CN108021703B - 一种谈话式智能教学系统 - Google Patents
一种谈话式智能教学系统 Download PDFInfo
- Publication number
- CN108021703B CN108021703B CN201711438160.4A CN201711438160A CN108021703B CN 108021703 B CN108021703 B CN 108021703B CN 201711438160 A CN201711438160 A CN 201711438160A CN 108021703 B CN108021703 B CN 108021703B
- Authority
- CN
- China
- Prior art keywords
- student
- concept
- answer
- input
- attribute
- 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
- 230000003993 interaction Effects 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 47
- 230000002452 interceptive effect Effects 0.000 claims description 28
- 238000002372 labelling Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000001149 cognitive effect Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 241000764238 Isis Species 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000000246 remedial effect Effects 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 238000013515 script Methods 0.000 description 4
- 241001122315 Polites Species 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Human Computer Interaction (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种谈话式智能教学系统,包括互相连接的知识库单元和功能单元,所述功能单元包括输入预处理模块、答案推理模块、评价模块和对话管理模块,所述输入预处理模块、答案推理模块、评价模块和对话管理模块之间彼此互相连接;其中,所述知识库单元包括有领域本体、交互模板、语义词典和学生模型。本发明的谈话式教学系统利用一个具有良好语义关系和层次结构的领域本体来模型化系统的领域知识,通过概念的层次结构与语义关系可以为系统提供基于推理的知识,同时提出了一种本体驱动的对话管理机制,可以快速形成对话内容和对话序列。
Description
技术领域
本发明涉及教学技术领域,尤其是一种谈话式智能教学系统。
背景技术
谈话式教学系统是智能教学系统的一个子集,它以建构主义作为理论基础,模仿人类辅导中自然语言对话,鼓励学习者构建知识,而不仅仅是接受知识。传统的谈话式教学系统一般采用称为课程脚本的大型文本语料库作为领域知识模型。由于文本语料库是面向学生的知识而无法被机器所理解,因此基于文本语料库的领域知识模型无法为智能教学提供基于推理的知识。
起源于哲学的本体论(ontology)近年来在信息领域得到了广泛应用,尤其本体论在Web上的应用导致了语义Web的诞生。本体是关于共享概念的一致约定,其核心概念是知识共享,因此本体从一开使就广泛应用于知识工程。本体的描述逻辑DL(DescriptionLogic)是在语义网与框架的基础上发展起来的,是一阶逻辑的一个可判定的子集,具有良好的语义、强大的知识表达能力与推理的可判定性。目前,语义Web与本体在智能教学系统中得到了广泛的应用,包括:学习资源的语义标注与学习对象的语义检索,基于领域本体的学习内容开发及聚集,以及基于领域本体的个性化学习、自然语言接口与定理证明等。但基于领域本体的谈话式教学系统还尚未见报道。
发明内容
本发明公开了一种谈话式智能教学系统,本发明将传统的谈话式智能教学系统中基于课程脚本的领域知识模型,替换为有着丰富语义关系的领域本体,通过领域本体驱动的对话管理机制,以快速形成对话内容和对话序列,使得系统的智能化水平进一步提高。
一种谈话式智能教学系统,包括互相连接的知识库单元和功能单元,所述功能单元包括输入预处理模块、答案推理模块、评价模块和对话管理模块,所述输入预处理模块、答案推理模块、评价模块和对话管理模块之间彼此互相连接;
所述知识库单元包括有领域本体、交互模板、语义词典和学生模型;
所述预处理模块用于对学生输入的内容进行分词、词性标注、本体元素标注与分类;
所述答案推理模块由所有交互模板绑定的推理函数组成,用于对提问主题进行基于领域本体的答案推理;
所述评价模块用于对学生的回答或输入进行评分与更新学生模型;
所述对话管理模块用于对学生的回答或输入进行响应和组织对话顺序;
所述语义词典为现有的词语同义词与词语层次结构的词典;
所述学生模型是用于存放学生当前学习状态、进度、成绩与认知水平的数据库文件。
进一步的,所述领域本体模型DOM定义包括六个部分:DOM={概念,属性,关系,实例,同义词,概念层次,公理};其中:所述概念是指某个领域中具有相同特征的实体的集合与抽象;所述属性是指概念与数据对象之间的二元关系,用于表示概念的某一方面的特征;所述关系表示概念之间的二元关系;所述实例是现实世界中属于某个概念的具体实体;所述同义词是指具有相同含义的概念名、属性名、关系名与实例名;所述概念层次是一个概念的is-a分类结构,反映了某领域的概念与概念之间的上、下位继承关系;所述公理是领域知识的永真断言,是一种机器能够理解的理论性知识。
优选的,所述公理分解为概念的约束及概念的定义性公理;所述概念的约束包括概念的属性约束与概念的关系约束,所述概念的属性约束是将同一概念所有实例的相同属性值抽取出来,所述概念的关系约束是将同一概念所有实例的相同关系目标抽取出来,所述定义性公理用于使机器理解概念是如何定义的。更优选的,所述概念的约束包括两种方式:基于全称量词的约束和基于存在量词的约束,其中,全称量词被解释为“只能”,存在量词被解释为“可以”。
优选的,所述领域本体中还设置有特殊的属性、属性命名法和属性约束结构:
(1)使用“属性名_误解”定义指定属性的误解属性,并使用<误解描述||提示||补救概念集>的字符串结构来绑定关于误解约束的信息,其中符号“||”用于分隔绑定信息;
(2)使用属性has_resource_link的约束来指向学习资源目录的URL,所指向的学习资源目录包含了与给定概念的不同认知级别相对应的多种多媒体学习资源;
(3)使用has_description属性来描述一个在逻辑表达式中由交集运算符I与它绑定的非原子概念;
(4)使用“与_概念名_的_属性关键字”定义一个包含三个变体的三元属性。
优选的,所述概念名与属性名使用以名词为中心的短语,所述关系名使用以动词为中心的短语。
进一步的,所述交互模板将交互类别、模板结构、同义结构、推理规则与规则的推理函数绑定在一起,形成从交互语句到交互意图的映射,用于谈话过程中系统与学生之间的相互提问,以及学生的元认知与导航输入的处理,定义为:<交互模板>::=(<交互类别>,<模板结构>,{<同义结构>},<推理规则>,<推理函数>);
所述交互类别包括元认知输入、导航输入、询问概念的数据属性约束、询问概念的关系约束、询问属性的定义域约束、询问概念的层次结构和询问概念的定义性公理;
所述模板结构是通过变量和标注符表示交互模板的句法结构和交互浅层语义;
所述同义结构是与交互模板具有相同语义的交互结构,一个交互模板允许包含多个同义结构;
所述推理规则是用于表示交互模板的深层语义,通过一个基于领域本体的谓词公式,精确地表达出交互的预期与意图;
所述推理函数是表示一个执行由推理规则指定的基于领域本体的答案推理功能的模板绑定推理程序。
更进一步的,将学生输入中对系统提问的潜在回答定义为贡献,并将贡献分为两类:(a)短贡献:用于回答答案为单个词、单个值及一个或多个无序的本体元素的问题;(b)长贡献:用于回答答案为一个文本且与概念的定义或属性约束相关的问题;
所述评价模块的工作过程为:
S1.系统通过交互模板的模板结构向学生进行提问,同时通过模板结构所绑定的推理程序,从领域本体中获取提问的标准答案Key;
S2.判断学生的回答输入为短贡献还是长贡献,若是短贡献,则进入步骤S2.1,若是长贡献,则进入步骤S2.2:
S2.1对于短贡献,采用如下公式(Ⅰ)计算学生的回答输入与标准答案之间的匹配度,再以该匹配度作为学生的回答输入对问题回答的贡献度;
其中,Input表示一个学生的回答输入,Key表示一个问题的标准答案,K为标准答案Key所包含必选词语的集合,函数Lmatch(i)用于计算Key中第i个元素被学生的回答输入Input所蕴含的程度,计算如公式(Ⅱ):
其中,Values、Ontology、Words分别代表数值集合、本体元素集合与词语集合,IN代表学生输入Input所包含词语的集合,p表示IN中的任意一个词语,OSim(i,p)表示以领域本体为语义知识的词语相似度,DSim(i,p)表示以现有的语义词典为语义知识的词语相似度;
S2.2对于长贡献:
S2.2.1采用公式(Ⅲ)计算出学生的回答输入与标准答案的之间的匹配度:
其中,SKi表示包含标准答案Key中长度为i的所有连续子序列的集合,Input表示一个学生的回答输入,Key表示一个问题的标准答案,K为标准答案Key所包含必选词语的集合;函数f(SKi)用于计算Key中长度为i的连续子序列集合SKi被学生的回答输入Input所蕴含的程度,其计算如公式(Ⅳ):
其中,j为Key中任意一个长度为i的连续子序列;函数Smatch(j)用于计算连续子序列j被学生的回答输入Input所蕴含的程度,计算如公式(Ⅴ):
其中,SINi表示学生的回答输入Input中所有长度为i的连续子序列的集合,k表示SINi中的任意一个长度为i的连续子序列,其余符号与函数的含意与公式(Ⅱ)中的相同;
S2.2.2计算学生的回答输入与标准答案的之间的语调相似度:
其中,函数neg(s)通过句法分析软件中的neg依存关系判定在句子s中是否存在否定词,如果存在则该函数返回1,否则返回0;
S2.2.3以上述计算获得的匹配度乘以语调相似度,作为学生的回答输入对问题回答的贡献度,计算结果由式(Ⅶ)获得:
Contribution(Input,Key)=LCSmatch(Input,Key)×ToneSim(Input,Key) (Ⅶ);
S3.当贡献度达到一个阈值时,则判定学生对该问题回答正确;如果学生能够在无帮助请求的情况,正确给出问题的答案,则判定学生掌握该问题对应的知识点;最后,将评判结果传递给对话管理模块,同时在学生模型中进行相应的更新。
优选的,所述步骤S3中,当学生对某个问题的回答输入分步给出时,系统自动对回答输入的贡献度进行累计,当贡献度累计超过一个阈值时,则判定学生对该问题回答正确。
进一步的,所述对话管理模块按以下步骤对学生的回答或输入进行响应和组织对话顺序:
A1.系统提出第一个谈话问题;所述第一个谈话问题为领域本体中第一个概念的定义、学生指定的学习概念的定义或是上一次学习的延续;
A2.系统等待学生的回答或输入;
A3.如果学生的回答或输入是一个提问或帮助请求,则反馈一个答案或相应的多媒体帮助链接给学生,然后转入步骤A2,继续主谈话进程;
A4.如果学生的回答或输入是一个误解,则首先给出对应的提示,然后转入对应的补救子谈话,子谈话结束后,转入步骤A2,继续主谈话进程;
A5.如果学生的回答或输入错误,则首先判断该问题的谈话是否小于N次,N为允许学生回答错误次数的阈值,如果是,则使用基于错误条件的反馈函数,给出一个有针对性的提示,然后转步骤A2,等待学生的回答或输入;否则直接给出答案和相应的多媒体学习链接,然后转步骤A8进入下一个谈话问题;
A6.如果学生的回答或输入正确,则反馈一个正面的鼓励给学生,然后转步骤A8选择下一个谈话问题;
A7.如果学生的回答或输入是一个异常,则给出一个统一的提示,然后转步骤A2,等待学生的回答或输入;
A8.首先判定是否完成当前概念的学习,如果没有,则按照关于概念的定义性公理、概念的属性约束、概念的关系约束、概念层次的顺序选择下一个谈话的问题;如果已完成当前概念的学习,则进行一步判定该学生是否已完成领域本体中所有概念的学习,如果没有,则根据深度优先规则和学习者模型,在领域本体的分类层次中,选择学生的学习者模型中未涉及到的下一个需要学习的概念,向学生进行提问并转步骤A2;如果该学生已完成领域本体中所有概念的学习,则结束谈话。
进一步的,所述预处理模块按照以下步骤完成学生的回答或输入的预处理:
B1.使用领域本体中的概念、实例、属性、关系与概念集合的同义词,扩展现有的开源分词软件中的字典库,并使用扩展后的分词软件对学生的回答或输入的句子进行分词与词性标注;
B2.将出现在学生的回答或输入中的领域本体的概念或实例、属性、关系与概念集合依次标识出来;
首先进行概念与实例标注:将学生的回答或输入中所有以名词为中心的短语,逐个与领域本体中的概念或实例的同义词进行匹配,若有与其相同的概念或实例,则将该名词短语标注为本体概念或实例;
然后进行属性标注:将概念标注后剩余的以名词为中心的短语逐个与领域本体中的属性同义词进行匹配,若有与其相同的属性,则根据对应属性的类型,将该名词短语标注为相应的属性类别;
进行关系标注:将学生的回答或输入中的以动词为中心的短语逐个与领域本体中的关系同义词进行匹配,若有与其相同的关系,则将该动词短语标注为关系;
最后进行概念集合标注:将学生的回答或输入中由连词或标点连接的多个概念名组合成概念集合。
B3.将学生的回答或输入分为四种类型:包括元认知与导航输入的元通信、向系统的提问、对系统所提问题的潜在贡献和异常;其中,首先通过相应的交互模板来识别和分类学生提问与元通信;对于未被交互模板所匹配的学生的回答或输入,则通过一个如下的环境敏感的分类算法进一步分类:在系统提问后的响应状态,所有未被交互模板所匹配的学生输入被处理为对系统所提问题的潜在贡献;而在非响应状态,则将所有未被交互模板所匹配的学生输入处理为异常。
以上所述的谈话式智能教学系统,具有以下特点:
(1)本系统采用具有良好语义关系的领域本体对谈话的领域知识进行建模,建立起以概念为中心的知识模型;
(2)本系统进一步使用以本体元素为变量,绑定交互类别、推理规则与推理函数的交互模板,向学生进行提问以及对学生输入或者回答进行分类;
(3)本系统进一步使用带有语义的文本蕴涵算法来评估学生回答的贡献,同时兼顾提高系统的灵活性和准确性;
(4)本系统提出了一种领域本体驱动的对话管理机制,可以快速形成对话内容和对话序列。
由于具有以上特点,本发明具有以下优点:
(1)本发明的谈话式教学系统利用一个具有良好语义关系和层次结构的领域本体来模型化系统的领域知识,它通过概念的层次结构与语义关系可以为系统提供基于推理的知识,同时通过特殊的属性关系将基于文本和多媒体的教学素材与概念关系起来,确保了系统中领域本体的教学知识的完备性。
(2)本发明的谈话式教学系统能模仿人类辅导中自然语言对话,通过概念的定义公理、概念的约束关系以及概念的层次主动鼓励学习者构建知识,而不仅仅是接受知识,能广泛适用于大规模的学生自主学习的需要。
(3)本发明将传统的谈话式智能教学系统中基于课程脚本的领域知识模型,替换为有着丰富语义关系的领域本体,通过领域本体驱动的对话管理机制,以快速形成对话内容和对话序列,使得系统的智能化水平进一步提高。
附图说明
图1是本发明谈话式智能教学系统的系统结构图;
图2是领域本体中的概念层次结构示意图;
图3是计算机领域谈话式智能教学系统领域本体中的公理示意图;
图4是一个基于OWL领域本体与Jena OWL API的推理函数实例示意图。
具体实施方式
以下将结合一个关于计算机基础知识的谈话式智能教学系统的具体实施例对本发明作进一步说明,但本发明的保护范围不限于以下实施例。
一种谈话式智能教学系统,如图1所示,包括互相连接的知识库单元和功能单元,功能单元包括输入预处理模块、答案推理模块、评价模块和对话管理模块,输入预处理模块、答案推理模块、评价模块和对话管理模块之间彼此互相连接;其中,知识库单元包括有领域本体、交互模板、语义词典和学生模型;预处理模块用于对学生输入的内容进行分词、词性标注、本体元素标注与分类;答案推理模块由所有交互模板绑定的推理函数组成,用于对提问主题进行基于领域本体的答案推理;评价模块用于对学生的回答或输入进行评分与更新学生模型;对话管理模块用于对学生的回答或输入进行响应和组织对话顺序;语义词典为现有的词语同义词与词语层次结构的词典,如哈工大的《同义词词林词典》;学生模型是用于存放学生当前学习状态、进度、成绩与认知水平的数据库文件。
本实施例将传统的谈话式智能教学系统中基于课程脚本的领域知识模型,替换为有着丰富语义关系的领域本体,该领域本体可以在语义标注和计算、知识管理、知识推理、对话秩序和学生模式的产生中带来明显的优势和便利。本实施例采用的领域本体模型DOM定义由六个部分组成:DOM={概念,属性,关系,实例,同义词,概念层次,公理};以下对各个部分分别进行介绍。
概念是指某个领域中具有相同特征的实体的集合与抽象。
属性是指概念与数据对象之间的二元关系,用于表示概念的某一方面的特征,如“定义”、“特点”等。
关系表示概念之间的二元关系,如在计算机领域,内存与数据之间有着“存储”关系。
实例是现实世界中属于某个概念的具体实体。
同义词是指具有相同含义的概念名、属性名、关系名与实例名;概念、属性、关系与实例的同义词集合构成了谈话式智能教学系统中的术语集,可为输入预处理模块中的本体元素的识别和标注提供词汇表。同时,为便于标注与识别,本实施例规定概念名与属性名必须使用以名词为中心的短语,关系名必须则使用以动词为中心的短语。
概念层次是一个概念的is-a分类结构,反映了某领域的概念与概念之间的上、下位继承关系;可为谈话式智能教学系统中的自动推理提供重要的依据,图2所示为概念层次的一个示例。
公理是领域知识的永真断言,是一种机器能够理解的理论性知识。结合图3所示,本实施例将公理分解为概念的约束及概念的定义性公理;概念的约束包括概念的属性约束与概念的关系约束,概念的属性约束是对概念所有实例的属性值的一种抽象,即将同一概念所有实例的相同属性值抽取出来作为一种概念的属性约束,所述概念的关系约束是对概念所有实例的关系目标的一种抽象,即将同一概念所有实例的相同关系目标抽取出来作为一种概念的关系约束,它们是答案的重要来源;例如在附图3中,“内存定义.string1”表示“内存”概念的“定义”属性的值域可以被约束为string1,string1为一个具体的字符串,如string1=“用于存储数据的存储器”,而“访问.内存”表示“CPU”的“访问”关系的目标可以被约束为“内存”。本实施例支持二种形式的约束的方式:分别为基于全称量词的约束和基于存在量词的约束,其中,全称量词被解释为“只能”,存在量词被解释为“可以”。定义性公理用于使机器理解概念是如何定义的,例如,定义性公理:“内存≡存储器I被访问.CPU”试图让机器理解“内存是CPU可以访问的一种存储”。
优选的,为了扩展领域本体在谈话式智能教学系统中的作用,本发明在领域本体中规定了如下的一些特殊的属性、属性命名法和属性约束结构:
(1)使用“属性名_误解”定义指定属性的误解属性;例如使用“定义_误解”表示对“定义”的误解属性;使用<误解描述||提示||补救概念集>的字符串结构来绑定关于误解约束的信息,其中符号“||”用于分隔绑定信息;例如,在图3中定义string2=<内存是指在主机箱中存储器||主机箱中除了内存以外,还有一个硬盘||主机.与_主机箱_的_区别>来表示内存概念的定义属性的误解。
(2)使用属性has_resource_link的约束来指向学习资源目录的URL,所指向的学习资源目录包含了与给定概念的不同认知级别相对应的多种多媒体学习资源。
(3)使用has_description属性来描述一个在逻辑表达式中由交集运算符I与它绑定的非原子概念,它是该非原子概念的自然语言形式的定义,例如在图3中,定义string3=“可以被CPU访问”来表示由存在关系约束“被_访问.CPU”产生的非原子概念的自然语言形式的定义。
(4)使用“与_概念名_的_属性关键字”定义一个包含三个变体的三元属性,例如使用“与_硬盘_的_区别”表示某个概念与硬盘的区别属性;使用<属性描述[||@(原因|结果):]>的字符串结构来绑定关于某个三元属性的相关约束信息,其中,由“@”引导到“:”结束的字串为一个表示属性值与绑定信息之间的关系名,符号“|”用于分隔多个可选关系名;例如,在图3中定义string5=<内存比硬盘的速度要快,硬盘的容量要比内存大||@(原因):内存的元器件为集成电器,而硬盘的元器件为磁盘>来表示内存与硬盘的区别属性的约束。
进一步的,本实施例的交互模板是一种基于领域本体的交互公式,它将交互类别、模板结构、同义结构、推理规则与规则的推理函数绑定在一起,形成从交互语句到交互意图的映射,可用于谈话过程中系统与学生之间的相互提问,以及学生的元认知与导航输入的处理,其定义为:<交互模板>::=(<交互类别>,<模板结构>,{<同义结构>},<推理规则>,<推理函数>);以下对交互模板中的各个部分进行解释。
交互类别:根据谈话过程中的交互需求及提问对象在领域本体中的类别,划分为7个类别:元认知输入(如:“我不知道”)、导航输入(如:“我想学习计算机硬件”)、询问概念的数据属性约束、询问概念的关系约束、询问属性的定义域约束、询问概念的层次结构和询问概念的定义性公理。
模板结构:通过变量和标注符表示交互模板的句法结构和交互浅层语义;其中,变量使用小写字母与数字组成,变量的类型符使用大写字母开头,且规定C:代表概念类型,P代表属性类型,R代表关系,S代表概念集合。规定标注符<>用于标注一个必选元素,标注符[]用于标注一个可省略元素。
同义结构:与交互模板具有相同语义的交互结构,一个交互模板允许包含多个同义结构;
推理规则:用于表示交互模板的深层语义,通过一个基于领域本体的谓词公式,精确地表达出交互的预期与意图。谓词的含义由推理函数解释,谓词的变元必须是本体元素或是可通过本体元素直接计算得出的变量,以确保推理的可判定性。
推理函数:表示一个执行由推理规则指定的基于领域本体的答案推理功能的模板绑定推理程序。
以下列出一个交互模板的实例:
询问一个指定概念的子概念集合
<交互类别>::=询问概念的层次结构
<模板结构>::=[<除><s1:S>][外][,]<c1:C>[还]<包括><什么><?>
<同义结构>::=<c1:C>[<除><s1:S>][外][还]<包括><什么><?>
<推理函数>::=Reasoning_function1(c1,s1)
<例子>:除RAM外,内存还包括什么?
结合图4所示,图4给出了该模板的基于OWL领域本体与Jena OWL API的推理函数代码实例。
本实施例更具体的对预处理模块的处理方法进行说明,预处理模块按照以下步骤完成学生的回答或输入的预处理:
B1.使用领域本体中的概念、实例、属性、关系与概念集合的同义词,扩展现有的开源分词软件中的字典库,并使用扩展后的分词软件对学生的回答或输入的句子进行分词与词性标注,开源分词软件如:哈工大语言云分词软件;
B2.将出现在学生的回答或输入中的领域本体的概念或实例、属性、关系与概念集合依次标识出来;
首先进行概念与实例标注:将学生的回答或输入中所有以名词为中心的短语,逐个与领域本体中的概念或实例的同义词进行匹配,若有与其相同的概念或实例,则将该名词短语标注为本体概念或实例,标注格式为:<概念名:C>,例如:<存储器:C>;
然后进行属性标注:将概念标注后剩余的以名词为中心的短语逐个与领域本体中的属性同义词进行匹配,若有与其相同的属性,则根据对应属性的类型,将该名词短语标注为相应的属性类别;标注格式为:<属性名:属性类别>,例如:<定义:P>;
进行关系标注:将学生的回答或输入中的以动词为中心的短语逐个与领域本体中的关系同义词进行匹配,若有与其相同的关系,则将该动词短语标注为关系;标注格式为:<关系名:R>,例如:<存储:R>;
最后进行概念集合标注:将学生的回答或输入中由连词或标点连接的多个概念名组合成概念集合,标注格式为:<{概念集合}:S>,例如:<{内存,中央处理器,外存}:S>。
B3.将学生的回答或输入分为四种类型:包括元认知与导航输入的元通信、向系统的提问、对系统所提问题的潜在贡献和异常;其中,首先通过相应的交互模板来识别和分类学生提问与元通信;对于未被交互模板所匹配的学生的回答或输入,则通过一个如下的环境敏感的分类算法进一步分类:在系统提问后的响应状态,所有未被交互模板所匹配的学生输入被处理为对系统所提问题的潜在贡献;而在非响应状态,则将所有未被交互模板所匹配的学生输入处理为异常。
本实施例更具体对评价模块的工作过程进行说明,将学生输入中对系统提问的潜在回答定义为贡献,并将贡献分为两类:(a)短贡献:用于回答答案为单个词(如:“是”、“不是”)、单个值及一个或多个无序的本体元素的问题;(b)长贡献:用于回答答案为一个文本且与概念的定义或属性约束相关的问题;
评价模块的工作过程为:
S1.系统通过交互模板的模板结构向学生进行提问,同时通过模板结构所绑定的推理程序,从领域本体中获取提问的标准答案Key;
S2.判断学生的回答输入为短贡献还是长贡献,若是短贡献,则进入步骤S2.1,若是长贡献,则进入步骤S2.2:
S2.1对于短贡献,采用如下公式(Ⅰ)所示的不考虑词语的连续性、带语义的简单蕴含方法,计算学生的回答输入与标准答案之间的匹配度,再以该匹配度作为学生的回答输入对问题回答的贡献度;
其中,Input表示一个学生的回答输入,Key表示一个问题的标准答案,K为标准答案Key所包含必选词语的集合,函数Lmatch(i)用于计算Key中第i个元素被学生的回答输入Input所蕴含的程度,计算如公式(Ⅱ):
其中,Values、Ontology、Words分别代表数值集合、本体元素集合与词语集合,IN代表学生输入Input所包含词语的集合,p表示IN中的任意一个词语,OSim(i,p)表示以领域本体为语义知识的词语相似度,DSim(i,p)表示以现有的语义词典为语义知识的词语相似度;词语相似度算法采用现有的基于深度与路径的算法。
S2.2对于长贡献:
S2.2.1采用公式(Ⅲ)所示的带语义的连续子序列蕴含方法,计算出学生的回答输入与标准答案的之间的匹配度:
其中,SKi表示包含标准答案Key中长度为i的所有连续子序列的集合,Input表示一个学生的回答输入,Key表示一个问题的标准答案,K为标准答案Key所包含必选词语的集合;函数f(SKi)用于计算Key中长度为i的连续子序列集合SKi被学生的回答输入Input所蕴含的程度,其计算如公式(Ⅳ):
其中,j为Key中任意一个长度为i的连续子序列;函数Smatch(j)用于计算连续子序列j被学生的回答输入Input所蕴含的程度,计算如公式(Ⅴ):
其中,SINi表示学生的回答输入Input中所有长度为i的连续子序列的集合,k表示SINi中的任意一个长度为i的连续子序列,其余符号与函数的含意与公式(Ⅱ)中的相同;
S2.2.2计算学生的回答输入与标准答案的之间的语调相似度:
其中,函数neg(s)通过句法分析软件中的neg依存关系判定在句子s中是否存在否定词,如果存在则该函数返回1,否则返回0;
S2.2.3以上述计算获得的匹配度乘以语调相似度,作为学生的回答输入对问题回答的贡献度,计算结果由式(Ⅶ)获得:
Contribution(Input,Key)=LCSmatch(Input,Key)×ToneSim(Input,Key) (Ⅶ);
S3.当贡献度达到一个阈值时,则判定学生对该问题回答正确;如果学生能够在无帮助请求的情况,正确给出问题的答案,则判定学生掌握该问题对应的知识点;最后,将评判结果传递给对话管理模块,同时在学生模型中进行相应的更新。优选的,在步骤S3中,当学生对某个问题的回答输入分步给出时,系统自动对回答输入的贡献度进行累计,当贡献度累计超过阈值0,9时,则判定学生对该问题回答正确。
本实施例认为领域本体中的概念知识模型和分类学层次结构是一种天然的概念学习的脚手架,它符合建构主义原理中的“最近发展区”的理论,可以快速形成谈话内容和谈话序列,不需要教师设计额外的谈话计划。本实施例的本体驱动的谈话管理框架包括协作式讨论,启发式教学,鼓励学习者构建知识而不仅仅是接受知识,因此,对话管理模块按以下步骤对学生的回答或输入进行响应和组织对话顺序:
A1.系统提出第一个谈话问题;所述第一个谈话问题为领域本体中第一个概念的定义、学生指定的学习概念的定义或是上一次学习的延续;
A2.系统等待学生的回答或输入;
A3.如果学生的回答或输入是一个提问或帮助请求,则反馈一个答案或相应的多媒体帮助链接给学生,然后转入步骤A2,继续主谈话进程;
A4.如果学生的回答或输入是一个误解,则首先给出对应的提示,然后转入对应的补救子谈话,子谈话结束后,转入步骤A2,继续主谈话进程;
A5.如果学生的回答或输入错误,则首先判断该问题的谈话是否小于N次,N为允许学生回答错误次数的阈值,该阈值可以设置为5;如果是,则使用基于错误条件的反馈函数,给出一个有针对性的提示,然后转步骤A2,等待学生的回答或输入;否则直接给出答案和相应的多媒体学习链接,然后转步骤A8进入下一个谈话问题;
A6.如果学生的回答或输入正确,则反馈一个正面的鼓励给学生,然后转步骤A8选择下一个谈话问题;
A7.如果学生的回答或输入是一个异常,则给出一个统一的提示,如:“请详细说明你的意图!”,然后转步骤A2,等待学生的回答或输入;
A8.首先判定是否完成当前概念的学习,如果没有,则按照关于概念的定义性公理、概念的属性约束、概念的关系约束、概念层次的顺序选择下一个谈话的问题;如果已完成当前概念的学习,则进行一步判定该学生是否已完成领域本体中所有概念的学习,如果没有,则根据深度优先规则和学习者模型,在领域本体的分类层次中,选择学生的学习者模型中未涉及到的下一个需要学习的概念,向学生进行提问并转步骤A2;如果该学生已完成领域本体中所有概念的学习,则结束谈话。
其中基于错误条件的反馈函数是指可以根据学生回答中错误的程度,给出针对性提示的反馈函数,其工作过程为:首先明确提示学生其的回答或输入中哪部分是正确的、哪部分是错误的,然后根据学生回答中正确部分和错误部分的比例,给出对应的提示,鼓励学生进一步回答。此外,在上述谈话管理过程中,本实施例还通过基于上下文的算法自动生成与插入代词、礼貌短语(例如,“请告诉我”)和认知问题(例如,“你明白了吗?”),以使对话更加顺畅,其工作原理为:(1)对于同一概念的不同属性约束、关系约束与定义公理的连续提问,除在第一个提问中使用主题概念名外,在其余提问中使用代词“它”代替主题概念;(2)对于同一概念的不同属性约束、关系约束与定义公理的连续提问,在第一个提问之前插入礼貌短语:“请告诉我”,在其余提问之前插入礼貌短语:“请进一步告诉我”;(3)在每次回答完学生提问之后,进行一次“你明白了吗?”或“你理解了吗?”的认知提问。
本实施例中的表1给出了基于以上的谈话序列作出的一个示例。
表1:计算机领域谈话式智能教学系统中的对话片段
本实施例设置了三种学习模式来调查和对比本实施例的辅导效果:(1)基于教师课堂讲授的传统班级学习模式,(2)基于教学网站的自主学习模式,(3)基于本实施例的系统来进行个性化辅导的学习模式。为减少学生因素对学习效果的影响,参加实验的学生都选自我校物理、数学与电子三个理科专业的新生,他们入学的高考科目都相同并且平均分都非常接近,从而确保了学习效果的可对比性。此外,为调查班级人数对学习效果的影响,我们分别为三种学习模式设置了四种班级人数。最后,本实施例以相同的试卷来检测三种学习模式的学习效果,得出如表2所示的学习效果对比表。
表2:三种学习模式的学习效果对比表
表2显示教师主导的班级学习模式在小班学习时取得了较大的优势,如:当每班30学生时获得了84.2的平均分,但当班级学生人数增加时,该模式的学习效果呈现明显的下降趋势,例如,当每班学生增加到100人时,班级平均分降到了81.8,这主要是由于单个教师的能力有限,因此当班级人数增加后,教师在课堂上对每个学生的关注度和个性化辅导的次数会下降。相反,通过教学网站的自学模式和基于本实施例的个性化辅导学习模式都是通过技术实现的,因此班级人数的增加对它们二者都影响不大,特别是基于本实施例的个性化辅导学习模式在大班(100学生/班)教学中仍然保持了81.3的平均分,该平均分远高于基于教学网站的自学效果并且已经接近了由教师主导的大班教学效果,从而证明本实施例在大规模的个性化辅导学习中具有替代教师辅导的能力。
本实施例的谈话式教学系统利用一个具有良好语义关系和层次结构的领域本体来模型化系统的领域知识,它通过概念的层次结构与语义关系可以为系统提供基于推理的知识,同时提出了一种本体驱动的对话管理机制,可以快速形成对话内容和对话序列。
Claims (7)
1.一种谈话式智能教学系统,其特征在于:包括互相连接的知识库单元和功能单元,所述功能单元包括输入预处理模块、答案推理模块、评价模块和对话管理模块,所述输入预处理模块、答案推理模块、评价模块和对话管理模块之间彼此互相连接;
所述知识库单元包括有领域本体、交互模板、语义词典和学生模型;
所述预处理模块用于对学生的回答或输入的内容进行分词、词性标注、本体元素标注与分类;
所述答案推理模块由所有交互模板绑定的推理函数组成,用于对提问主题进行基于领域本体的答案推理;
所述评价模块用于对学生的回答或输入进行评分与更新学生模型;
所述对话管理模块用于对学生的回答或输入进行响应和组织对话顺序;
所述语义词典为现有的词语同义词与词语层次结构的词典;
所述学生模型是用于存放学生当前学习状态、进度、成绩与认知水平的数据库文件;
将学生输入中对系统提问的潜在回答定义为贡献,并将贡献分为两类:(a)短贡献:用于回答答案为单个词、单个值及一个或多个无序的本体元素的问题;(b)长贡献:用于回答答案为一个文本且与概念的定义或属性约束相关的问题;
所述领域本体模型DOM定义包括六个部分:DOM={概念,属性,关系,实例,同义词,概念层次,公理};其中:所述概念是指某个领域中具有相同特征的实体的集合与抽象;所述属性是指概念与数据对象之间的二元关系,用于表示概念的某一方面的特征;所述关系表示概念之间的二元关系;所述实例是现实世界中属于某个概念的具体实体;所述同义词是指具有相同含义的概念名、属性名、关系名与实例名;所述概念层次是一个概念的is-a分类结构,反映了某领域的概念与概念之间的上、下位继承关系;所述公理是领域知识的永真断言,是一种机器能够理解的理论性知识;
所述领域本体中还设置有特殊的属性、属性命名法和属性约束结构:
(1)使用“属性名_误解”定义指定属性的误解属性,并使用<误解描述||提示||补救概念集>的字符串结构来绑定关于误解约束的信息,其中符号“||”用于分隔绑定信息;
(2)使用属性has_resource_link的约束来指向学习资源目录的URL,所指向的学习资源目录包含了与给定概念的不同认知级别相对应的多种多媒体学习资源;
(3)使用has_description属性来描述一个在逻辑表达式中由交集运算符∩与它绑定的非原子概念;
(4)使用“与_概念名_的_属性关键字”定义一个包含三个变体的三元属性;
所述评价模块的工作过程为:
S1.系统通过交互模板的模板结构向学生进行提问,同时通过模板结构所绑定的推理程序,从领域本体中获取提问的标准答案Key;
S2.判断学生的回答输入为短贡献还是长贡献,若是短贡献,则进入步骤S2.1,若是长贡献,则进入步骤S2.2:
S2.1对于短贡献,采用如下公式(Ⅰ)计算学生的回答输入与标准答案之间的匹配度,再以该匹配度作为学生的回答输入对问题回答的贡献度;
其中,Input表示一个学生的回答输入,Key表示一个问题的标准答案,K为标准答案Key所包含必选词语的集合,函数Lmatch(i)用于计算Key中第i个元素被学生的回答输入Input所蕴含的程度,计算如公式(Ⅱ):
其中,Values、Ontology、Words分别代表数值集合、本体元素集合与词语集合,IN代表学生输入Input所包含词语的集合,p表示IN中的任意一个词语,OSim(i,p)表示以领域本体为语义知识的词语相似度,DSim(i,p)表示以现有的语义词典为语义知识的词语相似度;
S2.2对于长贡献:
S2.2.1采用公式(Ⅲ)计算出学生的回答输入与标准答案的之间的匹配度:
其中,SKi表示包含标准答案Key中长度为i的所有连续子序列的集合,Input表示一个学生的回答输入,Key表示一个问题的标准答案,K为标准答案Key所包含必选词语的集合;函数f(SKi)用于计算Key中长度为i的连续子序列集合SKi被学生的回答输入Input所蕴含的程度,其计算如公式(Ⅳ):
其中,j为Key中任意一个长度为i的连续子序列;函数Smatch(j)用于计算连续子序列j被学生的回答输入Input所蕴含的程度,计算如公式(Ⅴ):
其中,SINi表示学生的回答输入Input中所有长度为i的连续子序列的集合,k表示SINi中的任意一个长度为i的连续子序列,其余符号与函数的含意与公式(Ⅱ)中的相同;
S2.2.2计算学生的回答输入与标准答案的之间的语调相似度:
其中,函数neg(s)通过句法分析软件中的neg依存关系判定在句子s中是否存在否定词,如果存在则该函数返回1,否则返回0;
S2.2.3以上述计算获得的匹配度乘以语调相似度,作为学生的回答输入对问题回答的贡献度,计算结果由式(Ⅶ)获得:
Contribution(Input,Key)=LCSmatch(Input,Key)×ToneSim(Input,Key) (Ⅶ);
S3.当贡献度达到一个阈值时,则判定学生对该问题回答正确;如果学生能够在无帮助请求的情况,正确给出问题的答案,则判定学生掌握该问题对应的知识点;最后,将评判结果传递给对话管理模块,同时在学生模型中进行相应的更新。
2.根据权利要求1所述的谈话式智能教学系统,其特征在于:
所述公理分解为概念的约束及概念的定义性公理;所述概念的约束包括概念的属性约束与概念的关系约束,所述概念的属性约束是将同一概念所有实例的相同属性值抽取出来,所述概念的关系约束是将同一概念所有实例的相同关系目标抽取出来,所述定义性公理用于使机器理解概念是如何定义的。
4.根据权利要求1所述的谈话式智能教学系统,其特征在于:
所述交互模板将交互类别、模板结构、同义结构、推理规则与规则的推理函数绑定在一起,形成从交互语句到交互意图的映射,用于谈话过程中系统与学生之间的相互提问,以及学生的元认知与导航输入的处理,定义为:<交互模板>::=(<交互类别>,<模板结构>,{<同义结构>},<推理规则>,<推理函数>);
所述交互类别包括元认知输入、导航输入、询问概念的数据属性约束、询问概念的关系约束、询问属性的定义域约束、询问概念的层次结构和询问概念的定义性公理;
所述模板结构是通过变量和标注符表示交互模板的句法结构和交互浅层语义;
所述同义结构是与交互模板具有相同语义的交互结构,一个交互模板允许包含多个同义结构;
所述推理规则是用于表示交互模板的深层语义,通过一个基于领域本体的谓词公式,精确地表达出交互的预期与意图;
所述推理函数是表示一个执行由推理规则指定的基于领域本体的答案推理功能的模板绑定推理程序。
5.根据权利要求1所述的谈话式智能教学系统,其特征在于:
所述步骤S3中,当学生对某个问题的回答输入分步给出时,系统自动对回答输入的贡献度进行累计,当贡献度累计超过一个阈值时,则判定学生对该问题回答正确。
6.根据权利要求1所述的谈话式智能教学系统,其特征在于:
所述对话管理模块按以下步骤对学生的回答或输入进行响应和组织对话顺序:
A1.系统提出第一个谈话问题;所述第一个谈话问题为领域本体中第一个概念的定义、学生指定的学习概念的定义或是上一次学习的延续;
A2.系统等待学生的回答或输入;
A3.如果学生的回答或输入是一个提问或帮助请求,则反馈一个答案或相应的多媒体帮助链接给学生,然后转入步骤A2,继续主谈话进程;
A4.如果学生的回答或输入是一个误解,则首先给出对应的提示,然后转入对应的补救子谈话,子谈话结束后,转入步骤A2,继续主谈话进程;
A5.如果学生的回答或输入错误,则首先判断该问题的谈话是否小于N次,N为允许学生回答错误次数的阈值,如果是,则使用基于错误条件的反馈函数,给出一个有针对性的提示,然后转步骤A2,等待学生的回答或输入;否则直接给出答案和相应的多媒体学习链接,然后转步骤A8进入下一个谈话问题;
A6.如果学生的回答或输入正确,则反馈一个正面的鼓励给学生,然后转步骤A8选择下一个谈话问题;
A7.如果学生的回答或输入是一个异常,则给出一个统一的提示,然后转步骤A2,等待学生的回答或输入;
A8.首先判定是否完成当前概念的学习,如果没有,则按照关于概念的定义性公理、概念的属性约束、概念的关系约束、概念层次的顺序选择下一个谈话的问题;如果已完成当前概念的学习,则进行一步判定该学生是否已完成领域本体中所有概念的学习,如果没有,则根据深度优先规则和学习者模型,在领域本体的分类层次中,选择学生的学习者模型中未涉及到的下一个需要学习的概念,向学生进行提问并转步骤A2;如果该学生已完成领域本体中所有概念的学习,则结束谈话。
7.根据权利要求1所述的谈话式智能教学系统,其特征在于:
所述预处理模块按照以下步骤完成学生的回答或输入的预处理:
B1.使用领域本体中的概念、实例、属性、关系与概念集合的同义词,扩展现有的开源分词软件中的字典库,并使用扩展后的分词软件对学生的回答或输入的句子进行分词与词性标注;
B2.将出现在学生的回答或输入中的领域本体的概念或实例、属性、关系与概念集合依次标识出来;
首先进行概念与实例标注:将学生的回答或输入中所有以名词为中心的短语,逐个与领域本体中的概念或实例的同义词进行匹配,若有与其相同的概念或实例,则将该名词短语标注为本体概念或实例;
然后进行属性标注:将概念标注后剩余的以名词为中心的短语逐个与领域本体中的属性同义词进行匹配,若有与其相同的属性,则根据对应属性的类型,将该名词短语标注为相应的属性类别;
进行关系标注:将学生的回答或输入中的以动词为中心的短语逐个与领域本体中的关系同义词进行匹配,若有与其相同的关系,则将该动词短语标注为关系;
最后进行概念集合标注:将学生的回答或输入中由连词或标点连接的多个概念名组合成概念集合;
B3.将学生的回答或输入分为四种类型:包括元认知与导航输入的元通信、向系统的提问、对系统所提问题的潜在贡献和异常;其中,首先通过相应的交互模板来识别和分类学生提问与元通信;对于未被交互模板所匹配的学生的回答或输入,则通过一个如下的环境敏感的分类算法进一步分类:在系统提问后的响应状态,所有未被交互模板所匹配的学生输入被处理为对系统所提问题的潜在贡献;而在非响应状态,则将所有未被交互模板所匹配的学生输入处理为异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711438160.4A CN108021703B (zh) | 2017-12-26 | 2017-12-26 | 一种谈话式智能教学系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711438160.4A CN108021703B (zh) | 2017-12-26 | 2017-12-26 | 一种谈话式智能教学系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108021703A CN108021703A (zh) | 2018-05-11 |
CN108021703B true CN108021703B (zh) | 2021-12-24 |
Family
ID=62070979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711438160.4A Active CN108021703B (zh) | 2017-12-26 | 2017-12-26 | 一种谈话式智能教学系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108021703B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871441A (zh) * | 2019-03-13 | 2019-06-11 | 北京航空航天大学 | 一种基于神经网络的导学问答系统及方法 |
CN110188170B (zh) * | 2019-05-28 | 2023-05-09 | 丁跃辉 | 一种多入口医学问句模板装置及其方法 |
CN111611806B (zh) * | 2020-05-06 | 2023-08-11 | 北京智通云联科技有限公司 | 一种用于知识图谱问答的语义解析方法、系统及设备 |
CN111782952A (zh) * | 2020-06-30 | 2020-10-16 | 联想(北京)有限公司 | 一种信息处理方法和信息处理装置 |
US20230177255A1 (en) * | 2021-12-03 | 2023-06-08 | International Business Machines Corporation | Conversational agent counterfactual simulation |
CN114418115B (zh) * | 2022-01-11 | 2023-09-12 | 华中师范大学 | 心理咨询师的共情会谈训练方法、装置、设备及存储介质 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266660A (zh) * | 2008-04-18 | 2008-09-17 | 清华大学 | 基于描述逻辑的本体不一致性分析方法 |
CN101436206B (zh) * | 2008-12-22 | 2012-09-05 | 昆明理工大学 | 基于本体推理的旅游问答系统答案抽取方法 |
CN101630450A (zh) * | 2009-08-17 | 2010-01-20 | 广州市陪你学教育科技有限公司 | 一种电子对话式教学法与系统 |
KR20110019277A (ko) * | 2009-08-19 | 2011-02-25 | 한남대학교 산학협력단 | 지능적 학습 컨텐츠 제공을 위한 u-러닝 시스템과 방법 |
CN101673478A (zh) * | 2009-10-12 | 2010-03-17 | 广州市陪你学教育科技有限公司 | 一种有相互竞争环境的虚拟教室系统与方法 |
CN102208086B (zh) * | 2010-03-31 | 2014-05-14 | 北京邮电大学 | 面向领域的个性化智能推荐系统及实现方法 |
CN102332013A (zh) * | 2011-09-14 | 2012-01-25 | 王楠 | 基于owl的互联网语言本体学习系统 |
KR20130109601A (ko) * | 2012-03-28 | 2013-10-08 | (주)탑쿼드란트코리아 | 온톨로지 개체 유사성 판단 방법 및 이를 이용한 온톨로지 시스템 |
CN102707949B (zh) * | 2012-04-26 | 2015-01-14 | 清华大学 | 一种基于本体的可视化概念建模方法 |
CN103400054A (zh) * | 2013-08-27 | 2013-11-20 | 哈尔滨工业大学 | 计算机辅助心理咨询自动问答机器人系统 |
CN104102626B (zh) * | 2014-07-07 | 2017-08-15 | 厦门推特信息科技有限公司 | 一种用于短文本语义相似度计算的方法 |
CN104361127B (zh) * | 2014-12-05 | 2017-09-26 | 广西师范大学 | 基于领域本体和模板逻辑的多语种问答接口快速构成方法 |
CN105630887B (zh) * | 2015-12-18 | 2017-06-16 | 北京中科汇联科技股份有限公司 | 中文问答系统 |
-
2017
- 2017-12-26 CN CN201711438160.4A patent/CN108021703B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108021703A (zh) | 2018-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108021703B (zh) | 一种谈话式智能教学系统 | |
Abdi et al. | QAPD: an ontology-based question answering system in the physics domain | |
Urieli | Robust French syntax analysis: reconciling statistical methods and linguistic knowledge in the Talismane toolkit | |
Perikos et al. | Recognizing emotion presence in natural language sentences | |
US20130179169A1 (en) | Chinese text readability assessing system and method | |
Liu et al. | Using wikipedia and conceptual graph structures to generate questions for academic writing support | |
Liu et al. | Automatic generation and ranking of questions for critical review | |
CN110968708A (zh) | 一种教育信息资源属性标注方法及系统 | |
Wen et al. | CQACD: A concept question-answering system for intelligent tutoring using a domain ontology with rich semantics | |
Atapattu et al. | Automated extraction of semantic concepts from semi-structured data: Supporting computer-based education through the analysis of lecture notes | |
Olney et al. | Guru: Designing a conversational expert intelligent tutoring system | |
Sukkarieh et al. | Auto-marking 2: An update on the UCLES-Oxford University research into using computational linguistics to score short, free text responses | |
Grassi et al. | Knowledge triggering, extraction and storage via human–robot verbal interaction | |
Arbaaeen et al. | Natural language processing based question answering techniques: A survey | |
Lee | Natural Language Processing: A Textbook with Python Implementation | |
Pearl et al. | Can you read my mindprint?: Automatically identifying mental states from language text using deeper linguistic features | |
Inclezan | An application of answer set programming to the field of second language acquisition | |
Arbizu | Extracting knowledge from documents to construct concept maps | |
Jenkins | Designing Service-Oriented Chatbot Systems Using a Construction Grammar-Driven Natural Language Generation System | |
Ramachandran et al. | Identifying content patterns in peer reviews using graph-based cohesion | |
Aeiad | A framework for an adaptable and personalised e-learning system based on free web resources | |
Alrashidi et al. | Reflective Writing Analysis Approach Based on Semantic Concepts: An Evaluation of WordNet Affect Efficiency | |
Wood | Latent Skill Mining and Labeling from Courseware Content to Enable Adaptive Online Learning | |
Abramowicz et al. | Axiom-based feedback cycle for relation extraction in ontology learning from text | |
Nielsen et al. | Soft computing in intelligent tutoring systems and educational assessment |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220401 Address after: 101-1084, first floor, building 3, No. 103, Beiqing Road, Haidian District, Beijing 100089 Patentee after: Beijing xuetestang Education Technology Co.,Ltd. Address before: 541004 No. 15 Yucai Road, Qixing District, Guilin, the Guangxi Zhuang Autonomous Region Patentee before: Guangxi Normal University |
|
TR01 | Transfer of patent right |