CN110309363A - 一种基于知识点的教学视频片段交易方法 - Google Patents

一种基于知识点的教学视频片段交易方法 Download PDF

Info

Publication number
CN110309363A
CN110309363A CN201810175157.6A CN201810175157A CN110309363A CN 110309363 A CN110309363 A CN 110309363A CN 201810175157 A CN201810175157 A CN 201810175157A CN 110309363 A CN110309363 A CN 110309363A
Authority
CN
China
Prior art keywords
knowledge
point
instructional video
guiding
commerce
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
Application number
CN201810175157.6A
Other languages
English (en)
Inventor
魏田标
高东发
曾虹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Pan-Asia Pacific Technology Development Co Ltd
Guangzhou Runqin Education Technology Co Ltd
Original Assignee
Guangzhou Pan-Asia Pacific Technology Development Co Ltd
Guangzhou Runqin Education Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Pan-Asia Pacific Technology Development Co Ltd, Guangzhou Runqin Education Technology Co Ltd filed Critical Guangzhou Pan-Asia Pacific Technology Development Co Ltd
Priority to CN201810175157.6A priority Critical patent/CN110309363A/zh
Publication of CN110309363A publication Critical patent/CN110309363A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/71—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Multimedia (AREA)
  • Strategic Management (AREA)
  • Library & Information Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种基于知识点的教学视频片段交易方法，包括以下步骤：步骤1：标注教学视频的知识点片段，并生成知识点视频片段；步骤2：基于所述知识点片段建立知识图谱；步骤3：建立索引库与所述知识点视频片段的检索关系；步骤4：构建定价模型，对所述知识点视频片段进行定价；步骤5：构建智能推荐模型，基于知识图谱向用户推荐教学内容片段。本方案能够降低交易成本，有利于教学视频的流转，便于学习。

Description

一种基于知识点的教学视频片段交易方法
技术领域
本发明涉及教学视频片段交易技术领域，尤其涉及一种基于知识点的教学视频片段交易方法。
背景技术
教学视频是将教师要传授给学生的知识、技能等内容制作成视频形式，以辅助现代化多媒体教学。即帮助老师能够更加生动，形象的展现出在课堂上无法实际操作的内容，同时又真实的记录了教学内容，方便学习者能够随时随地反复学习，是现代化教学中必不可少的重要辅助工具。
现有教学视频交易主要基于整部教学交易，如果学习者需要包含知识点的教学视频片段，就必须交易整部教学视频，交易成本大，不利于教学视频的流转，也不便于学习。
发明内容
有鉴于此，本发明要解决的技术问题是提供一种种基于知识点的教学视频片段交易方法，能够降低交易成本，有利于教学视频的流转，便于学习。
本发明的技术方案是这样实现的：
一种基于知识点的教学视频片段交易方法，包括以下步骤：
步骤1：标注教学视频的知识点片段，并生成知识点视频片段；
步骤2：基于所述知识点片段建立知识图谱；
步骤3：建立索引库与所述知识点视频片段的检索关系；
步骤4：构建定价模型，对所述知识点视频片段进行定价；
步骤5：构建智能推荐模型，基于知识图谱向用户推荐教学内容片段。
优选的，所述步骤1具体包括：
通过所述教学视频的图像模态和文字模态进行镜头分割，提取关键帧，并标注关键帧。
优选的，所述步骤2具体包括：
通过视频内容语义建立层次知识图谱和垂直知识图谱；
或；
采用AVP的方法半结构化描述知识图谱。
优选的，所述采用AVP的方法半结构化描述知识图谱之后，还包括：
采用知识点对齐的方法使采用AVP的方法半结构化建立的知识图谱形成完整的知识图谱。
优选的，所述索引库通过模糊检索与所述知识点视频片段建立检索关系，具体包括：
通过所述知识图谱和知网本体词典与所述知识点视频片段建立检索关系。
优选的，所述定价模型包括目标导向、需求导向、竞争导向、成本导向、重要程度导向、技术难度导向、先进性导向、时效性导向、用户群体导向、交易频度导向、客户购买量导向、客户忠诚度导向、客户接受心理导向、客户贡献导向、异质产品影响导向。
优选的，采用粒子群优化算法构建定价模型。
本发明提出的基于知识点的教学视频片段交易方法，通过对视频进行知识点标注，建立知识图谱，并通过建立定价模型对知识点视频片段进行定价，从而可以进行视频片段的交易，能够降低交易成本，有利于教学视频的流转，便于学习。
附图说明
图1为本发明实施例提出的基于知识点的教学视频片段交易方法的流程图。
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。
如图1所示，本发明实施例提出了一种基于知识点的教学视频片段交易方法，包括以下步骤：
步骤101：标注教学视频的知识点片段，并生成知识点视频片段。
具体的，通过所述教学视频的图像模态和文字模态进行镜头分割，提取关键帧，并标注关键帧。
教学视频具是一种特定的领域视频，同样具有图像、声音和文字三种模态，我们分析其图像模态和文字模态。
本申请中，通过教学视频的图像模态和文字模态进行镜头分割。
其中，图像模态：
教学视频一般存在三种镜头的切换：教师镜头、学生镜头和课件镜头。教师镜头可能由于老师的移动，镜头的跟踪，镜头的背景会发生变化，而前景的变化相对较小；学生镜头对知识不会产生较大的影响，在如下三种情况下产生学生镜头，其一学生回答问题，镜头跟踪，其二学生有异动，镜头捕捉，其三录播者有意切换镜头；课件镜头也有三情况，其一是课件镜头与教师镜头一致，其二是教师强调课件内容时；其三是课件内容发生变化时。
一部教学视频可能包含N多个知识点，图像上表现为课件内容的改变。课件内容全部或部分相同，可以认为是同一个知识点讲授。
教师镜头出现的时间和位置可是任意的和随机的。
课件镜头中一般包含很多的文字信息，文字信息中包含标题信息，如果课件镜头是不包含标题信息，可认为是上页内容的继续，属于同一知识点。
图像相对稳定，镜头运动平缓。
文字模态：
课件内容主要是标准印刷字体，少许手写体。
课件中字体大小有明显分别。一般而言，标题字体比正文字体要大，并且居于图像左上位置。标题有明显的分级标示。
教学视频内容具有鲜明的限制性和层次性。限制性是指视频内容限定为某一学科，很少会出现跨学科的情况；层次性即话题性，指教学视频内容可以划分为N段，每段内容的中心话题不相同，段与段之间为并列的层次关系。对教学视频进行语义分析，目标是将教学视频分割成知识点片段。
步骤102：基于所述知识点片段建立知识图谱。
在本实施例中，可以通过视频内容语义建立层次知识图谱和垂直知识图谱；
或；
采用AVP的方法半结构化描述知识图谱，采用知识点对齐的方法使采用AVP的方法半结构化建立的知识图谱形成完整的知识图谱。
教学视频内容知识图谱(以下简称PstV-KG)是指存在于教学视频中的各种知识点、概念、相互关系和表现(描述)形式实体或概念。每个知识点或概念用一个全局唯一确定的ID来标识，属性-值对(attribute-value pair，又称AVP)用来刻画知识点或概念的内在特性，关系(relation)用来连接多个知识点或概念。
PstV-KG包含课程知识和常识，能够及时发现并添加新的知识。PstV-KG抽取教学视频内容的属性-值对来丰富知识或概念的描述，并不断扩展知识图谱的覆盖率。但存在质量相对较差，存在一定的错误，这个问题可以通过TVSTP的人机交互审核接口得到修正。
在构建PstV-KG时，可采用结构化数据描述，通过视频内容语义实现层次知识图和垂直知识图谱。
也可以采用AVP的方法半结构化描述知识图谱，由于半结构化描述知识图谱容易形成孤立的知识图谱，可以采用知识点对齐的方法使孤立的知识图谱形成完整的知识图谱。知识点对齐是发现具有不同ID但却代表教学视频同一知识点，并将这些知识点归并为一个具有全局唯一标识的知识点对象添加到知识图谱中。知识点对齐大多采用的方法是聚类。聚类的关键在于定义合适的相似度度量。这些相似度度量遵循如下观察：具有相同描述的知识点可能代表同一知识(字符相似)；具有相同属性-值的知识点可能代表相同对象(属性相似)；具有相同邻居的知识点可能指向同一个对象(结构相似)。为了解决大规模知识点对齐存在的效率问题，各种基于数据划分或分割的算法被提出将知识点分成一个个子集，在这些子集上使用基于更复杂的相似度计算的聚类并行地发现潜在相同的对象。无论何种自动化方法都无法保证100％的准确率，所以这些方法的产出结果将作为候选供人工进一步审核和过滤。
PstV-KG模式的构建。模式是对知识的提炼，而且遵循预先给定的模式有助于知识的标准化，更利于查询等后续处理。为知识图谱构建模式相当于为其建立本体(Ontology)。最基本的本体包括概念、概念层次、属性、属性值类型、关系、关系定义域(Domain)概念集以及关系值域(Range)概念集。在此基础上，可以额外添加规则(Rules)或公理(Axioms)来表示模式层更复杂的约束关系。
步骤103：建立索引库与所述知识点视频片段的检索关系。
本申请的技术方案的重要功能是方便用户实现基于知识点对教学视频进行检索，用户主要的检索方式是采用输入知识点关键词，也可能是简单语句，从简单语句中，可以提取语义关键词。这里存在两个重要问题：
第一个重要的问题：教学视频的知识片段的标注(索引)与用户对知识点的表述之间存在不完全匹配的问题。因此，基于语义模糊检索研究非常重要。
基于语义模糊检索涉及两个重要内容，其一是本体词典，本项目采用知网(HowNet)本体词典；其二是职业技能培训和实训教学视频的知识图谱PstV-KG。
在HowNet中，描述了8种义原关系:上下位关系、同义关系、反义关系、对义关系、属性/宿主关系、整体/部分关系、材料/成品关系、事件/角色关系，其义原关系中加入了格语法的内容。HowNet的义原关系连接成一种以上下位关系构成的树型为主体的网状结构。因此，不必使用了传统的基于词语概念之间的最短路径方法来衡量两个词语的相似度，HowNet相似度计算通过查找这两个词语概念之间的最临近的父节点，然后计算其最临近父节点的树高以及和两个词距离最临近父节点的距离来衡量语义的相似程度。
本方法可以采用HowNet本体词典和PstV-KG相结合的方法实现模糊检索。具体方法为：首先将用户输入关键词在PstV-KG进行模糊匹配，如果匹配成功，检索成功；如果没有成功，利用HowNet本体词典获取相似语义词，用相似语义词在PstV-KG中进行语义模糊匹配检索，如果匹配成功，检索成功；如果没有成功，检索失败。
第二个重要的问题：如何提高检索效率。本方案为了提高检索效率，可以设计四个高速缓存，分别是：检索高频词高速缓存、HowNet本体词典和PstV-KG高速缓存、高频检索结果高速缓存、系统读/写日志高速缓存。这种设计使得高频检索词可以直接从高频检索结果高速缓存获取视频片段，不用与底层数据库打交道；非高频词语义相似计算和检索是与HowNet本体词典和PstV-KG高速缓存发生联系，减少与底层索引库打交道，系统读/写日志高速缓存能够监控系统读写操作，避免频繁读写数据库
步骤104：构建定价模型，对所述知识点视频片段进行定价。
基于知识点的教学视频片段定价如果采用人工定价，存在工作量巨大的问题，同时也存在定价的合理性问题。
本方案致力于构建基于知识点视频和视频片段交易权重的动态定价模型，动态定价模型可以考虑15个定价导向，即目标导向、需求导向、竞争导向、成本导向、重要程度导向、技术难度导向、先进性导向、时效性导向、用户群体导向、交易频度导向、客户购买量导向、客户忠诚度导向、客户接受心理导向、客户贡献导向、异质产品影响导向。
基于15个定价导向，本方案可以采用粒子群优化算法(Particle SwarmOptimization，缩写为PSO)，构建动态定价模型，定价导向即“粒子”。
PSO是由J.Kennedy和R.C.Eberhart等开发的一种新的进化算法(EvolutionaryAlgorithm-EA)。PSO算法属于进化算法的一种，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性，粒子群算法是一种并行算法。
PSO中，每个定价导向的解都是搜索空间中的“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitness value)，粒子们就追随当前的最优粒子在解空间中搜索。PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个"极值"来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest。另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。
粒子公式
在找到这两个最优值时，粒子根据如下的公式来更新自己的速度和新的位置：
v[]＝w*v[]+c1*rand()*(pbest[]-present[])+c2*rand()*(gbest[]-present[])(a)
present[]＝present[]+v[](b)
v[]是粒子的速度,w是惯性权重,present[]是当前粒子的位置.pbest[]andgbest[]如前定义rand()是介于(0，1)之间的随机数。c1,c2是学习因子。通常c1＝c2＝2。
PSO中并没有许多需要调节的参数,下面列出了这些参数以及经验设置。
粒子数:一般取20–40.其实对于大部分的问题10个粒子已经足够可以取得好的结果,不过对于比较难的问题或者特定类别的问题,粒子数可以取到100或200。
粒子的长度:这是由优化问题决定,就是问题解的长度。
粒子的范围:由优化问题决定,每一维可以设定不同的范围。
Vmax:最大速度,决定粒子在一个循环中最大的移动距离,通常设定为粒子的范围宽度,例如上面的例子里,粒子(x1,x2,x3)x1属于[-10,10]，那么Vmax的大小就是20。
学习因子：c1和c2通常等于2。不过在文献中也有其他的取值。但是一般c1等于c2并且范围在0和4之间。
中止条件:最大循环数以及最小错误要求.例如,在上面的神经网络训练例子中,最小错误可以设定为1个错误分类,最大循环设定为2000,这个中止条件由具体的问题确定。
全局PSO和局部PSO:前者速度快不过有时会陷入局部最优.后者收敛速度慢一点不过很难陷入局部最优.在动态定价模型中，以先用全局PSO找到大致的结果，再用局部PSO进行搜索。
步骤105：构建智能推荐模型，基于知识图谱向用户推荐教学内容片段。
目前，供求匹配的基本方式是需求方利用搜索引擎查找供应信息。不过该方式不能准确表达返回信息与需求信息的差别。准确表达差别可以驱动供方改良自身供应来满足需求，让需方调整自身需求来接受供应。因此，本申请提出智能供求撮合方案，更准确快捷地匹配供求双方信息，采用语义技术来实现供求撮合并开发相应的移动应用，本申请采用自然语言理解技术将供求文本信息转化成描述逻辑知识，使用Web本体语言(OWL)来表示，并采用高效的溯因推理技术计算供求信息之间的差别。
同时，由于用户需求的多样性，在不能满足现有服务套餐时，供应方需要对服务进行整合，打包成新套餐来满足需求。目前服务套餐由人工定制，费时费力，难于处理大量的多样化需求。因此，本申请提出自动服务整合方案，更高效合理地整合服务来满足用户需求。采用语义技术来实现服务整合并开发基于B2C的移动应用；采用自然语言理解技术将服务文本信息转化成描述逻辑知识，使用Web服务本体语言(OWL-S)来表示。本申请中将给定的需求信息转化成描述逻辑知识，采用Web服务匹配技术和智能规划技术分析服务集合，制定其应用次序并进行整合以匹配需求。
由于目前一些电商平台提供了个性化推荐服务，大多数实现的是相似性个性化推荐，本申请可根据知识图谱可实现相似性和相关性的精准化个性化推荐。由于人们更容易接受来自朋友的看法，利用朋友关系来进行推荐将能够得到更精准的推荐结果。因此，本申请提出基于移动社交网络的方案来实现更精准的个性化推荐。本申请中有两种构建方式，一是对移动终端设备的位置信息进行采集和聚类，二是对注册用户使用移动服务的日志信息进行采集和整理。通过移动环境收集注册用户浏览或购买产品的历史数据。采用融合社交网络信息的社交协同推荐技术计算推荐列表。
可见，本发明实施例提出的基于知识点的教学视频片段交易方法，通过对视频进行知识点标注，建立知识图谱，并通过建立定价模型对知识点视频片段进行定价，从而可以进行视频片段的交易，能够降低交易成本，有利于教学视频的流转，便于学习。
综上所述，本发明实施例至少可以实现如下效果：
在本发明实施例中，通过对视频进行知识点标注，建立知识图谱，并通过建立定价模型对知识点视频片段进行定价，从而可以进行视频片段的交易，能够降低交易成本，有利于教学视频的流转，便于学习。
最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (7)

1.一种基于知识点的教学视频片段交易方法，其特征在于，包括以下步骤：
步骤1：标注教学视频的知识点片段，并生成知识点视频片段；
步骤2：基于所述知识点片段建立知识图谱；
步骤3：建立索引库与所述知识点视频片段的检索关系；
步骤4：构建定价模型，对所述知识点视频片段进行定价；
步骤5：构建智能推荐模型，基于知识图谱向用户推荐教学内容片段。
2.如权利要求1所述的基于知识点的教学视频片段交易方法，其特征在于，所述步骤1具体包括：
通过所述教学视频的图像模态和文字模态进行镜头分割，提取关键帧，并标注关键帧。
3.如权利要求1所述的基于知识点的教学视频片段交易方法，其特征在于，所述步骤2具体包括：
通过视频内容语义建立层次知识图谱和垂直知识图谱；
或；
采用AVP的方法半结构化描述知识图谱。
4.如权利要求3所述的基于知识点的教学视频片段交易方法，其特征在于，所述采用AVP的方法半结构化描述知识图谱之后，还包括：
采用知识点对齐的方法使采用AVP的方法半结构化建立的知识图谱形成完整的知识图谱。
5.如权利要求1所述的基于知识点的教学视频片段交易方法，其特征在于，所述索引库通过模糊检索与所述知识点视频片段建立检索关系，具体包括：
通过所述知识图谱和知网本体词典与所述知识点视频片段建立检索关系。
6.如权利要求1所述的基于知识点的教学视频片段交易方法，其特征在于，所述定价模型包括目标导向、需求导向、竞争导向、成本导向、重要程度导向、技术难度导向、先进性导向、时效性导向、用户群体导向、交易频度导向、客户购买量导向、客户忠诚度导向、客户接受心理导向、客户贡献导向、异质产品影响导向。
7.如权利要求6所述的基于知识点的教学视频片段交易方法，其特征在于，采用粒子群优化算法构建定价模型。
CN201810175157.6A 2018-03-02 2018-03-02 一种基于知识点的教学视频片段交易方法 Pending CN110309363A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810175157.6A CN110309363A (zh) 2018-03-02 2018-03-02 一种基于知识点的教学视频片段交易方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810175157.6A CN110309363A (zh) 2018-03-02 2018-03-02 一种基于知识点的教学视频片段交易方法

Publications (1)

Publication Number Publication Date
CN110309363A true CN110309363A (zh) 2019-10-08

Family

ID=68073282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810175157.6A Pending CN110309363A (zh) 2018-03-02 2018-03-02 一种基于知识点的教学视频片段交易方法

Country Status (1)

Country Link
CN (1) CN110309363A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111510765A (zh) * 2020-04-30 2020-08-07 浙江蓝鸽科技有限公司 基于教学视频的音频标签智能标注方法及装置
CN112712056A (zh) * 2021-01-14 2021-04-27 珠海格力电器股份有限公司 视频语义分析方法、装置、存储介质及电子设备
CN113051379A (zh) * 2021-02-24 2021-06-29 南京审计大学 一种知识点推荐方法、装置、电子设备及存储介质
CN115119066A (zh) * 2022-06-30 2022-09-27 武汉美和易思数字科技有限公司 一种基于动态权重的教学视频互动方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104090955A (zh) * 2014-07-07 2014-10-08 科大讯飞股份有限公司 一种音视频标签自动标注方法及系统
CN106156335A (zh) * 2016-07-07 2016-11-23 苏州大学 一种教材知识点的挖掘整理方法和系统
CN106991197A (zh) * 2017-05-30 2017-07-28 海南大学 一种基于知识图谱的目标驱动的学习点和学习路径推荐方法
CN107145559A (zh) * 2017-05-02 2017-09-08 吉林大学 基于语义技术和游戏化的智能课堂知识管理平台及方法
CN107562918A (zh) * 2017-09-12 2018-01-09 北京点易通科技有限公司 一种数学题知识点发现与批量标签获取方法
CN107609478A (zh) * 2017-08-09 2018-01-19 广州思涵信息科技有限公司 一种匹配课堂知识内容的实时学情分析系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104090955A (zh) * 2014-07-07 2014-10-08 科大讯飞股份有限公司 一种音视频标签自动标注方法及系统
CN106156335A (zh) * 2016-07-07 2016-11-23 苏州大学 一种教材知识点的挖掘整理方法和系统
CN107145559A (zh) * 2017-05-02 2017-09-08 吉林大学 基于语义技术和游戏化的智能课堂知识管理平台及方法
CN106991197A (zh) * 2017-05-30 2017-07-28 海南大学 一种基于知识图谱的目标驱动的学习点和学习路径推荐方法
CN107609478A (zh) * 2017-08-09 2018-01-19 广州思涵信息科技有限公司 一种匹配课堂知识内容的实时学情分析系统及方法
CN107562918A (zh) * 2017-09-12 2018-01-09 北京点易通科技有限公司 一种数学题知识点发现与批量标签获取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周个妹: "开放大学微型学习视频资源的设计及应用", 《高教论坛》 *
赵佳男: "基于知识图谱的课程数字化资源推荐方法研究", 《中国优秀硕士学位论文全文数据库 社会科学Ⅱ辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111510765A (zh) * 2020-04-30 2020-08-07 浙江蓝鸽科技有限公司 基于教学视频的音频标签智能标注方法及装置
CN112712056A (zh) * 2021-01-14 2021-04-27 珠海格力电器股份有限公司 视频语义分析方法、装置、存储介质及电子设备
CN113051379A (zh) * 2021-02-24 2021-06-29 南京审计大学 一种知识点推荐方法、装置、电子设备及存储介质
CN113051379B (zh) * 2021-02-24 2023-08-04 南京审计大学 一种知识点推荐方法、装置、电子设备及存储介质
CN115119066A (zh) * 2022-06-30 2022-09-27 武汉美和易思数字科技有限公司 一种基于动态权重的教学视频互动方法及系统
CN115119066B (zh) * 2022-06-30 2024-03-29 武汉美和易思数字科技有限公司 一种基于动态权重的教学视频互动方法及系统

Similar Documents

Publication Publication Date Title
Mao et al. Multiobjective e-commerce recommendations based on hypergraph ranking
CN107679661B (zh) 一种基于知识图谱的个性化旅游路线规划方法
CN110555112A (zh) 一种基于用户正负偏好学习的兴趣点推荐方法
CN111125453B (zh) 基于子图同构的社交网络中意见领袖角色识别方法及存储介质
CN110309363A (zh) 一种基于知识点的教学视频片段交易方法
CN112131472B (zh) 信息推荐方法、装置、电子设备和存储介质
CN104834679A (zh) 一种行为轨迹的表示、查询方法及装置
CN110377587A (zh) 基于机器学习的迁移数据确定方法、装置、设备及介质
Yang et al. A decision method for online purchases considering dynamic information preference based on sentiment orientation classification and discrete DIFWA operators
CN109272390A (zh) 融合评分和标签信息的个性化推荐方法
CN106126746A (zh) 一种社交网络中优质节点探测方法及系统
Wang et al. Discover micro-influencers for brands via better understanding
Zhong et al. Design of a personalized recommendation system for learning resources based on collaborative filtering
Cao et al. Deep multi-view learning to rank
Santhosh et al. Machine learning based ideal job role fit and career recommendation system
Yu et al. The personalized recommendation algorithms in educational application
CN110309354A (zh) 一种基于知识点的教学视频片段交易系统
CN104598613B (zh) 一种用于垂直领域的概念关系构建方法和装置
Beber et al. Towards activity recognition in moving object trajectories from Twitter data.
CN111737594B (zh) 基于无监督标签生成的虚拟网络角色行为塑造方法
CN113392294B (zh) 样本标注方法及装置
CN116521937A (zh) 视频表单的生成方法、装置、设备及存储介质、程序产品
TWI693524B (zh) 專屬個性化圖片搜尋優化方法
Qu et al. The application of interactive methods under swarm computing and artificial intelligence in image retrieval and personalized analysis
Chen et al. A travel recommendation method based on user personalized characteristics with collaborative fusion matrix

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: 20191008

RJ01 Rejection of invention patent application after publication