CN110909132A - 一种基于语义分析的警务学习内容分析划归方法 - Google Patents
一种基于语义分析的警务学习内容分析划归方法 Download PDFInfo
- Publication number
- CN110909132A CN110909132A CN201911208437.3A CN201911208437A CN110909132A CN 110909132 A CN110909132 A CN 110909132A CN 201911208437 A CN201911208437 A CN 201911208437A CN 110909132 A CN110909132 A CN 110909132A
- Authority
- CN
- China
- Prior art keywords
- test
- test question
- teaching
- police
- questions
- 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.)
- Granted
Links
Images
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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明涉及一种基于语义分析的警务学习内容分析划归方法，采用全新主题策略，针对教学文章进行分析，引入向量概念，通过警务试题库中各试题向量与教学文章向量之间的余弦距离，获得与教学文章相联系对应的各试题，用于该教学文章学习后的推荐测试，如此将试题与教学文章相结合，实现试题对教学的直接响应，及时对学习结果进行检测，提高学习效率。
Description
技术领域
本发明涉及一种基于语义分析的警务学习内容分析划归方法，属于在线教育测试技术领域。
背景技术
随着互联网应用的逐年普及，更多的领域加入了网络化时代，在线学习、在线试题是当下网络教学中重要的分支之一，将传统教学课程，以及试题的练习、考试搬至网络当中，让使用者足不出户即可享受到在线教育的优势，随着在线教育的兴起、以及被更多的使用者所接收，各个教育机构纷纷推出自己的在线教育应用，但是现有的各类在线教育应用各有弊端，试题与试题之间均是相互独立，仅仅是在知识点方面进行了划分，而且学习文章资料与试题时间无对应关系，无法做到学习与试题的直接联系，这样学习的效果得不到及时反馈，影响实际学习效率。
发明内容
本发明所要解决的技术问题是提供一种基于语义分析的警务学习内容分析划归方法，将试题与教学文章相结合，实现试题对教学的直接响应，及时对学习结果进行检测，提高学习效率。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于语义分析的警务学习内容分析划归方法，用于实现警务学习平台上教学文章对应警务试题库中相关各试题的推荐测试；其中，基于获得警务试题库中各试题分别所对应的向量，分别针对警务学习平台中的各篇教学文章，执行如下步骤A至步骤D，实现教学文章所对应警务试题库中相关各试题的推荐测试；
步骤A.结合预设警务专业用词词库，应用分词器针对教学文章的文本进行中文分词处理，获得该教学文章所对应的各个中文分词，然后进入步骤B；
步骤B.根据预设无意义词库，剔除该教学文章所对应各个中文分词中的无意义词、以及连接词，更新该教学文章所对应的各个中文分词,然后进入步骤C；
步骤C.针对该教学文章所对应的各个中文分词,进行自然语言处理，获得该教学文章所对应的向量，然后进入步骤D；
步骤D.获得警务试题库中各试题分别所对应向量、分别与该教学文章所对应向量之间的余弦距离，并获得小于预设余弦距离阈值的各个余弦距离分别所对应的试题，即作为该教学文章所对应的各试题，用于该教学文章学习后的推荐测试。
作为本发明的一种优选技术方案：基于所述步骤A至步骤D，获得各篇教学文章分别所对应的各试题后，还针对学习目标教学文章的警务人员，实时向该警务人员就目标教学文章对应警务试题库中相关各试题进行个性化推荐测试，包括如下步骤I至步骤IV；
步骤I.获得学习目标教学文章的警务人员的历史错题日志，并获得其中各个错误试题，然后进入步骤II；
步骤II.判断各错误试题与目标教学文章所对应各试题之间是否存在相同试题，是则获得各个相同试题，并进入步骤III；否则进入步骤IV；
步骤III.先按余弦距离由小至大顺序优先选择各相同试题，再按余弦距离由小至大、顺序选择目标教学文章所对应各试题中除相同试题外的各个试题，获得满足预设单篇教学文章试题推荐数量的各个试题，用于该警务人员学习目标教学文章后的推荐测试；
步骤IV.按余弦距离由小至大、顺序选择目标教学文章所对应各试题，获得满足预设单篇教学文章试题推荐数量的各个试题，用于该警务人员学习目标教学文章后的推荐测试。
作为本发明的一种优选技术方案：所述警务试题库中各试题分别所对应的向量，按如下步骤01至步骤03获得：
步骤01.分别针对警务试题库中的各试题，结合预设警务专业用词词库，应用分词器针对试题进行中文分词处理，获得该试题所对应的各个中文分词；进而获得各试题分别所对应的各个中文分词，然后进入步骤02；
步骤02.分别针对警务试题库中的各试题，根据预设无意义词库，剔除试题所对应各个中文分词中的无意义词、以及连接词，更新该试题所对应的各个中文分词；进而更新各试题分别所对应的各个中文分词，然后进入步骤03；
步骤03.分别针对警务试题库中的各试题，针对试题所对应的各个中文分词,进行自然语言处理，获得该试题所对应的向量；进而获得各试题分别所对应的向量。
作为本发明的一种优选技术方案：所述步骤01中，结合预设警务专业用词词库，应用分词器针对试题、以及该试题所对应答案和答案解析三处分别进行中文分词处理，共同作为该试题所对应的各个中文分词。
作为本发明的一种优选技术方案：所述分词器采用ik-max分词器。
作为本发明的一种优选技术方案：所述自然语言处理采用word2vec算法执行。
本发明所述一种基于语义分析的警务学习内容分析划归方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所设计基于语义分析的警务学习内容分析划归方法，采用全新主题策略，针对教学文章进行分析，引入向量概念，通过警务试题库中各试题向量与教学文章向量之间的余弦距离，获得与教学文章相联系对应的各试题，用于该教学文章学习后的推荐测试，如此将试题与教学文章相结合，实现试题对教学的直接响应，及时对学习结果进行检测，提高学习效率。
附图说明
图1是本发明设计基于语义分析的警务学习内容分析划归方法的流程示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了一种基于语义分析的警务学习内容分析划归方法，用于实现警务学习平台上教学文章对应警务试题库中相关各试题的推荐测试；首先按如下步骤01至步骤03，获得警务试题库中各试题分别所对应的向量。
步骤01.分别针对警务试题库中的各试题，结合预设警务专业用词词库，应用ik-max分词器针对试题、以及该试题所对应答案和答案解析三处分别进行中文分词处理，获得该试题所对应的各个中文分词；进而获得各试题分别所对应的各个中文分词，然后进入步骤02。
步骤02.分别针对警务试题库中的各试题，根据预设无意义词库，剔除试题所对应各个中文分词中的无意义词、以及连接词，更新该试题所对应的各个中文分词；进而更新各试题分别所对应的各个中文分词，然后进入步骤03。
步骤03.分别针对警务试题库中的各试题，针对试题所对应的各个中文分词,采用word2vec算法进行自然语言处理，获得该试题所对应的向量；进而获得各试题分别所对应的向量。
然后基于所获警务试题库中各试题分别所对应的向量，分别针对警务学习平台中的各篇教学文章，如图1所示，执行如下步骤A至步骤D，实现教学文章所对应警务试题库中相关各试题的推荐测试。
步骤A.结合预设警务专业用词词库，应用ik-max分词器针对教学文章的文本进行中文分词处理，获得该教学文章所对应的各个中文分词，然后进入步骤B。
步骤B.根据预设无意义词库，剔除该教学文章所对应各个中文分词中的无意义词、以及连接词，更新该教学文章所对应的各个中文分词,然后进入步骤C。
步骤C.针对该教学文章所对应的各个中文分词,采用word2vec算法进行自然语言处理，获得该教学文章所对应的向量，然后进入步骤D。
步骤D.获得警务试题库中各试题分别所对应向量、分别与该教学文章所对应向量之间的余弦距离，并获得小于预设余弦距离阈值的各个余弦距离分别所对应的试题，即作为该教学文章所对应的各试题，用于该教学文章学习后的推荐测试。
实际应用当中，基于所述步骤A至步骤D，获得各篇教学文章分别所对应的各试题后，进一步针对学习目标教学文章的警务人员，设计实时向该警务人员就目标教学文章对应警务试题库中相关各试题进行个性化推荐测试，包括如下步骤I至步骤IV。
步骤I.获得学习目标教学文章的警务人员的历史错题日志，并获得其中各个错误试题，然后进入步骤II。
步骤II.判断各错误试题与目标教学文章所对应各试题之间是否存在相同试题，是则获得各个相同试题，并进入步骤III；否则进入步骤IV。
步骤III.先按余弦距离由小至大顺序优先选择各相同试题，再按余弦距离由小至大、顺序选择目标教学文章所对应各试题中除相同试题外的各个试题，获得满足预设单篇教学文章试题推荐数量的各个试题，用于该警务人员学习目标教学文章后的推荐测试。
步骤IV.按余弦距离由小至大、顺序选择目标教学文章所对应各试题，获得满足预设单篇教学文章试题推荐数量的各个试题，用于该警务人员学习目标教学文章后的推荐测试。
上述所设计基于语义分析的警务学习内容分析划归方法应用于实际当中，警务人员使用警务学习平台，阅读教学文章后，系统即可将该教学文章所对应的各试题列出来，供学习完该教学文章后的测试练习之用，如此通过科学客观的策略将试题与教学文章结合起来，及时做到教学文章后的测试之用，有效提高了学习效率，此外，本发明还设计将警务人员的历史错题结合进来，在针对教学文章推荐试题的同时，优选所推荐试题中的历史错误试题进行推荐，紧密结合学习内容的同时，对历史错题再次进行测试，进一步提高学习效率。
上述技术方案所设计基于语义分析的警务学习内容分析划归方法，采用全新主题策略，针对教学文章进行分析，引入向量概念，通过警务试题库中各试题向量与教学文章向量之间的余弦距离，获得与教学文章相联系对应的各试题，用于该教学文章学习后的推荐测试，如此将试题与教学文章相结合，实现试题对教学的直接响应，及时对学习结果进行检测，提高学习效率。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (6)
1.一种基于语义分析的警务学习内容分析划归方法，其特征在于：用于实现警务学习平台上教学文章对应警务试题库中相关各试题的推荐测试；其中，基于获得警务试题库中各试题分别所对应的向量，分别针对警务学习平台中的各篇教学文章，执行如下步骤A至步骤D，实现教学文章所对应警务试题库中相关各试题的推荐测试；
步骤A. 结合预设警务专业用词词库，应用分词器针对教学文章的文本进行中文分词处理，获得该教学文章所对应的各个中文分词，然后进入步骤B；
步骤B. 根据预设无意义词库，剔除该教学文章所对应各个中文分词中的无意义词、以及连接词，更新该教学文章所对应的各个中文分词,然后进入步骤C；
步骤C. 针对该教学文章所对应的各个中文分词, 进行自然语言处理，获得该教学文章所对应的向量，然后进入步骤D；
步骤D. 获得警务试题库中各试题分别所对应向量、分别与该教学文章所对应向量之间的余弦距离，并获得小于预设余弦距离阈值的各个余弦距离分别所对应的试题，即作为该教学文章所对应的各试题，用于该教学文章学习后的推荐测试。
2. 根据权利要求1所述一种基于语义分析的警务学习内容分析划归方法，其特征在于：基于所述步骤A至步骤D，获得各篇教学文章分别所对应的各试题后，还针对学习目标教学文章的警务人员，实时向该警务人员就目标教学文章对应警务试题库中相关各试题进行个性化推荐测试，包括如下步骤
至步骤
；
步骤
. 获得学习目标教学文章的警务人员的历史错题日志，并获得其中各个错误试题，然后进入步骤
；
步骤
. 判断各错误试题与目标教学文章所对应各试题之间是否存在相同试题，是则获得各个相同试题，并进入步骤
；否则进入步骤
；
步骤
. 先按余弦距离由小至大顺序优先选择各相同试题，再按余弦距离由小至大、顺序选择目标教学文章所对应各试题中除相同试题外的各个试题，获得满足预设单篇教学文章试题推荐数量的各个试题，用于该警务人员学习目标教学文章后的推荐测试；
步骤
. 按余弦距离由小至大、顺序选择目标教学文章所对应各试题，获得满足预设单篇教学文章试题推荐数量的各个试题，用于该警务人员学习目标教学文章后的推荐测试。
3.根据权利要求1所述一种基于语义分析的警务学习内容分析划归方法，其特征在于：所述警务试题库中各试题分别所对应的向量，按如下步骤01至步骤03获得：
步骤01. 分别针对警务试题库中的各试题，结合预设警务专业用词词库，应用分词器针对试题进行中文分词处理，获得该试题所对应的各个中文分词；进而获得各试题分别所对应的各个中文分词，然后进入步骤02；
步骤02. 分别针对警务试题库中的各试题，根据预设无意义词库，剔除试题所对应各个中文分词中的无意义词、以及连接词，更新该试题所对应的各个中文分词；进而更新各试题分别所对应的各个中文分词，然后进入步骤03；
步骤03. 分别针对警务试题库中的各试题，针对试题所对应的各个中文分词, 进行自然语言处理，获得该试题所对应的向量；进而获得各试题分别所对应的向量。
4.根据权利要求3所述一种基于语义分析的警务学习内容分析划归方法，其特征在于：所述步骤01中，结合预设警务专业用词词库，应用分词器针对试题、以及该试题所对应答案和答案解析三处分别进行中文分词处理，共同作为该试题所对应的各个中文分词。
5. 根据权利要求1至4任意一项所述一种基于语义分析的警务学习内容分析划归方法，其特征在于：所述分词器采用 ik-max分词器。
6.根据权利要求1至4任意一项所述一种基于语义分析的警务学习内容分析划归方法，其特征在于：所述自然语言处理采用word2vec算法执行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911208437.3A CN110909132B (zh) | 2019-11-30 | 2019-11-30 | 一种基于语义分析的警务学习内容分析划归方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911208437.3A CN110909132B (zh) | 2019-11-30 | 2019-11-30 | 一种基于语义分析的警务学习内容分析划归方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110909132A true CN110909132A (zh) | 2020-03-24 |
| CN110909132B CN110909132B (zh) | 2023-10-20 |
Family
ID=69821155
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911208437.3A Active CN110909132B (zh) | 2019-11-30 | 2019-11-30 | 一种基于语义分析的警务学习内容分析划归方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110909132B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111858853A (zh) * | 2020-07-11 | 2020-10-30 | 杨帆 | 一种基于图神经网络的警务学习内容推荐方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080270384A1 (en) * | 2007-04-28 | 2008-10-30 | Raymond Lee Shu Tak | System and method for intelligent ontology based knowledge search engine |
| CN102194344A (zh) * | 2011-06-02 | 2011-09-21 | 广州良师益友教育软件有限公司 | 一种试题生成系统及其实现方法 |
| CN108197137A (zh) * | 2017-11-20 | 2018-06-22 | 广州视源电子科技股份有限公司 | 文本的处理方法、装置、存储介质、处理器和终端 |
| CN109118861A (zh) * | 2017-06-26 | 2019-01-01 | 蒋兵兵 | 一种个性化智能教学系统 |
| CN109255121A (zh) * | 2018-07-27 | 2019-01-22 | 中山大学 | 一种基于主题类的跨语言生物医学类学术论文信息推荐方法 |
| CN109948121A (zh) * | 2017-12-20 | 2019-06-28 | 北京京东尚科信息技术有限公司 | 文章相似度挖掘方法、系统、设备及存储介质 |
-
2019
- 2019-11-30 CN CN201911208437.3A patent/CN110909132B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080270384A1 (en) * | 2007-04-28 | 2008-10-30 | Raymond Lee Shu Tak | System and method for intelligent ontology based knowledge search engine |
| CN102194344A (zh) * | 2011-06-02 | 2011-09-21 | 广州良师益友教育软件有限公司 | 一种试题生成系统及其实现方法 |
| CN109118861A (zh) * | 2017-06-26 | 2019-01-01 | 蒋兵兵 | 一种个性化智能教学系统 |
| CN108197137A (zh) * | 2017-11-20 | 2018-06-22 | 广州视源电子科技股份有限公司 | 文本的处理方法、装置、存储介质、处理器和终端 |
| CN109948121A (zh) * | 2017-12-20 | 2019-06-28 | 北京京东尚科信息技术有限公司 | 文章相似度挖掘方法、系统、设备及存储介质 |
| CN109255121A (zh) * | 2018-07-27 | 2019-01-22 | 中山大学 | 一种基于主题类的跨语言生物医学类学术论文信息推荐方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111858853A (zh) * | 2020-07-11 | 2020-10-30 | 杨帆 | 一种基于图神经网络的警务学习内容推荐方法 |
| CN111858853B (zh) * | 2020-07-11 | 2023-07-25 | 杨帆 | 一种基于图神经网络的警务学习内容推荐方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110909132B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Acmm: Aligned cross-modal memory for few-shot image and sentence matching | |
| CN112466298B (zh) | 语音检测方法、装置、电子设备和存储介质 | |
| Alshamsi et al. | Sentiment analysis in English texts | |
| Kumar | Efficiency of decision trees in predicting student’s academic performance | |
| US9767386B2 (en) | Training a classifier algorithm used for automatically generating tags to be applied to images | |
| CN104915643B (zh) | 一种基于深度学习的行人再标识方法 | |
| CN109359215A (zh) | 视频智能推送方法和系统 | |
| CN109242736A (zh) | 一种协助老师了解学生的学习情况的方法和系统 | |
| Sadjadi et al. | The 2019 NIST Audio-Visual Speaker Recognition Evaluation. | |
| CN108121702A (zh) | 数学主观题评阅方法及系统 | |
| CN112819023A (zh) | 样本集的获取方法、装置、计算机设备和存储介质 | |
| CN110288007A (zh) | 数据标注的方法、装置及电子设备 | |
| CN109992781B (zh) | 文本特征的处理方法、装置和存储介质 | |
| CN113961692B (zh) | 机器阅读理解方法及系统 | |
| CN109800309A (zh) | 课堂话语类型分类方法及装置 | |
| Kahng et al. | Llm comparator: Visual analytics for side-by-side evaluation of large language models | |
| CN111553821B (zh) | 基于教师学生网络和多头解码器的应用题自动解题方法 | |
| Pryer et al. | Using computer vision on herbarium specimen images to discriminate among closely related horsetails (Equisetum) | |
| CN110852071B (zh) | 知识点检测方法、装置、设备及可读存储介质 | |
| CN116091836A (zh) | 一种多模态视觉语言理解与定位方法、装置、终端及介质 | |
| CN110795410A (zh) | 一种多领域文本分类方法 | |
| CN110909132A (zh) | 一种基于语义分析的警务学习内容分析划归方法 | |
| Theophilo et al. | Explainable artificial intelligence for authorship attribution on social media | |
| CN113822521A (zh) | 题库题目的质量检测方法、装置及存储介质 | |
| CN113342953A (zh) | 一种基于多模型集成的政务问答方法 |
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 |