CN108764671B - 一种基于自建语料库的创造能力评测方法和装置 - Google Patents
一种基于自建语料库的创造能力评测方法和装置 Download PDFInfo
- Publication number
- CN108764671B CN108764671B CN201810468184.2A CN201810468184A CN108764671B CN 108764671 B CN108764671 B CN 108764671B CN 201810468184 A CN201810468184 A CN 201810468184A CN 108764671 B CN108764671 B CN 108764671B
- Authority
- CN
- China
- Prior art keywords
- answers
- similarity
- creativity
- keywords
- corpus
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于自建语料库的创造能力自动评测方法和装置,构建专用语料库,根据历史分类标准,选取创造力测试问卷的每道题目中每个类别的关键词;获取被试者的答案,分别将专用语料库中关键词和被试者的答案转换为向量形式;计算被试者的答案与关键词的相似度;利用遗传算法计算每个类别的相似度阈值;比较被试者的答案与关键词的相似度与相似度阈值大小,对被试者的答案进行分类;根据分类结果,计算反映创造能力的创造力因素。本发明减少创造能力评测过程中的人工劳动,提高评测的准确性和效率。
Description
技术领域
本发明属于创造力评测领域,具体涉及一种基于自建语料库的创造能力评测方法和装置。
背景技术
创造力研究一直是心理学领域的一个研究热点问题。创造力(Creativity)是指产生具有高质量和可操作性的新观念的能力,创造力测验(Creativity Test)是指测量创造能力的测验,多以发散思维为因素。创造力测试的内容,不强调对现成知识的记忆与理解,而强调思维的流畅性、变通性与超乎寻常的独特性,问题的答案也非唯一和固定的。
目前采用的方法多是通过设计调查问卷,然后再由评测者对被试的问卷进行打分、计算和分类。例如,其中比较经典的一种问卷方式是,给出几个图形,被试根据自己的理解和想象对图形进行文字描述。评测者收集好调查问卷后,将被试的文字描述划分为多个类别(比如植物类,动物类,建筑类),根据被试的文字描述及其类别划分结果,对被试的独创性、灵活性、流畅性等创造力要素进行量化评价。可见,在创造力评价中,被试文字描述的分类是其关键之处。
传统的创造力评测工作往往需要大量的人工参与,尤其在分类过程中,多都是由三个评测者人工完成的。但由于评测者的经验和水平参差不齐,以及评测者连续长时间的评测工作,会极大地影响评测效率和评测结果的准确率。
综上所述,现有技术中对于如何提高创造力评测效率以及评测结果的准确率的问题,尚缺乏有效的解决方案。
发明内容
为了克服上述现有技术的不足,本发明提供了一种基于自建语料库的创造能力评测方法和装置,减少创造能力评测过程中的人工劳动,提高评测的准确性和效率。
本发明所采用的技术方案是:
一种基于自建语料库的创造能力评测方法,该方法包括以下步骤:
构建专用语料库,根据历史分类标准,选取创造力测试问卷的每道题目中每个类别的关键词;
获取输入的答案,分别将专用语料库中关键词和答案转换为向量形式;
计算答案与关键词的相似度;
利用遗传算法计算每个类别的相似度阈值;
比较答案与关键词的相似度与相似度阈值大小,对答案进行分类;
根据分类结果,计算反映创造能力的创造力因素。
进一步的,所述专用语料库的构建方法为:
基于历史语料库中历史评测数据,结合维基百科语料库的维基百科词条构建创造力评测领域的专用语料库,并根据历史分类标准,选取创造力测试问卷的每道题目中每个类别的若干个关键词。
进一步的,所述分别将专用语料库中关键词和答案转换为向量形式的步骤包括:
使用word2vec中的Skip-Gram模型分别对专用语料库中关键词和答案进行训练,分别将专用语料库中关键词和答案转换为向量形式。
进一步的,所述答案与关键词的相似度计算方法为:
计算答案向量与关键词向量之间的余弦距离,该余弦距离即为答案与关键词的相似度。
进一步的,所述利用遗传算法计算每个类别的相似度阈值的步骤包括:
(1)初始化种群,在阈值范围上随机生成M个随机数作为初始种群,作为初始群体;
(2)计算群体中各个个体的适应度;
(3)将选择算子作用于群体中,根据个体在达到类别阈值一个周期内不同的反馈给予不同的评价值,将优化的类别阈值遗传给下一代;
(4)将交叉算子作用于群体中,根据群体中各个个体的适应度,计算个体的最优阈值,将最优阈值作用于群体中适应度较低的个体;
(5)将变异算子作用于群体中,即是对群体中的个体串的适应度最高的阈值给予一个随机数值的变化,群体经过选择、交叉、变异运算之后得到下一代群体;
(6)反复执行步骤(4)和(5),直至新群体的个体数目与父代群体内个体数目相等。
进一步的,所述比较答案与关键词的相似度与相似度阈值大小,对答案进行分类的步骤包括:
比较答案与关键词的相似度与该关键词所在类别的相似度阈值大小;
如果答案与关键词的相似度大于该关键词所在类别的相似度阈值,则将答案划分为该类别;
如果答案与多个关键词的相似度均大于相应的多个类别的相似度阈值,则将答案划分为相似度与相似度阈值相差最大的类别。
进一步的,所述创造力因素包括独创性、流畅性和灵活性。
进一步的,所述独创性的计算方法为:
计算被试者的答案出现的频次与参与测试的被试总人数的比值,得到被试者的答案的独创性;
若答案的独创性小于设定的阈值,则认为该答案具有独创性,记为1,否则记为0;
流畅性的计算方法为:
对于每道题目,计算本道题目中答案数量;
灵活性因素的计算方法为:
对于每道题目,计算答案所属的类别数量与本道题目中所有答案类别总数的比值。
一种基于自建语料库的创造能力评测装置,该装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:
构建专用语料库,根据历史分类标准,选取创造力测试问卷的每道题目中每个类别的关键词;
获取输入的答案,分别将专用语料库中关键词和答案转换为向量形式;
计算答案与关键词的相似度;
利用遗传算法计算每个类别的相似度阈值;
比较答案与关键词的相似度与相似度阈值大小,对答案进行分类;
根据分类结果,计算反映创造能力的创造力因素。
与现有技术相比,本发明的有益效果是:
本发明通过构建创造力评测领域的专用语料库,将关键词和被试者给出的答案转换为向量形式,计算关键词和被试者给出的答案的相似度,确定每个类别的相似度阈值,根据关键词和被试者给出的答案的相似度和相似度阈值的大小,对被试者给出的答案进行分类,基于分类结果,根据被试给出的答案对其独创性、灵活性、流畅性等创造力要素进行量化评价,减少创造力评测过程中的人工劳动,提高创造能力评测的准确性和效率。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1基于自建语料库的创造能力评测方法流程图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术所介绍的,为了减少创造力评测过程中的人工劳动,提高评测的准确性和效率,提出一种基于自建语料库的创造力自动评测方法和装置。
本申请的一种典型的实施方式中,如图1所示,提供了一种基于自建语料库的创造能力评测方法,该方法包括以下步骤:
步骤101:构建专用语料库,根据历史分类标准,选取创造力测试问卷的每道题目中每个类别的关键词;
步骤102:获取被试者输入的答案,分别将专用语料库中关键词和被试者的答案转换为向量形式;
步骤103:计算被试者的答案与关键词的相似度;
步骤104:利用遗传算法计算每个类别的相似度阈值;
步骤105:比较被试者的答案与关键词的相似度与相似度阈值大小,对被试者的答案进行分类;
步骤106:根据分类结果,计算反映创造能力的创造力因素。
本发明实施例公开的基于自建语料库的创造能力评测方法,通过构建专用语料库,将关键词和被试者给出的答案转换为向量形式,计算关键词和被试者给出的答案的相似度,确定每个类别的相似度阈值,根据关键词和被试者给出的答案的相似度和相似度阈值的大小,对被试者给出的答案进行分类,基于分类结果,根据被试给出的答案对其独创性、灵活性、流畅性等创造力要素进行量化评价,减少创造力评测过程中的人工劳动,提高创造能力评测的准确性和效率。
为了使本领域的技术人员更好的了解本发明,下面列举一个更为详细的实施例,本发明实施例提供了一种基于自建语料库的创造力自动评测方法,该方法包括以下步骤:
步骤201:构建创造力评测领域的专用语料库。
常规语料库包括维基百科语料库和历史语料库;所述维基百科语料库是指维基百科词条,所述历史语料库是指基于已有历史评测数据构建的语料库。
目前的中文语料库大多是基于维基百科词条、搜狗新闻等文本进行训练,这些语料虽然涉及范围很广,但在创造力研究中专业性不足。领域内的语料对相似领域任务的效果提升非常明显,但在领域不契合时甚至会有负面作用。因此,对于创造力评测,制作创造力评测领域的专用语料库对于评测效果的提升至关重要。
为了制作创造力评测领域内的专用语料库,本发明利用历史语料库中已有历史评测数据作为基础,结合维基百科语料库的维基百科对应的词条构建语料库,相比于使用维基百科的全部词条而言,该方法增加了语料的领域纯度。同时,由于历史评测数据中也包含了评测员给出的分类标准,对于每道题目中每个类别的选取若干个关键词以备后续比较、分类之用。
步骤202:词语向量化。
由于需要对词语进行相似性比较,而直接比较两个词语的字面相似度会影响词语在语法、语义方面的相似度,因此,本发明通过训练文本数据集,将词语不同的语法和句法特征映射到向量的不同维度上去,进而将单个词语表示为高维向量空间中的某个点,从而实现词语的向量化。
本发明实施例利用Word2Vec中的Skip-Gram模型分别对专用语料库和被试者给出的答案进行训练,训练完成之后会得到所有出现在专用语料库上的关键词的向量表示以及被试者给出的答案的向量表示。其具体实现步骤为:
首先,构造一个三层的神经网络,包括输入层、隐藏层和输出层(softmax)。然后,对于一个关键词w,选择w的上下文词语集w1,w2,…,wC,其中C是上下文窗口大小,词语都采用one-hot编码。接着,通过给网络输入我们在训练文本中找到的词对,来训练网络,网络将会去学习这些词对出现的统计概率。通过学习,会得到输入层与隐藏层之间的权重矩阵W,而其第i行代表词汇表中第i个词语的权重,从而实现词语的向量化表示。Skip-Gram模型隐含着这样的朴素思想,即:如果两个词语会在相似的上下文出现,则这两个词汇是比较相似的。
步骤203:词语相似度计算。
所述所述词语相似度计算,是指,计算被试者的答案与已有分类标准中关键词的相似度,进而获得被试答案的可能所属分类。
在本发明实施例中,利用被试者的答案向量与关键词向量的余弦距离来计算被试者的答案与已有分类标准中关键词的相似度。对于被试者的答案向量w1=(w11,w12,…,w1n),关键词向量w2=(w21,w22,…,w2n),其余弦相似度为:
其中w1i和w2i为两个向量w1、w2的第i个维度。
步骤204:分类阈值确定。
所述阈值是指判断一个被试者给出的答案是否属于某一类的临界值。比如A类的阈值是0.63,当被试给出的文字描述与A类中的相似度大于0.63时,就可以判定被试给出的文字描述属于A类。阈值用于判别被试所给文字描述的具体分类,在本发明实施例中,利用遗传算法来计算出每个已有类别的阈值。
在本发明实施例中,阈值范围设为[0.2,0.6],初始种群为80,交叉概率为0.6,变异概率为10e-3,采用浮点数编码,具体步骤如下:
1)初始化种群:在[0.2,0.6]产生80个随机数。
2)计算个体的适应度:计算每一个阈值的系统的准确度。
3)选择操作:
将r与gi比较,如果gi-1≤r≤gi,则选择个体i进入到下一代新群体;
接着,反复执行4)和5),直至新群体的个体数目等于父代群体规模。
4)交叉操作:
5)变异操作:
步骤205:词语分类。
对于待分类的被试者的答案,首先根据步骤(3)计算被试者的答案与关键词的相似度,再根据步骤(4)得到的类别相似度阈值,如果相似度大于某类的阈值,就将被试者的答案划分为该类。如果相似度同时大于多个类别的阈值,则将其划分为大于阈值更多的那个类。
步骤206:创造力要素评价。
基于被试所给答案的分类及统计特征,对其独创性、灵活性、流畅性等创造力要素进行量化评价。流畅性、灵活性、独创性是创造力的三个因素。流畅性是针对刺激能很流畅地做出反应的能力。灵活性是指随机应变的能力。独创性是指对刺激做出不寻常的反应,具有新奇的成分。这三性是建筑在广泛的知识的基础之上的。流畅性、灵活性、独创性因素的计算方法为:
(1)独创性
首先,计算被试者的答案w的独创性因素IC(w),IC(w)=frequency(w)/N,其中frequency(w)为被试者的答案w出现的频次,N为本次参与调查的被试总人数。若被试者的答案的独创性因素<5%,则认为该被试者的答案具有独创性,记为1,否则记为0。
(2)流畅性
流畅性是被试者在某一题目上给出的反应或观点的数量,即为对一个问题被试者回答的条目数,比如对于“碗的用途”一题,被试给出了四种答案,则其流畅性为4。
(3)灵活性
灵活性是被试者给出的答案所涵盖的类别数量,对于一个题目,一个被试者p的灵活性IF(p)定义为:
IF(p)=C(p)/NC
其中,C(p)为被试者p给出的答案所属的类别数量,NC为本题目所有答案类别总数,一般为8-10个类别。
本发明实施例公开的基于自建语料库的创造能力评测方法,通过构建专用语料库,将关键词和被试者给出的答案转换为向量形式,计算关键词和被试者给出的答案的相似度,确定每个类别的相似度阈值,根据关键词和被试者给出的答案的相似度和相似度阈值的大小,对被试者给出的答案进行分类,基于分类结果,根据被试给出的答案对其独创性、灵活性、流畅性等创造力要素进行量化评价,减少创造力评测过程中的人工劳动,提高创造能力评测的准确性和效率。
本申请的另一种典型实施方式,提供了一种基于自建语料库的创造能力评测装置,该装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:
构建专用语料库,根据历史分类标准,选取创造力测试问卷的每道题目中每个类别的关键词;
获取被试者的答案,分别将专用语料库中关键词和被试者的答案转换为向量形式;
计算被试者的答案与关键词的相似度;
利用遗传算法计算每个类别的相似度阈值;
比较被试者的答案与关键词的相似度与相似度阈值大小,对被试者的答案进行分类;
根据分类结果,计算反映创造能力的创造力因素。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (5)
1.一种基于自建语料库的创造能力评测方法,其特征是,包括以下步骤:
构建专用语料库,基于历史语料库中历史评测数据,结合维基百科语料库的维基百科词条构建创造力评测领域的专用语料库,并根据历史分类标准,选取创造力测试问卷的每道题目中每个类别的若干个关键词;
获取输入的答案,分别将专用语料库中关键词和答案转换为向量形式;计算答案与关键词的相似度;
利用遗传算法计算每个类别的相似度阈值;
比较答案与关键词的相似度与相似度阈值大小,对答案进行分类,具体步骤包括:比较答案与关键词的相似度与该关键词所在类别的相似度阈值大小;如果答案与关键词的相似度大于该关键词所在类别的相似度阈值,则将答案划分为该类别;如果答案与多个关键词的相似度均大于相应的多个类别的相似度阈值,则将其划分为相似度与相似度阈值相差最大的类别;
根据分类结果,计算反映创造能力的创造力因素,所述创造力因素包括独创性、流畅性和灵活性;所述独创性的计算方法为:计算答案出现的频次与参与测试的被试总人数的比值,得到答案的独创性因素,若该答案的独创性小于设定的阈值,则认为该答案具有独创性,记为1,否则记为0;流畅性的计算方法为:对于每道题目,计算本道题目中答案数量;灵活性因素的计算方法为:对于每道题目,计算输入的答案所属的类别数量与本道题目中所有答案类别总数的比值;
所述基于自建语料库的创造能力评测方法根据关键词和被试者给出的答案的相似度和相似度阈值的大小,对被试者给出的答案进行分类,基于分类结果,根据被试给出的答案对其独创性、灵活性、流畅性创造力要素进行量化评价。
2.根据权利要求1所述的基于自建语料库的创造能力评测方法,其特征是,所述分别将专用语料库中关键词和答案转换为向量形式的步骤包括:
使用word2vec中的Skip-Gram模型分别对专用语料库中关键词和答案进行训练,分别将专用语料库中关键词和答案转换为向量形式。
3.根据权利要求1所述的基于自建语料库的创造能力评测方法,其特征是,所述答案与关键词的相似度计算方法为:
计算答案向量与关键词向量之间的余弦距离,该余弦距离即为答案与关键词的相似度。
4.根据权利要求1所述的基于自建语料库的创造能力评测方法,其特征是,所述利用遗传算法计算每个类别的相似度阈值的步骤包括:
(1)初始化种群,在阈值范围上随机生成M个随机数作为初始种群,作为初始群体;
(2)计算群体中各个个体的适应度;
(3)将选择算子作用于群体中,根据个体在达到类别阈值一个周期内不同的反馈给予不同的评价值,将优化的类别阈值遗传给下一代;
(4)将交叉算子作用于群体中,根据群体中各个个体的适应度,计算个体的最优阈值,将最优阈值作用于群体中适应度较低的个体;
(5)将变异算子作用于群体中,即是对群体中的个体串的适应度最高的阈值给予一个随机数值的变化,群体经过选择、交叉、变异运算之后得到下一代群体;
(6)反复执行步骤(4)和(5),直至新群体的个体数目与父代群体内个体数目相等。
5.一种基于自建语料库的创造能力评测装置,其特征是,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:
构建专用语料库,基于历史语料库中历史评测数据,结合维基百科语料库的维基百科词条构建创造力评测领域的专用语料库,并根据历史分类标准,选取创造力测试问卷的每道题目中每个类别的若干个关键词;
获取答案,分别将专用语料库中关键词和被试者的答案转换为向量形式;
计算答案与关键词的相似度;
利用遗传算法计算每个类别的相似度阈值;
比较答案与关键词的相似度与相似度阈值大小,对被试者的答案进行分类,具体步骤包括:
比较答案与关键词的相似度与该关键词所在类别的相似度阈值大小;如果答案与关键词的相似度大于该关键词所在类别的相似度阈值,则将答案划分为该类别;如果答案与多个关键词的相似度均大于相应的多个类别的相似度阈值,则将其划分为相似度与相似度阈值相差最大的类别;
根据分类结果,计算反映创造能力的创造力因素,所述创造力因素包括独创性、流畅性和灵活性;所述独创性的计算方法为:计算答案出现的频次与参与测试的被试总人数的比值,得到答案的独创性因素,若该答案的独创性小于设定的阈值,则认为该答案具有独创性,记为1,否则记为0;流畅性的计算方法为:对于每道题目,计算本道题目中答案数量;灵活性因素的计算方法为:对于每道题目,计算输入的答案所属的类别数量与本道题目中所有答案类别总数的比值;
所述装置根据关键词和被试者给出的答案的相似度和相似度阈值的大小,对被试者给出的答案进行分类,基于分类结果,根据被试给出的答案对其独创性、灵活性、流畅性创造力要素进行量化评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810468184.2A CN108764671B (zh) | 2018-05-16 | 2018-05-16 | 一种基于自建语料库的创造能力评测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810468184.2A CN108764671B (zh) | 2018-05-16 | 2018-05-16 | 一种基于自建语料库的创造能力评测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764671A CN108764671A (zh) | 2018-11-06 |
CN108764671B true CN108764671B (zh) | 2022-04-15 |
Family
ID=64008205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810468184.2A Active CN108764671B (zh) | 2018-05-16 | 2018-05-16 | 一种基于自建语料库的创造能力评测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764671B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918659B (zh) * | 2019-02-28 | 2023-06-20 | 华南理工大学 | 一种基于不保留最优个体遗传算法优化词向量的方法 |
CN110196893A (zh) * | 2019-05-05 | 2019-09-03 | 平安科技(深圳)有限公司 | 基于文本相似度的非主观题阅卷方法、装置及存储介质 |
CN113327593B (zh) * | 2021-05-25 | 2024-04-30 | 上海明略人工智能(集团)有限公司 | 用于语料获取的装置及方法、电子设备、可读存储介质 |
CN113743825B (zh) * | 2021-09-18 | 2023-07-14 | 无锡融合大数据创新中心有限公司 | 基于大数据的教育教学水平评估系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604312A (zh) * | 2007-12-07 | 2009-12-16 | 宗刚 | 信息的检索管理交流的方法和系统 |
CN103810264A (zh) * | 2014-01-27 | 2014-05-21 | 西安理工大学 | 基于特征选择的网页文本分类方法 |
CN103838886A (zh) * | 2014-03-31 | 2014-06-04 | 辽宁四维科技发展有限公司 | 基于代表词知识库的文本内容分类方法 |
CN104239436A (zh) * | 2014-08-27 | 2014-12-24 | 南京邮电大学 | 一种基于文本分类和聚类分析的网络热点事件发现方法 |
CN106875770A (zh) * | 2017-05-03 | 2017-06-20 | 青岛市崂山区实验小学 | 一种少年学生创新能力测验评定装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010132790A1 (en) * | 2009-05-14 | 2010-11-18 | Collexis Holdings, Inc. | Methods and systems for knowledge discovery |
-
2018
- 2018-05-16 CN CN201810468184.2A patent/CN108764671B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604312A (zh) * | 2007-12-07 | 2009-12-16 | 宗刚 | 信息的检索管理交流的方法和系统 |
CN103810264A (zh) * | 2014-01-27 | 2014-05-21 | 西安理工大学 | 基于特征选择的网页文本分类方法 |
CN103838886A (zh) * | 2014-03-31 | 2014-06-04 | 辽宁四维科技发展有限公司 | 基于代表词知识库的文本内容分类方法 |
CN104239436A (zh) * | 2014-08-27 | 2014-12-24 | 南京邮电大学 | 一种基于文本分类和聚类分析的网络热点事件发现方法 |
CN106875770A (zh) * | 2017-05-03 | 2017-06-20 | 青岛市崂山区实验小学 | 一种少年学生创新能力测验评定装置 |
Non-Patent Citations (1)
Title |
---|
《面向网络大数据的知识融合方法综述》;林海伦,王元卓,贾岩涛,张鹏,王伟平;《计算机学报》;20170131;第40卷(第1期);1-9 * |
Also Published As
Publication number | Publication date |
---|---|
CN108764671A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764671B (zh) | 一种基于自建语料库的创造能力评测方法和装置 | |
Chi et al. | Empirically evaluating the application of reinforcement learning to the induction of effective and adaptive pedagogical strategies | |
Fitzgerald et al. | Important text characteristics for early-grades text complexity. | |
Kasabov | Foundations of neural networks, fuzzy systems, and knowledge engineering | |
CN109657041A (zh) | 基于深度学习的问题自动生成方法 | |
Harrison et al. | Gibbs sampling with people | |
Rosé | Discourse analytics | |
CN111460132A (zh) | 一种基于图卷积神经网络的生成式会议摘要方法 | |
Sobol-Shikler et al. | Classification of complex information: Inference of co-occurring affective states from their expressions in speech | |
CN113536804A (zh) | 一种基于关键词强化的GRU和Kronecker的自然语言特征提取方法 | |
Wong et al. | Identifying concept libraries from language about object structure | |
Gramipour et al. | The development of teacher academic emotions (TAE) scale | |
Avishka et al. | Mobile app to support people with dyslexia and dysgraphia | |
Shahamiri | Neural network-based multi-view enhanced multi-learner active learning: theory and experiments | |
Yang | Design of service robot based on user emotion recognition and environmental monitoring | |
CN108959467B (zh) | 一种基于强化学习的问句和答案句相关度的计算方法 | |
Jiang et al. | Automatic coding of students' writing via Contrastive Representation Learning in the Wasserstein space | |
Rourke et al. | Quantitative approaches to the neuropsychological assessment of children | |
Kaplan | A new approach to class formation in multi-agent simulations of language evolution | |
Kirandziska et al. | Finding important sound features for emotion evaluation classification | |
YIN | A compression-based BiLSTM for treating teenagers’ depression chatbot | |
Vandierendonck et al. | Interaction of knowledge-driven and data-driven processing in category learning | |
Singh et al. | Analyzing machine learning algorithms for speech impairment related issues | |
Meng et al. | Nonlinear network speech recognition structure in a deep learning algorithm | |
Yang | Natural Language Enhancement for English Teaching Using Character-Level Recurrent Neural Network with Back Propagation Neural Network based Classification by Deep Learning Architectures. |
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 |