CN108647209B - 一种基于思维导图的题目生成方法 - Google Patents
一种基于思维导图的题目生成方法 Download PDFInfo
- Publication number
- CN108647209B CN108647209B CN201810444539.4A CN201810444539A CN108647209B CN 108647209 B CN108647209 B CN 108647209B CN 201810444539 A CN201810444539 A CN 201810444539A CN 108647209 B CN108647209 B CN 108647209B
- Authority
- CN
- China
- Prior art keywords
- information
- thought
- matching
- node
- topic
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/258—Heading extraction; Automatic titling; Numbering
-
- 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
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于思维导图的题目生成方法,包括以下步骤:S1:思维导图输入:输入思维导图,形成包括根节点以及若干级子节点的思维导图;S2:信息获取:抓取所述思维导图根节点Z0以及第i级子节点Zi(i>0且i为正整数)的信息,形成若干字符串;S3:题目生成:将所得字符串与题目库中的已有题目进行匹配,获取符合预设阈值的题目并导出所有相关题目。通过本技术方案,解决了之前无法从思维导图中直接获取,帮助科研人员进行选题的技术问题,使得本方案具备实质性进步和突出性特点。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种基于思维导图的题目生成方法。
背景技术
思维导图又叫心智导图,是表达发散性思维的有效图形思维工具,其运用图文并重的技巧,把各级主题的关系用相互隶属与相关的层级图表现出来,把主题关键词与图像、颜色等建立记忆链接,是一种将思维形象化的方法。思维导图是一种图像式思维的工具以及一种利用图像式思考辅助工具,是使用一个中央关键词或想法引起形象化的构造和分类的想法;它用一个中央关键词或想法以辐射线形连接所有的代表字词、想法、任务或其它关联项目的图解方式。
因此,在科研中,学者往往将所思所想记录在思维导图中,而学者同时又需要订立科研项目选题,此时如何从思维导图中获取信息帮助学者进行科研项目选题成为了相关领域的研究方向之一。目前,尚未有相关技术出现。
发明内容
为了克服现有技术的不足,本发明所解决的技术问题是提供一种能从思维导图中获取信息,从而帮助形成科研项目选题的基于思维导图的题目生成方法。
为解决上述技术问题,本发明所采用的技术方案内容具体如下:
基一种基于思维导图的题目生成方法,包括以下步骤:
S1:思维导图输入:输入思维导图,形成包括根节点以及若干级子节点的思维导图;
S2:信息获取:抓取所述思维导图根节点Z0以及第i级子节点Zi(i>0且i为正整数)的信息,形成若干字符串;
S3:题目生成:将所得字符串与题目库中的已有题目进行匹配,获取符合预设阈值的题目并导出所有相关题目。
为实现能直接从思维导图中获取科研题目,发明人在本技术方案中创新性地结合了思维导图的结构与信息获取的方式,并从题目库中的题目进行匹配,从而导出题目库中与思维导图内容相适应的题目,达到从思维导图中获取信息,并形成可以项目选题的技术目的。通过本技术方案,解决了之前无法从思维导图中直接获取,帮助科研人员进行选题的技术问题,具备实质性进步和突出性特点。
优选地,所述S3后还包括:
S4:重复获取:判断生成题目是否符合需求,若是,则结束步骤;若否,则重复S2中抓取步骤,抓取所述思维导图根节点、第i级子节点Zi以及第i+1级子节点Zi+1的信息,以此类推。
在一些优选实施方式当中,本方案还包括上述S4。S4的主要目的是进行进一步匹配,降低匹配误差,提高题目匹配成功效果,使得所生成的题目更符合思维导图内容。在本技术方案中,在第一次的思维导图信息获取中,为提高匹配效率,所获取的仅是思维导图的根节点和第一级子节点的信息;而若操作者认为这些信息进行匹配得出的题目准确性不足,可进行重复S2的获取,即再结合下一级子节点的信息用于S3的匹配,通过更多的信息,使得题目匹配准确性将会进一步的提高,从而提高题目生成的准确性。
优选地,所述S1中输入思维导图包括以下步骤:
S11:预设模型,所述模型形式包括标签信息W、根节点信息Z0和i级子节点信息Zi的集合;
S12:信息输入:按S11中模型的形式生成文件模板,用户在文件模板中输入文字信息并形成文件;
S13:生成思维导图:导入并解析S12中所得的文件,获取每个节点的标签信息、父节点信息和子节点信息,并计算其每个节点的位置信息,并按位置信息对应导入至所述思维导图模型中,生成思维导图。
作为其中一种优选的实施方式,输入思维导图可通过上述方式进行实现,即预设一符合思维导图结构的模型,再根据这一模型生成相应的文件模板,用户只需要在这个文件模板上输入,文件模板就会按照思维结构模型将内容进行分配。而后在生成思维导图的过程中,只要再文件模板的数据按思维导图结构的模型导出至思维导图中,即可生成符合后续操作要求的思维导图。通过此步骤,可以方便导入思维导图,从而方便后续的获取分析,提高匹配和题目生成的效率。
更优选地,计算每个节点的标签信息、父节点信息和子节点信息的位置信息的方法是,通过广度优先算法或深度优先算法或DijKstra算法逐层计算每个节点的位置信息。
优选地,所述S2中抓取信息包括以下步骤:
S21:信息解析:将思维导图中的信息进行解析,导出形成根节点信息,以及第i级子节点信息;
S22:分词:将S21中所导出的根节点信息以及第i级子节点信息进行基于词典分词算法操作,得到若干字符串。
作为其中一种优选的实施方式,获取思维导图信息的方式首先需要对思维导图的信息进行解析,再对信息进行分词操作,形成若干字符串,用于后续的匹配步骤。通过此方法可以实现对于思维导图信息的生成和匹配。另外,利用于词典分词算法进行分词,可以有效实现对信息的分词,提高后续匹配的准确率。
更优选地,所述S22中基于词典分词算法是正向最大匹配法或逆向最大匹配法或双向匹配分词法。
需要说明的是,使用正向最大匹配法或逆向最大匹配法或双向匹配分词法进行分词,可以提高分词的准确度,从而帮助提高后续题目匹配的准确度。
更优选地,所述分词步骤中在进行基于词典分词算法操作还包括二次分词操作,所述二次分词操作具体包括:
从所述基于词典分词算法操作的结果中提取连续相邻的字符,若其中一个连续相邻字符序列中每一个字符的构词概率大于预设阈值,则判定所述连续相邻字符序列为一个新词,形成若干字符串。
需要说明的是,构词概率是指在一个连续单字序列中一个单字以一种构词方式存在的概率。例如一个字符可以成为一个词的词首、词中、词尾或者单独成词。根据此,我们可以预设一个阈值,如果一个连续字符序列中的每个字符作为其他词的词首、词中和词尾的概率大于这个阈值,则这个连续字符序列很可能是一个新词,从而将这个字符序列标记为新词进行后续输出;相反,如果一个连续字符序列中的每个字符作为其他词的词首、词中和词尾的概率小于这个阈值,那么这个连续字符序列作为新词的可能性越小,因而不会被判断为成为一个新词进行输出匹配。
通过二次分词的方式,可以使得所形成的字符串更为全面和准确,不会因为一些字符串未被预设为单词而被忽略。通过本技术方案,可以有效大幅提高字符串获取的准确性和全面性,从而提高题目生成的准确度。
更优选地,所述S22后还包括:
S23:统计次数:统计S22中所得的字符串出现的次数;相应地,S3中导出相关题目时,按所述字符串出现的次数对相应的题目按顺序进行导出。
优选地,所述S3中匹配的方法包括:
S31:接收题目和关键词并建立题目库;所述题目库中存储有所述题目、所述关键词,其中,每个题目至少对应一个关键词;
S32:题目匹配导出:获取S2中所获得的字符串;获取所述题目库每个所述题目的关键词,将所述字符串与所述关键词进行匹配;若所述字符串与所述关键词一致,即导出所述关键词所对应的题目。
需要说明的是,在本技术方案中,需要抓取现有数据库如知网等的学术论文题目以及该题目所对应的关键词;每个题目至少对应一个关键词,当然也可以对应多个关键词。获取所述题目和关键词后将其在题目库中进行存储。
结合S2中所得的字符串或字符序列,匹配题目库中的所存储的关键词,将匹配成功的关键词所对应的题目导出,展示给操作者进行选择。
更优选地,所述S3中,若某个被导出的题目因其对应的两个或两个以上的关键词与所述字符串实现匹配,则在导出所述题目时,统计按其所含关键词被匹配成功度数,并按所述成功度数由高到低的顺序导出所述题目。
作为其中一种优选的实施方式,在匹配所述字符串或字符序列与所述关键词的过程当中,加入另一项统计,即统计因不同关键词匹配成功所对应的题目的数量,即假设一题目A其关键词包括A1、A2、A3和A4,同时在匹配的过程中,因A1、A2、A3均因有相同的字符串或字符序列而成功匹配,此时题目A的匹配成功度数为3。统计每个成功被匹配题目的成功度数。更进一步地,根据成功度数的高低顺序导出所述题目。通过此方式,能进一步提高题目匹配成功的准确率。
与现有技术相比,本发明的有益效果在于:
1、本发明的基于思维导图的题目生成方法,结合了思维导图的结构与信息获取的方式,并从题目库中的题目进行匹配,从而导出题目库中与思维导图内容相适应的题目,达到从思维导图中获取信息,并形成可以项目选题的技术目的;通过本技术方案,解决了之前无法从思维导图中直接获取,帮助科研人员进行选题的技术问题。
2、本发明的基于思维导图的题目生成方法,为提高匹配效率,所获取的仅是思维导图的根节点和第一级子节点的信息;而若操作者认为这些信息进行匹配得出的题目准确性不足,可进行重复S2的获取,即再结合下一级子节点的信息用于S3的匹配,通过更多的信息,使得题目匹配准确性将会进一步的提高,从而提高题目生成的准确性;
3、本发明的基于思维导图的题目生成方法,获取思维导图信息的方式首先需要对思维导图的信息进行解析,再对信息进行分词操作,形成若干字符串,用于后续的匹配步骤;通过此方法可以实现对于思维导图信息的生成和匹配;另外,利用于词典分词算法进行分词,可以有效实现对信息的分词,提高后续匹配的准确率;
4、本发明的基于思维导图的题目生成方法,通过二次分词的方式,可以使得所形成的字符串更为全面和准确,不会因为一些字符串未被预设为单词而被忽略;通过本技术方案,可以有效大幅提高字符串获取的准确性和全面性,从而提高题目生成的准确度。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1为本发明基于思维导图的题目生成方法的一种优选实施方式的流程示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明的具体实施方式、结构、特征及其功效,详细说明如下:
实施例1
基一种基于思维导图的题目生成方法,如图1所示,包括以下步骤:
S1:思维导图输入:输入思维导图,形成包括根节点以及若干级子节点的思维导图;
S2:信息获取:抓取所述思维导图根节点Z0以及第i级子节点Zi(i>0且i为正整数)的信息,形成若干字符串;
S3:题目生成:将所得字符串与题目库中的已有题目进行匹配,获取符合预设阈值的题目并导出所有相关题目。
以上是本发明的基础实施方式。发明人在本技术方案中创新性地结合了思维导图的结构与信息获取的方式,并从题目库中的题目进行匹配,从而导出题目库中与思维导图内容相适应的题目,达到从思维导图中获取信息,并形成可以项目选题的技术目的。通过本技术方案,解决了之前无法从思维导图中直接获取,帮助科研人员进行选题的技术问题,具备实质性进步和突出性特点。
结合上述实施方式,在另一个优选实施方式当中,所述S3后还包括:
S4:重复获取:判断生成题目是否符合需求,若是,则结束步骤;若否,则重复S2中抓取步骤,抓取所述思维导图根节点、第i级子节点Zi以及第i+1级子节点Zi+1的信息,以此类推。
S4的主要目的是进行进一步匹配,降低匹配误差,提高题目匹配成功效果,使得所生成的题目更符合思维导图内容。在本技术方案中,在第一次的思维导图信息获取中,为提高匹配效率,所获取的仅是思维导图的根节点和第一级子节点的信息;而若操作者认为这些信息进行匹配得出的题目准确性不足,可进行重复S2的获取,即再结合下一级子节点的信息用于S3的匹配,通过更多的信息,使得题目匹配准确性将会进一步的提高,从而提高题目生成的准确性。
实施例2
本实施例是在上述实施例1基础实施方式的基础之上的优选实施方式,本实施例与上述实施例1的区别在于,在本实施例中:所述S1中输入思维导图包括以下步骤:
S11:预设模型,所述模型形式包括标签信息W、根节点信息Z0和i级子节点信息Zi的集合;
S12:信息输入:按S11中模型的形式生成文件模板,用户在文件模板中输入文字信息并形成文件;
S13:生成思维导图:导入并解析S12中所得的文件,获取每个节点的标签信息、父节点信息和子节点信息,并计算其每个节点的位置信息,并按位置信息对应导入至所述思维导图模型中,生成思维导图。
作为其中一种优选的实施方式,输入思维导图可通过上述方式进行实现,即预设一符合思维导图结构的模型,再根据这一模型生成相应的文件模板,用户只需要在这个文件模板上输入,文件模板就会按照思维结构模型将内容进行分配。而后在生成思维导图的过程中,只要再文件模板的数据按思维导图结构的模型导出至思维导图中,即可生成符合后续操作要求的思维导图。通过此步骤,可以方便导入思维导图,从而方便后续的获取分析,提高匹配和题目生成的效率。
在更进一步优选的实施方式中,计算每个节点的标签信息、父节点信息和子节点信息的位置信息的方法是,通过广度优先算法或深度优先算法或DijKstra算法逐层计算每个节点的位置信息。
下列举一个具体例说明如何通过广度优先算法实现上述过程,但实现方式不仅限于此具体例:
以页面最上端居中位置为坐标原点,水平方向为横轴及竖直方向为纵轴建立坐标系;获取当前节点并进行判断该节点是否存在父节点,若存在则当前节点为子节点,若不存在则当前节点为根节点;若所述节点为父节点,则将该节点作为坐标原点;若该节点为子节点,则根据当前节点的父节点的位置信息,及当前节点的父节点的已插入子节点个数计算当前节点应插入的当前位置,预置当前节点在当前位置插入显示并与当前节点的父节点连接。然后,按相应的顺序,如从上层级至下层级的顺序,判断和计算其他节点的位置,直至当前节点的子节点集合为空集为止。
实施例3
本实施例是在上述实施例1基础实施方式的基础之上的优选实施方式,本实施例与上述实施例1的区别在于,在本实施例中:所述S2中抓取信息包括以下步骤:
S21:信息解析:将思维导图中的信息进行解析,导出形成根节点信息,以及第i级子节点信息;
S22:分词:将S21中所导出的根节点信息以及第i级子节点信息进行基于词典分词算法操作,得到若干字符串。
作为其中一种优选的实施方式,获取思维导图信息的方式首先需要对思维导图的信息进行解析,再对信息进行分词操作,形成若干字符串,用于后续的匹配步骤。通过此方法可以实现对于思维导图信息的生成和匹配。另外,利用于词典分词算法进行分词,可以有效实现对信息的分词,提高后续匹配的准确率。
结合上述实施方式,在其他一些实施例中,所述S22中基于词典分词算法是正向最大匹配法或逆向最大匹配法或双向匹配分词法。使用正向最大匹配法或逆向最大匹配法或双向匹配分词法进行分词,可以提高分词的准确度,从而帮助提高后续题目匹配的准确度。
结合上述实施方式,在其他一些实施例中,所述分词步骤中在进行基于词典分词算法操作还包括二次分词操作,所述二次分词操作具体包括:
从所述基于词典分词算法操作的结果中提取连续相邻的字符,若其中一个连续相邻字符序列中每一个字符的构词概率大于预设阈值,则判定所述连续相邻字符序列为一个新词,形成若干字符串。
例如,若在第一次分词中获得的短句是:“治疗白介素6相关疾病的液体制剂”,那么第一次分词的结果将是“治疗白介素6相关疾病液体制剂”。然后二次分词中得到的连续字符序列是“白介”“介素”“素6”“白介素”“介素6”“白介素6”。
可采用以下公式进行对字符x的构词概率WCP(x)进行计算:
WCP(x)=C(x,WCM)/C(x);其中,C(x,WCM)是字符x以一种特定构词方式在文本中出现的次数,C(x)是该字符x在文本中出现的总次数。
结合上述方法可计算每个字符的构词概率,如WCP(白,词首)=0.98,WCP(介,词中)=0.74,WCP(素,词中)=0.71,WCP(素,词尾)=0.67,WCP(6,词尾)=0.81等。假设预设阈值为P=0.65,则在上述值中,“白介素”和“白介素6”均超过了设定概率阈值,则“白介素”和“白介素6”可作为新词被设定。
通过二次分词的方式,可以使得所形成的字符串更为全面和准确,不会因为一些字符串未被预设为单词而被忽略。通过本技术方案,可以有效大幅提高字符串获取的准确性和全面性,从而提高题目生成的准确度。
在一种更具体的实施方式中,所述S22后还包括:
S23:统计次数:统计S22中所得的字符串出现的次数;相应地,S3中导出相关题目时,按所述字符串出现的次数对相应的题目按顺序进行导出。
优选地,所述S3中匹配的方法包括:
S31:接收题目和关键词并建立题目库;所述题目库中存储有所述题目、所述关键词,其中,每个题目至少对应一个关键词;
S32:题目匹配导出:获取S2中所获得的字符串;获取所述题目库每个所述题目的关键词,将所述字符串与所述关键词进行匹配;若所述字符串与所述关键词一致,即导出所述关键词所对应的题目。
在更具体的实施例中,需要抓取现有数据库如知网等的学术论文题目以及该题目所对应的关键词;每个题目至少对应一个关键词,当然也可以对应多个关键词。获取所述题目和关键词后将其在题目库中进行存储。
结合S2中所得的字符串或字符序列,匹配题目库中的所存储的关键词,将匹配成功的关键词所对应的题目导出,展示给操作者进行选择。
实施例4
本实施例是在上述实施例1基础实施方式的基础之上的优选实施方式,本实施例与上述实施例1的区别在于,在本实施例中:所述S3中,若某个被导出的题目因其对应的两个或两个以上的关键词与所述字符串实现匹配,则在导出所述题目时,统计按其所含关键词被匹配成功度数,并按所述成功度数由高到低的顺序导出所述题目。
作为其中一种优选的实施方式,在匹配所述字符串或字符序列与所述关键词的过程当中,加入另一项统计,即统计因不同关键词匹配成功所对应的题目的数量,即假设一题目A其关键词包括A1、A2、A3和A4,同时在匹配的过程中,因A1、A2、A3均因有相同的字符串或字符序列而成功匹配,此时题目A的匹配成功度数为3。统计每个成功被匹配题目的成功度数。更进一步地,根据成功度数的高低顺序导出所述题目。通过此方式,能进一步提高题目匹配成功的准确率。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (7)
1.一种基于思维导图的题目生成方法,其特征在于,包括以下步骤:
S1:思维导图输入:输入思维导图,形成包括根节点以及若干级子节点的思维导图;
S2:信息获取:抓取所述思维导图根节点Z0以及第i级子节点Zi(i>0且i为正整数)的信息,形成若干字符串;
S3:题目生成:将所得字符串与题目库中的已有题目进行匹配,获取符合预设阈值的题目并导出所有相关题目;
所述S3后还包括:
S4:重复获取:判断生成题目是否符合需求,若是,则结束步骤;若否,则重复S2中抓取步骤,抓取所述思维导图根节点、第i级子节点Zi以及第i+1级子节点Zi+1的信息,以此类推;
所述S2中抓取信息包括以下步骤:
S21:信息解析:将思维导图中的信息进行解析,导出形成根节点信息,以及第i级子节点信息;
S22:分词:将S21中所导出的根节点信息以及第i级子节点信息进行基于词典分词算法操作,得到若干字符串;
所述分词步骤中在进行基于词典分词算法操作还包括二次分词操作,所述二次分词操作具体包括:
从所述基于词典分词算法操作的结果中提取连续相邻的字符,若其中一个连续相邻字符序列中每一个字符的构词概率大于预设阈值,则判定所述连续相邻字符序列为一个新词,形成若干字符串。
2.如权利要求1所述的基于思维导图的题目生成方法,其特征在于,所述S1中输入思维导图包括以下步骤:
S11:预设模型,模型形式包括标签信息W、根节点信息Z0和i级子节点Zi信息的集合;
S12:信息输入:按S11中模型的形式生成文件模板,用户在文件模板中输入文字信息并形成文件;
S13:生成思维导图:导入并解析S12中所得的文件,获取每个节点的标签信息、父节点信息和子节点信息,并计算其每个节点的位置信息,并按位置信息对应导入至所述思维导图模型中,生成思维导图。
3.如权利要求2所述的基于思维导图的题目生成方法,其特征在于,计算每个节点的标签信息、父节点信息和子节点信息的位置信息的方法是,通过广度优先算法或深度优先算法或DijKstra算法逐层计算每个节点的位置信息。
4.如权利要求1所述的基于思维导图的题目生成方法,其特征在于,所述S22中基于词典分词算法是正向最大匹配法或逆向最大匹配法或双向匹配分词法。
5.如权利要求1所述的基于思维导图的题目生成方法,其特征在于,所述S22后还包括:
S23:统计次数:统计S22中所得的字符串出现的次数;相应地,S3中导出相关题目时,按所述字符串出现的次数对相应的题目按顺序进行导出。
6.如权利要求1所述的基于思维导图的题目生成方法,其特征在于,所述S3中匹配的方法包括:
S31:接收题目和关键词并建立题目库;所述题目库中存储有所述题目、所述关键词,其中,每个题目至少对应一个关键词;
S32:题目匹配导出:获取S2中所获得的字符串;获取所述题目库每个所述题目的关键词,将所述字符串与所述关键词进行匹配;若所述字符串与所述关键词一致,即导出所述关键词所对应的题目。
7.如权利要求6所述的基于思维导图的题目生成方法,其特征在于,所述S3中,若某个被导出的题目因其对应的两个或两个以上的关键词与所述字符串实现匹配,则在导出所述题目时,统计按其所含关键词被匹配成功度数,并按所述成功度数由高到低的顺序导出所述题目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810444539.4A CN108647209B (zh) | 2018-05-10 | 2018-05-10 | 一种基于思维导图的题目生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810444539.4A CN108647209B (zh) | 2018-05-10 | 2018-05-10 | 一种基于思维导图的题目生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108647209A CN108647209A (zh) | 2018-10-12 |
CN108647209B true CN108647209B (zh) | 2022-08-02 |
Family
ID=63754277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810444539.4A Active CN108647209B (zh) | 2018-05-10 | 2018-05-10 | 一种基于思维导图的题目生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647209B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112287659B (zh) * | 2019-07-15 | 2024-03-19 | 北京字节跳动网络技术有限公司 | 一种信息生成方法、装置、电子设备及存储介质 |
CN110532344A (zh) * | 2019-08-06 | 2019-12-03 | 北京如优教育科技有限公司 | 基于深度神经网络模型的自动选题系统 |
CN113392225A (zh) * | 2021-06-07 | 2021-09-14 | 李超 | 一种思维导图的生成方法、系统以及电子设备 |
CN117725190A (zh) * | 2024-02-18 | 2024-03-19 | 粤港澳大湾区数字经济研究院(福田) | 基于大语言模型的多轮问答方法、系统、终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202334A (zh) * | 2016-07-04 | 2016-12-07 | 天闻数媒科技(湖南)有限公司 | 一种思维导图作答结果的展示方法和装置 |
CN106599999A (zh) * | 2016-12-09 | 2017-04-26 | 北京爱论答科技有限公司 | 少量题目精准探测学生细分薄弱知识点的测评方法及系统 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090119584A1 (en) * | 2007-11-02 | 2009-05-07 | Steve Herbst | Software Tool for Creating Outlines and Mind Maps that Generates Subtopics Automatically |
-
2018
- 2018-05-10 CN CN201810444539.4A patent/CN108647209B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202334A (zh) * | 2016-07-04 | 2016-12-07 | 天闻数媒科技(湖南)有限公司 | 一种思维导图作答结果的展示方法和装置 |
CN106599999A (zh) * | 2016-12-09 | 2017-04-26 | 北京爱论答科技有限公司 | 少量题目精准探测学生细分薄弱知识点的测评方法及系统 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN108647209A (zh) | 2018-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647209B (zh) | 一种基于思维导图的题目生成方法 | |
CN102722709B (zh) | 一种垃圾图片识别方法和装置 | |
CN110781315B (zh) | 一种食品安全知识图谱及相关智能问答系统的构建方法 | |
CN111401353B (zh) | 一种数学公式的识别方法、装置及设备 | |
CN110097094A (zh) | 一种面向人物交互的多重语义融合少样本分类方法 | |
CN102867049B (zh) | 一种基于单词查找树实现的汉语拼音快速分词方法 | |
CN107239512A (zh) | 一种结合评论关系网络图的微博垃圾评论识别方法 | |
CN110287329A (zh) | 一种基于商品文本分类的电商类目属性挖掘方法 | |
CN115099239B (zh) | 一种资源识别方法、装置、设备以及存储介质 | |
CN107665188A (zh) | 一种语义理解方法及装置 | |
Lu et al. | A semi-automatic approach to detect structural components from CAD drawings for constructing as-is BIM objects | |
CN113901214B (zh) | 表格信息的提取方法、装置、电子设备及存储介质 | |
CN114357148A (zh) | 一种基于多级别网络的图像文本检索方法 | |
CN113449066A (zh) | 利用知识图谱来存储文物数据的方法、处理器及存储介质 | |
Sagcan et al. | Toponym recognition in social media for estimating the location of events | |
CN111159411B (zh) | 一种融合知识图谱的文本立场分析方法、系统及存储介质 | |
CN111008285A (zh) | 一种基于论文关键属性网络的作者消歧方法 | |
CN110489448A (zh) | 基于Hadoop的大数据关联规则的挖掘方法 | |
CN105677718A (zh) | 文字检索方法及装置 | |
Majumder et al. | A generalized model of text steganography by summary generation using frequency analysis | |
CN115203429A (zh) | 一种用于构建审计领域本体框架的知识图谱自动扩充方法 | |
CN111488401B (zh) | 一种基于多元化关系画像技术的在线社会关系搜索方法 | |
CN104243201B (zh) | 网络设备测试用例对应拓扑图的存储方法及系统 | |
CN107122494A (zh) | 基于社团发现的主题模型构建方法 | |
CN108710650B (zh) | 一种针对论坛文本的主题挖掘方法 |
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 |