CN107590229A - 一种构建学习资源多标签标注模型的方法 - Google Patents
一种构建学习资源多标签标注模型的方法 Download PDFInfo
- Publication number
- CN107590229A CN107590229A CN201710796223.7A CN201710796223A CN107590229A CN 107590229 A CN107590229 A CN 107590229A CN 201710796223 A CN201710796223 A CN 201710796223A CN 107590229 A CN107590229 A CN 107590229A
- Authority
- CN
- China
- Prior art keywords
- mrow
- resource
- msubsup
- beta
- msub
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种构建学习资源多标签标注模型的方法,包括以下步骤:S1:首先在资源入库时抽取资源信息构建学习资源库;然后根据学科标准构建标签库;最后对于学习资源库中的某一资源;S2:在S1的基础上设计基于增量AHP的学习资源多标签标注;S3:利用关联程度值增量AHP更新方法对关联程度值进行增量更新;该发明首先根据教育资源的特点构建了由资源、标签、关联度构成的三元组用于描述教育资源的多标签标注模型;然后,利用层次分析法定性与定量分析相结合的特点进行关联程度值处理,选取出与教育资源相关程度最大的若干个标签作为标注标签,从而提高教育资源标引的准确程度。
Description
技术领域
发明涉及教学建模方法技术领域,具体为一种构建学习资源多标签标注模 型的方法。
背景技术
目前对数字资源的标注多采用单一标签标注法,此方法仅对资源进行定性 分析,没有对资源与标签的关联度进行定量分析,无法充分描述资源信息;同 时,教育资源蕴含多个相关的知识单元,需要采取有效的数字资源标注方法, 解决细粒度学习资源的标注问题,增强机器对于数字资源属性的可理解性。
发明内容
发明的目的在于提供一种构建学习资源多标签标注模型的方法,以解决上 述背景技术中提出的问题。
为实现上述目的,发明提供如下技术方案:一种构建学习资源多标签标注 模型的方法,包括以下步骤:
S1:首先在资源入库时抽取资源信息构建学习资源库;然后根据学科标准 构建标签库;最后对于学习资源库中的某一资源,通过学习资源信息与关联标 签形成映射构建标注信息,并将标注信息存储于标注信息库中;
其中,R1、R2…Rn指不同学习资源库,包括视频、图片、文档等类型的 学习资源;标签库指已构建的本体知识库;标注信息库是由三元组IA=(R,L, β)来表示的;其中,R代表学习资源,实际上是资源的抽取信息;L代表标注 标签,是由领域本体抽取出的元知识点;β代表标签L与该资源R的关联程 度;
S2:在S1的基础上设计基于增量AHP的学习资源多标签标注,其中设计 基于增量AHP的学习资源多标签标注的方法包括以下步骤:
①由多位领域专家完成初始关联关系的确定;多位领域专家对学习资源进 行分析后分别根据判断矩阵指标评分标准,标示出与资源相对应的知识点,然 后综合领域专家的初始标注,获得与资源相对关联程度最大的若干个知识点作 为资源的标注标签,并依照相对关联程度进行排序,进而可以获得资源初始关 联知识点;
②利用层次分析法来处理关联程度值,构造出层次结构模型;具体步骤为: 对资源Rk,构建出O-C判断矩阵和C-P判断矩阵。以资源Rk的C-P判断矩 阵为例,利用层次分析法计算权重,此处采用拟合方法来计算关联程度;
根据提出的层次分析法权向量计算方法式,以C-P判断矩阵求出资源与知 识点的关联程度为:
由O-C判断矩阵求出第三层对第二层的权向量,即各位领域专家对资源与 知识点关联程度判断的权重为:
综合考虑阶梯层次结构模型,计算出资源与关联知识点的关联程度值为:
S3:利用关联程度值增量AHP更新方法对关联程度值进行增量更新,更 新模型如式(6)所示:
其中,α∈(0,1),由此可获得经过系统更新后的权向量β′k=(β′k1,β′k2,...,β′kn), 由层次结构模型以及式可获得资源Rk标注更新后的关联程 度值.
βk=(βk1,βk2,…,βkn) (6)。
优选的,所述资源信息包括资源名称、资源格式和资源主题。
优选的,所述学科标准包括学习大纲和主题分类词表。
与现有技术相比,发明的有益效果是:该构建学习资源多标签标 注模型的方法,首先根据教育资源的特点构建了由资源、标签、关联 度构成的三元组用于描述教育资源的多标签标注模型;然后,利用层 次分析法定性与定量分析相结合的特点进行关联程度值处理,选取出 与教育资源相关程度最大的若干个标签作为标注标签,从而提高教育 资源标引的准确程度;此外,考虑到实际应用中遇到的资源标注信息 更新问题,也提出了一种基于增量方式的关联程度的更新方法;针对 通常的学习资源标注方式出现的资源信息丢失以及不能定量分析标 签的关联度等问题,通过构建学习资源多标签标注模型来解决背景技 术提出的问题,其模型总体框架如图2所示:首先在资源入库时抽取 资源信息(包括资源名称、格式、主题等)构建学习资源库;然后根
附图说明
图1为发明的学习资源多标签标注模型的流程示意图;
图2为发明的层次结构模型的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清 楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是 全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造 性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-2,发明提供一种技术方案:一种构建学习资源多标签标注模 型的方法,包括以下步骤:
S1:首先在资源入库时抽取资源信息构建学习资源库;然后根据学科标准 构建标签库;最后对于学习资源库中的某一资源,通过学习资源信息与关联标 签形成映射构建标注信息,并将标注信息存储于标注信息库中;
其中,R1、R2…Rn指不同学习资源库,包括视频、图片、文档等类型的 学习资源;标签库指已构建的本体知识库;标注信息库是由三元组IA=(R,L, β)来表示的;其中,R代表学习资源,实际上是资源的抽取信息;L代表标注 标签,是由领域本体抽取出的元知识点;β代表标签L与该资源R的关联程 度;
S2:在S1的基础上设计基于增量AHP的学习资源多标签标注,其中设计 基于增量AHP的学习资源多标签标注的方法包括以下步骤:
①由多位领域专家完成初始关联关系的确定;多位领域专家对学习资源进 行分析后分别根据判断矩阵指标评分标准,标示出与资源相对应的知识点,然 后综合领域专家的初始标注,获得与资源相对关联程度最大的若干个知识点作 为资源的标注标签,并依照相对关联程度进行排序,进而可以获得资源初始关 联知识点;
②利用层次分析法来处理关联程度值,构造出层次结构模型;具体步骤为: 对资源Rk,构建出O-C判断矩阵和C-P判断矩阵。以资源Rk的C-P判断 矩阵为例,利用层次分析法计算权重,此处采用拟合方法来计算关联程度;
根据提出的层次分析法权向量计算方法式,以C-P判断矩阵求出资源与知 识点的关联程度为:
由O-C判断矩阵求出第三层对第二层的权向量,即各位领域专家对资源与 知识点关联程度判断的权重为:
综合考虑阶梯层次结构模型,计算出资源与关联知识点的关联程度值为:
S3:利用关联程度值增量AHP更新方法对关联程度值进行增量更新,更 新模型如式(6)所示:
其中,α∈(0,1),由此可获得经过系统更新后的权向量β′k=(β′k1,β′k2,...,β′kn), 由层次结构模型以及式可获得资源Rk标注更新后的关联程 度值.
βk=(βk1,βk2,…,βkn) (6)。
优选的,所述资源信息包括资源名称、资源格式和资源主题。
优选的,所述学科标准包括学习大纲和主题分类词表。
发明的有益效果是:该构建学习资源多标签标注模型的方法,首 先根据教育资源的特点构建了由资源、标签、关联度构成的三元组用 于描述教育资源的多标签标注模型;然后,利用层次分析法定性与定 量分析相结合的特点进行关联程度值处理,选取出与教育资源相关程 度最大的若干个标签作为标注标签,从而提高教育资源标引的准确程 度;此外,考虑到实际应用中遇到的资源标注信息更新问题,也提出 了一种基于增量方式的关联程度的更新方法;针对通常的学习资源标 注方式出现的资源信息丢失以及不能定量分析标签的关联度等问题, 通过构建学习资源多标签标注模型来解决背景技术提出的问题,其模 型总体框架如图2所示:首先在资源入库时抽取资源信息(包括资源 名称、格式、主题等)构建学习资源库;然后根据学科标准(如学习 大纲、主题分类词表等)构建标签库;最后对于学习资源库中的某一 资源,通过学习资源信息与关联标签形成映射构建标注信息,并将标 注信息存储于标注信息库中。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发 明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及 其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (3)
1.一种构建学习资源多标签标注模型的方法,其特征在于:包括以下步骤:
S1:首先在资源入库时抽取资源信息构建学习资源库;然后根据学科标准构建标签库;最后对于学习资源库中的某一资源,通过学习资源信息与关联标签形成映射构建标注信息,并将标注信息存储于标注信息库中;
其中,R1、R2…Rn指不同学习资源库,包括视频、图片、文档等类型的学习资源;标签库指已构建的本体知识库;标注信息库是由三元组IA=(R,L,β)来表示的;其中,R代表学习资源,实际上是资源的抽取信息;L代表标注标签,是由领域本体抽取出的元知识点;β代表标签L与该资源R的关联程度;
S2:在S1的基础上设计基于增量AHP的学习资源多标签标注,其中设计基于增量AHP的学习资源多标签标注的方法包括以下步骤:
①由多位领域专家完成初始关联关系的确定;多位领域专家对学习资源进行分析后分别根据判断矩阵指标评分标准,标示出与资源相对应的知识点,然后综合领域专家的初始标注,获得与资源相对关联程度最大的若干个知识点作为资源的标注标签,并依照相对关联程度进行排序,进而可以获得资源初始关联知识点;
②利用层次分析法来处理关联程度值,构造出层次结构模型;具体步骤为:对资源Rk,构建出O-C判断矩阵和C-P判断矩阵。以资源Rk的C-P判断矩阵为例,利用层次分析法计算权重,此处采用拟合方法来计算关联程度;
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mfrac>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
根据提出的层次分析法权向量计算方法式,以C-P判断矩阵求出资源与知识点的关联程度为:
<mrow>
<msubsup>
<mi>&beta;</mi>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&beta;</mi>
<mrow>
<mi>k</mi>
<mn>1</mn>
</mrow>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>&beta;</mi>
<mrow>
<mi>k</mi>
<mn>2</mn>
</mrow>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mi>&beta;</mi>
<mrow>
<mi>k</mi>
<mi>n</mi>
</mrow>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
由O-C判断矩阵求出第三层对第二层的权向量,即各位领域专家对资源与知识点关联程度判断的权重为:
<mrow>
<msubsup>
<mi>&beta;</mi>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&beta;</mi>
<mrow>
<mi>k</mi>
<mn>1</mn>
</mrow>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>&beta;</mi>
<mrow>
<mi>k</mi>
<mn>2</mn>
</mrow>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mi>&beta;</mi>
<mrow>
<mi>k</mi>
<mi>n</mi>
</mrow>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
综合考虑阶梯层次结构模型,计算出资源与关联知识点的关联程度值为:
<mrow>
<msub>
<mi>&beta;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msubsup>
<mi>&beta;</mi>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>*</mo>
<msubsup>
<mi>&beta;</mi>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
S3:利用关联程度值增量AHP更新方法对关联程度值进行增量更新,更新模型如式(6)所示:
<mrow>
<munder>
<mi>min</mi>
<mrow>
<msubsup>
<mi>&beta;</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msup>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<mfrac>
<msubsup>
<mi>&beta;</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<msubsup>
<mi>&beta;</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>&alpha;</mi>
<mo>*</mo>
<mo>|</mo>
<msubsup>
<mi>&beta;</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,α∈(0,1),由此可获得经过系统更新后的权向量β′k=(β′k1,β′k2,...,β′kn),由层次结构模型以及式可获得资源Rk标注更新后的关联程度值.
βk=(βk1,βk2,…,βkn) (6)。
2.如权利要求1所述的一种构建学习资源多标签标注模型的方法,其特征在于:所述资源信息包括资源名称、资源格式和资源主题。
3.如权利要求1所述的一种构建学习资源多标签标注模型的方法,其特征在于:所述学科标准包括学习大纲和主题分类词表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710796223.7A CN107590229A (zh) | 2017-09-06 | 2017-09-06 | 一种构建学习资源多标签标注模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710796223.7A CN107590229A (zh) | 2017-09-06 | 2017-09-06 | 一种构建学习资源多标签标注模型的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107590229A true CN107590229A (zh) | 2018-01-16 |
Family
ID=61051225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710796223.7A Pending CN107590229A (zh) | 2017-09-06 | 2017-09-06 | 一种构建学习资源多标签标注模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107590229A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647788A (zh) * | 2018-05-14 | 2018-10-12 | 暨南大学 | 一种联想式知识库的自动改进方法 |
CN109376248A (zh) * | 2018-09-04 | 2019-02-22 | 梁怀新 | 一种基于增量学习的知识库构建及偏序结构图生成方法 |
CN109783814A (zh) * | 2018-12-29 | 2019-05-21 | 辽宁建筑职业学院 | 学生上网行为检测方法和装置 |
CN115098671A (zh) * | 2022-08-25 | 2022-09-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于人工智能的政务数据处理方法、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484328A (zh) * | 2014-10-23 | 2015-04-01 | 安徽教育网络出版有限公司 | 一种教育资源语义标注方法 |
CN104850580A (zh) * | 2015-04-07 | 2015-08-19 | 浙江工业大学 | 一种在互联网上标识和检索教学资源的方法 |
CN105956144A (zh) * | 2016-05-13 | 2016-09-21 | 安徽教育网络出版有限公司 | 一种多标签学习资源关联度定量计算方法 |
-
2017
- 2017-09-06 CN CN201710796223.7A patent/CN107590229A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484328A (zh) * | 2014-10-23 | 2015-04-01 | 安徽教育网络出版有限公司 | 一种教育资源语义标注方法 |
CN104850580A (zh) * | 2015-04-07 | 2015-08-19 | 浙江工业大学 | 一种在互联网上标识和检索教学资源的方法 |
CN105956144A (zh) * | 2016-05-13 | 2016-09-21 | 安徽教育网络出版有限公司 | 一种多标签学习资源关联度定量计算方法 |
Non-Patent Citations (1)
Title |
---|
吴雷 等: "基于增量AHP的学习资源多标签标注研究", 《电子技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647788A (zh) * | 2018-05-14 | 2018-10-12 | 暨南大学 | 一种联想式知识库的自动改进方法 |
CN108647788B (zh) * | 2018-05-14 | 2021-03-19 | 暨南大学 | 一种联想式知识库的自动改进方法 |
CN109376248A (zh) * | 2018-09-04 | 2019-02-22 | 梁怀新 | 一种基于增量学习的知识库构建及偏序结构图生成方法 |
CN109376248B (zh) * | 2018-09-04 | 2021-12-28 | 梁怀新 | 基于增量学习的知识库构建及偏序结构图生成方法 |
CN109783814A (zh) * | 2018-12-29 | 2019-05-21 | 辽宁建筑职业学院 | 学生上网行为检测方法和装置 |
CN109783814B (zh) * | 2018-12-29 | 2022-10-28 | 辽宁建筑职业学院 | 学生上网行为检测方法和装置 |
CN115098671A (zh) * | 2022-08-25 | 2022-09-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于人工智能的政务数据处理方法、电子设备及存储介质 |
CN115098671B (zh) * | 2022-08-25 | 2023-02-03 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于人工智能的政务数据处理方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107590229A (zh) | 一种构建学习资源多标签标注模型的方法 | |
CN110134954B (zh) | 一种基于Attention机制的命名实体识别方法 | |
CN110188107A (zh) | 一种从表格中抽取信息的方法及装置 | |
CN102156741A (zh) | 自定义动态报表系统及其实现方法 | |
CN107729312A (zh) | 基于序列标注建模的多粒度分词方法及系统 | |
CN103886080B (zh) | 一种从互联网非结构化文本提取道路交通信息方法 | |
CN113627797B (zh) | 入职员工画像生成方法、装置、计算机设备及存储介质 | |
CN110597960B (zh) | 一种个性化在线课程与职业双向推荐方法及系统 | |
CN105279255A (zh) | 一种知识技能依赖关系结构化教学资源的利用方法 | |
CN105630772A (zh) | 一种网页评论内容的抽取方法 | |
Etor et al. | Access and Resource Allocation to Education in Nigeria. | |
Li et al. | Aligning open educational resources to new taxonomies: How AI technologies can help and in which scenarios | |
CN104484328A (zh) | 一种教育资源语义标注方法 | |
CN111563374B (zh) | 一种基于司法裁判文书的人员社交关系抽取方法 | |
CN110162684B (zh) | 基于深度学习的机器阅读理解数据集构建以及评估方法 | |
CN116049431A (zh) | 一种防汛预案谱系的构建方法及装置 | |
Yao et al. | Business model innovation of modern service company: A value network perspective | |
van Reijswoud et al. | The role of appropriate ICT in bridging the digital divide: Theoretical considerations and illustrating cases | |
CN105740881A (zh) | 一种基于矩阵分解的部分标注图像聚类方法及装置 | |
CN105184514A (zh) | 一种基于序列标注的电网设计指标抽取方法 | |
Dehghanan et al. | Talent Supply Chain Pattern in the Banking Industry | |
Kunifuji et al. | Knowledge, Information and Creativity Support Systems: Selected Papers from KICSS’2014-9th International Conference, held in Limassol, Cyprus, on November 6-8, 2014 | |
CN117875921B (zh) | 基于人工智能的人力资源管理方法和系统 | |
Shanmuganathan | Influences of XBRL & IFRS on Business Reporting—Canada | |
LATIF et al. | WEIGHTING OF GREEN COMPETENCIES IN VOCATIONAL EDUCATION USING FUZZY ANALYTICAL HIERARCHY PROCESS (FAHP) |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180116 |