
例如，对如下的初步检索结果进行加权：
题目难度等级与用户偏好难度等级一致的，进行加权；
题目类型与用户偏好类型一致的，进行加权；
题目来源与用户教材版本一致的，进行加权。
题目年级信息与用户当前年级一致的，进行加权。
当前知识点用户历史行为分析，根据用户历史上对当前知识点的浏览难度和次数，进行调整，例如，略高于当前难度等级的题目，进行加权。
在进行上述加权后，按照权重从大到小的顺序对检索结果进行排序，例如，得到50个排序后的结果。
S14：从所述排序后的结果后选择预设个数的结果，确定为推荐题目。
其中，预设个数可以是用户指定或者系统默认设置的，之后，可以在上步排序后得到的结果中，按照从前到后的顺序，选择预设个数的结果。
进一步的，当执行本实施例的主体是web产品时，该web产品还可以向用户展示推荐题目。
例如，参见图3，高级排序后可以向用户展示与检索题目相关的推荐结果。
上述的题目结构化信息库和用户模型可以是在线下建立的。
在建立题目结构化信息库时，参见图6，线下系统可以包括特征提取分发模块61和题目特征提取模块62，题目特征提取模块62可以具体包括：题目类型分类模块621，题目难度分级模块622，题目结构拆分模块623，题目知识点抽取模块624，回答质量分级模块625和题目描述归一模块626。
参见图7，所述建立题目结构化信息库，包括：
S71：获取历史题目。
其中，历史题目是指建立题目结构化信息库时输入的题目，由于是在当前的检索题目之前输入的，为了与当前的检索题目区分，可以称为历史题目。
参见图6，每个新增的历史题目用新增题目表示。
S72：将所述历史题目分发到不同的分类模块中。
例如，参见图6，特征提取分发模块将每个新增题目分别分发到题目类型分类模块，题目难度分级模块等分类模块中。
S73：对所述历史题目进行题目特征提取，获取每个分类模块对应的题目属性信息。
具体的，题目特征提取的流程可以包括：
(1)题目类型分类
经过题目类型分类，可以获取的题目属性信息包括：学科类型和题目的类型。
例如，采用支持向量机(Support Vector Machine，SVM)构建的分类模型。采用n-gram为主的特征，进行题目类型的分类，包括题目的学科类型(语文、数学、物理、化学等)，以及题目的类型(选择、填空、简答等)。
(2)题目难度分级
经过题目难度分级，得到的题目属性信息可以包括：每个新增题目属于的难度级别，可以预先设置难度级别的个数。
具体的，可以采用梯度提升决策树(Gradient Boosting Decision Tree，GBDT)构建的分类模型，划分题目的难度值，产出一个难度级别分类。在分类模块中，采用的主要特征包括：解析内容的描述关键词，回答的长度，该知识点被提问的次数与解决数之比，该问题在用户生成内容(User Generated Content，UGC)平台获取的回答个数，回答者等级，回答耗时信息等。
(3)题目结构拆分
经过题目结构拆分，得到的题目属性信息可以包括：提干，提问，选项，填空项等结构。
具体的，可以先按照句子粒度进行分类，再根据句子的序列进行片划分，从而拆分为题干(背景描述片段，条件片段)，提问，选项，填空项等多种结构。
(4)题目知识点抽取
通过题目知识点抽取，获取的题目属性信息包括：知识点，知识点可以用标签(tag)表示。
知识点标签可以由如下两个主要过程进行融合而得到。
(I)进行题目关键词抽取：在题目结构拆分的情况下，主要从条件片段和提问片段中，进行关键词抽取。关键词抽取使用一个SVM分类模型来做。所采用的特征，包括词性，在句子中的位置，在题库中的重要程度，是否主题词等特征。将词分类为关键词和非关键词。在每个题目中，可以选择达到阈值的关键词，同时可以限定选择的关键词的最大值，例如最多选择5个关键词。
在抽取得到关键词后，可以从关键词直接获取标签，例如，将关键词确定为标签等。
(II)相似片段比对：利用相似片段比对的方法，将当前题目中的重要部分(条件片段、提问片段、选项片段)，与题库中已经打上标签的其他题目重要片段进行相似度比对。通过K最近邻(k-NearestNeighbor，KNN)的方法，为当前待处理的题目打上相应的标签。
(III)标签融合：融合第一标签和第二标签，例如，将第一标签和第二标签去重后组成一个集合，其中，第一标签是通过关键词抽取得到的标签，第二标签是通过相似片段比对得到的标签。另外，在确定标签时还可以确定每个标签对应的置信度，最终根据置信度，选择置信度较大的预设个数的标签作为题目的知识点标签，预设个数例如为10个。
(5)回答质量分级
经过回答质量分级，获取的题目属性信息包括回答质量所处的级别，例如，高质量答案，一般质量答案，低质量答案等。
具体的，可以使用SVM模型，对回答质量进行分级，分为高质量、一般质量和低质量答案。在回答质量分级时采用的特征主要有：答案与题目的语义关联、来源、长度、格式化信息、用户点击浏览行为等特征。
(6)题目描述归一
题目描述归一得到的题目属性信息例如包括：归一化后的描述。
具体的，多个不同来源的题目，描述方式(尤其是公式)是不一致的。根据定义，对描述方式进行归一化以后，加入数据库中。
可以理解的是，上述的分类模型以SVM，GBDT为例，还可以是其余的分类模型，例如，逻辑斯蒂回归、线性回归、随机森林、神经网络、朴素贝叶斯等具有分类能力的算法模型。
S74：获取所述历史题目的标识信息，并对应保存题目的标识信息与题目属性信息。
其中，可以为每个历史题目分配唯一的标识信息，在获取该历史题目的题目属性信息后，可以在题目结构化信息库中对应保存该历史题目的标识信息与题目属性信息。
现有技术在根据当前题目的描述文本获取推荐题目时，由于对题目的结构化解析程度不够，没有有效区分题目类型，条件，提问内容的语义场景等，造成检索相关性较低。而本实施例中，在保存不同的题目属性信息时，不同的题目属性信息例如题目类型，题目难度，题目结构，题目知识点等，采用结构化信息形式进行保存，使得各题目属性信息有层级关系和互联关联，从而提高检索相关性。
在建立用户模型时，参见图6，线下系统还包括：用户建模模块63，用户建模模块63用于根据用户行为日志，用户属性信息，题目结构化信息库，建立用户模型。
可选的，参见图8，所述建立用户模型，包括：
S81：获取用户行为日志，以及获取用户属性信息。
其中，用户行为日志可以记录用户在题库中浏览，点击，收藏的题目。
用户属性信息是指关于用户的一些元属性，例如性别，类型(家长/学生/老师)，地区，年级，学校等信息。
S82：根据题目结构化信息库，以及所述用户行为日志和用户属性信息，进行用户建模，得到用户模型。
例如，通过用户行为日志，可以获知用户浏览，点击或收藏的题目，根据题目结构化信息库，可以获知相应题目的题目属性信息，从而可以获知用户偏好信息，例如，可以获知用户关注的科目、知识点信息、题目信息、知识点难度等级、题目类型信息等。以及，获取用户属性信息后，也可以记录在用户模型中。
另外，用户注册时可以分配用户标识信息，在用户模型中，可以对应保存用户标识信息与上述的用户偏好信息以及用户属性信息。
本实施例中，通过获取题目属性信息并根据题目属性信息获取初步检索结果，由于参考了题目属性信息，不仅仅是文本相似度，因此可以提升推荐题目与检索题目的相关性；另外，通过获取用户描述信息，并根据用户描述信息对初步检索结果进行排序，可以在推荐时参考用户信息，提升与用户的相关性，提高推荐效果。本实施例在知识点抽取上，做了细粒度处理，同时考虑了单一知识点和混合知识点的不同，有效提升了推荐的相关题目与当前检索的题目的相关性。本实施例引入了更多的题目属性信息，如难度，类型等，这些信息从文本相似度角度是无法处理的，这些属性信息的引入，提升了推荐题目与检索题目的相关性。本实施例通过参考用户属性信息，可以支持用户的个性化推荐，可以实现不同用户看到不同的相关题目，提升用户体验。
图9是本发明另一实施例提出的题目推荐装置的结构示意图，该装置90包括接收模块91，获取模块92，排序模块93和确定模块94。
接收模块91，用于接收检索题目；
当用户需要检索题目时，可以在搜索框中输入检索题目。
可以理解的是，本实施例可以是服务器，此时的接收模块用于接收浏览器发送的检索题目，浏览器可以从搜索框中获取用户输入的检索题目。或者，
本实施例也可以是具有搜索功能的web产品装置，此时的接收模块用于接收用户输入的检索题目。
获取模块92，用于获取所述检索题目的题目属性信息，并根据所述题目属性信息获取初步检索结果；
可选的，所述获取模块92用于获取所述检索题目的题目属性信息，包括：
获取所述检索题目的标识信息；
在预先建立的题目结构化信息库中，获取与所述标识信息对应的题目属性信息，其中，所述题目结构化信息库中对应保存题目的标识信息与题目属性信息。
例如，当用户输入的检索题目是图片形式时，可以先对图片进行光学字符识别(OpticalCharacter Recognition，OCR)识别，得到识别结果，在预先保存的原题库中，查找与识别结果相同或者类似的题目，将查找到的相同或类似的题目的标识信息(id)作为当前的检索题目的标识信息(id)。
在获取检索题目的id后，可以在预先建立的题目结构化信息库获取与检索题目的id对应的题目属性信息。
题目结构化信息库中与题目的标识信息对应保存有题目属性信息，题目属性信息例如包括：题目类型，题目难度，题目结构，题目知识点，回答质量，归一化后的题目描述等。
可选的，参见图10，该装置90还包括：第一建立模块95，用于建立题目结构化信息库，所述第一建立模块95具体用于：
获取历史题目；
将所述历史题目分发到不同的分类模块中；
对所述历史题目进行题目特征提取，获取每个分类模块对应的题目属性信息；
获取所述历史题目的标识信息，并对应保存题目的标识信息与题目属性信息。
其中，建立题目结构化信息库的流程可以参见方法实施例中的相关描述，在此不再赘述。
可选的，所述第一建立模块95用于对所述历史题目进行题目特征提取，获取每个分类模块对应的题目属性信息，包括：
当所述分类模块是题目知识点抽取模块时，进行题目关键词抽取，以及，相似片断比对，并根据题目关键词抽取获取第一标签，根据相似片断比对得到第二标签，以及，对所述第一标签和所述第二标签进行融合，从融合后的标签中，选择预设个数的标签，确定为知识点标签。
可选的，所述获取模块92用于根据所述题目属性信息获取初步检索结果，包括：
获取所述检索题目的关键词，并根据所述关键词进行文本检索，得到文本检索结果；
根据所述题目属性信息对所述文本检索结果进行调权，得到调权后的检索结果；
获取所述题目属性信息中的知识点信息，对所述调权后的检索结果进行再次调权，其中，所述知识点信息包括：单一知识点或者混合知识点；
从再次调权后的检索结果中，选择预设个数的检索结果，确定为所述初步检索结果。
例如，可以采用通用的分词技术对检索题目进行分词，再根据预设规则从得到的分词中获取关键词。预设规则例如根据分词在检索题目中的位置，在题库中的重要程度，是否主题词等。
在获取关键词后，可以以关键词作为检索词(query)，在已有的数据库中检索相关题目，得到文本描述相关的文本检索结果。
例如，可以根据检索题目的知识点，类型，难度，回答质量等信息，对文本检索结果进行调权。具体的，可以限定文本检索结果与检索题目的知识点相同或相近，将类型，难度与检索题目相近的文本检索结果加权，回答质量高的文本检索结果加权等。具体的加权的数值可以根据实际需求预先设置。
通过调权，可以得到具有不同权重的文本检索结果。
另外，本实施例中采用的知识点可以是细粒度的知识点，具体的可以参见后续题目知识点抽取中的相关描述。
通过采用细粒度的知识点，可以提高推荐题目与当前的检索题目的相关性。
例如，如果检索题目是单一知识点，则对单一知识点的文本检索结果进行加权；或者，如果检索题目是混合知识点，则确定混合知识点中的每个知识点以及对应的权重，再根据每个知识点以及对应的权重确定文本检索结果的权重，将与检索题目相近的文本检索结果进行加权。
本实施例中，通过区分单一知识点和混合知识点，可以提升推荐题目与当前的检索题目的相关性。
例如，根据权重信息，选择权重较大的预设个数的检索结果作为初步检索结果，预设个数例如为50个。
排序模块93，用于获取所述用户的用户描述信息，并根据所述用户描述信息对所述初步检索结果进行排序，得到排序后的结果；
可选的，所述排序模块93用于获取用户的用户描述信息，包括：
获取用户的标识信息；
在预设建立的用户模型中，获取与所述用户的标识信息对应的用户描述信息，其中，所述用户模型中对应保存用户的标识信息与用户描述信息。
其中，可以在每个用户注册时，为用户分配对应的标识信息，用户登录时，登录信息中携带用户自身的标识信息，系统可以在登录信息中获取用户的标识信息(id)。
用户描述信息例如包括：用户偏好难度，用户偏好类型，用户教材版本，用户对题目的浏览，点击，收藏情况等。
可选的，参见图10，该装置90还包括：第二建立模块96，用于建立用户模型，所述第二建立模块96具体用于：
获取用户行为日志，以及获取用户属性信息；
根据题目结构化信息库，以及所述用户行为日志和用户属性信息，进行用户建模，得到用户模型。
其中，建立用户模型的流程可以参见方法实施例中的相关描述，在此不再赘述。
可选的，所述排序模块93用于根据所述用户描述信息对所述初步检索结果进行排序，包括：
对与用户描述信息一致的初步检索结果进行加权，并根据加权后的权重，对初步检索结果进行排序。
例如，对如下的初步检索结果进行加权：
题目难度等级与用户偏好难度等级一致的，进行加权；
题目类型与用户偏好类型一致的，进行加权；
题目来源与用户教材版本一致的，进行加权。
题目年级信息与用户当前年级一致的，进行加权。
当前知识点用户历史行为分析，根据用户历史上对当前知识点的浏览难度和次数，进行调整，例如，略高于当前难度等级的题目，进行加权。
在进行上述加权后，按照权重从大到小的顺序对检索结果进行排序，例如，得到50个排序后的结果。
确定模块94，用于从所述排序后的结果后选择预设个数的结果，确定为推荐题目。
其中，预设个数可以是用户指定或者系统默认设置的，之后，可以在上步排序后得到的结果中，按照从前到后的顺序，选择预设个数的结果。
进一步的，当该装置是web产品装置时，参见图10，所述检索题目是由所述用户输入的，该装置包括：
展示模块97，用于向所述用户展示所述推荐题目。
本实施例中，通过获取题目属性信息并根据题目属性信息获取初步检索结果，由于参考了题目属性信息，不仅仅是文本相似度，因此可以提升推荐题目与检索题目的相关性；另外，通过获取用户描述信息，并根据用户描述信息对初步检索结果进行排序，可以在推荐时参考用户信息，提升与用户的相关性，提高推荐效果。本实施例在知识点抽取上，做了细粒度处理，同时考虑了单一知识点和混合知识点的不同，有效提升了推荐的相关题目与当前检索的题目的相关性。本实施例引入了更多的题目属性信息，如难度，类型等，这些信息从文本相似度角度是无法处理的，这些属性信息的引入，提升了推荐题目与检索题目的相关性。本实施例通过参考用户属性信息，可以支持用户的个性化推荐，可以实现不同用户看到不同的相关题目，提升用户体验。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块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，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”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。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (19)
1.一种题目推荐方法，其特征在于，包括：
接收检索题目；
获取所述检索题目的题目属性信息，并根据所述题目属性信息获取初步检索结果；
获取用户的用户描述信息，并根据所述用户描述信息对所述初步检索结果进行排序，得到排序后的结果；
从所述排序后的结果后选择预设个数的结果，确定为推荐题目。
2.根据权利要求1所述的方法，其特征在于，所述获取所述检索题目的题目属性信息，包括：
获取所述检索题目的标识信息；
在预先建立的题目结构化信息库中，获取与所述标识信息对应的题目属性信息，其中，所述题目结构化信息库中对应保存题目的标识信息与题目属性信息。
3.根据权利要求2所述的方法，其特征在于，还包括：建立题目结构化信息库，所述建立题目结构化信息库，包括：
获取历史题目；
将所述历史题目分发到不同的分类模块中；
对所述历史题目进行题目特征提取，获取每个分类模块对应的题目属性信息；
获取所述历史题目的标识信息，并对应保存题目的标识信息与题目属性信息。
4.根据权利要求3所述的方法，其特征在于，所述分类模块包括如下项中的至少一项：
题目类型分类模块，题目难度分级模块，题目结构拆分模块，题目知识点抽取模块，回答质量分级模块，题目描述归一模块。
5.根据权利要求4所述的方法，其特征在于，所述对所述历史题目进行题目特征提取，获取每个分类模块对应的题目属性信息，包括：
当所述分类模块是题目知识点抽取模块时，进行题目关键词抽取，以及，相似片断比对，并根据题目关键词抽取获取第一标签，根据相似片断比对得到第二标签，以及，对所述第一标签和所述第二标签进行融合，从融合后的标签中，选择预设个数的标签，确定为知识点标签。
6.根据权利要求1所述的方法，其特征在于，所述根据所述题目属性信息获取初步检索结果，包括：
获取所述检索题目的关键词，并根据所述关键词进行文本检索，得到文本检索结果；
根据所述题目属性信息对所述文本检索结果进行调权，得到调权后的检索结果；
获取所述题目属性信息中的知识点信息，对所述调权后的检索结果进行再次调权，其中，所述知识点信息包括：单一知识点或者混合知识点；
从再次调权后的检索结果中，选择预设个数的检索结果，确定为所述初步检索结果。
7.根据权利要求1所述的方法，其特征在于，所述获取用户的用户描述信息，包括：
获取用户的标识信息；
在预设建立的用户模型中，获取与所述用户的标识信息对应的用户描述信息，其中，所述用户模型中对应保存用户的标识信息与用户描述信息。
8.根据权利要求7所述的方法，其特征在于，还包括：建立用户模型，所述建立用户模型，包括：
获取用户行为日志，以及获取用户属性信息；
根据题目结构化信息库，以及所述用户行为日志和用户属性信息，进行用户建模，得到用户模型。
9.根据权利要求1所述的方法，其特征在于，所述根据所述用户描述信息对所述初步检索结果进行排序，包括：
对与用户描述信息一致的初步检索结果进行加权，并根据加权后的权重，对初步检索结果进行排序。
10.根据权利要求1-9任一项所述的方法，其特征在于，所述检索题目是由所述用户输入的，所述方法还包括：
向所述用户展示所述推荐题目。
11.一种题目推荐装置，其特征在于，包括：
接收模块，用于接收检索题目；
获取模块，用于获取所述检索题目的题目属性信息，并根据所述题目属性信息获取初步检索结果；
排序模块，用于获取所述用户的用户描述信息，并根据所述用户描述信息对所述初步检索结果进行排序，得到排序后的结果；
确定模块，用于从所述排序后的结果后选择预设个数的结果，确定为推荐题目。
12.根据权利要求11所述的装置，其特征在于，所述获取模块用于获取所述检索题目的题目属性信息，包括：
获取所述检索题目的标识信息；
在预先建立的题目结构化信息库中，获取与所述标识信息对应的题目属性信息，其中，所述题目结构化信息库中对应保存题目的标识信息与题目属性信息。
13.根据权利要求12所述的装置，其特征在于，还包括：第一建立模块，用于建立题目结构化信息库，所述第一建立模块具体用于：
获取历史题目；
将所述历史题目分发到不同的分类模块中；
对所述历史题目进行题目特征提取，获取每个分类模块对应的题目属性信息；
获取所述历史题目的标识信息，并对应保存题目的标识信息与题目属性信息。
14.根据权利要求13所述的装置，其特征在于，所述第一建立模块用于对所述历史题目进行题目特征提取，获取每个分类模块对应的题目属性信息，包括：
当所述分类模块是题目知识点抽取模块时，进行题目关键词抽取，以及，相似片断比对，并根据题目关键词抽取获取第一标签，根据相似片断比对得到第二标签，以及，对所述第一标签和所述第二标签进行融合，从融合后的标签中，选择预设个数的标签，确定为知识点标签。
15.根据权利要求11所述的装置，其特征在于，所述获取模块用于根据所述题目属性信息获取初步检索结果，包括：
获取所述检索题目的关键词，并根据所述关键词进行文本检索，得到文本检索结果；
根据所述题目属性信息对所述文本检索结果进行调权，得到调权后的检索结果；
获取所述题目属性信息中的知识点信息，对所述调权后的检索结果进行再次调权，其中，所述知识点信息包括：单一知识点或者混合知识点；
从再次调权后的检索结果中，选择预设个数的检索结果，确定为所述初步检索结果。
16.根据权利要求11所述的装置，其特征在于，所述排序模块用于获取用户的用户描述信息，包括：
获取用户的标识信息；
在预设建立的用户模型中，获取与所述用户的标识信息对应的用户描述信息，其中，所述用户模型中对应保存用户的标识信息与用户描述信息。
17.根据权利要求16所述的装置，其特征在于，还包括：第二建立模块，用于建立用户模型，所述第二建立模块具体用于：
获取用户行为日志，以及获取用户属性信息；
根据题目结构化信息库，以及所述用户行为日志和用户属性信息，进行用户建模，得到用户模型。
18.根据权利要求11所述的装置，其特征在于，所述排序模块用于根据所述用户描述信息对所述初步检索结果进行排序，包括：
对与用户描述信息一致的初步检索结果进行加权，并根据加权后的权重，对初步检索结果进行排序。
19.根据权利要求11-18任一项所述的装置，其特征在于，所述检索题目是由所述用户输入的，所述装置还包括：
展示模块，用于向所述用户展示所述推荐题目。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510246727.2A CN104834729B (zh) | 2015-05-14 | 2015-05-14 | 题目推荐方法和题目推荐装置 |
| PCT/CN2015/090002 WO2016179938A1 (zh) | 2015-05-14 | 2015-09-18 | 题目推荐方法和题目推荐装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510246727.2A CN104834729B (zh) | 2015-05-14 | 2015-05-14 | 题目推荐方法和题目推荐装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104834729A true CN104834729A (zh) | 2015-08-12 |
| CN104834729B CN104834729B (zh) | 2018-08-10 |
Family
ID=53812615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510246727.2A Active CN104834729B (zh) | 2015-05-14 | 2015-05-14 | 题目推荐方法和题目推荐装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN104834729B (zh) |
| WO (1) | WO2016179938A1 (zh) |
Cited By (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105138653A (zh) * | 2015-08-28 | 2015-12-09 | 天津大学 | 一种基于典型度和难度的题目推荐方法及其推荐装置 |
| CN105678575A (zh) * | 2015-12-31 | 2016-06-15 | 华南师范大学 | 基于用户属性知识库的个性化推荐方法和系统 |
| CN105912654A (zh) * | 2016-04-08 | 2016-08-31 | 南方电网科学研究院有限责任公司 | 电力设备缺陷故障的案例检索方法及其系统 |
| WO2016179938A1 (zh) * | 2015-05-14 | 2016-11-17 | 百度在线网络技术（北京）有限公司 | 题目推荐方法和题目推荐装置 |
| CN106599054A (zh) * | 2016-11-16 | 2017-04-26 | 福建天泉教育科技有限公司 | 一种题目分类及推送的方法及系统 |
| CN106651696A (zh) * | 2016-11-16 | 2017-05-10 | 福建天泉教育科技有限公司 | 一种近似题推送方法及系统 |
| CN106776724A (zh) * | 2016-11-16 | 2017-05-31 | 福建天泉教育科技有限公司 | 一种题目分类方法及系统 |
| CN106777328A (zh) * | 2017-01-11 | 2017-05-31 | 广东小天才科技有限公司 | 一种移动终端的题目推荐方法及装置 |
| CN107292785A (zh) * | 2017-06-27 | 2017-10-24 | 北京粉笔蓝天科技有限公司 | 一种出题方法及系统 |
| CN107301169A (zh) * | 2017-06-16 | 2017-10-27 | 科大讯飞股份有限公司 | 离题作文检测方法、装置和终端设备 |
| CN107301163A (zh) * | 2016-04-14 | 2017-10-27 | 科大讯飞股份有限公司 | 包含公式的文本语义解析方法及装置 |
| CN107562769A (zh) * | 2017-05-24 | 2018-01-09 | 广东工业大学 | 一种在线答题题目推荐方法及装置 |
| CN108090119A (zh) * | 2017-11-08 | 2018-05-29 | 广东小天才科技有限公司 | 显示题目答案的方法、装置、移动终端及存储介质 |
| CN108171629A (zh) * | 2017-12-28 | 2018-06-15 | 北京中税网控股股份有限公司 | 一种课程推荐方法及装置 |
| CN108376132A (zh) * | 2018-03-16 | 2018-08-07 | 中国科学技术大学 | 相似试题的判定方法及系统 |
| CN108984702A (zh) * | 2018-07-06 | 2018-12-11 | 深圳市卓帆技术有限公司 | 试题比对方法及系统 |
| CN109635100A (zh) * | 2018-12-24 | 2019-04-16 | 上海仁静信息技术有限公司 | 一种相似题目的推荐方法、装置、电子设备及存储介质 |
| CN110362671A (zh) * | 2019-07-16 | 2019-10-22 | 安徽知学科技有限公司 | 题目推荐方法、设备和存储介质 |
| CN110689275A (zh) * | 2019-10-10 | 2020-01-14 | 江苏曲速教育科技有限公司 | 对错题进行分析和量化评分方法和系统 |
| CN111222076B (zh) * | 2020-04-16 | 2020-08-07 | 江西软云科技股份有限公司 | 题目推送方法、系统、可读存储介质及计算机设备 |
| CN111625631A (zh) * | 2020-04-14 | 2020-09-04 | 西南大学 | 一种选择题选项生成方法 |
| CN111654516A (zh) * | 2020-03-06 | 2020-09-11 | 厦门区块链云科技有限公司 | 一种区块链原创内容上链及分发系统 |
| CN111723231A (zh) * | 2019-03-20 | 2020-09-29 | 小船出海教育科技（北京）有限公司 | 一种题目预测方法和装置 |
| CN111859094A (zh) * | 2020-08-10 | 2020-10-30 | 广州驰兴通用技术研究有限公司 | 一种基于云计算的信息分析方法系统 |
| CN111914176A (zh) * | 2020-08-07 | 2020-11-10 | 腾讯科技（深圳）有限公司 | 题目的推荐方法及装置 |
| CN112216161A (zh) * | 2020-10-23 | 2021-01-12 | 新维畅想数字科技（北京）有限公司 | 数字化作品教学方法及装置 |
| CN112614034A (zh) * | 2021-03-05 | 2021-04-06 | 北京世纪好未来教育科技有限公司 | 一种试题推荐方法、装置、电子设备和可读存储介质 |
| CN113360631A (zh) * | 2021-05-26 | 2021-09-07 | 医声医事(北京)科技有限公司 | 一种智能组卷方法及装置 |
| CN113409635A (zh) * | 2021-06-17 | 2021-09-17 | 上海松鼠课堂人工智能科技有限公司 | 基于虚拟现实场景的互动教学方法与系统 |
| US11729068B2 (en) | 2021-09-09 | 2023-08-15 | International Business Machines Corporation | Recommend target systems for operator to attention in monitor tool |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111507550A (zh) * | 2019-01-30 | 2020-08-07 | 广州泰迪智能科技有限公司 | 一种工单问题的最佳解决方案自动推荐方法 |
| JP7252969B2 (ja) * | 2019-04-30 | 2023-04-05 | 北京字節跳動網絡技術有限公司 | 対象推薦方法および装置、記憶媒体と端末装置 |
| CN110222678B (zh) * | 2019-04-30 | 2022-02-01 | 宜春宜联科技有限公司 | 一种题目分析方法、系统、可读存储介质及电子设备 |
| CN110347791B (zh) * | 2019-06-20 | 2023-06-16 | 广东工业大学 | 一种基于多标签分类卷积神经网络的题目推荐方法 |
| CN110737698A (zh) * | 2019-10-15 | 2020-01-31 | 重庆浪尖至简物联网科技有限公司 | 一种基于问题描述的问题相关信息推荐方法 |
| CN112100341B (zh) * | 2020-04-13 | 2023-07-07 | 上海擅择教育科技有限公司 | 一种用于快速表达力测试的智能化题目分类及推荐方法 |
| CN111797222B (zh) * | 2020-06-29 | 2023-12-22 | 平安国际智慧城市科技股份有限公司 | 课程知识图谱构建方法、装置、终端及存储介质 |
| CN111898343B (zh) * | 2020-08-03 | 2023-07-14 | 北京师范大学 | 一种基于短语结构树的相似题目识别方法和系统 |
| CN112069295B (zh) * | 2020-09-18 | 2022-12-06 | 科大讯飞股份有限公司 | 相似题推荐方法、装置、电子设备和存储介质 |
| CN111931875B (zh) * | 2020-10-10 | 2021-10-08 | 北京世纪好未来教育科技有限公司 | 数据处理方法、电子设备及计算机可读介质 |
| CN112256869B (zh) * | 2020-10-12 | 2022-05-03 | 浙江大学 | 一种基于题意文本的同知识点试题分组系统和方法 |
| CN112256743B (zh) * | 2020-10-22 | 2024-06-04 | 北京猿力未来科技有限公司 | 一种自适应出题方法、设备及存储介质 |
| CN112487183A (zh) * | 2020-11-10 | 2021-03-12 | 江苏乐易学教育科技有限公司 | 一种标签化的试题知识点分类方法及系统 |
| CN112686052B (zh) * | 2020-12-28 | 2023-12-01 | 科大讯飞股份有限公司 | 试题推荐及相关模型的训练方法、电子设备、存储装置 |
| CN113051886B (zh) * | 2021-03-25 | 2023-12-01 | 科大讯飞股份有限公司 | 一种试题查重方法、装置、存储介质及设备 |
| CN113538188B (zh) * | 2021-07-27 | 2024-03-01 | 北京世纪好未来教育科技有限公司 | 试卷生成方法、装置、电子设备及计算机可读存储介质 |
| CN113590961B (zh) * | 2021-08-03 | 2023-06-23 | 浙江工商大学 | 基于认知与状态评价的个性化习题推荐方法、装置及智能终端 |
| CN116610782B (zh) * | 2023-04-28 | 2024-03-15 | 北京百度网讯科技有限公司 | 文本检索方法、装置、电子设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8200661B1 (en) * | 2008-12-18 | 2012-06-12 | Google Inc. | Dynamic recommendations based on user actions |
| CN103136302A (zh) * | 2011-12-05 | 2013-06-05 | 北大方正集团有限公司 | 试题重复输出的方法和装置 |
| CN103577507A (zh) * | 2012-08-10 | 2014-02-12 | 俞晓鸿 | 具有实时侦测和自适应进化机制的智能题库系统及方法 |
| CN103955525A (zh) * | 2014-05-09 | 2014-07-30 | 北京奇虎科技有限公司 | 一种搜索试题答案的方法及客户端 |
| CN104063443A (zh) * | 2014-06-13 | 2014-09-24 | 百度在线网络技术（北京）有限公司 | 搜索结果的提供方法和装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102034373A (zh) * | 2009-09-29 | 2011-04-27 | 新技网路科技股份有限公司 | 辅助学习的方法及其系统 |
| US8612434B2 (en) * | 2012-04-03 | 2013-12-17 | Python4Fun, Inc. | Identifying social profiles in a social network having relevance to a first file |
| CN104834729B (zh) * | 2015-05-14 | 2018-08-10 | 作业帮教育科技（北京）有限公司 | 题目推荐方法和题目推荐装置 |
-
2015
- 2015-05-14 CN CN201510246727.2A patent/CN104834729B/zh active Active
- 2015-09-18 WO PCT/CN2015/090002 patent/WO2016179938A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8200661B1 (en) * | 2008-12-18 | 2012-06-12 | Google Inc. | Dynamic recommendations based on user actions |
| CN103136302A (zh) * | 2011-12-05 | 2013-06-05 | 北大方正集团有限公司 | 试题重复输出的方法和装置 |
| CN103577507A (zh) * | 2012-08-10 | 2014-02-12 | 俞晓鸿 | 具有实时侦测和自适应进化机制的智能题库系统及方法 |
| CN103955525A (zh) * | 2014-05-09 | 2014-07-30 | 北京奇虎科技有限公司 | 一种搜索试题答案的方法及客户端 |
| CN104063443A (zh) * | 2014-06-13 | 2014-09-24 | 百度在线网络技术（北京）有限公司 | 搜索结果的提供方法和装置 |
Cited By (38)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016179938A1 (zh) * | 2015-05-14 | 2016-11-17 | 百度在线网络技术（北京）有限公司 | 题目推荐方法和题目推荐装置 |
| CN105138653A (zh) * | 2015-08-28 | 2015-12-09 | 天津大学 | 一种基于典型度和难度的题目推荐方法及其推荐装置 |
| CN105138653B (zh) * | 2015-08-28 | 2018-08-21 | 天津大学 | 一种基于典型度和难度的题目推荐方法及其推荐装置 |
| CN105678575A (zh) * | 2015-12-31 | 2016-06-15 | 华南师范大学 | 基于用户属性知识库的个性化推荐方法和系统 |
| CN105678575B (zh) * | 2015-12-31 | 2020-11-13 | 华南师范大学 | 基于用户属性知识库的个性化推荐方法和系统 |
| CN105912654A (zh) * | 2016-04-08 | 2016-08-31 | 南方电网科学研究院有限责任公司 | 电力设备缺陷故障的案例检索方法及其系统 |
| CN107301163A (zh) * | 2016-04-14 | 2017-10-27 | 科大讯飞股份有限公司 | 包含公式的文本语义解析方法及装置 |
| CN106776724A (zh) * | 2016-11-16 | 2017-05-31 | 福建天泉教育科技有限公司 | 一种题目分类方法及系统 |
| CN106599054A (zh) * | 2016-11-16 | 2017-04-26 | 福建天泉教育科技有限公司 | 一种题目分类及推送的方法及系统 |
| CN106651696A (zh) * | 2016-11-16 | 2017-05-10 | 福建天泉教育科技有限公司 | 一种近似题推送方法及系统 |
| CN106599054B (zh) * | 2016-11-16 | 2019-12-24 | 福建天泉教育科技有限公司 | 一种题目分类及推送的方法及系统 |
| CN106777328B (zh) * | 2017-01-11 | 2020-11-20 | 广东小天才科技有限公司 | 一种移动终端的题目推荐方法及装置 |
| CN106777328A (zh) * | 2017-01-11 | 2017-05-31 | 广东小天才科技有限公司 | 一种移动终端的题目推荐方法及装置 |
| CN107562769A (zh) * | 2017-05-24 | 2018-01-09 | 广东工业大学 | 一种在线答题题目推荐方法及装置 |
| CN107301169A (zh) * | 2017-06-16 | 2017-10-27 | 科大讯飞股份有限公司 | 离题作文检测方法、装置和终端设备 |
| CN107292785A (zh) * | 2017-06-27 | 2017-10-24 | 北京粉笔蓝天科技有限公司 | 一种出题方法及系统 |
| CN108090119A (zh) * | 2017-11-08 | 2018-05-29 | 广东小天才科技有限公司 | 显示题目答案的方法、装置、移动终端及存储介质 |
| CN108171629A (zh) * | 2017-12-28 | 2018-06-15 | 北京中税网控股股份有限公司 | 一种课程推荐方法及装置 |
| CN108376132A (zh) * | 2018-03-16 | 2018-08-07 | 中国科学技术大学 | 相似试题的判定方法及系统 |
| CN108376132B (zh) * | 2018-03-16 | 2020-08-28 | 中国科学技术大学 | 相似试题的判定方法及系统 |
| CN108984702A (zh) * | 2018-07-06 | 2018-12-11 | 深圳市卓帆技术有限公司 | 试题比对方法及系统 |
| CN109635100A (zh) * | 2018-12-24 | 2019-04-16 | 上海仁静信息技术有限公司 | 一种相似题目的推荐方法、装置、电子设备及存储介质 |
| CN111723231B (zh) * | 2019-03-20 | 2023-10-17 | 北京百舸飞驰科技有限公司 | 一种题目预测方法和装置 |
| CN111723231A (zh) * | 2019-03-20 | 2020-09-29 | 小船出海教育科技（北京）有限公司 | 一种题目预测方法和装置 |
| CN110362671A (zh) * | 2019-07-16 | 2019-10-22 | 安徽知学科技有限公司 | 题目推荐方法、设备和存储介质 |
| CN110362671B (zh) * | 2019-07-16 | 2022-04-19 | 安徽知学科技有限公司 | 题目推荐方法、设备和存储介质 |
| CN110689275A (zh) * | 2019-10-10 | 2020-01-14 | 江苏曲速教育科技有限公司 | 对错题进行分析和量化评分方法和系统 |
| CN111654516A (zh) * | 2020-03-06 | 2020-09-11 | 厦门区块链云科技有限公司 | 一种区块链原创内容上链及分发系统 |
| CN111625631A (zh) * | 2020-04-14 | 2020-09-04 | 西南大学 | 一种选择题选项生成方法 |
| CN111222076B (zh) * | 2020-04-16 | 2020-08-07 | 江西软云科技股份有限公司 | 题目推送方法、系统、可读存储介质及计算机设备 |
| CN111914176A (zh) * | 2020-08-07 | 2020-11-10 | 腾讯科技（深圳）有限公司 | 题目的推荐方法及装置 |
| CN111914176B (zh) * | 2020-08-07 | 2023-10-27 | 腾讯科技（深圳）有限公司 | 题目的推荐方法及装置 |
| CN111859094A (zh) * | 2020-08-10 | 2020-10-30 | 广州驰兴通用技术研究有限公司 | 一种基于云计算的信息分析方法系统 |
| CN112216161A (zh) * | 2020-10-23 | 2021-01-12 | 新维畅想数字科技（北京）有限公司 | 数字化作品教学方法及装置 |
| CN112614034A (zh) * | 2021-03-05 | 2021-04-06 | 北京世纪好未来教育科技有限公司 | 一种试题推荐方法、装置、电子设备和可读存储介质 |
| CN113360631A (zh) * | 2021-05-26 | 2021-09-07 | 医声医事(北京)科技有限公司 | 一种智能组卷方法及装置 |
| CN113409635A (zh) * | 2021-06-17 | 2021-09-17 | 上海松鼠课堂人工智能科技有限公司 | 基于虚拟现实场景的互动教学方法与系统 |
| US11729068B2 (en) | 2021-09-09 | 2023-08-15 | International Business Machines Corporation | Recommend target systems for operator to attention in monitor tool |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2016179938A1 (zh) | 2016-11-17 |
| CN104834729B (zh) | 2018-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104834729A (zh) | 题目推荐方法和题目推荐装置 | |
| US9449271B2 (en) | Classifying resources using a deep network | |
| CN103514299B (zh) | 信息搜索方法和装置 | |
| AU2014201827B2 (en) | Scoring concept terms using a deep network | |
| CN102483745B (zh) | 共同选择图像分类 | |
| Mondal et al. | A course recommendation system based on grades | |
| US20110225152A1 (en) | Constructing a search-result caption | |
| US11977589B2 (en) | Information search method, device, apparatus and computer-readable medium | |
| CN112395410B (zh) | 一种基于实体抽取的产业舆情推荐方法、装置及电子设备 | |
| US20080168056A1 (en) | On-line iterative multistage search engine with text categorization and supervised learning | |
| US20200004792A1 (en) | Automated website data collection method | |
| CN111898031A (zh) | 一种获得用户画像的方法及装置 | |
| CN104102721A (zh) | 信息推荐方法和装置 | |
| CN106708929B (zh) | 视频节目的搜索方法和装置 | |
| CN105989056A (zh) | 一种汉语新闻推荐系统 | |
| CN108021715B (zh) | 基于语义结构特征分析的异构标签融合系统 | |
| CN106462644B (zh) | 标识来自多个结果页面标识的优选结果页面 | |
| CN116109373A (zh) | 金融产品的推荐方法、装置、电子设备和介质 | |
| CN108153754B (zh) | 一种数据处理方法及其装置 | |
| US11238102B1 (en) | Providing an object-based response to a natural language query | |
| CN110781300A (zh) | 基于百度百科知识图谱的旅游资源文化特色评分算法 | |
| CN113821718A (zh) | 一种物品信息推送方法和装置 | |
| CN113297482B (zh) | 基于多模型的搜索引擎数据的用户画像刻画方法及系统 | |
| CN110806861B (zh) | 一种结合用户反馈信息的api推荐方法及终端 | |
| CN114022233A (zh) | 一种新型的商品推荐方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C41 | Transfer of patent application or patent right or utility model | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20160127 Address after: 100085, Beijing, Haidian District on the road to entrepreneurship No. 1, 28, 4, room 417 Applicant after: ZUOYEBANG EDUCATION TECHNOLOGY (BEIJING) CO.,LTD. Address before: 100085 Beijing, Haidian District, No. ten on the ground floor, No. 10 Baidu building, layer three Applicant before: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230110 Address after: 101106 No. 9-2060, Liangli Third Street, East District, economic development zone, Tongzhou District, Beijing Patentee after: Beijing yunsizhixue Technology Co.,Ltd. Address before: 100085 room 417, 4th floor, building 1, 28 Shangdi Chuangye Middle Road, Haidian District, Beijing Patentee before: ZUOYEBANG EDUCATION TECHNOLOGY (BEIJING) CO.,LTD. |
|
| TR01 | Transfer of patent right |