CN110175332A - 一种基于人工神经网络的智能出题方法及系统 - Google Patents
一种基于人工神经网络的智能出题方法及系统 Download PDFInfo
- Publication number
- CN110175332A CN110175332A CN201910474816.0A CN201910474816A CN110175332A CN 110175332 A CN110175332 A CN 110175332A CN 201910474816 A CN201910474816 A CN 201910474816A CN 110175332 A CN110175332 A CN 110175332A
- Authority
- CN
- China
- Prior art keywords
- topic
- neural network
- artificial neural
- vacancy
- question
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 43
- 230000000694 effects Effects 0.000 claims description 8
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000015572 biosynthetic process Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011835 investigation Methods 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
- G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于人工神经网络的智能出题方法及系统，属于人工神经网络技术领域。本发明的基于人工神经网络的智能出题方法，包括填空题目、选择题目、简答题目的生成及题目的生成对抗优化，利用人工神经网络进行自然语言语义提取，抽取文字特征，生成与段落内容密切相关的多形式题目。该发明的基于人工神经网络的智能出题方法能够提升题目生成效率，保证题目相关性和覆盖率，解放人力，提高信息掌握与巩固过程的效率，具有很好的推广应用价值。
Description
技术领域
本发明涉及人工神经网络技术领域，具体提供一种基于人工神经网络的智能出题方法及系统。
背景技术
自然语言处理(NLP)是信息时代最重要的技术之一，理解复杂的语言是人工智能的重要组成部分。自然语言处理的应用无处不在，人们用语言进行大部分沟通：网络搜索，广告，电子邮件，客户服务，语言翻译，发布学报告等等。大部分自然语言处理问题可以归入四类任务：即序列标注、分类任务、句子关系判断和生成式任务等。
对于给定的段落文字，若要生成一些题目对阅读者进行考察测验，一般经人工阅读解析后，根据人的理解得到若干选择、填空、简答等题目，若能通过智能生成的方法，将有效提高出题效率，且保证题目相关性和覆盖率，具有较好的前景。
发明内容
本发明的技术任务是针对上述存在的问题，提供一种能够提升题目生成效率，保证题目相关性和覆盖率，解放人力，可用于对信息学习者的快速考察及深入理解，并可省去人工校准机制，提高信息掌握与巩固过程的效率的基于人工神经网络的智能出题方法。
本发明进一步的技术任务是提供一种基于人工神经网络的智能出题系统。
为实现上述目的，本发明提供了如下技术方案：
一种基于人工神经网络的智能出题方法，包括填空题目、选择题目、简答题目的生成及题目的生成对抗优化，利用人工神经网络进行自然语言语义提取，抽取文字特征，生成与段落内容密切相关的多形式题目。
该基于人工神经网络的智能出题方法能够提升题目生成效率，保证题目相关性和覆盖率，解放人力，可用于对信息学习者的快速考察及深入理解。通过生成对抗方式完善出题质量，可省去人工校准机制，同时可对简单题目的作答进行正误判断，进一步提高信息掌握与巩固过程的效率。
作为优选，该方法具体包括以下步骤：
S1、填空题目生成：使能人工神经网络A，训练输入为一段文字及基于该段文字的填空题目，经过训练得到人工神经网络A，对新输入的一段文字，生成填空题目；
S2、选择题目生成：使能人工神经网络B，训练输入为一段文字及基于该段文字的选择题目，经过训练得到人工神经网络B，对新输入的一段文字，生成选择题目；
S3、简单题目生成：使能人工神经网络C，训练输入为一段文字及基于该段文字的简答题目，经过训练得到人工神经网络C，对新输入的一段文字，生成简单题目；
S4、采用生成对抗优化填空题目和选择题目。
所述人工神经网络A、人工神经网络B和人工神经网络C，训练输入为一段文字，即一维线性不定长序列，采用膨胀卷积方法捕获同一卷积层长距离特征，采用残差网络加深模型深度，采用不同位置不同权重卷积代替池化操作，以减少语义影响较小的副词介词等对完整语句的影响，同时避免语义关键信息被神经网络滤除，采用多层反卷积方式得到最终语句生成。
作为优选，步骤S1中，生成填空题目为提取段落文字的重点语句，识别句子中各语义词性及对整段文字语义影响的重要程度，表示出关键字，使句子变成空缺语句，得出填空题目及标准答案。
作为优选，步骤S2中，生成选择题目为提取段落文字的重点语句，识别句子中各部分不同语义，划分词性，标识出关键字，并生成三组词性相关、语义相近的新关键词，一同作为选择题目选项，得出选择题目及标准答案。
作为优选，步骤S3中，生成简答题目为对全文进行语义提取，标记整段文字主旨语义，按照训练集中题目方式进行语言组合，得出针对该段文字的简单题目。
作为优选，步骤S4中，使能人工神经网络D和人工神经网络E，输入为上述人工神经网络A和人工神经网络B的输出，针对一段文字生成的填空题目和选择题目，经过模型迭代计算，由所述人工神经网络D和人工神经网络E推理出填空题目和选择题目的答案，并将答案送入人工神经网络A和人工神经网络B，经判断后微调所述人工神经网络A和人工神经网络B的模型参数，优化填空题目和选择题目语义表达。
一种基于人工神经网络的智能出题系统，该系统包括填空题目生成模块、选择题目生成模块、简答题目生成模块及填空题目和选择题目优化模块；
填空题目生成模块使能人工神经网络A，训练输入为一段文字及基于该段文字的填空题目，经过训练得到人工神经网络A，对新输入的一段文字，生成填空题目；
选择题目生成模块使能人工神经网络B，训练输入为一段文字及基于该段文字的选择题目，经过训练得到人工神经网络B，对新输入的一段文字，生成选择题目；
简答题目生成模块使能人工神经网络C，训练输入为一段文字及基于该段文字的简答题目，经过训练得到人工神经网络C，对新输入的一段文字，生成简单题目；
填空题目和选择题目优化模块采用生成对抗优化填空题目和选择题目。
填空题目生成模块中，生成填空题目为提取段落文字的重点语句，识别句子中各语义词性及对整段文字语义影响的重要程度，表示出关键字，使句子变成空缺语句，得出填空题目及标准答案。
选择题目生成模块中，生成选择题目为提取段落文字的重点语句，识别句子中各部分不同语义，划分词性，标识出关键字，并生成三组词性相关、语义相近的新关键词，一同作为选择题目选项，得出选择题目及标准答案。
简答题目生成模块中，生成简答题目为对全文进行语义提取，标记整段文字主旨语义，按照训练集中题目方式进行语言组合，得出针对该段文字的简单题目。
作为优选，填空题目和选择题目优化模块使能人工神经网络D和人工神经网络E，输入为上述人工神经网络A和人工神经网络B的输出，针对一段文字生成的填空题目和选择题目，经过模型迭代计算，由所述人工神经网络D和人工神经网络E推理出填空题目和选择题目的答案，并将答案送入人工神经网络A和人工神经网络B，经判断后微调所述人工神经网络A和人工神经网络B的模型参数，优化填空题目和选择题目语义表达。
与现有技术相比，本发明的基于人工神经网络的智能出题方法具有以下突出的有益效果：该基于人工神经网络的智能出题方法，利用人工神经网络进行自然语言语义提取，能够快速有效抽取文字特征，生成与段落内容密切相关的多形式题目，提升题目生成效率，保证题目相关性和覆盖率，解放人力，可用于对信息学习者的快速考察及深入理解。通过生成对抗方式完善出题质量，可省去人工校准机制，同时可对简单题目的作答进行正误判断，进一步提高信息掌握与巩固过程的效率，具有良好的推广应用价值。
具体实施方式
下面将结合实施例，对本发明的基于人工神经网络的智能出题方法及系统作进一步详细说明。
实施例
本发明的基于人工神经网络的智能出题方法，包括填空题目、选择题目、简答题目的生成及题目的生成对抗优化，利用人工神经网络进行自然语言语义提取，抽取文字特征，生成与段落内容密切相关的多形式题目。
具体包括以下步骤：
S1、填空题目生成：使能人工神经网络A，训练输入为一段文字及基于该段文字的填空题目，经过训练得到人工神经网络A，对新输入的一段文字，生成填空题目。
生成填空题目为提取段落文字的重点语句，识别句子中各语义词性及对整段文字语义影响的重要程度，表示出关键字，使句子变成空缺语句，得出填空题目及标准答案。
S2、选择题目生成：使能人工神经网络B，训练输入为一段文字及基于该段文字的选择题目，经过训练得到人工神经网络B，对新输入的一段文字，生成选择题目。
生成选择题目为提取段落文字的重点语句，识别句子中各部分不同语义，划分词性，标识出关键字，并生成三组词性相关、语义相近的新关键词，一同作为选择题目选项，得出选择题目及标准答案。
S3、简单题目生成：使能人工神经网络C，训练输入为一段文字及基于该段文字的简答题目，经过训练得到人工神经网络C，对新输入的一段文字，生成简单题目。
生成简答题目为对全文进行语义提取，标记整段文字主旨语义，按照训练集中题目方式进行语言组合，得出针对该段文字的简单题目。
人工神经网络A、人工神经网络B和人工神经网络C，训练输入为一段文字，即一维线性不定长序列，采用膨胀卷积方法捕获同一卷积层长距离特征，采用残差网络加深模型深度，采用不同位置不同权重卷积代替池化操作，以减少语义影响较小的副词介词等对完整语句的影响，同时避免语义关键信息被神经网络滤除，采用多层反卷积方式得到最终语句生成。
S4、采用生成对抗优化填空题目和选择题目。
使能人工神经网络D和人工神经网络E，输入为上述人工神经网络A和人工神经网络B的输出，针对一段文字生成的填空题目和选择题目，经过模型迭代计算，由所述人工神经网络D和人工神经网络E推理出填空题目和选择题目的答案，并将答案送入人工神经网络A和人工神经网络B，经判断后微调所述人工神经网络A和人工神经网络B的模型参数，优化填空题目和选择题目语义表达。
本发明的基于人工神经网络的智能出题系统，该系统包括填空题目生成模块、选择题目生成模块、简答题目生成模块及填空题目和选择题目优化模块；
填空题目生成模块使能人工神经网络A，训练输入为一段文字及基于该段文字的填空题目，经过训练得到人工神经网络A，对新输入的一段文字，生成填空题目。
选择题目生成模块使能人工神经网络B，训练输入为一段文字及基于该段文字的选择题目，经过训练得到人工神经网络B，对新输入的一段文字，生成选择题目。
简答题目生成模块使能人工神经网络C，训练输入为一段文字及基于该段文字的简答题目，经过训练得到人工神经网络C，对新输入的一段文字，生成简单题目。
填空题目和选择题目优化模块采用生成对抗优化填空题目和选择题目。
填空题目生成模块中，生成填空题目为提取段落文字的重点语句，识别句子中各语义词性及对整段文字语义影响的重要程度，表示出关键字，使句子变成空缺语句，得出填空题目及标准答案。
选择题目生成模块中，生成选择题目为提取段落文字的重点语句，识别句子中各部分不同语义，划分词性，标识出关键字，并生成三组词性相关、语义相近的新关键词，一同作为选择题目选项，得出选择题目及标准答案。
简答题目生成模块中，生成简答题目为对全文进行语义提取，标记整段文字主旨语义，按照训练集中题目方式进行语言组合，得出针对该段文字的简单题目。
填空题目和选择题目优化模块使能人工神经网络D和人工神经网络E，输入为上述人工神经网络A和人工神经网络B的输出，针对一段文字生成的填空题目和选择题目，经过模型迭代计算，由所述人工神经网络D和人工神经网络E推理出填空题目和选择题目的答案，并将答案送入人工神经网络A和人工神经网络B，经判断后微调所述人工神经网络A和人工神经网络B的模型参数，优化填空题目和选择题目语义表达。
以上所述的实施例，只是本发明较优选的具体实施方式，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (8)
1.一种基于人工神经网络的智能出题方法，其特征在于：该方法包括填空题目、选择题目、简答题目的生成及题目的生成对抗优化，利用人工神经网络进行自然语言语义提取，抽取文字特征，生成与段落内容密切相关的多形式题目。
2.根据权利要求1所述的基于人工神经网络的智能出题方法，其特征在于：该方法具体包括以下步骤：
S1、填空题目生成：使能人工神经网络A，训练输入为一段文字及基于该段文字的填空题目，经过训练得到人工神经网络A，对新输入的一段文字，生成填空题目；
S2、选择题目生成：使能人工神经网络B，训练输入为一段文字及基于该段文字的选择题目，经过训练得到人工神经网络B，对新输入的一段文字，生成选择题目；
S3、简单题目生成：使能人工神经网络C，训练输入为一段文字及基于该段文字的简答题目，经过训练得到人工神经网络C，对新输入的一段文字，生成简单题目；
S4、采用生成对抗优化填空题目和选择题目。
3.根据权利要求2所述的基于人工神经网络的智能出题方法，其特征在于：步骤S1中，生成填空题目为提取段落文字的重点语句，识别句子中各语义词性及对整段文字语义影响的重要程度，表示出关键字，使句子变成空缺语句，得出填空题目及标准答案。
4.根据权利要求3所述的基于人工神经网络的智能出题方法，其特征在于：步骤S2中，生成选择题目为提取段落文字的重点语句，识别句子中各部分不同语义，划分词性，标识出关键字，并生成三组词性相关、语义相近的新关键词，一同作为选择题目选项，得出选择题目及标准答案。
5.根据权利要求4所述的基于人工神经网络的智能出题方法，其特征在于：步骤S3中，生成简答题目为对全文进行语义提取，标记整段文字主旨语义，按照训练集中题目方式进行语言组合，得出针对该段文字的简单题目。
6.根据权利要求5所述的基于人工神经网络的智能出题方法，其特征在于：步骤S4中，使能人工神经网络D和人工神经网络E，输入为上述人工神经网络A和人工神经网络B的输出，针对一段文字生成的填空题目和选择题目，经过模型迭代计算，由所述人工神经网络D和人工神经网络E推理出填空题目和选择题目的答案，并将答案送入人工神经网络A和人工神经网络B，经判断后微调所述人工神经网络A和人工神经网络B的模型参数，优化填空题目和选择题目语义表达。
7.一种基于人工神经网络的智能出题系统，其特征在于：该系统包括填空题目生成模块、选择题目生成模块、简答题目生成模块及填空题目和选择题目优化模块；
填空题目生成模块使能人工神经网络A，训练输入为一段文字及基于该段文字的填空题目，经过训练得到人工神经网络A，对新输入的一段文字，生成填空题目；
选择题目生成模块使能人工神经网络B，训练输入为一段文字及基于该段文字的选择题目，经过训练得到人工神经网络B，对新输入的一段文字，生成选择题目；
简答题目生成模块使能人工神经网络C，训练输入为一段文字及基于该段文字的简答题目，经过训练得到人工神经网络C，对新输入的一段文字，生成简单题目；
填空题目和选择题目优化模块采用生成对抗优化填空题目和选择题目。
8.根据权利要求7所述的基于人工神经网络的智能出题系统，其特征在于：填空题目和选择题目优化模块使能人工神经网络D和人工神经网络E，输入为上述人工神经网络A和人工神经网络B的输出，针对一段文字生成的填空题目和选择题目，经过模型迭代计算，由所述人工神经网络D和人工神经网络E推理出填空题目和选择题目的答案，并将答案送入人工神经网络A和人工神经网络B，经判断后微调所述人工神经网络A和人工神经网络B的模型参数，优化填空题目和选择题目语义表达。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910474816.0A CN110175332A (zh) | 2019-06-03 | 2019-06-03 | 一种基于人工神经网络的智能出题方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910474816.0A CN110175332A (zh) | 2019-06-03 | 2019-06-03 | 一种基于人工神经网络的智能出题方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110175332A true CN110175332A (zh) | 2019-08-27 |
Family
ID=67697092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910474816.0A Pending CN110175332A (zh) | 2019-06-03 | 2019-06-03 | 一种基于人工神经网络的智能出题方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110175332A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111369063A (zh) * | 2020-03-06 | 2020-07-03 | 北京易真学思教育科技有限公司 | 组卷模型训练方法、组卷方法及相关装置 |
| CN111353037B (zh) * | 2020-02-27 | 2021-06-22 | 北京字节跳动网络技术有限公司 | 一种题目生成方法、装置以及计算机可读存储介质 |
| CN113052315A (zh) * | 2019-12-26 | 2021-06-29 | 北京易真学思教育科技有限公司 | 组卷模型训练及其组卷方法、装置及计算机存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108536663A (zh) * | 2018-04-18 | 2018-09-14 | 深圳市鹰硕技术有限公司 | 自动生成完形填空试题的方法以及装置 |
| CN109086273A (zh) * | 2018-08-14 | 2018-12-25 | 北京粉笔未来科技有限公司 | 基于神经网络解答语法填空题的方法、装置和终端设备 |
| CN109241534A (zh) * | 2018-09-12 | 2019-01-18 | 重庆工业职业技术学院 | 一种基于文本ai学习的考题自动生成方法和装置 |
| CN109271483A (zh) * | 2018-09-06 | 2019-01-25 | 中山大学 | 基于递进式多判别器的问题生成方法 |
| CN109753656A (zh) * | 2018-12-29 | 2019-05-14 | 咪咕互动娱乐有限公司 | 一种数据处理方法、装置及存储介质 |
-
2019
- 2019-06-03 CN CN201910474816.0A patent/CN110175332A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108536663A (zh) * | 2018-04-18 | 2018-09-14 | 深圳市鹰硕技术有限公司 | 自动生成完形填空试题的方法以及装置 |
| CN109086273A (zh) * | 2018-08-14 | 2018-12-25 | 北京粉笔未来科技有限公司 | 基于神经网络解答语法填空题的方法、装置和终端设备 |
| CN109271483A (zh) * | 2018-09-06 | 2019-01-25 | 中山大学 | 基于递进式多判别器的问题生成方法 |
| CN109241534A (zh) * | 2018-09-12 | 2019-01-18 | 重庆工业职业技术学院 | 一种基于文本ai学习的考题自动生成方法和装置 |
| CN109753656A (zh) * | 2018-12-29 | 2019-05-14 | 咪咕互动娱乐有限公司 | 一种数据处理方法、装置及存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113052315A (zh) * | 2019-12-26 | 2021-06-29 | 北京易真学思教育科技有限公司 | 组卷模型训练及其组卷方法、装置及计算机存储介质 |
| CN113052315B (zh) * | 2019-12-26 | 2022-05-17 | 北京易真学思教育科技有限公司 | 组卷模型训练及其组卷方法、装置及计算机存储介质 |
| CN111353037B (zh) * | 2020-02-27 | 2021-06-22 | 北京字节跳动网络技术有限公司 | 一种题目生成方法、装置以及计算机可读存储介质 |
| CN111369063A (zh) * | 2020-03-06 | 2020-07-03 | 北京易真学思教育科技有限公司 | 组卷模型训练方法、组卷方法及相关装置 |
| CN111369063B (zh) * | 2020-03-06 | 2022-08-09 | 北京易真学思教育科技有限公司 | 组卷模型训练方法、组卷方法及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105320642B (zh) | 一种基于概念语义基元的文摘自动生成方法 | |
| Luo et al. | Text steganography with high embedding rate: Using recurrent neural networks to generate chinese classic poetry | |
| CN111709242B (zh) | 一种基于命名实体识别的中文标点符号添加方法 | |
| CN111581350A (zh) | 一种基于预训练语言模型的多任务学习阅读理解方法 | |
| CN109492101A (zh) | 基于标签信息与文本特征的文本分类方法、系统及介质 | |
| CN107944027A (zh) | 创建语义键索引的方法及系统 | |
| CN110032635A (zh) | 一种基于深度特征融合神经网络的问题对匹配方法和装置 | |
| CN110175332A (zh) | 一种基于人工神经网络的智能出题方法及系统 | |
| CN112270182B (zh) | 一种基于多轮对话问答式的分析思路衍生方法、系统及存储介质 | |
| CN107944014A (zh) | 一种基于深度学习的中文文本情感分析方法 | |
| CN112905776B (zh) | 一种情感对话模型构建方法、情感对话系统及方法 | |
| CN111160452A (zh) | 一种基于预训练语言模型的多模态网络谣言检测方法 | |
| CN108549658A (zh) | 一种基于语法分析树上注意力机制的深度学习视频问答方法及系统 | |
| CN101645064A (zh) | 一种浅层自然口语理解系统及方法 | |
| CN112000771A (zh) | 一种面向司法公开服务的句子对智能语义匹配方法和装置 | |
| CN105975497A (zh) | 微博话题自动推荐方法及装置 | |
| CN110263147A (zh) | 推送信息的生成方法及装置 | |
| CN106446147A (zh) | 一种基于结构化特征的情感分析方法 | |
| CN115292485A (zh) | 一种基于SKEP-ERNIE-BiGRU网络模型结构的情感分类方法 | |
| CN114297399A (zh) | 知识图谱生成方法、系统、存储介质及电子设备 | |
| CN108363685B (zh) | 基于递归变分自编码模型的自媒体数据文本表示方法 | |
| CN116010581A (zh) | 一种基于电网隐患排查场景的知识图谱问答方法及系统 | |
| CN111221964B (zh) | 一种不同分面观点演化趋势引导的文本生成方法 | |
| CN113486174B (zh) | 模型训练、阅读理解方法、装置、电子设备及存储介质 | |
| CN113420111A (zh) | 一种用于多跳推理问题的智能问答方法及装置 |
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 |
Application publication date: 20190827 |
|
| RJ01 | Rejection of invention patent application after publication |