CN110377751A - 课件智能生成方法、装置、计算机设备及存储介质 - Google Patents
课件智能生成方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110377751A CN110377751A CN201910523408.XA CN201910523408A CN110377751A CN 110377751 A CN110377751 A CN 110377751A CN 201910523408 A CN201910523408 A CN 201910523408A CN 110377751 A CN110377751 A CN 110377751A
- Authority
- CN
- China
- Prior art keywords
- knowledge point
- courseware
- basic
- content
- knowledge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 95
- 238000013507 mapping Methods 0.000 claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 15
- 230000009193 crawling Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 10
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 238000003058 natural language processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
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
- G06F16/34—Browsing; Visualisation therefor
-
- 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
- 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
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Educational Technology (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Animal Behavior & Ethology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种课件智能生成方法、装置、计算机设备及存储介质,所述方法包括:在接收到课件生成请求时,获取该课件生成请求中包含的基础领域信息,进而采用网络爬虫的方式,爬取包含该基础领域信息的知识点内容,作为基础内容,再采用自然语言语义识别的方式,对基础内容进行语义分析,得到语义分析结果,并根据语义分析结果对基础内容中的知识点进行归类,得到核心知识点和基础知识点,构建基础领域信息对应的知识图谱体系,使用基础领域信息对应的知识图谱体系和预设的课件模板,生成目标电子课件,实现对包含基础领域信息的知识点的获取和分析归类,得到相应的知识图谱体系,进而生成目标电子课件,提高了电子课件生成的效率和智能化程度。
Description
技术领域
本发明涉及自然语言处理领域,尤其涉及一种课件智能生成方法、装置、计算机设备及存储介质。
背景技术
随着经济的蓬勃发展和科技的飞速进步,人们的生活条件越来越好,但随之而来的竞争压力也日益增大,为了帮助员工快速提高技能,从众多的竞争者中脱颖而出,越来越多的公司或者机构,开始进行定期学习培训,而在培训开始之前,课件制作的过程必不可少。
在当前,主要通过关键字检索的方式,对各类知识点进行搜索存储,并加工制作成课件,但当前科技飞速发展的今天,每个领域的信息量都较为庞大,通过关键字检索进行搜索存储容易导致课件制作效率低,且无法做到对知识点的全面覆盖,同时,许多技术更新较快,这种方式也使得对课件的更新变得极为繁琐,效率较低。
发明内容
本发明实施例提供一种课件智能生成方法、装置、计算机设备和存储介质,以解决当前通过关键字检索进行课件制作导致课件制作效率低,且知识点覆盖率低的问题。
一种课件智能生成方法,包括:
若接收到课件生成请求,则获取所述课件生成请求中包含的基础领域信息;
采用网络爬虫的方式,从预设的统一资源定位符对应的页面文件中,爬取包含所述基础领域信息的知识点内容,作为基础内容;
采用自然语言语义识别的方式,对所述基础内容进行语义分析,得到语义分析结果;
根据所述语义分析结果对所述基础内容进行知识点归类,得到核心知识点和基础知识点;
根据所述核心知识点和所述基础知识点,构建所述基础领域信息对应的知识图谱体系;
使用所述知识图谱体系和预设的课件模板,生成目标电子课件。
一种课件智能生成装置,包括:
请求获取模块,用于若接收到课件生成请求,则获取所述课件生成请求中包含的基础领域信息;
内容爬取模块,用于采用网络爬虫的方式,从预设的统一资源定位符对应的页面文件中,爬取包含所述基础领域信息的知识点内容,作为基础内容;
语义分析模块,用于采用自然语言语义识别的方式,对所述基础内容进行语义分析,得到语义分析结果;
知识归类模块,用于根据所述语义分析结果对所述基础内容进行知识点归类,得到核心知识点和基础知识点;
体系构建模块,用于根据所述核心知识点和所述基础知识点,构建所述基础领域信息对应的知识图谱体系;
课件生成模块,用于使用所述知识图谱体系和预设的课件模板,生成目标电子课件。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述课件智能生成方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述课件智能生成方法的步骤。
本发明实施例提供的课件智能生成方法、装置、计算机设备及存储介质,在接收到课件生成请求时,获取该课件生成请求中包含的基础领域信息,进而采用网络爬虫的方式,从预设的统一资源定位符对应的页面文件中,爬取包含该基础领域信息的知识点内容,作为基础内容,提高了知识点的覆盖率,同时,采用自然语言语义识别的方式,对基础内容进行语义分析,得到语义分析结果,并根据语义分析结果对基础内容中的知识点进行归类,得到核心知识点和基础知识点,根据核心知识点和基础知识点,构建基础领域信息对应的知识图谱体系,最后使用所述基础领域信息对应的知识图谱体系和预设的课件模板,生成目标电子课件,实现对包含基础领域信息的知识点的获取和分析归类,得到相应的知识图谱体系,进而生成目标电子课件,提高了电子课件生成的效率和智能化程度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的课件智能生成方法的应用环境示意图;
图2是本发明实施例提供的课件智能生成方法的实现流程图;
图3是本发明实施例提供的课件智能生成方法中步骤S20的实现流程图;
图4是本发明实施例提供的课件智能生成方法中步骤S30的实现流程图;
图5是本发明实施例提供的课件智能生成方法中步骤S40的实现流程图;
图6是本发明实施例提供的课件智能生成方法中步骤S50的实现流程图;
图7是本发明实施例提供的课件智能生成方法中对知识图谱体系进行更新的实现流程图;
图8是本发明实施例提供的课件智能生成方法中对步骤S73的实现流程图;
图9是本发明实施例提供的课件智能生成装置的示意图;
图10是本发明实施例提供的计算机设备的示意图。
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作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。
请参阅图1,图1示出本发明实施例提供的课件智能生成方法的应用环境。该课件智能生成方法应用在课件生成场景中。该课件生成包括服务端和管理端,其中,服务端和管理端之间通过网络进行连接,管理端向服务端发送包含基础领域信息的课件生成请求,服务端接收该请求并生成该基础领域信息对应的电子课件,管理端具体可以是手机、个人计算机、便携式笔记本和平板电脑等其他可用于网络交互的智能终端设备,服务端具体可以用独立的服务器或者多个服务器组成的服务器集群实现。
请参阅图2,图2示出本发明实施例提供的一种课件智能生成方法,以该方法应用在图1中的服务端为例进行说明,详述如下:
S10:若接收到课件生成请求,则获取课件生成请求中包含的基础领域信息。
具体地,管理端在需要生成课件时,向服务端发送包含需要生成的基础领域信息的课件生成请求,服务端接收该课件生成请求,并通过网络传输协议,获取课件生成请求中包含的基础领域信息。
其中,基础领域信息是指生成课件的内容所属的领域范围,例如:唐诗、川菜等。
其中,网络传输协议包括但不限于:互联网控制报文协议(Internet ControlMessage Protocol,ICMP)、地址解析协议(ARP Address Resolution Protocol,ARP)和文件传输协议(File Transfer Protocol,FTP)等。
S20:采用网络爬虫的方式,从预设的统一资源定位符对应的页面文件中,爬取包含基础领域信息的知识点内容,作为基础内容。
具体地,每个预设的统一资源定位符对应的页面文件中,均包含多个基础领域信息的知识点内容,通过采用网络爬虫的方式,对每个预设的统一资源定位符对应的页面文件进行爬取,即可获取这些基础领域信息的知识点内容。
其中,网络爬虫又称全网爬虫(Scalable Web Crawler),爬行对象从一些统一资源定位符(Uniform Resource Locator,URL)扩充到整个全球广域网(World Wide Web,Web),主要为门户站点搜索引擎和大型Web服务提供商采集数据。
S30:采用自然语言语义识别的方式,对基础内容进行语义分析,得到语义分析结果。
具体地,通过自然语言语义识别的方式,对每个基础内容进行语义分析,得到每个基础内容对应的语义分析结果。
其中,自然语言语义识别(Natural Language Processing,NLP)是人工智能(AI)的一个子领域,通过机器学习的方式,对自然语言进行理解解析,从而解决自然语言领域的一些问题,NLP主要应用范围包括但不限于:文本朗读(Text to speech)/语音合成(Speechsynthesis)、语音识别(Speech recognition)、中文自动分词(Chinese wordsegmentation)、词性标注(Part-of-speech tagging)、句法分析(Parsing)、文本分类(Text categorization)、信息检索(Information retrieval)、自动摘要(Automaticsummarization)和文字校对(Text-proofing)等。
S40:根据语义分析结果对基础内容进行知识点归类,得到核心知识点和基础知识点。
具体地,根据语义分析结果,对基础内容进行提炼,得到基础知识点,并根据基础知识点,提取核心知识点。具体过程可参见步骤S41至步骤S43的描述,为避免重复,此处不再赘述。
S50:根据核心知识点和基础知识点,构建基础领域信息对应的知识图谱体系。
具体的,根据的得到的核心知识点和基础知识点之间的关联关系,生成基础领域信息对应的知识图谱体系。
其中,知识图谱体系在本实施例中是指包含基础领域信息的核心知识点和基础知识点的知识图谱的体系,知识图谱(Knowledge Graph)又称为科学知识图谱,在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
S60:使用知识图谱体系和预设的课件模板,生成目标电子课件。
具体地,根据预设的课件模板,从构建好的知识图谱体系中,提取相应的核心知识点对应的基础内容和基础知识点对应的基础内容,并基于这些基础内容生成目标电子课件。
在本实施例中,本发明实施例提供的课件智能生成方法、装置、计算机设备及存储介质,在接收到课件生成请求时,获取该课件生成请求中包含的基础领域信息,进而采用网络爬虫的方式,从预设的统一资源定位符对应的页面文件中,爬取包含该基础领域信息的知识点内容,作为基础内容,提高了知识点的覆盖率,同时,采用自然语言语义识别的方式,对基础内容进行语义分析,得到语义分析结果,并根据语义分析结果对基础内容中的知识点进行归类,得到核心知识点和基础知识点,根据核心知识点和基础知识点,构建基础领域信息对应的知识图谱体系,最后使用所述基础领域信息对应的知识图谱体系和预设的课件模板,生成目标电子课件,实现对包含基础领域信息的知识点的获取和分析归类,得到相应的知识图谱体系,进而生成目标电子课件,提高了电子课件生成的效率和智能化程度。
在图2对应的实施例的基础之上,下面通过一个具体的实施例来对步骤S20中所提及的采用网络爬虫的方式,从预设的统一资源定位符对应的页面文件中,爬取包含基础领域信息的知识点内容,作为基础内容的具体实现方法进行详细说明。
请参阅图3,图3示出了本发明实施例提供的步骤S20的具体实现流程,详述如下:
S21:获取预设的统一资源定位符。
具体地,在对基础领域信息对应的知识点内容进行爬取之前,需要获取预设的统一资源定位符,每个预设的统一资源定位符对应至少一个页面文件,通过该统一资源定位符对应的页面文件可以获取到该基础领域信息对应的知识点内容。
其中,统一资源定位符(Uniform Resource Locator,URL)是对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示,是互联网上标准资源的地址。
S22:通过网络爬虫的方式,对预设的统一资源定位符对应的页面文件进行爬取分析,得到预设的统一资源定位符对应的页面文件中包含的内容。
具体地,通过网络爬虫的方式,对预设的统一资源定位符对应的页面文件进行爬取分析,得到预设的统一资源定位符对应的页面文件中包含的内容。
由于网络爬虫的爬行范围和数量巨大,对于爬行速度和存储空间要求较高,对于爬行页面的顺序要求相对较低,同时由于待刷新的页面太多,通常采用并行工作方式,网络爬虫的结构大致可以分为页面爬行模块、页面分析模块、链接过滤模块、页面数据库、URL队列、初始URL集合几个部分。为提高工作效率,通用网络爬虫会采取一定的爬行策略。常用的爬行策略有:深度优先策略、广度优先策略。
其中,深度优先策略的基本方法是按照深度由低到高的顺序,依次访问下一级网页链接,直到不能再深入为止。爬虫在完成一个爬行分支后返回到上一链接节点进一步搜索其它链接。当所有链接遍历完后,爬行任务结束。
其中,广度优先策略是按照网页内容目录层次深浅来爬行页面,处于较浅目录层次的页面首先被爬行。当同一层次中的页面爬行完毕后,爬虫再深入下一层继续爬行。这种策略能够有效控制页面的爬行深度,避免遇到一个无穷深层分支时无法结束爬行的问题,实现方便,无需存储大量中间节点。
优选地,本发明实施例采用的爬行策略为广度优先策略,先爬取预设的统一资源定位符,获取预设的统一资源定位符对应的多个页面文件,再在后续对每个页面文件进行爬取,获取每个页面文件中包含的基础领域信息对应的知识点内容,避免了爬取过多的无用信息而导致的额外时间开销,提高了爬取效率。
S23:通过模糊匹配的方式,从预设的统一资源定位符对应的页面文件中包含的内容提取基础领域信息对应的知识点内容,作为基础内容。
具体地,通过模糊匹配的方式,从预设的统一资源定位符对应的页面文件中包含的内容提取基础领域信息对应的知识点内容,作为基础内容
其中,模糊匹配的方式包括但不限于:基于字符串模式匹配(Horspool)算法的模糊匹配、基于Trie树实现搜索词的模糊匹配、基于jquery选择器的模糊匹配等。
在本实施例中,获取预设的统一资源定位符,通过网络爬虫的方式,对预设的统一资源定位符对应的页面文件进行爬取分析,得到预设的统一资源定位符对应的页面文件中包含的内容,进而通过模糊匹配的方式,从预设的统一资源定位符对应的页面文件中包含的内容提取基础领域信息对应的知识点内容,作为基础内容,实现从网络中智能基础领域信息对应的知识点内容,扩大了知识点内容的来源,同时,也节约了获取知识点内容时间,提高了知识点内容的获取效率。
在图2对应的实施例的基础之上,下面通过一个具体的实施例来对步骤S30中所提及的采用自然语言语义识别的方式,对基础内容进行语义分析,得到语义分析结果的具体实现方法进行详细说明。
请参阅图4,图4示出了本发明实施例提供的步骤S30的具体实现流程,详述如下:
S31:通过预设的分词方式,对基础内容进行分词处理,得到基础内容中包含的基础分词。
具体地,通过预设的分词方式,对步骤S20中得到的每个基础内容均进行分词处理,得到每个基础内容中包含的基础分词。
其中,预设的分词方式包括但不限于:通过第三方分词工具或者分词算法等。
其中,常见的第三方分词工具包括但不限于:Stanford NLP分词器、ICTClAS分词系统、ansj分词工具和HanLP中文分词工具等。
其中,分词算法包括但不限于:最大正向匹配(Maximum Matching,MM)算法、逆向最大匹配(ReverseDirectionMaximum Matching Method,RMM)算法、双向最大匹配(Bi-directction Matching method,BM)算法、隐马尔科夫模型(Hidden Markov Model,HMM)和N-gram模型等。
容易理解地,通过分词的方式提取基础分词,一方面,可以过滤掉有效基础内容中一些无意义的词汇,另一方面,也有利于后续使用这些基础内容生成词向量。
S32:将基础分词转换为词向量,并通过聚类算法,对词向量进行聚类,得到每个基础内容对应的聚类中心。
在人工智能中,语言表示主要指语言的形式化或数学的描述,以便在计算机中表示语言,并能让计算机程序自动处理。本发明实施例中所指的词向量就是用向量的形式来表示一个基础分词。
具体地,先通过词向量的方式,对每个基础分词进行转化,得到每个基础分词对应的词向量,进而通过预设的聚类算法,对词向量进行聚类,得到每个基础分词对应的词向量的聚类中心,进而将同一个基础内容中的基础分词对应的聚类中心进行继续聚类,得到基础内容对应的聚类中心。
其中,聚类(Cluster)算法又称群分析,它是样品或指标分类问题的一种统计分析方法,同时也是数据挖掘的一个重要算法,聚类算法包括但不限于:K均值(K-Means)聚类算法、均值漂移聚类算法、基于密度的聚类(Density-Based Spatial Clustering ofApplications with Noise,DBSCAN)方法、基于高斯混合模型的最大期望聚类、凝聚层次聚类和图团体检测(Graph Community Detection)算法等。
优选地,在本实施例中,采用K均值(K-Means)聚类算法,通过对各个基础分词对应的词向量进行聚类,确定每个基础分词对应的分类,进而对基础内容进行聚类,得到基础内容对应的聚类中心。
S33:针对每个基础内容,计算基础内容对应的聚类中心与每个预设词义向量之间的距离,并将最小距离对应的预设词义向量作为目标向量,将目标向量对应的知识点作为基础内容对应的语义分析结果。
具体地,在本实施例中,预先将基础领域信息中包含的知识点分类名称转换为预设词义向量并存储在服务端,针对每个基础内容,计算基础内容对应的聚类中心与每个预设词义向量之间的欧式距离,并将最小欧式距离对应的预设词义向量作为目标向量,将目标向量对应的知识点作为基础内容对应的语义分析结果。
在本实施例中,通过预设的分词方式,对基础内容进行分词处理,得到基础内容中包含的基础分词,进而将基础分词转换为词向量,并通过聚类算法,对词向量进行聚类,得到每个基础内容对应的聚类中心,针对每个基础内容,计算基础内容对应的聚类中心与每个预设词义向量之间的距离,并将最小距离对应的预设词义向量作为目标向量,将目标向量对应的知识点作为基础内容对应的语义分析结果,实现通过聚类分析的方式,快速准确得到基础内容对应的语义分析结果,提高了语义识别的效率。
在图2对应的实施例的基础之上,下面通过一个具体的实施例来对步骤S40中所提及的根据语义分析结果对基础内容进行知识点归类,得到核心知识点和基础知识点的具体实现方法进行详细说明。
请参阅图5,图5示出了本发明实施例提供的步骤S40的具体实现流程,详述如下:
S41:对每个语义分析结果进行命名实体识别,将具有相同命名实体的语义分析结果进行合并处理,得到更新后的语义分析结果,并将每个更新后的语义分析结果均作为一个基础知识点。
具体地,对每个语义分析结果进行命名实体识别,得到每个语义分析结果对应的命名实体记过,并将具有相同命名实体的语义分析结果进行合并处理,得到更新后的语义分析结果,并将每个更新后的语义分析结果均作为一个基础知识点。
其中,命名实体识别(Named Entity Recognition,NER)是确定实体边界主要和分词相关,发现命名实体的基本方法,用于识别文本中具有特定意义的实体,它是自然语言处理实用化的重要内容,在信息提取、句法分析、机器翻译等应用领域中具有重要的基础性作用。命名实体识别一方面要识别实体边界,另一方面要识别实体类别,例如人名、地名、机构名等。
例如,识别到的两个命名实体“NYC”和“New York”,表面上是不同的字符串,但其实指的都是纽约这个城市,需要合并。
值得说明的是,实体的统一不仅可以减少实体的种类,也可以降低图谱的稀疏性(Sparsity),有利于知识图谱体系的完善。
S42:对基础知识点对应的目标向量进行聚类分析,得到每个基础知识点对应的目标向量的聚类中心。
具体地,对步骤S41得到的每个基础知识点对应的目标向量进行聚类分析,得到每个基础知识点对应的目标向量的聚类中心,聚类分析的过程可参见步骤S32的描述,为避免重复,此处不再赘述。
S43:针对每个基础知识点对应的目标向量的聚类中心,计算础知识点对应的目标向量的聚类中心与每个预设核心向量之间的距离,并将最小距离对应的预设核心向量作为目标核心向量,将目标核心向量对应的知识点作为核心知识点。
具体地,在本实施例中,预先将基础领域信息中包含的核心分类名称转换为预设核心向量并存储在服务端,针对每个基础知识点,计算基础知识点对应的聚类中心与每个预设核心向量之间的距离,并将最小距离对应的预设核心向量作为目标核心向量,将目标核心向量对应的知识点作为核心知识点。
在本实施例中,对每个语义分析结果进行命名实体识别,将具有相同命名实体的语义分析结果进行合并处理,得到更新后的语义分析结果,并将每个更新后的语义分析结果均作为一个基础知识点,进而对基础知识点对应的目标向量进行聚类分析,得到每个基础知识点对应的目标向量的聚类中心,针对每个基础知识点对应的目标向量的聚类中心,计算础知识点对应的目标向量的聚类中心与每个预设核心向量之间的距离,并将最小距离对应的预设核心向量作为目标核心向量,将目标核心向量对应的知识点作为核心知识点,实现从语义分析结果中提炼出基础知识点和核心知识点,有利于后续通过基础知识点和核心知识点构建知识图谱。
在图2对应的实施例的基础之上,下面通过一个具体的实施例来对步骤S50中所提及的根据语义分析结果对基础内容进行知识点归类,得到核心知识点和基础知识点的具体实现方法进行详细说明。
请参阅图6,图6示出了本发明实施例提供的步骤S50的具体实现流程,详述如下:
S51:获取核心知识点对应的基础内容和基础知识点对应的基础内容,并存入到关系数据库中。
具体地,获取核心知识点对应的基础内容和基础知识点对应的基础内容,并存入到关系数据库中。
其中,关系数据(Relational Database)是建立在关系数据库模型基础上的数据库,借助于集合代数等概念和方法来处理数据库中的数据,同时也是一个被组织成一组拥有正式描述性的表格,该形式的表格作用的实质是装载着数据项的特殊收集体,这些表格中的数据能以许多不同的方式被存取或重新召集而不需要重新组织数据库表格。关系数据库的定义造成元数据的一张表格或造成表格、列、范围和约束的正式描述。每个表格(有时被称为一个关系)包含用列表示的一个或更多的数据种类。每行包含一个唯一的数据实体,这些数据是被列定义的种类。
S52:通过资源描述框架RDF,构建核心知识点和基础知识点之间的关系链接,并将核心知识点、基础知识点和关系链接存入到知识图谱数据库中。
具体地,通过资源描述框架RDF,进行核心知识点和基础知识点之间的关系链接构建,并将核心知识点、基础知识点和关系链接存入到知识图谱数据库中。
其中,资源描述框架RDF资源描述框架(Resource Description Framework,RDF)是一个使用XML语法来表示的资料模型(Datamodel),用来描述资源的特性,及资源与资源之间的关系,用于信息需要被应用程序处理而不是仅仅显示给人观看的场合。RDF提供了一种用于表达这一信息、并使其能在应用程序间交换而不丧失语义的通用框架。
其中,知识图谱数据库是用于存储基础知识点、核心知识点以及关系链接的数据库,其可以是图数据库,例如Neo4j,Mongo DB,也可以是逻辑数据库。
S53:构建关系数据库与知识图谱数据库之间的映射关系。
具体地,通过基础知识点与基础内容的对应关系,核心知识点与基础内容的对应关系,构建关系数据库与知识图谱数据库之间的映射关系。
S54:基于关系数据库、知识图谱数据库和映射关系,生成基础领域信息对应的知识图谱体系。
具体地,基于关系数据库、知识图谱数据库和映射关系,生成基础领域信息对应的知识图谱体系。
在本实施例中,获取核心知识点对应的基础内容和基础知识点对应的基础内容,并存入到关系数据库中,进而通过资源描述框架RDF,构建核心知识点和基础知识点之间的关系链接,并将核心知识点、基础知识点和关系链接存入到知识图谱数据库中,并构建关系数据库与知识图谱数据库之间的映射关系,再基于关系数据库、知识图谱数据库和映射关系,生成基础领域信息对应的知识图谱体系,有利于后续通过知识图谱体系生成课件。
在图7对应的实施例的基础之上,,在步骤S60之后,该课件智能生成方法还包括对知识图谱体系进行更新,下面通过一个具体的实施例来对知识图谱体系进行更新的具体实现方法进行详细说明:
请参阅图7,图7示出了本发明实施例提供的对知识图谱体系进行更新的具体实现流程,详述如下:
S71:获取每个基础内容的爬取分析时间。
具体地,在采用网络爬虫的方式,从预设的统一资源定位符对应的页面文件中,爬取包含基础领域信息的知识点内容,作为基础内容之后,获取每个基础内容的爬取分析时间,以便在后续通过该爬取分析时间判断是否需要更新。
其中,爬取分析时间是指获取到基础内容的时间点,例如,一爬取分析时间为2019年3月6日。
S72:计算当前时间与爬取分析时间之间的时间间隔。
具体地,通过预设的时间获取函数,例如Date函数,来获取当前时间,并使用datedif函数计算当前时间与爬取分析时间之间的时间间隔。
S73:若时间间隔超过预设时间阈值,则对知识图谱体系进行更新。
具体地,在当前时间与爬取分析时间之间的时间间隔超过预设时间阈值时,对知识图谱体系进行更新。
在本实施例中,获取每个基础内容的爬取分析时间,并计算当前时间与爬取分析时间之间的时间间隔,在当前时间与爬取分析时间之间的时间间隔超过预设时间阈值时,对知识图谱体系进行更新,确保知识图谱体系中包含的基础知识点和核心知识点的时效性。
在图7对应的实施例的基础之上,下面通过一个具体的实施例来对步骤S73中所提及的若比较结果为对比内容与基础内容存在差异,则根据对比内容,对知识图谱体系进行更新的具体实现方法进行详细说明。
请参阅图8,图8示出了本发明实施例提供的步骤S73的具体实现流程,详述如下:
S731:采用网络爬虫的方式,从预设的统一资源定位符对应的页面文件中,爬取基础知识点和核心知识点对应的内容,作为对比内容。
具体地,通过采用网络爬虫的方式,从预设的统一资源定位符对应的页面文件中,爬取基础知识点和核心知识点对应的内容,作为对比内容,具体地爬取方式可参考步骤S22的描述,为避免重复,此处不再赘述。
S732:将对比内容与基础内容进行相似度比较,得到比较结果。
具体地,通过文本相似度算法,计算对比内容与基础内容的文本相似度,得到比较结果,在文本相似度不低于预设相似度阈值时,确认比较结果为对比内容与基础内容相同,在文本相似度低于预设相似度阈值时,确认比较结果为对比内容与基础内容存在差异。
其中,文本相似度算法是通过计算两个文本之间的交集和并集大小的比例来判断这两个文本的相似度的算法,计算出的比例越大,表示两个文本越相似。
文本相似度算法包括但不限于:余弦相似性、最近邻(k-NearestNeighbor,kNN)分类算法、曼哈顿距离(Manhattan Distance)、基于SimHash算法的汉明距离等。
S733:若比较结果为对比内容与基础内容存在差异,则根据对比内容,对知识图谱体系进行更新。
具体地,在比较结果为对比内容与基础内容存在差异时,根据对比内容,对知识图谱体系进行更新,具体更新方式可参考步骤S20至步骤S50的描述,为避免重复,此处不再赘述。
在本实施例中,采用网络爬虫的方式,从预设的统一资源定位符对应的页面文件中,爬取基础知识点和核心知识点对应的内容,作为对比内容,并将对比内容与基础内容进行相似度比较,得到比较结果,在比较结果为对比内容与基础内容存在差异时,根据对比内容,对知识图谱体系进行更新,实现通过对比内容对知识图谱体系进行更新,有利于提高知识图谱更新的效率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图9示出与上述实施例课件智能生成方法一一对应的课件智能生成装置的原理框图。如图9所示,该课件智能生成装置包括请求获取模块10、内容爬取模块20、语义分析模块30、知识归类模块40、体系构建模块50和课件生成模块60。各功能模块详细说明如下:
请求获取模块10,用于若接收到课件生成请求,则获取课件生成请求中包含的基础领域信息;
内容爬取模块20,用于采用网络爬虫的方式,从预设的统一资源定位符对应的页面文件中,爬取包含基础领域信息的知识点内容,作为基础内容;
语义分析模块30,用于采用自然语言语义识别的方式,对基础内容进行语义分析,得到语义分析结果;
知识归类模块40,用于根据语义分析结果对基础内容进行知识点归类,得到核心知识点和基础知识点;
体系构建模块50,用于根据核心知识点和基础知识点,构建基础领域信息对应的知识图谱体系;
课件生成模块60,用于使用知识图谱体系和预设的课件模板,生成目标电子课件。
进一步地,内容爬取模块20包括:
资源获取单元,用于获取预设的统一资源定位符;
网络爬取单元,用于通过网络爬虫的方式,对预设的统一资源定位符对应的页面文件进行爬取分析,得到预设的统一资源定位符对应的页面文件中包含的内容;
模糊匹配单元,用于通过模糊匹配的方式,从预设的统一资源定位符对应的页面文件中包含的内容提取基础领域信息对应的知识点内容,作为基础内容。
进一步地,语义分析模块30包括:
分词处理单元,用于通过预设的分词方式,对基础内容进行分词处理,得到基础内容中包含的基础分词;
分词聚类单元,用于将基础分词转换为词向量,并通过聚类算法,对词向量进行聚类,得到每个基础内容对应的聚类中心;
语义分析单元,用于针对每个基础内容,计算基础内容对应的聚类中心与每个预设词义向量之间的距离,并将最小距离对应的预设词义向量作为目标向量,将目标向量对应的知识点作为基础内容对应的语义分析结果。
进一步地,知识归类模块40包括:
实体识别单元,用于对每个语义分析结果进行命名实体识别,将具有相同命名实体的语义分析结果进行合并处理,得到更新后的语义分析结果,并将每个更新后的语义分析结果均作为一个基础知识点;
聚类分析单元,用于对基础知识点对应的目标向量进行聚类分析,得到每个基础知识点对应的目标向量的聚类中心;
距离比较单元,用于针对每个基础知识点对应的目标向量的聚类中心,计算础知识点对应的目标向量的聚类中心与每个预设核心向量之间的距离,并将最小距离对应的预设核心向量作为目标核心向量,将目标核心向量对应的知识点作为核心知识点。
进一步地,体系构建模块50包括:
数据存储单元,用于获取核心知识点对应的基础内容和基础知识点对应的基础内容,并存入到关系数据库中;
链接构建单元,用于通过资源描述框架RDF,构建核心知识点和基础知识点之间的关系链接,并将核心知识点、基础知识点和关系链接存入到知识图谱数据库中;
映射建立单元,用于构建关系数据库与知识图谱数据库之间的映射关系;
体系生成单元,用于基于关系数据库、知识图谱数据库和映射关系,生成基础领域信息对应的知识图谱体系。
该课件智能生成方法还包括:
时间获取模块,用于获取每个基础内容的爬取分析时间;
时间比较模块,用于计算当前时间与爬取分析时间之间的时间间隔;
体系更新模块,用于若时间间隔超过预设时间阈值,则对知识图谱体系进行更新。
进一步地,体系更新模块包括:
对比内容获取单元,用于采用网络爬虫的方式,从预设的统一资源定位符对应的页面文件中,爬取基础知识点和核心知识点对应的内容,作为对比内容;
内容比较单元,用于将对比内容与基础内容进行相似度比较,得到比较结果;
确定更新单元,用于若比较结果为对比内容与基础内容存在差异,则根据对比内容,对知识图谱体系进行更新。
关于课件智能生成装置的具体限定可以参见上文中对于课件智能生成方法的限定,在此不再赘述。上述课件智能生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图10是本发明一实施例提供的计算机设备的示意图。该计算机设备可以是服务端,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设的统一资源定位符和预设的课件模板。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种课件智能生成方法。
在一个实施例中,提供了一种计算机设备,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,处理器执行计算机程序时实现上述实施例课件智能生成方法的步骤,例如图2所示的步骤S10至步骤S60。或者,处理器执行计算机程序时实现上述实施例课件智能生成装置的各模块/单元的功能,例如图9所示的模块10至模块60的功能。为避免重复,这里不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
在一实施例中,提供一计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例课件智能生成方法的步骤,或者,该计算机程序被处理器执行时实现上述实施例课件智能生成装置中各模块/单元的功能。为避免重复,这里不再赘述。
可以理解地,所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号和电信信号等。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种课件智能生成方法,其特征在于,所述课件智能生成方法包括:
若接收到课件生成请求,则获取所述课件生成请求中包含的基础领域信息;
采用网络爬虫的方式,从预设的统一资源定位符对应的页面文件中,爬取包含所述基础领域信息的知识点内容,作为基础内容;
采用自然语言语义识别的方式,对所述基础内容进行语义分析,得到语义分析结果;
根据所述语义分析结果对所述基础内容进行知识点归类,得到核心知识点和基础知识点;
根据所述核心知识点和所述基础知识点,构建所述基础领域信息对应的知识图谱体系;
使用所述知识图谱体系和预设的课件模板,生成目标电子课件。
2.如权利要求1所述的课件智能生成方法,其特征在于,所述采用网络爬虫的方式,从预设的统一资源定位符对应的页面文件中,爬取包含所述基础领域信息的知识点内容,作为基础内容包括:
获取预设的统一资源定位符;
通过网络爬虫的方式,对所述预设的统一资源定位符对应的页面文件进行爬取分析,得到所述预设的统一资源定位符对应的页面文件中包含的内容;
通过模糊匹配的方式,从所述预设的统一资源定位符对应的页面文件中包含的内容提取所述基础领域信息对应的知识点内容,作为基础内容。
3.如权利要求1所述的课件智能生成方法,其特征在于,所述采用自然语言语义识别的方式,对所述基础内容进行语义分析,得到语义分析结果包括:
通过预设的分词方式,对所述基础内容进行分词处理,得到所述基础内容中包含的基础分词;
将所述基础分词转换为词向量,并通过聚类算法,对所述词向量进行聚类,得到每个所述基础内容对应的聚类中心;
针对每个所述基础内容,计算所述基础内容对应的聚类中心与每个预设词义向量之间的距离,并将最小距离对应的预设词义向量作为目标向量,将所述目标向量对应的知识点作为所述基础内容对应的语义分析结果。
4.如权利要求3所述的课件智能生成方法,其特征在于,根据语义分析结果对所述基础内容中的知识点进行归类,得到核心知识点和基础知识点包括:
对每个所述语义分析结果进行命名实体识别,将具有相同命名实体的语义分析结果进行合并处理,得到更新后的语义分析结果,并将每个所述更新后的语义分析结果均作为一个所述基础知识点;
对所述基础知识点对应的目标向量进行聚类分析,得到每个所述基础知识点对应的目标向量的聚类中心;
针对每个所述基础知识点对应的目标向量的聚类中心,计算所述基础知识点对应的目标向量的聚类中心与每个预设核心向量之间的距离,并将最小距离对应的预设核心向量作为目标核心向量,将所述目标核心向量对应的知识点作为所述核心知识点。
5.如权利要求1至4任一项所述的课件智能生成方法,其特征在于,所述根据所述核心知识点和基础知识点,构建所述知识图谱体系包括:
获取所述核心知识点对应的基础内容和所述基础知识点对应的基础内容,并存入到关系数据库中;
通过资源描述框架RDF,构建所述核心知识点和所述基础知识点之间的关系链接,并将所述核心知识点、所述基础知识点和所述关系链接存入到知识图谱数据库中;
构建所述关系数据库与所述知识图谱数据库之间的映射关系;
基于所述关系数据库、所述知识图谱数据库和所述映射关系,生成所述基础领域信息对应的知识图谱体系。
6.如权利要求1所述的课件智能生成方法,其特征在于,在采用网络爬虫的方式,从预设的统一资源定位符对应的页面文件中,爬取包含所述基础领域信息的知识点内容,作为基础内容之后,并且在所述采用自然语言语义识别的方式,对所述基础内容进行语义分析,得到语义分析结果之前,所述课件智能生成方法还包括:
获取每个基础内容的爬取分析时间;
在所述根据所述核心知识点和基础知识点,构建所述知识图谱体系之后,所述课件智能生成方法还包括:
计算当前时间与所述爬取分析时间之间的时间间隔;
若所述时间间隔超过预设时间阈值,则对所述知识图谱体系进行更新。
7.如权利要求6所述的课件智能生成方法,其特征在于,所述对所述知识图谱体系进行更新包括:
采用网络爬虫的方式,从预设的统一资源定位符对应的页面文件中,爬取所述基础知识点和所述核心知识点对应的内容,作为对比内容;
将所述对比内容与所述基础内容进行相似度比较,得到比较结果;
若所述比较结果为所述对比内容与所述基础内容存在差异,则根据所述对比内容,对所述知识图谱体系进行更新。
8.一种课件智能生成装置,其特征在于,所述课件智能生成装置包括:
请求获取模块,用于若接收到课件生成请求,则获取所述课件生成请求中包含的基础领域信息;
内容爬取模块,用于采用网络爬虫的方式,从预设的统一资源定位符对应的页面文件中,爬取包含所述基础领域信息的知识点内容,作为基础内容;
语义分析模块,用于采用自然语言语义识别的方式,对所述基础内容进行语义分析,得到语义分析结果;
知识归类模块,用于根据所述语义分析结果对所述基础内容进行知识点归类,得到核心知识点和基础知识点;
体系构建模块,用于根据所述核心知识点和所述基础知识点,构建所述基础领域信息对应的知识图谱体系;
课件生成模块,用于使用所述知识图谱体系和预设的课件模板,生成目标电子课件。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的课件智能生成方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的课件智能生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910523408.XA CN110377751A (zh) | 2019-06-17 | 2019-06-17 | 课件智能生成方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910523408.XA CN110377751A (zh) | 2019-06-17 | 2019-06-17 | 课件智能生成方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110377751A true CN110377751A (zh) | 2019-10-25 |
Family
ID=68249552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910523408.XA Pending CN110377751A (zh) | 2019-06-17 | 2019-06-17 | 课件智能生成方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110377751A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110895533A (zh) * | 2019-11-29 | 2020-03-20 | 北京锐安科技有限公司 | 一种表单映射方法、装置、计算机设备和存储介质 |
CN110955801A (zh) * | 2019-12-06 | 2020-04-03 | 中国建设银行股份有限公司 | 一种cognos报表指标的知识图谱分析方法及系统 |
CN111105656A (zh) * | 2020-01-13 | 2020-05-05 | 北京爱论答科技有限公司 | 一种课件生成方法及系统 |
CN111723191A (zh) * | 2020-05-19 | 2020-09-29 | 天闻数媒科技(北京)有限公司 | 一种基于全信息自然语言的文本过滤和提取方法及其系统 |
CN112052652A (zh) * | 2020-09-08 | 2020-12-08 | 国家电网有限公司技术学院分公司 | 一种电子课件脚本自动生成方法及装置 |
CN112905853A (zh) * | 2021-03-05 | 2021-06-04 | 北京中经惠众科技有限公司 | 知识图谱构建过程的故障检测方法、装置、设备和介质 |
CN116932488A (zh) * | 2023-09-15 | 2023-10-24 | 之江实验室 | 基于知识图谱的课件生成方法、装置、系统和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101043649A (zh) * | 2007-04-19 | 2007-09-26 | 童任 | 手机通过无线网络录制多媒体课件的方法 |
CN107545791A (zh) * | 2017-08-29 | 2018-01-05 | 广州思涵信息科技有限公司 | 一种利用课件自动生成课堂教学知识图谱的系统和方法 |
CN107633005A (zh) * | 2017-08-09 | 2018-01-26 | 广州思涵信息科技有限公司 | 一种基于课堂教学内容的知识图谱构建、对比系统及方法 |
US20180082197A1 (en) * | 2016-09-22 | 2018-03-22 | nference, inc. | Systems, methods, and computer readable media for visualization of semantic information and inference of temporal signals indicating salient associations between life science entities |
CN109190098A (zh) * | 2018-08-15 | 2019-01-11 | 上海唯识律简信息科技有限公司 | 一种基于自然语言处理的文档自动生成方法和系统 |
CN109614550A (zh) * | 2018-12-11 | 2019-04-12 | 平安科技(深圳)有限公司 | 舆情监控方法、装置、计算机设备及存储介质 |
-
2019
- 2019-06-17 CN CN201910523408.XA patent/CN110377751A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101043649A (zh) * | 2007-04-19 | 2007-09-26 | 童任 | 手机通过无线网络录制多媒体课件的方法 |
US20180082197A1 (en) * | 2016-09-22 | 2018-03-22 | nference, inc. | Systems, methods, and computer readable media for visualization of semantic information and inference of temporal signals indicating salient associations between life science entities |
CN107633005A (zh) * | 2017-08-09 | 2018-01-26 | 广州思涵信息科技有限公司 | 一种基于课堂教学内容的知识图谱构建、对比系统及方法 |
CN107545791A (zh) * | 2017-08-29 | 2018-01-05 | 广州思涵信息科技有限公司 | 一种利用课件自动生成课堂教学知识图谱的系统和方法 |
CN109190098A (zh) * | 2018-08-15 | 2019-01-11 | 上海唯识律简信息科技有限公司 | 一种基于自然语言处理的文档自动生成方法和系统 |
CN109614550A (zh) * | 2018-12-11 | 2019-04-12 | 平安科技(深圳)有限公司 | 舆情监控方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
朱欣娟;张文宇;李显峰;: "基于本体的教学资源库及课件开发系统设计", 计算机工程与设计, no. 06, 28 March 2007 (2007-03-28), pages 1449 - 1452 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110895533A (zh) * | 2019-11-29 | 2020-03-20 | 北京锐安科技有限公司 | 一种表单映射方法、装置、计算机设备和存储介质 |
CN110895533B (zh) * | 2019-11-29 | 2023-01-17 | 北京锐安科技有限公司 | 一种表单映射方法、装置、计算机设备和存储介质 |
CN110955801A (zh) * | 2019-12-06 | 2020-04-03 | 中国建设银行股份有限公司 | 一种cognos报表指标的知识图谱分析方法及系统 |
CN110955801B (zh) * | 2019-12-06 | 2022-10-21 | 中国建设银行股份有限公司 | 一种cognos报表指标的知识图谱分析方法及系统 |
CN111105656A (zh) * | 2020-01-13 | 2020-05-05 | 北京爱论答科技有限公司 | 一种课件生成方法及系统 |
CN111723191A (zh) * | 2020-05-19 | 2020-09-29 | 天闻数媒科技(北京)有限公司 | 一种基于全信息自然语言的文本过滤和提取方法及其系统 |
CN111723191B (zh) * | 2020-05-19 | 2023-10-27 | 天闻数媒科技(北京)有限公司 | 一种基于全信息自然语言的文本过滤和提取方法及其系统 |
CN112052652A (zh) * | 2020-09-08 | 2020-12-08 | 国家电网有限公司技术学院分公司 | 一种电子课件脚本自动生成方法及装置 |
CN112052652B (zh) * | 2020-09-08 | 2024-02-20 | 国家电网有限公司技术学院分公司 | 一种电子课件脚本自动生成方法及装置 |
CN112905853A (zh) * | 2021-03-05 | 2021-06-04 | 北京中经惠众科技有限公司 | 知识图谱构建过程的故障检测方法、装置、设备和介质 |
CN116932488A (zh) * | 2023-09-15 | 2023-10-24 | 之江实验室 | 基于知识图谱的课件生成方法、装置、系统和存储介质 |
CN116932488B (zh) * | 2023-09-15 | 2024-01-09 | 之江实验室 | 基于知识图谱的课件生成方法、装置、系统和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110377751A (zh) | 课件智能生成方法、装置、计算机设备及存储介质 | |
CN109271506A (zh) | 一种基于深度学习的电力通信领域知识图谱问答系统的构建方法 | |
US10740678B2 (en) | Concept hierarchies | |
CN109062939A (zh) | 一种面向汉语国际教育的智能导学方法 | |
CN103631882B (zh) | 基于图挖掘技术的语义化业务生成系统和方法 | |
CN110489755A (zh) | 文本生成方法和装置 | |
CN101630314B (zh) | 一种基于领域知识的语义查询扩展方法 | |
CN109710701A (zh) | 一种用于公共安全领域大数据知识图谱的自动化构建方法 | |
CN109284363A (zh) | 一种问答方法、装置、电子设备及存储介质 | |
CN105808590B (zh) | 搜索引擎实现方法、搜索方法以及装置 | |
CN110008390A (zh) | 应用程序的评估方法、装置、计算机设备及存储介质 | |
CN106776797A (zh) | 一种基于本体推理的知识问答系统及其工作方法 | |
CN108664599A (zh) | 智能问答方法、装置、智能问答服务器及存储介质 | |
CN106446162A (zh) | 一种面向领域的本体知识库文本检索方法 | |
CN111881290A (zh) | 一种基于加权语义相似度的配网多源网架实体融合方法 | |
CN109857457B (zh) | 一种在双曲空间中学习源代码中的函数层次嵌入表示方法 | |
CN110377689A (zh) | 试卷智能生成方法、装置、计算机设备及存储介质 | |
CN109145168A (zh) | 一种专家服务机器人云平台 | |
CN104699786A (zh) | 一种语义智能搜索的通信网络投诉系统 | |
CN106227885A (zh) | 一种大数据的处理方法、装置及终端 | |
CN107798387A (zh) | 一种适用于高端装备全生命周期的知识服务系统及方法 | |
CN109885665A (zh) | 一种数据查询方法、装置及系统 | |
CN109739995A (zh) | 一种信息处理方法及装置 | |
CN117271767B (zh) | 基于多智能体的运维知识库的建立方法 | |
CN113886567A (zh) | 一种基于知识图谱的教学方法及系统 |
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 |